交通流量预测方法及装置、计算机设备及可读存储介质制造方法及图纸

本申请公开了一种交通流量预测及装置、计算机设备及可读存储介质。方法包括：获取目标路段在预定时长内的原始交通数据；处理原始交通数据以获取外部因素对目标路段的交通流量的影响参数；根据影响参数处理原始交通数据以获取修正交通数据；划分修正交通数据以得到训练集数据及测试集数据；利用训练集数据训练初始因果卷积

【技术实现步骤摘要】
交通流量预测方法及装置、计算机设备及可读存储介质


[0001]本申请涉及交通流量预测
，特别涉及一种交通流量预测方法、交通流量预测装置、计算机设备及非易失性计算机可读存储介质。

技术介绍

[0002]交通在每个人的日常生活中起着至关重要的作用，每个人每天需要花大量时间在交通出行上，在这种情况下，准确的实时交通状况预测对道路使用者、私营部门和政府来说非常重要。而且，目前人们广泛使用的交通服务，如流量控制、路线规划和导航等，也严重依赖于高质量的交通状况评估，所以对交通状态的精准预测显得十分有意义，交通预测的目的是根据基础路网结构内的历史交通数据预测相连路段的未来交通状态。然而，现有的交通流量预测方法存在预测精度不高的问题。

技术实现思路

[0003]本申请实施方式提供了一种交通流量预测方法、交通流量预测装置、计算机设备及非易失性计算机可读存储介质，以解决现有的交通流量预测方法的预测精度不高的问题。
[0004]本申请实施方式的交通流量预测方法包括：获取目标路段在预定时长内的原始交通数据，所述原始交通数据包括所述目标路段的交通流量数据及影响所述目标路段的交通流量的外部因素信息；处理所述原始交通数据以获取外部因素对所述目标路段的交通流量的影响参数；根据所述影响参数处理所述原始交通数据以获取去除了所述外部因素影响的修正交通数据；划分所述修正交通数据以得到训练集数据及测试集数据；利用所述训练集数据训练初始因果卷积-循环神经网络模型以获得中间因果卷积-循环神经网络模型；利用所述测试集数据测试所述中间因果卷积-循环神经网络模型以获得评估结果，并在所述评估结果满足预定条件时确认所述中间因果卷积-循环神经网络模型为目标因果卷积-循环神经网络模型；及利用所述目标因果卷积-循环神经网络模型对所述目标路段在待预测时间点下的交通流量进行预测。
[0005]在某些实施方式中，所述交通流量数据包括交通速度及交通密度中的至少一种；所述外部因素信息包括低温、高温、正常、小雨、大雨、暴雨、小雪、大雪、暴雪、大风、有交通状况、修路中至少一种外部因素的信息。
[0006]在某些实施方式中，所述处理所述原始交通数据以获取外部因素对所述目标路段的交通流量的影响参数，包括：处理所述原始交通数据以获取所述原始交通数据中未受到所述外部因素影响的正常交通数据及受到所述外部因素信息影响的受影响交通数据；及根据所述受影响交通数据及所述正常交通数据计算所述影响参数。
[0007]在某些实施方式中，每个所述外部因素对应一个所述影响参数，所述根据所述受影响交通数据及所述正常交通数据计算所述影响参数，包括：对于所述预定时长内的每个时间节点，计算属于同一所述时间节点的所述正常交通数据的均值以获得对应于多个所述
循环神经网络模型可以在降低计算量的前提下感受到更大时间宽度的时间序列，从而使得该模型可以依赖于大量时间节点的历史交通数据来预测待预测时间点的交通流量，不仅有利于进一步提升交通流量预测的准确性，还有利于提高交通流量预测的实时性。
[0015]本申请实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0016]本申请的上述和/或附加的方面和优点可以从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：
[0017]图1是本申请某些实施方式的交通流量预测方法的流程示意图；
[0018]图2是本申请某些实施方式的交通流量预测装置的示意图；
[0019]图3是本申请某些实施方式的交通流量预测方法的流程示意图；
[0020]图4是本申请某些实施方式的交通流量预测方法的流程示意图；
[0021]图5是本申请某些实施方式的第一处理模块的示意图；
[0022]图6是本申请某些实施方式的交通流量预测方法的流程示意图；
[0023]图7是本申请某些实施方式的训练模块的示意图；
[0024]图8是本申请某些实施方式的因果卷积单元的示意图；
[0025]图9是本申请某些实施方式的交通流量预测方法的原理示意图；
[0026]图10是本申请某些实施方式的循环门控单元的原理示意图；
[0027]图11是本申请某些实施方式的交通流量预测方法的流程示意图；
[0028]图12是本申请某些实施方式的预测模块的示意图；
[0029]图13是本申请某些实施方式的计算机设备的示意图；
[0030]图14是本申请某些实施方式的非易失性计算机可读存储介质与处理器的交互示意图。
具体实施方式
[0031]下面详细描述本申请的实施方式，所述实施方式的示例在附图中示出，其中，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本申请的实施方式，而不能理解为对本申请的实施方式的限制。
[0032]请参阅图1，本申请公开一种交通流量预测方法。交通流量预测方法包括：
[0033]01：获取目标路段在预定时长内的原始交通数据，原始交通数据包括目标路段的交通流量数据及影响目标路段的交通流量的外部因素信息；
[0034]02：处理原始交通数据以获取外部因素对目标路段的交通流量的影响参数；
[0035]03：处理原始交通数据以获取去除了外部因素影响的修正交通数据；
[0036]04：划分修正交通数据以得到训练集数据及测试集数据；
[0037]05：利用训练集数据训练初始因果卷积-循环神经网络模型以获得中间因果卷积-循环神经网络模型；
[0038]06：利用测试集数据测试中间因果卷积-循环神经网络模型以获得评估结果，并在
评估结果满足预定条件时确认中间因果卷积-循环神经网络模型为目标因果卷积-循环神经网络模型；及
[0039]07：利用目标因果卷积-循环神经网络模型对目标路段在待预测时间点下的交通流量进行预测。
[0040]请参阅图2，本申请还公开一种交通流量预测装置10。本申请实施方式的交通流量预测方法可以由本申请实施方式的交通流量预测装置10实现。交通流量预测装置10包括获取模块11、第一处理模块12、第二处理模块13、划分模块14、训练模块15、测试模块16级预测模块17。其中，步骤01可以由获取模块11实现。步骤02可以由第一处理模块12实现。步骤03可以由第二处理模块13实现。步骤04可以由划分模块14实现。步骤05可以由训练模块15实现。步骤06可以由测试模块16实现。步骤07可以由预测模块17实现。
[0041]也即是说，获取模块11可以用于获取目标路段在预定时长内的原始交通数据，原始交通数据包括目标路段的交通流量数据及影响目标路段的交通流量的外部因素信息。第一处理模块12可以用于处理原始交通数据以获取外部因素对目标路段的交通流量的影响参数。第二处理模块13可以用于处理原始交通数据以获取去除了外部因素影响的修正交通数据。划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通流量预测方法，其特征在于，所述交通流量预测方法包括：获取目标路段在预定时长内的原始交通数据，所述原始交通数据包括所述目标路段的交通流量数据及影响所述目标路段的交通流量的外部因素信息；处理所述原始交通数据以获取外部因素对所述目标路段的交通流量的影响参数；根据所述影响参数处理所述原始交通数据以获取去除了所述外部因素影响的修正交通数据；划分所述修正交通数据以得到训练集数据及测试集数据；利用所述训练集数据训练初始因果卷积-循环神经网络模型以获得中间因果卷积-循环神经网络模型；利用所述测试集数据测试所述中间因果卷积-循环神经网络模型以获得评估结果，并在所述评估结果满足预定条件时确认所述中间因果卷积-循环神经网络模型为目标因果卷积-循环神经网络模型；及利用所述目标因果卷积-循环神经网络模型对所述目标路段在待预测时间点下的交通流量进行预测。2.根据权利要求1所述的交通流量预测方法，其特征在于，所述交通流量数据包括交通速度及交通密度中的至少一种；所述外部因素信息包括低温、高温、正常、小雨、大雨、暴雨、小雪、大雪、暴雪、大风、有交通状况、修路中至少一种外部因素的信息。3.根据权利要求2所述的交通流量预测方法，其特征在于，所述处理所述原始交通数据以获取外部因素对所述目标路段的交通流量的影响参数，包括：处理所述原始交通数据以获取所述原始交通数据中未受到所述外部因素影响的正常交通数据及受到所述外部因素信息影响的受影响交通数据；及根据所述受影响交通数据及所述正常交通数据计算所述影响参数。4.根据权利要求3所述的交通流量预测方法，其特征在于，每个所述外部因素对应一个所述影响参数，所述根据所述受影响交通数据及所述正常交通数据计算所述影响参数，包括：对于所述预定时长内的每个时间节点，计算属于同一所述时间节点的所述正常交通数据的均值以获得对应于多个所述时间节点的多个均值；及对于每个所述外部因素，根据受该外部因素影响的受影响交通数据及所述多个均值计算该外部因素在每个所述时间节点下的初始参数；及根据多个所述时间节点对应的多个所述初始参数计算所述影响参数。5.根据权利要求1所述的交通流量预测方法，其特征在于，所述初始因果卷积-循环神经网络模型包括因果卷积单元及循环神经网络单元，所述利用所述训练集数据训练初始因果卷积-循环神经网络模型以获得中间因果卷积-循环神经网络模型，包括：将所述训练集数据以预定时段为单位输入到所述因果卷积单元中以获得因果卷积输出结果；将所述因果卷积...

【专利技术属性】
技术研发人员：叶可江，贺航涛，须成忠，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：