高速公路通行费收入预测方法、系统、设备和存储介质技术方案

本申请涉及高速公路通行费收入预测方法、系统、设备和存储介质，属于机器学习技术领域，该方法包括：获取待预测的目标时间段；将在该目标时间段之前的指定时间段的历史时序特征输入预训练的LSTM模型，输出对目标时间段预测的通行费数据作为第一结果；将目标时间段输入预训练的Prophet模型，输出对目标时间段预测的通行费数据作为第二结果；获取与目标时间段同时期的历史通行费数据作为第三结果。本申请实施例中，将LSTM模型和Prophet模型的预测结果以及同时期的历史通行费数据进行了融合，从方案的整体上进行了改进，极大的提高了预测结果的准确性。果的准确性。果的准确性。

【技术实现步骤摘要】
高速公路通行费收入预测方法、系统、设备和存储介质


[0001]本申请涉及机器学习
，特别是涉及高速公路通行费收入预测方法、系统、设备和存储介质。

技术介绍

[0002]随着我国高速公路的快速发展，高速公路通行费预测问题逐渐成为高速公路运营管理研究中的核心问题之一。良好的通行费预测方法是高速公路收费政策正常实施的保障，也是高速公路路网建设和发展的重要环节。
[0003]高速公路通行费预测有以下几个价值点：1、高速公路营运管理部门在进行目标规划时，可以根据通行费预测结果，更加科学、合理、有依据的制定未来经营收入目标。2、高速公路维修和养护部门在进行养护或维修作业时，可以根据通行费预测结果，选取对通行费收入影响最小的日期来进行作业。3、在高速公路管理部门规划新的道路与收费站时，根据通行费收入预测结果，辅助预估新道路或收费站的投入使用效果。这些业务场景，都需要一个相对准确的高速公路通行费预估方法，作为高速公路相关部门等制定政策、规划与决策的一项决策依据。
[0004]当前高速公路交通费预测算法大多基于ARIMA等时间序列回归算法，该算法的拟合过程较为简单，回归误差较大，导致最终预测的结果准确性较低。

技术实现思路

[0005]本申请实施例提供了一种高速公路通行费收入预测方法、系统、设备和存储介质，以至少解决相关技术中预测结果准确性低的问题。
[0006]第一方面，本申请实施例提供了一种高速公路通行费收入预测方法，包括：获取待预测的目标时间段；将在所述目标时间段之前的指定时间段的历史时序特征输入预训练的LSTM模型，输出对所述目标时间段预测的通行费数据作为第一结果；将所述目标时间段输入预训练的Prophet模型，输出对所述目标时间段预测的通行费数据作为第二结果；获取与所述目标时间段同时期的历史通行费数据作为第三结果；将所述第一结果、第二结果和第三结果融合，得出最终预测结果。
[0007]在其中一些实施例中，所述历史时序特征包括具有时序信息的门架通行数据、出口通行数据和时间维度数据。
[0008]在其中一些实施例中，所述门架通行数据的获得方式包括：采集门架系统数据，所述门架系统数据包括门架信息、车牌号、门架交易金额和门架交易时间；将所述门架系统数据按路段号和日期分别聚合通行费金额、通行费减免数、通行车辆数，得到所述门架通行数据；所述出口通行数据的获得方式包括：采集出口流水数据，所述出口流水数据包括出口站点信息、出口车牌、出口通行费和出口时间；将所述出口流水数据按路段号和日期分别聚合通行费金额和出口车辆数，得到所述出口通行数据；所述时间维度数据包括日期、星期、月份、季度、一年中的第几天、是否周末以及是否节假日。
[0009]在其中一些实施例中，所述历史时序特征通过如下方式处理：对特征数据进行清洗，去除缺失数据和异常数据；对清洗后的特征数据进行归一化；对归一化后的特征数据采用指数平滑算法进行平滑处理；对平滑处理后的特征数据进行筛选。
[0010]在其中一些实施例中，所述Prophet模型基于时序通行费数据训练得到，所述时序通行费数据是指对应有日期和路段号的通行费数据。
[0011]在其中一些实施例中，所述时序通行费数据按时序依次排列时形成时间序列，所述Prophet模型包括：
[0012]趋势函数，用于拟合时间序列中的分段线性增长或逻辑增长的非周期性变化；
[0013]季节性函数，用于拟合时间序列中每周和/或每年的季节性变化；
[0014]节假日效应函数，用于拟合时间序列中节假日带来的变化。
[0015]在其中一些实施例中，在所述获取待预测的目标时间段之前，所述方法还包括：获取每天的实时特征数据，并在每周日晚汇聚，得到新一周的特征数据，每周根据新一周的特征数据离线训练LSTM模型和Prophet模型。
[0016]第二方面，本申请实施例提供一种高速公路通行费收入预测系统，包括预测单元，且所述预测单元包括：
[0017]获取模块，用于获取待预测的目标时间段；
[0018]第一预测模块，用于将在所述目标时间段之前的指定时间段的历史时序特征输入预训练的LSTM模型，输出对所述目标时间段预测的通行费数据作为第一结果；
[0019]第二预测模块，用于将所述目标时间段输入预训练的Prophet模型，输出对所述目标时间段预测的通行费数据作为第二结果；
[0020]第三预测模块，用于获取与所述目标时间段同时期的历史通行费数据作为第三结果；
[0021]融合模块，用于将所述第一结果、第二结果和第三结果融合，得出最终预测结果。
[0022]第三方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的方法。
[0023]第四方面，本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的方法。
[0024]相比于相关技术，本申请实施例提供的高速公路通行费收入预测方法，将LSTM模型和Prophet模型结合，提高了算法的精度；同时，将LSTM模型和Prophet模型的预测结果以及同时期的历史通行费数据进行了融合，从方案的整体上进行了改进，极大的提高了预测结果的准确性。另外，采用了多维度特征，特征更全面，训练出的模型预测能力更强，能够提高预测结果的准确性，使得预测结果与真实的高速公路通行费比较接近。进一步的，本申请实施例对数据实时采集和处理，提高了数据处理的实时性，并且，通过数据清洗、归一化处理、指数平滑、特征选择，增加了模型的泛化能力，减少过拟合情况。
附图说明
[0025]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0026]图1是根据本申请实施例的高速公路通行费收入预测方法的流程图；
[0027]图2是根据本申请实施例的去除异常数据的表达示意图；
[0028]图3是根据本申请实施例的LSTM模型的表达示意图；
[0029]图4是根据本申请实施例的LSTM模型学习过程的表达示意图；
[0030]图5是根据本申请实施例的模型训练阶段的流程图；
[0031]图6是根据本申请实施例的模型应用阶段的流程图；
[0032]图7是根据本申请实施例的高速公路通行费收入预测方法对某路段通行费预测的结果表达示意图；
[0033]图8是根据本申请实施例的高速公路通行费收入预测系统的结构框图；
[0034]图9是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
[0035]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速公路通行费收入预测方法，其特征在于，包括：获取待预测的目标时间段；将在所述目标时间段之前的指定时间段的历史时序特征输入预训练的LSTM模型，输出对所述目标时间段预测的通行费数据作为第一结果；将所述目标时间段输入预训练的Prophet模型，输出对所述目标时间段预测的通行费数据作为第二结果；获取与所述目标时间段同时期的历史通行费数据作为第三结果；将所述第一结果、第二结果和第三结果融合，得出最终预测结果。2.根据权利要求1所述的方法，其特征在于，所述历史时序特征包括具有时序信息的门架通行数据、出口通行数据和时间维度数据。3.根据权利要求2所述的方法，其特征在于，所述门架通行数据的获得方式包括：采集门架系统数据，所述门架系统数据包括门架信息、车牌号、门架交易金额和门架交易时间；将所述门架系统数据按路段号和日期分别聚合通行费金额、通行费减免数、通行车辆数，得到所述门架通行数据；所述出口通行数据的获得方式包括：采集出口流水数据，所述出口流水数据包括出口站点信息、出口车牌、出口通行费和出口时间；将所述出口流水数据按路段号和日期分别聚合通行费金额和出口车辆数，得到所述出口通行数据；所述时间维度数据包括日期、星期、月份、季度、一年中的第几天、是否周末以及是否节假日。4.根据权利要求2所述的方法，其特征在于，所述历史时序特征通过如下方式处理：对特征数据进行清洗，去除缺失数据和异常数据；对清洗后的特征数据进行归一化；对归一化后的特征数据采用指数平滑算法进行平滑处理；对平滑处理后的特征数据进行筛选。5.根据权利要求1所述的方法，其特征在于，所述Prophet模型基于时序通行费数据训练得到，所述时序...

【专利技术属性】
技术研发人员：王尔昕，郭庆锋，汤剑，
申请(专利权)人：同盾科技有限公司，
类型：发明
国别省市：