【技术实现步骤摘要】
本专利技术属于交通流量预测，具体的说是涉及一种面向事件的交通流量预测方法及装置。
技术介绍
1、交通流量的预测旨在利用历史交通观测数据来预测道路在未来一段时间内的交通流量。然而，在某些特定事件中，交通数据呈现出非线性、不稳定性和难以预测的特点，这使得交通流量预测成为一个具有挑战性的研究课题。这些事件包括车辆交通事故、节假日车辆增加等，它们会对道路交通产生重大影响。据统计，约60％的交通阻塞是由这些事件引起的非周期性拥堵造成的。因此，对这些由事件引发的交通流量变化进行预测，对于提高道路通行效率具有重大意义。
2、通过对现有的专利及相关技术的检索发现，现有的与交通流量预测相关的方法有：
3、(1)王键，何彦召，刘海涛，等.一种终端设备功率优化的方法和装置:,cn110730480a[p].2020.提出了一种终端设备可以根据当前业务信息、电量信息或者服务小区信号质量等一个或者多个条件，主动向网络设备报告较低的能力或者匹配当前业务的drx参数，网络设备可以根据终端上报的信息配置终端的能力或者参数，实现功率优化，降低终端功耗。
4、(2)靳嘉曦，马婷婷，牛文广，等.一种基于交通流量预测的节假日交通调度方法及装置:,cn111445694b[p].2020.提出了一种若节假日交通流量与预设时间段内历史交通流量的相似度值大于等于预设阈值，则选择历史交通流量对应的交通调度方案作为节假日交通调度方案；否则，根据节假日交通流量的变化趋势将节假日全天划分为多个时段；查找时段数量与所述节假日时段数量最接近的至少一个
5、(3)陈璟，李琪，舒林.移动通信方法、装置及设备:,cn113055888b[p].2022.提出了一种移动通信方法、装置和设备，以解决附着请求消息在发送过程中可能受到中间人攻击，导致mme获取到的ue能力信息与实际ue发送的不一致的问题。其主要思想是：mme通过nas安全模式命令消息向ue发送第一个或第二个验证匹配信息，ue根据验证匹配信息对mme所接收到的ue能力信息进行验证，以确保mme获取正确的ue能力信息。其中，验证匹配信息可以是附着请求消息或ue能力信息的哈希值等。ue验证通过后，向mme发送nas安全模式完成消息。
6、(4)蔡彪.一种基于卷积神经网络的轨道交通客流量预测方法:,cn110298486a[p].2019.提出了一种获取轨道交通路网各个站点的历史客流数据；对缺失的历史客流数据进行填补，得到填补后的历史客流数据；将历史客流数据按照工作日、休息日、晴天和雨雪天划分为不同的数据集；在每个数据集中以任一时刻为起点、时间t为单个取样长度向前获取客流数据，将其作为一组训练数据，进而得到每个数据集对应的训练数据；分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练，得到训练后的卷积神经网络；以待预测时间段的起始时刻为起点、时间t为单个取样长度，在待预测站点所在轨道交通路网中向前获取客流数据，得到待预测时刻的预测基础数据；选取与待预测时间段相匹配的数据集所训练的卷积神经网络，将待预测时刻的预测基础数据作为该训练后的卷积神经网络的输入，将对应的输出作为该轨道交通路网在该待预测时间段的客流预测结果。建立数据集对应的训练数据训练卷积神经网络，不仅需要大量的历史客流数据，而且，工作日、休息日、晴天和雨雪天往往存在关联，分别通过各自的数据集训练得到卷积神经网络，同样存在交通流量预测的准确度较低的缺陷。
技术实现思路
1、为了解决交通流量预测技术中存在的准确度不高的问题，本专利技术提供了一种面向事件的交通流量预测方法及装置。
2、一种面向事件的交通流量预测方法，包括以下步骤：
3、1.当触发事件流量预测的动作发生时，以触发事件流量预测的触发时间为起点，反向查询道路的历史车流量，确定处于预设时长内的历史车流量的均值作为参考车流量。
4、2.从预设的事件类型中确定触发事件流量预测的目标事件类型，并从道路的历史车流量中选择与参考车流量相同且事件类型与目标事件类型相同的历史车流量作为目标历史车流量。
5、3.根据目标历史车流量、预设的k-sigma算法中对应目标事件类型的k值，计算第一时刻到第二时刻的时间区间内在k取值所对应的置信区间内的总车流量，并计算总车流量之间的标准差。
6、4.如果标准差小于预设标准差阈值，则计算目标历史车流量对应的采集时刻到第二时刻的时间区间内各个时刻与采集时刻的时间差。
7、5.根据目标历史车流量对应的采集时刻到第二时刻的时间区间内的历史车流量，计算各个时间差下的历史车流量均值，并计算历史车流量均值相对目标历史车流量的车流量增减值。最后根据车流量增减值生成交通流量预测结果。
8、在一种实施方式中，计算各个时刻与第一时刻的时间差的步骤包括：首先计算各个时刻与第一时刻的时间差；然后根据目标历史车流量对应的第一时刻到第二时刻的时间区间内各个时刻的历史车流量，计算相同时间差下的历史车流量均值和方差；最后根据k-sigma算法中对应目标事件类型的预设k值，以及相同时间差下的历史车流量均值和方差，计算目标历史车流量对应的第一时刻到第二时刻的时间区间内在k取值所对应的置信区间内的总车流量。
9、在另一种实施方式中，如果标准差大于或等于预设标准差阈值，则重新确定第二时刻的取值，并重新执行前述计算步骤，直到新计算得到的标准差小于预设标准差阈值。
10、提供了一种面向事件的交通流量预测装置，包括以下模块：
11、1.历史车流量查询及参考车流量确定模块，用于反向查询道路的历史车流量，并确定处于预设时长内的历史车流量的均值作为参考车流量。
12、2.事件类型确定及历史车流量选取模块，用于确定触发事件流量预测的目标事件类型，并从道路的历史车流量中选择与参考车流量相同且事件类型与目标事件类型相同的历史车流量作为目标历史车流量。
13、3.总车流量及标准差计算模块，用于计算第一时刻到第二时刻的时间区间内在k取值所对应的置信区间内的总车流量，并计算总车流量之间的标准差。
14、4.时间差计算模块，用于在标准差小于预设标准差阈值的情况下，计算目标历史车流量对应的采集时刻到第二时刻的时间区间内各个时刻与采集时刻的时间差。
15、5.历史车流量均值计算及预测结果生成模块，用于根据目标历史车流量对应的采集时刻到第二时刻的时间区间内的历史车流量，计算各时间差下的历史车流量均值，以及历史车流量均值相对目标历史车流量的车流量增减值，并根据车流量增减值生成交通流量预测结果。
16、提供了一种计算机可读本文档来自技高网...
【技术保护点】
1.一种面向事件的交通流量预测方法及系统，其特征在于，包括：
2.根据权利要求1所述的一种面向事件的交通流量预测方法，其特征在于，S14中所述目标事件类型的预设k的取值的获取方法是：
3.根据权利要求2所述的一种面向事件的交通流量预测方法，其特征在于，步骤a中所述预设范围是根据事件涉及到的预设的事件类型确定的，预设范围与事件涉及的事件类型的数量正相关。
4.根据权利要求1-3任意一项所述的一种面向事件的交通流量预测方法，其特征在于，所述触发事件包括节假日、特殊天气、发生公共事件、发生交通事故。
5.一种面向事件的交通流量预测装置，其特征在于，包括：
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-2中任一项所述方法的步骤。
7.一种电子设备，其特征在于，包括：
【技术特征摘要】
1.一种面向事件的交通流量预测方法及系统，其特征在于，包括：
2.根据权利要求1所述的一种面向事件的交通流量预测方法，其特征在于，s14中所述目标事件类型的预设k的取值的获取方法是：
3.根据权利要求2所述的一种面向事件的交通流量预测方法，其特征在于，步骤a中所述预设范围是根据事件涉及到的预设的事件类型确定的，预设范围与事件涉及的事件类型的数量正相关。
4....
【专利技术属性】
技术研发人员：郭原甫，杨燕，江永全，殷巧琳，谢朱洋，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。