This manual provides a method and device for traffic flow prediction. A traffic flow prediction model is constructed by combining the long-short-term memory recurrent neural network model with the depth-breadth model. According to the time information of the period to be predicted and the traffic correlation information, the traffic flow prediction model is constructed to predict the traffic flow. The long-term and short-term memory recurrent neural network model is used to capture the temporal characteristics of traffic flow and other auxiliary information. The depth-breadth model can comprehensively consider other relevant information of traffic flow, improve the accuracy of traffic flow prediction, realize the accurate prediction of traffic flow, and provide an accurate data basis for traffic planning.
【技术实现步骤摘要】
一种交通人流量的预测方法及装置
本说明书属于计算机
,尤其涉及一种交通人流量的预测方法及装置。
技术介绍
随着科技的发展,城市交通种类也越来越多,智能交通的出现缓解了城市交通的压力。智能交通可以表示基于现代电子信息技术面向交通运输的服务系统,以信息的收集、处理、发布、交换、分析、利用为主线,为交通参与者提供多样性的服务。交通流量的预测是智能交通中比较重要的一项任务,交通流量的预测结果可以用于优化交通运输服务。现有技术中,对于交通人流量的预测通常是只考虑时间序列的特征,预测结果可能不准确,如何进行交通流量的准确预测是本领域亟需解决的技术问题。
技术实现思路
本说明书目的在于提供一种交通人流量的预测方法及装置,实现了交通人流量的准确预测。一方面本说明书实施例提供了一种交通人流量的预测方法,包括:获取待预测时间段对应的时间信息、交通关联信息;将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中,获得所述待预测时间段的交通人流量预测值,所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型,所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。另一方面,本说明书提供了一种交通人流量的预测装置,包括:数据获取模块,用于获取待预测时间段对应的时间信息、交通关联信息;流量预测模块,用于将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中,获得所述待预测时间段的交通人流量预测值,所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型,所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。还一方面,本说明 ...
【技术保护点】
1.一种交通人流量的预测方法,包括:获取待预测时间段对应的时间信息、交通关联信息;将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中,获得所述待预测时间段的交通人流量预测值,所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型,所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。
【技术特征摘要】
1.一种交通人流量的预测方法,包括:获取待预测时间段对应的时间信息、交通关联信息;将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中,获得所述待预测时间段的交通人流量预测值,所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型,所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。2.如权利要求1所述的方法,所述交通流量预测模型的构建方法包括:获取样本数据,所述样本数据包括:历史交通流量数据、历史的交通关联信息,所述交通关联信息包括:交通流量静态关联信息、交通流量动态关联信息;构建所述交通流量预测模型;将所述样本数据中的历史交通流量数据、历史的交通流量动态关联信息作为所述交通流量预测模型中的所述长短时记忆递归神经网络模型的输入,将历史的交通流量静态关联信息作为所述交通流量预测模型中的所述深度广度模型的广度层的输入,将所述长短时记忆递归神经网络模型的输出作为所述深度广度模型的深度层的输入,训练所述交通流量预测模型,直至所述交通流量预测模型符合预设要求。3.如权利要求2所述的方法,所述获取样本数据包括:获取历史交通流量数据,根据所述历史交通流量数据对应的时间将所述历史交通流量数据按照交通人流量预测的时间段进行划分;将划分好的历史交通流量数据进行归一化处理;获取所述历史交通流量数据对应的历史的交通关联信息。4.如权利要求2所述的方法,所述方法还包括:将所述样本数据划分为训练数据和测试数据,利用训练数据对所述交通流量预测模型进行模型训练;利用所述测试数据对训练好的交通流量预测模型进行测试,计算训练好的模型在所述测试数据上的误差,选择误差最小的交通流量预测模型作为所述构建的交通流量预测模型。5.如权利要求3所述的方法,所述方法还包括:将获得的所述交通人流量预测值进行反归一化处理,获得所述待预测时间段的交通人流量预测结果。6.如权利要求5所述的方法,所述方法还包括:将所述交通人流量预测结果与所述待预测时间段的实际交通流量进行对比,确定所述交通流量预测模型的预测误差;根据所述预测误差对所述交通流量预测模型进行评估。7.如权利要求2所述的方法,所述交通流量静态关联信息包括:交通站属性信息、节假日信息中的至少一个,所述交通流量动态关联信息包括天气信息。8.一种交通人流量的预测装置,包括:数据获取模块,用于获取待预测时间段对应的时间信息、交通关联信息;流量预测模块,用于将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中,获得所述待预测时间段的交通人流量...
【专利技术属性】
技术研发人员:杨嘉骏,赵星,
申请(专利权)人:阿里巴巴集团控股有限公司,
类型:发明
国别省市:开曼群岛,KY
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。