一种交通人流量的预测方法及装置制造方法及图纸

本说明书提供一种交通人流量的预测方法及装置，将长短时记忆递归神经网络模型和深度广度模型相结合构建出交通流量预测模型，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通人流量的其他相关信息，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划提供了准确的数据基础。

A Prediction Method and Device for Traffic Flow

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，本说明书提供了交通人流量的预测处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中的交通人流量的预测方法。再一方面，本说明书提供了一种交通人流量的预测系统，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中的交通人流量的预测方法。本说明书提供的交通人流量的预测方法、装置、处理设备、系统，将长短时记忆递归神经网络模型和深度广度模型相结合构建出交通流量预测模型，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通人流量的其他相关信息，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划、交通调度提供了准确的数据基础。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本说明书一个实施例中交通人流量的预测方法的流程示意图；图2是本说明书一个实施例中交通流量预测模型的模型架构示意图；图3是本说明书又一个实施例中交通人流量预测方法的流程示意图；图4是本说明书提供的交通人流量的预测装置一个实施例的模块结构示意图；图5是本说明书又一个实施例中交通人流量的预测装置的结构示意图；图6是本说明书又一个实施例中交通人流量的预测装置的结构示意图；图7是本说明书一个中实施例中交通人流量的预测服务器的硬件结构框图。具体实施方式为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。科技的不断进步，促进了交通运输业的发展，人们日常出行可选择的交通方式也越来越多。不同时间段出行的人流量可能会有所不同，通过预测交通人流量，可以实现科学合理的规划交通工具的数量以及交通运输的时间。本说明书实施例中提供了一种交通人流量的预测方法，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。其中，本说明书实施例中的交通流量预测模型采用长短时记忆递归神经网络模型和深度广度模型，利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通关联信息。本说明书实施例提供的交通人流量的预测方法，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划、交通调度提供了准确的数据基础。本说明书中交通人流量的预测方法可以应用在客户端或服务器中，客户端可以是智能手机、平板电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)、智能车载设备等电子设备。具体的，图1是本说明书一个实施例中交通人流量的预测方法的流程示意图，如图1所示，本说明书一个实施例中提供的交通人流量的预测方法的整体过程可以包括：步骤102、获取待预测时间段对应的时间信息、交通关联信息。本说明书实施例提供的交通人流量的预测方法，可以用于预测指定时间段的交通人流量，如：预测指定时间段某交通工具的人流量、或指定时间段某交通站的人流量。例如：预测2018年12月10日早上9点至10点，某地铁站的交通人流量，或某地铁线路的交通人流量等。在具体的实施过程中，可以获取待预测时间段对应的时间信息以及交通关联信息，时间信息可以表示需要进行交通人流量预测的时间段，交通关联信息可以表示可能影响交通人流量的信息如：天气信息、节假日信息、是否有交通事故、其他交通工具是否正常工作等。例如：要预测2018年12月10日早上9点至10点某地铁站的交通人流量，可以先获取指定的时间段：2018年12月10日早上9点至10点，再获取该时间段对应的交通关联信息，如：2018年12月10日不是节假日，天气预报为晴朗等信息。步骤104、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。在具体的实施过程中，可以先利用历史数据构建出交通流量预测模型，如：可以利用历史交通流量数据、历史的交通关联信息等，进行模型训练，学习交通人流量与历史交通流量数据、历史的交通关联信息之间的映射关系，构建出交通流量预测模型。本说明书一个实施例中可以采用长短时记忆递归神经网络模型和深度广度模型相结合的网络模型，具体可以将长短时记忆递归神经网络模型嫁接在深度广度模型中，将长短时记忆递归神经网络模型的输出作为深度广度模型的深度层的输入。其中，长短时记忆递归神经网络模型(LongShortTermMemoryNetwork，LSTM)可以理解为一种改进的循环神经网络，可以用于处理与时间序列数据相关的问题。深度广度模型(wideanddeep模型)可以理解为结合线性模型的记忆能力和DNN(DeepNeuralNetwork，深度神经网络)模型的泛化能力的网络模型，在训练过程中可以同时优化2个模本文档来自技高网...

【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