一种交通流量预测方法、预测模型生成方法及装置制造方法及图纸

本发明专利技术公开了一种交通流量预测方法、预测模型生成方法及装置，预测方法包括：针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；从预存的道路与交通流量预测模型的对应关系中，获取待预测道路对应的交通流量预测模型；将当前时刻的前一时段的历史交通流数据，输入至待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。

【技术实现步骤摘要】


本专利技术涉及实时交通领域，尤其涉及一种交通流量预测方法、预测模型生成方法及装置。

技术介绍

随着智能交通系统日益普及，实时交通流量在智能交通系统内的应用越来越广泛与深入。目前，发布实时交通流数据的方式是每隔一段时间(如5s、10s、30s、1分钟或2分钟等)发布一次道路的实时交通数据(如道路的行车速度等)，现有技术中发布的实时交通数据即为当前时刻道路的实时交通情况，但是并不能发布未来某一时段的交通流数据。但是在实际生活中，越来越多的用户为了提前合理的安排行程更期望能够提前获知某些道路的交通数据，因此，现有的发布实时交通流数据的方式并不能满足用户的这种需求。
由于交通流数据具有很强的非线性和不确定性，人工很难推测哪些因素会影响下一时段的交通流量的变化情况，因此，目前还没有公开有效的技术方案来准确的预测交通流数据。

技术实现思路

有鉴于此，本专利技术实施例提供了一种交通流量预测方法、预测模型生成方法及装置，以提供一种能够准确预测交通流量的方式。
本专利技术实施例提供一种交通流量预测方法，具体如下：
针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；
从预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；其中，道路对应的交通流量预测模型为预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；
将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。
一种交通流量预测装置，所述装置包括：
训练模块，用于预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；
存储模块，用于存储训练模块得到的所述道路与其交通流量预测模型的对应关系；
历史交通数据获取模块，用于针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；
交通流量预测模型获取模块，用于从存储模块预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；
预测模块，用于将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。
本专利技术实施例提供的交通流量预测方法及装置，预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；当需要预测待预测道路当前时刻的未来一时段的交通流数据时，获取与该待预测道路对应的交通流量预测模型，并将该待预测道路的当前时刻的前一时段的历史交通流数据输入至交通流量预测模型中即可得到该待预测道路未来一时段的交通流数据。采用本专利技术技术方案，由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。
一种交通流量预测模型生成方法，包括：
针对每条道路，执行以下步骤：
步骤a、获取道路的连续P个时段的历史交通流数据，其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；
遍历所述连续P个时段，执行以下步骤：
步骤b、将当前遍历的时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；
步骤c、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；
步骤d、判断所述方差值是否小于等于预置的第一方差阈值，若是执行步骤e，若否执行步骤f；
步骤e、将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；
步骤f、根据所述方差值调整所述待定神经网络模型的参数；
步骤g、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，执行步骤b。
一种交通流量预测模型生成装置，包括：
第三获取单元，用于获取道路的连续P个时段的历史交通流数据,其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；
第二遍历单元，用于遍历所述连续P个时段；
第二输入单元，用于将当前遍历时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；
第四获取单元，用于从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据；
第二方差值确定单元，用于计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；
第四判断单元，用于判断所述方差值是否小于等于预置的第一方差阈值；若是，则触发第二交通流量预测模型确定单元；若否，则触发第二参数调整单元；
第二交通流量预测模型确定单元，用于将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存；
第二参数调整单元，用于根据所述方差值调整所述待定神经网络模型的参数；
第二触发单元，用于将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，触发所述第二输入单元。
本专利技术实施例提供的交通流量预测模型生成方法及装置，根据道路的历史交通流数据对神经网络模型进行训练，以得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。
附图说明
图1为本专利技术实施例中的BP神经网络拓扑示意图；
图2为本专利技术实施例中的BP算法误差反向传输示意图；
图3为本专利技术实施例一中的一种交通流量预测方法流程图；
图4为本专利技术实施例一中的获得道路对应的交通流量预测模型的方法流程图；
图5本专利技术实施例三中的交通流量预测装置的结构示意图；
图6本专利技术实施例三中的交通流量预测装置的训练模块的结构示意图。
具体实施方式
在本专利技术实施例的技术方案中，预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；当需要预测待预测道路未来一时段的交通本文档来自技高网...

【技术保护点】
一种交通流量预测方法，其特征在于，所述方法包括：针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；从预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；其中，道路对应的交通流量预测模型为预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。

【技术特征摘要】
1.一种交通流量预测方法，其特征在于，所述方法包括：
针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流
数据；
从预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对
应的交通流量预测模型；其中，道路对应的交通流量预测模型为预先根据道路
的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻
的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据
的交通流量预测模型；
将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的
交通流量预测模型中，得到当前时刻的后一时段的交通流数据。
2.如权利要求1所述的方法，其特征在于，预先根据道路的历史交通流数
据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历
史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测
模型，具体包括：
步骤a、获取道路的连续P个时段的历史交通流数据，其中P个时段的时长
一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；
遍历所述连续P个时段，执行以下步骤：
步骤b、将当前遍历的时段作为当前时刻的前一时段，将当前遍历的时段对
应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻
的后一时段的预测交通流数据；
步骤c、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一
时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数
据与当前时刻的后一时段的历史交通流数据的方差值；
步骤d、判断所述方差值是否小于等于预置的第一方差阈值，若是执行步骤
e，若否执行步骤f；
步骤e、将所述待定神经网络模型确定为所述道路对应的交通流量预测模
型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；
步骤f、根据所述方差值调整所述待定神经网络模型的参数；
步骤g、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，
并根据调整参数后的待定神经网络模型，执行步骤b。
3.如权利要求2所述的方法，其特征在于，在所述步骤f与步骤g之间，
还包括：
步骤f1、判断当前遍历的时段是否为P个时段的最后一个时段，若是则执
行步骤f2，若否则执行步骤g；
步骤f2、计算P个时段对应的方差值的和值；
步骤f3、判断所述和值是否小于等于预置的第二方差阈值，其中所述第二
方差阈值大于所述第一方差阈值；若是则执行步骤e；若否则根据步骤f得到的
调整参数后的待定神经网络模型重新遍历所述P个时段。
4.如权利要求2所述的方法，其特征在于，若所述P个时段的各时段相邻
且不重叠，则步骤c中从当前遍历的时段之后的时段的交通流数据中获取当前
时刻的后一时段对应的历史交通流数据，具体包括：
若当前遍历时段的时长大于所述当前时刻后一时段的时长时，从所述当前
遍历时段的下一时段的交通流数据中获取与所述当前时刻后一时段对应的历史
交通流数据；
若当前遍历时段的时长等于所述当前时刻后一时段的时长时，将所述当前
遍历时段的下一时段的交通流数据作为所述当前时刻后一时段对应的历史交通
流数据；
若当前遍历时段的时长小于所述当前时刻后一时段的时长时，从所述当前
遍历时段后的至少两个连续时段的交通流数据中获取与所述当前时刻后一时段
对应的历史交通流数据。
5.一种交通流量预测模型生成方法，其特征在于，包括：
针对每条道路，执行以下步骤：
步骤a、获取道路的连续P个时段的历史交通流数据，其中P个时段的时长
一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；
遍历所述连续P个时段，执行以下步骤：
步骤b、将当前遍历的时段作为当前时刻的前一时段，将当前遍历的时段对
应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻
的后一时段的预测交通流数据；
步骤c、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一
时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数
据与当前时刻的后一时段的历史交通流数据的方差值；
步骤d、判断所述方差值是否小于等于预置的第一方差阈值，若是执行步骤
e，若否执行步骤f；
步骤e、将所述待定神经网络模型确定为所述道路对应的交通流量预测模
型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；
步骤f、根据所述方差值调整所述待定神经网络模型的参数；
步骤g、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，
并根据调整参数后的待定神经网络模型，执行步骤b。
6.如权利要求5所述的方法，其特征在于，在所述步骤f与步骤g之间，
还包括：
步骤f1、判断当前遍历的时段是否为P个时段的最后一个时段，若是则执
行步骤f2，若否则执行步骤g；
步骤f2、计算P个时段对应的方差值的和值；
步骤f3、判断所述和值是否小于等于预置的第二方差阈值，其中所述第二
方差阈值大于所述第一方差阈值；若是则执行步骤e；若否则根据步骤f得到的
调整参数后的待定神经网络模型重新遍历所述P个时段。
7.一种交通流量预测装置，其特征在于，所述装置包括：
训练模块，用于预先根据道路的历史交通流数据对预置的神经网络模型进
行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路
当前时刻的后...

【专利技术属性】
技术研发人员：吴跃进，
申请(专利权)人：高德软件有限公司，
类型：发明
国别省市：北京;11