交通数据预测方法及装置制造方法及图纸

本发明专利技术实施例提供了一种交通数据预测方法及装置，所述方法的一具体实施方式包括：根据设定时间长度内时间段的划分规则，确定当前时间段、当前时间段之前的每个时间段对应的维度；采用K近邻KNN算法在历史数据库中，查找与该当前时间段及该当前时间段之前的每个时间段获取到的交通数据距离临近的K组历史交通数据；根据当前时间段的维度，确定该当前时间段的下一时间段的第一维度；根据K组历史交通数据中该第一维度对应获取到的历史交通数据，预测该当前时间段的下一时间段的交通数据。本实施例能够提高交通数据预测的准确性。

Traffic data prediction method and device

The embodiment of the invention provides a method and device for predicting traffic data, including a specific embodiment of the method: according to the rules set length of time period, each time period to determine the current time and the current time period before the corresponding dimensions; using K nearest neighbor KNN algorithm in the history database, K group of historical traffic data from each period of time before the search and the current time period and the current period of access to the nearby; according to the current time period to determine the dimensions, the first dimension next time period of the current time period; based on historical traffic data of K group in the first historical traffic data dimension access to the data traffic prediction, the next period of the current period. The embodiment can improve the accuracy of traffic data prediction.

【技术实现步骤摘要】
交通数据预测方法及装置
本专利技术涉及智能交通
，特别是涉及一种交通数据预测方法及装置。
技术介绍
随着社会经济和交通运输业的不断发展，交通拥挤等交通问题越来越凸现出来，成了全球共同关注的问题。对于交通数据的预测不仅是城市交通控制与诱导的基础，还是解决道路拥堵问题的关键技术之一。交通数据的预测是智能交通系统的重要组成部分，交通数据预测能够通过目前已知的交通数据，合理地推算未来一段时间段内的交通状况。如果能精确的预测交通网中各个路段的汽车流量，那么我们可以运用规划方法对交通流进行合理的优化，从而使得道路的利用率达到最大，也可以解决部分拥堵问题。现有的交通数据预测方法中，常采用短时交通预测模型来预测交通流量。通过使用短时交通数据预测模型来预测交通数据，可以有效地对待测路段在未来一定时间段内交通流量进行预测。但是，现有的交通流预测方法只利用一种方式获取历史交通数据，并利用获取的历史交通数据来预测未来一定时间段内的交通数据。而在实际应用中，由于交通数据具有复杂性和随机性，采用通过一种方式获取的历史交通数据来进行交通数据的预测，预测结果不准确，误差较大。
技术实现思路
本专利技术实施例的目的在于提供一种交通数据预测方法及装置，以提高交通数据预测的准确性。具体技术方案如下：第一方面，本专利技术提供了一种交通数据预测方法，应用于服务器，所述方法包括：根据设定时间长度内时间段的划分规则，确定当前时间段、当前时间段之前的每个时间段对应的维度；采用K近邻KNN算法在历史数据库中，查找与该当前时间段及该当前时间段之前的每个时间段获取到的交通数据距离临近的K组历史交通数据，其中所述历史数据库中保存有多个该设定时间长度内每个维度对应获取到的历史交通数据，所述交通数据为采用至少两种方式获取的初始交通数据经处理后得到的，K为大于零的整数；根据当前时间段的维度，确定该当前时间段的下一时间段的第一维度；根据K组历史交通数据中该第一维度对应获取到的历史交通数据，预测该当前时间段的下一时间段的交通数据。进一步地，所述查找与该当前时间段及该当前时间段之前的每个时间段获取到的交通数据距离临近的K组历史交通数据，包括：根据当前时间段及该当前时间段之前的每个时间段对应的维度、每个维度获取的交通数据，确定该组交通数据；根据该组交通数据及历史数据库中保存的多个设定时间长度内对应维度的每组历史交通数据，计算该组交通数据与历史数据库中每组历史交通数据的距离；在获取的距离中，将最小的预定数量的距离对应的历史交通数据加入到所述K组历史交通数据中。进一步地，所述根据K组历史交通数据中该第一维度对应获取到的历史交通数据，预测该当前时间段的下一时间段的交通数据，包括：计算所述K组历史交通数据中所述第一维度对应获取到的历史交通数据的算术平均值；确定所计算得到的算术平均值为所述该当前时间段的下一时间段的交通数据。进一步地，通过如下步骤，预先保存该设定时间长度内每个维度对应获取的历史交通数据：采用至少两种方式，获取该设定时间长度内每个维度对应的至少两种初始交通数据；对每个维度对应的至少两种初始交通数据进行处理，获取每个维度的历史交通数据并保存。进一步地，当初始交通数据包括初始牌识数据、初始固定源数据和初始浮动车数据时，所述对每个维度对应的至少两种初始交通数据进行处理，获取每个维度的历史交通数据并保存，包括：针对每个维度，根据初始牌识数据中每个车辆的车牌号、每个车牌号的车辆出现在每个卡口的时间，确定每个维度的车辆的第一平均速度；针对每个维度，根据初始固定源数据中包含的每个车辆的第二速度，确定每个维度的车辆的第二平均速度，并根据所述初始固定源数据中包含的总车辆数量以及检测到的车辆在设定位置的时间，确定每个维度车流量和时间占有率；针对每个维度，根据初始浮动车数据中包含的车辆的实时速度信息，确定每个维度的车辆的第三平均速度；针对每个维度，根据该维度的车辆的第一平均速度、第二平均速度以及第三平均速度，确定该维度的速度均值；针对每个维度，在历史数据库中保存该维度的速度均值、车流量和时间占有率。进一步地，根据该维度的车辆的第一平均速度、第二平均速度以及第三平均速度，确定该维度的速度均值，包括：识别第一平均速度、第二平均速度和第三平均速度中的小于设定的速度阈值的每个平均速度；根据小于设定的速度阈值的每个平均速度，确定该维度的速度均值。进一步地，所述对每个维度对应的至少两种初始交通数据进行处理之前，还包括：对每个维度对应的至少两种初始交通数据进行过滤。进一步地，所述对每个维度对应的至少两种初始交通数据进行处理包括：对每个维度对应的至少两种初始交通数据进行分布式处理。第二方面，本专利技术提供了一种交通数据预测装置，应用于服务器，所述装置包括：第一确定模块，用于根据设定时间长度内时间段的划分规则，确定当前时间段、当前时间段之前的每个时间段对应的维度；查找模块，用于采用K近邻KNN算法在历史数据库中，查找与该当前时间段及该当前时间段之前的每个时间段获取到的交通数据距离临近的K组历史交通数据，其中所述历史数据库中保存有多个该设定时间长度内每个维度对应获取到的历史交通数据，所述交通数据为采用至少两种方式获取的初始交通数据经处理后得到的，K为大于零的整数；第二确定模块，用于根据当前时间段的维度，确定该当前时间段的下一时间段的第一维度；预测模块，用于根据K组历史交通数据中该第一维度对应获取到的历史交通数据，预测该当前时间段的下一时间段的交通数据。进一步地，所述查找模块具体用于：根据当前时间段及该当前时间段之前的每个时间段对应的维度、每个维度获取的交通数据，确定该组交通数据；根据该组交通数据及历史数据库中保存的多个设定时间长度内对应维度的每组历史交通数据，计算该组交通数据与历史数据库中每组历史交通数据的距离；在获取的距离中，将最小的预定数量的距离对应的历史交通数据加入到所述K组历史交通数据中。进一步地，所述预测模块具体用于：计算所述K组历史交通数据中所述第一维度对应获取到的历史交通数据的算术平均值；确定所计算得到的算术平均值为所述该当前时间段的下一时间段的交通数据。进一步地，所述装置还包括：存储模块；所述存储模块包括：获取子模块，用于采用至少两种方式，获取该设定时间长度内每个维度对应的至少两种初始交通数据；处理子模块，用于对每个维度对应的至少两种初始交通数据进行处理，获取每个维度的历史交通数据并保存。进一步地，当初始交通数据包括初始牌识数据、初始固定源数据和初始浮动车数据时，所述处理子模块包括：第一确定子单元，用于针对每个维度，根据初始牌识数据中每个车辆的车牌号、每个车牌号的车辆出现在每个卡口的时间，确定每个维度的车辆的第一平均速度；第二确定子单元，用于针对每个维度，根据初始固定源数据中包含的每个车辆的第二速度，确定每个维度的车辆的第二平均速度，并根据所述初始固定源数据中包含的总车辆数量以及检测到的车辆在设定位置的时间，确定每个维度车流量和时间占有率；第三确定子单元，用于针对每个维度，根据初始浮动车数据中包含的车辆的实时速度信息，确定每个维度的车辆的第三平均速度；第四确定子单元，用于针对每个维度，根据该维度的车辆的第一平均速度、第二平均速度以及第三平均速度，确定该维度的速度均值；保存子单元，用于针对每个本文档来自技高网...

【技术保护点】
一种交通数据预测方法，其特征在于，应用于服务器，所述方法包括：根据设定时间长度内时间段的划分规则，确定当前时间段、当前时间段之前的每个时间段对应的维度；采用K近邻KNN算法在历史数据库中，查找与该当前时间段及该当前时间段之前的每个时间段获取到的交通数据距离临近的K组历史交通数据，其中所述历史数据库中保存有多个该设定时间长度内每个维度对应获取到的历史交通数据，所述交通数据为采用至少两种方式获取的初始交通数据经处理后得到的，K为大于零的整数；根据当前时间段的维度，确定该当前时间段的下一时间段的第一维度；根据K组历史交通数据中该第一维度对应获取到的历史交通数据，预测该当前时间段的下一时间段的交通数据。

【技术特征摘要】
1.一种交通数据预测方法，其特征在于，应用于服务器，所述方法包括：根据设定时间长度内时间段的划分规则，确定当前时间段、当前时间段之前的每个时间段对应的维度；采用K近邻KNN算法在历史数据库中，查找与该当前时间段及该当前时间段之前的每个时间段获取到的交通数据距离临近的K组历史交通数据，其中所述历史数据库中保存有多个该设定时间长度内每个维度对应获取到的历史交通数据，所述交通数据为采用至少两种方式获取的初始交通数据经处理后得到的，K为大于零的整数；根据当前时间段的维度，确定该当前时间段的下一时间段的第一维度；根据K组历史交通数据中该第一维度对应获取到的历史交通数据，预测该当前时间段的下一时间段的交通数据。2.根据权利要求1所述的方法，其特征在于，所述查找与该当前时间段及该当前时间段之前的每个时间段获取到的交通数据距离临近的K组历史交通数据，包括：根据当前时间段及该当前时间段之前的每个时间段对应的维度、每个维度获取的交通数据，确定该组交通数据；根据该组交通数据及历史数据库中保存的多个设定时间长度内对应维度的每组历史交通数据，计算该组交通数据与历史数据库中每组历史交通数据的距离；在获取的距离中，将最小的预定数量的距离对应的历史交通数据加入到所述K组历史交通数据中。3.根据权利要求1所述的方法，其特征在于，所述根据K组历史交通数据中该第一维度对应获取到的历史交通数据，预测该当前时间段的下一时间段的交通数据，包括：计算所述K组历史交通数据中所述第一维度对应获取到的历史交通数据的算术平均值；确定所计算得到的算术平均值为所述该当前时间段的下一时间段的交通数据。4.根据权利要求1-3任一所述的方法，其特征在于，通过如下步骤，预先保存该设定时间长度内每个维度对应获取的历史交通数据：采用至少两种方式，获取该设定时间长度内每个维度对应的至少两种初始交通数据；对每个维度对应的至少两种初始交通数据进行处理，获取每个维度的历史交通数据并保存。5.根据权利要求4所述的方法，其特征在于，当初始交通数据包括初始牌识数据、初始固定源数据和初始浮动车数据时，所述对每个维度对应的至少两种初始交通数据进行处理，获取每个维度的历史交通数据并保存，包括：针对每个维度，根据初始牌识数据中每个车辆的车牌号、每个车牌号的车辆出现在每个卡口的时间，确定每个维度的车辆的第一平均速度；针对每个维度，根据初始固定源数据中包含的每个车辆的第二速度，确定每个维度的车辆的第二平均速度，并根据所述初始固定源数据中包含的总车辆数量以及检测到的车辆在设定位置的时间，确定每个维度车流量和时间占有率；针对每个维度，根据初始浮动车数据中包含的车辆的实时速度信息，确定每个维度的车辆的第三平均速度；针对每个维度，根据该维度的车辆的第一平均速度、第二平均速度以及第三平均速度，确定该维度的速度均值；针对每个维度，在历史数据库中保存该维度的速度均值、车流量和时间占有率。6.根据权利要求5所述的方法，其特征在于，根据该维度的车辆的第一平均速度、第二平均速度以及第三平均速度，确定该维度的速度均值，包括：识别第一平均速度、第二平均速度和第三平均速度中的小于设定的速度阈值的每个平均速度；根据小于设定的速度阈值的每个平均速度，确定该维度的速度均值。7.根据权利要求4所述的方法，其特征在于，所述对每个维度对应的至少两种初始交通数据进行处理之前，还包括：对每个维度对应的至少两种初始交通数据进行过滤。8.根据权利要求4所述的方法，其特征在于，所述对每个维度对应的至少两种初始交通数据进行处理包括：对每个维度...

【专利技术属性】
技术研发人员：张仪，管国辰，林武康，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33