交通路况预测方法及装置制造方法及图纸

本发明专利技术涉及交通数据处理领域及智能交通领域，其公开了一种基于历史数据及日期属性数据的交通路况预测方法及装置，用于解决现有技术交通路况预测对实时数据有一定的依赖性，预测输入复杂，难以从日期属性数据上体现交通路况变化的规律的问题。本发明专利技术提供的技术方案通过对日期属性数据与道路路况关系的挖掘，以道路历史路况数据及日期属性数据为基础，建立可靠有效的路况预测模型，即通过研究历史多天日期属性数据及道路路况数据，完成基于日期属性数据的不同日期间道路交通路况变化过程相似度评估建模；基于得到的交通路况变化过程相似度模型以及待预测日期对应的日期属性数据和历史日期对应的日期属性及路况数据，进行待预测日期的路况预测。

Method and device for predicting traffic condition

The invention relates to the field of intelligent transportation systems and traffic data processing, and discloses a method and device for predicting historical data and date attribute data traffic based on traffic prediction is used to solve the existing technology has certain dependence on real-time data input, prediction of complex, difficult to change the traffic rules reflected from the date attribute data the problem. The technical scheme provided by the invention through data mining and road traffic date attribute relationship, to road traffic data and historical date attribute data as the basis, establish a reliable and effective traffic prediction model, namely by studying the history of many days from the date of the attribute data and the road traffic data, evaluation of modeling completion date attribute data of different date of road the traffic change process based on similarity; the traffic change process based on the similarity model and to predict the date of the corresponding date attribute data and historical date corresponds to the date attribute and traffic data are to be predicted the date of traffic forecast.

【技术实现步骤摘要】
交通路况预测方法及装置
本专利技术涉及交通数据处理领域及智能交通领域，尤其涉及一种交通路况预测方法及装置。
技术介绍
随着城市汽车保有量的不断提高，城市交通拥堵、交通事故等问题愈发受到交通管理人员及参与者的关注。为了缓解交通压力，提高交通运行效率，交通领域相关人员在现有技术的基础上，提出了多种辅助思路。其中交通路况预测对于改善交通现状有着重要意义。交通路况预测一方面可以指导交通出行人员合理规划出行路径，避免拥堵区域；另一方面可以为交通管理者指定交通管理措施提供可靠的参考，从而有效的避免大范围交通拥堵的产生，提高交通出行效率。当前常用的技术手段中，存在利用实时获取的交通路况数据进行短时交通路况预测方法，及利用当前实时数据和历史数据相似度进行计算的长时交通流量预测算法，此两种算法对实时数据都有一定的依赖性，且预测输入复杂，难以从日期属性数据(如星期属性、天气属性)上体现交通路况变化规律，因此对以日期属性数据为基础的道路交通路况预测算法进行研究，有着显著意义。
技术实现思路
本专利技术的目的是提供一种基于历史数据及日期属性数据的交通路况预测方法及装置，用于解决现有技术交通路况预测对实时数据有一定的依赖性，预测输入复杂，难以从日期属性数据(如星期属性、天气属性)上体现交通路况变化的规律的问题。为实现上述目的，本专利技术实施例提供了一种交通路况预测方法，包括：获取一特定道路的历史路况数据；获取所述道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测。本专利技术实施例还提供了一种交通路况预测装置，包括：第一路况数据获取模块，用于获取一特定道路的历史路况数据；第一日期属性数据获取模块，用于获取所述道路与交通路况相关的历史日期属性数据及待预测日期对应的日期属性数据；其特征在于，还包括：第一路况相似度评估模块，用于对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；第一模型训练模块，用于以所述历史路况相似度评估数据及日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；第一路况预测模块，用于基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测。本专利技术实施例还提供了另一种交通路况预测方法，包括：获取多个特定道路的历史路况数据；获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据；根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别；对于同一类别道路，以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行所述多个道路待预测日期的路况预测。本专利技术实施例还提供了另一种交通路况预测装置，包括：第二路况数据获取模块，用于获取多个特定道路的历史路况数据；第二日期属性数据获取模块，用于获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于还包括：第二路况相似度评估模块，对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据；道路聚类模块，用于根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别；第二模型训练模块，对于同一类别道路以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；第二路况预测模块，基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行所述多个路段待预测日期的路况预测。本专利技术实施例提供了一种交通路况预测方法及装置，通过对日期属性数据与道路路况关系的挖掘，以道路历史路况数据及日期属性数据为基础，建立可靠有效的长时路况预测模型，即通过研究历史多天日期属性数据及道路路况数据，完成基于日期属性数据的不同日期间道路交通路况变化过程相似度分类预测建模；基于得到的交通路况变化过程相似度模型，以及待预测日期对应的日期属性数据和历史日期对应的日期属性及路况数据进行待预测日期的路况预测。这种路况预测不同于短时交通预测及长时单步预测，不依赖于实时数据，且预测输入简化，本预测方法将预测长时间段内不同时刻上的交通状态，即一段时间内的交通状态变化趋势，同时所述方法预测过程中以属性数据为基础，其预测效果可随着属性数据的不断丰富而改进，可扩展性较强。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对本专利技术实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一个实施例提供的交通路况预测方法的流程图；图2为特定路段特定日期下路况随时间变化展示图；图3为本专利技术一个实施例提供的路况预测模型训练及预测方法的详细流程图；图4为本专利技术一个实施例提供的交通路况预测装置的结构示意图；图5为本专利技术另一个实施例提供的交通路况预测方法的流程图；图6为本专利技术另一个实施例提供的交通路况预测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1示意性的示出了本专利技术一个实施例提供的交通路况预测方法的流程图。如图1所示，本专利技术一个实施例提供的交通路况预测方法，具体包括以下步骤：步骤1：获取一特定道路的历史路况数据。其中，所述历史路况数据至少包括道路旅行速度或者旅行时间。道路历史路况数据：所述部分数据对道路路况变化过程进行描述，以道路旅行速度、旅行时间等的形式记录不同时段内的道路通行状态，后续描述中将以旅行速度为例描述交通路况预测流程，其数据内容主要包括道路ID、时间戳、车辆在路段上的行驶速度。其中道路ID用以唯一标识特定道路(区分行车方向)，该实施例后期数据训练及预测过程均针对道路ID相同的特定道路路况数据进行设计，所述数据展示了特定道路上一段时期内道路路况变化过程，为后期数据挖掘工作提供基础，图2对特定路段特定日期下的道路路况变化过程进行了展示。步骤2：获取所述道路与交通路况相关的历史日期属性数据及待预测日期对应的日期属性数据。所述日期属性数据至少包括：天气属性、工作日属性、政策属性、事件属性中的一个或多个。历史日期属性数据及预测日期对应的日期属性数据：所述部分数据描述不同日期所对应的属性，即日期的特征化表示，和交通路况相关的日期属性特征主要包括：天气属性，如温度、湿度、能见度、降雨量等；工作日属性，如星期一、本文档来自技高网...

【技术保护点】
一种交通路况预测方法，包括：获取一特定道路的历史路况数据；获取所述道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性及历史路况数据，进行待预测日期的路况预测。

【技术特征摘要】
1.一种交通路况预测方法，包括：获取一特定道路的历史路况数据；获取所述道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性及历史路况数据，进行待预测日期的路况预测。2.根据权利要求1所述的方法，其特征在于，所述历史路况数据至少包括道路旅行速度或者旅行时间。3.根据权利要求1所述的方法，其特征在于，所述日期属性数据至少包括：天气属性、工作日属性、政策属性、事件属性中的一个或多个。4.根据权利要求1所述的方法，其特征在于，所述对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据包括：计算任意两日期下的交通路况变化相似度，假设表示路段link在日期date对应的路况变化向量，其具体表达公式如(1)所示：其中表示路段link在日期date第ti时刻采样到的路况变化向量，n表示对应日期下采样点个数；通过以下两种公式之一所示的方法计算特定两个不同日期间的交通路况变化相似度sdate2,date1：或其中表示日期date1对应的路况变化向量，表示日期date2对应的路况变化向量，||·||2表示向量的二范数。5.根据权利要求4所述的方法，其特征在于，所述对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据还包括：通过计算任意两日期下的交通路况变化相似度则可得历史交通路况变化相似度向量如下：其中表示日期datej及日期datei对应的路况变化向量间的相似度，通过对历史交通路况变化相似度进行归一化预处理后，可得预处理后的相似度向量其中表示日期datej及日期datei对应的预处理后的路况变化向量间的相似度，datej＞dateii＝1,2,…,n；j＝1,2,…,n；n取决于训练样本所覆盖的天数。6.根据权利要求5所述的方法，其特征在于，所述预处理通过以下公式可得预处理后的历史交通路况变化相似度其中，P5(·)表示数组的下95分位数，P95(·)表示数组的下5分位数。7.根据权利要求5所述的方法，其特征在于，以得到的所述预处理后的相似度向量为基础，结合历史日期对应日期属性数据，完成路况变化向量相似度推断模型建模，包括：按照相似度值的大小，对中的元素进行分类，完成模型训练输出数据整理。8.根据权利要求7所述的方法，其特征在于，所述对中的元素进行分类的分类方式包括：相似度小于0.5的为第一类，对相似度大于0.5的，按照一定的间隔，依次划分为不同的类别。9.根据权利要求8所述的方法，其特征在于，以表示相似度所属类别，可按以下方式分类：可得相似度类别向量如下：10.根据权利要求1所述的方法，其特征在于，以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型包括：假设以表示路段link在日期date对应的日期属性向量，其具体表达公式如(9)所示：其中表示路段link在日期date第s个属性值，m表示对应日期下日期属性个数；特定两日期对应的预测模型输入向量如下：其中datej-datei表示日期datej及日期datei所间隔的天数，进一步可得模型输入矩阵P如下：i＝1,2,…,n；j＝1,2,…,n；n取决于模型训练样本所覆盖的天数。11.根据权利要求1所述的方法，其特征在于，所述相似度分类预测模型是利用随机森林模型建立的训练模型。12.根据权利要求1所述的方法，其特征在于，所述基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性及历史路况数据，进行待预测日期的路况预测进一步包括：以得到的相似度分类预测模型为基础，通过待预测日期对应的日期属性向量和历史日期对应的日期属性推断两日期间交通路况变化相似度，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估。13.根据权利要求12所述的方法，其特征在于，所述历史日期道路路况变化与待预测日期道路路况变化相似度的评估包括：假设已获得目标路段link待预测日期对应的日期属性向量如下：同时已获得目标路段link历史日期对应的路况变化向量及日期属性向量如下：其中分别表示日期datei所对应的路况变化向量及日期属性向量，式13中i＝1,2,...,n，n表示获取的历史数据所包含的日期数目，式12、14中i＝1,2,...,m，m表示获取的历史数据所包含的日期数目；首先按照模型输入所需内容，整理出待预测日期dateT及历史日期datei对应的输入向量:而后，可得预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类结果即：其中Model(·)表示预测模型。14.根据权利要求13所述的方法，其特征在于，在获得待预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类结果后，则可利用加权平均的方法计算得出交通路况预测结果。15.根据权利要求14所述的方法，其特征在于，所述利用加权平均的方法计算得出交通路况预测结果包括：首先挑选相似度分类结果数值较高的前k个历史日期作为有效历史日期dateα,α＝1,2,...,k，0<k<LD，LD表示历史数据的天数；而后以加权平均的方式计算待预测日期的路况变化向量为：其中f(x)＝2x表示各历史日期所对应的权重系数。16.一种交通路况预测装置，包括：第一路况数据获取模块，用于获取一特定道路的历史路况数据；第一日期属性数据获取模块，用于获取所述道路与交通路况相关的历史日期属性数据及待预测日期对应的日期属性数据；其特征在于，还包括：第一路况相似度评估模块，用于对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；第一模型训练模块，用于以所述历史路况相似度评估数据及日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；第一路况预测模块，用于基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测。17.根据权利要求16所述的装置，其特征在于，所述第一路况数据获取模块获取的道路历史路况数据至少包括道路旅行速度或者旅行时间。18.根据权利要求16所述的装置，其特征在于，所述第一日期属性数据获取模块获取的日期属性数据至少包括：天气属性、工作日属性、政策属性、事件属性中的一个或多个。19.根据权利要求1...

【专利技术属性】
技术研发人员：李萌，姜涵，
申请(专利权)人：北京数行健科技有限公司，
类型：发明
国别省市：北京,11