一种交通流预测方法、装置及系统制造方法及图纸

本发明专利技术实施例公开了一种交通流预测方法、装置及系统，包括获取待预测道路卡口及与待预测道路卡口相关的各个相关道路卡口的交通流数据；采用预先建立的小波神经网络交通流预测模型对交通流数据进行处理得到待预测道路卡口的交通流预测结果；其中，小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为利用多卡口协同模型得到小波神经网络训练样本；采用小波神经网络对小波神经网络训练样本进行训练得到小波神经网络交通流预测模型；多卡口协同模型是依据待预测道路卡口的历史交通流数据以及各个相关道路卡口的历史交通流数据进行建立的。本发明专利技术实施例在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。

Method, device and system for predicting traffic flow

The embodiment of the invention discloses a method, a device and a system for forecasting traffic flow, including access to the prediction and forecast of road bayonet and traffic flow data related to each road bayonet bayonet; using the prediction model of traffic flow data processing to forecast road bayonet traffic flow prediction results wavelet neural network traffic among them, the pre established flow; wavelet neural network traffic flow forecasting model is a collaborative model based on multi bayonet training, the training process in order to obtain the wavelet neural network training sample collaborative model using multi bayonet; using wavelet neural network to train wavelet neural network training samples by wavelet neural network traffic flow forecasting model; multi bayonet according to the prediction model is collaborative road bayonet historical traffic flow data and the related road bayonet history Built through flow data. The embodiment of the invention can make the prediction result more accurate during use and improve the prediction accuracy to a certain extent.

【技术实现步骤摘要】
一种交通流预测方法、装置及系统
本专利技术实施例涉及道路交通
，特别是涉及一种交通流预测方法、装置及系统。
技术介绍
在实际生活中，对道路的交通流预测时时常受到诸如路况、时间点、天气变化等因素的影响，从而导致高速公路交通流数据具有高度不确定性，并且还具有规律不明显性。现有技术中，在对道路的交通流进行预测时，是通过考虑单个路口的交通流来进行交通流预测的，由于单个路口交通流并不能准确反映交通状况的整体规律，从而导致其预测精度不高。因此，如何提供一种解决上述问题的交通流预测方法成为本领域的技术人员目前需要解决的问题。
技术实现思路
本专利技术实施例的目的是提供一种交通流预测方法、装置及系统，在使用过程中可以使预测结果更加精确，在一定程度上提高了预测精确度。为解决上述技术问题，本专利技术实施例提供了一种交通流预测方法，包括：S11：获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；S12：采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练本文档来自技高网...

【技术保护点】
一种交通流预测方法，其特征在于，包括：S11：获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；S12：采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：S21：利用多卡口协同模型得到小波神经网络训练样本；S22：采用小波神经网络对所述小波神经网络训练样本进行训练得到所述小波神经网络交通流预测模型；所述多卡口协同模型是依据所述待预测道路卡口的历史交通流数据以及各个所述相关道路卡口的历史交通流数据进行建立的。

【技术特征摘要】
1.一种交通流预测方法，其特征在于，包括：S11：获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；S12：采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：S21：利用多卡口协同模型得到小波神经网络训练样本；S22：采用小波神经网络对所述小波神经网络训练样本进行训练得到所述小波神经网络交通流预测模型；所述多卡口协同模型是依据所述待预测道路卡口的历史交通流数据以及各个所述相关道路卡口的历史交通流数据进行建立的。2.根据权利要求1所述的交通流预测方法，其特征在于，所述利用多卡口协同模型得到小波神经网络训练样本的过程具体为：S211：分别获取各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据；S212：依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；S213：依据所述最优多卡口协同模型得到最优历史交通流数据，并依据所述最优历史交通流数据得到小波神经网络训练样本。3.根据权利要求2所述的交通流预测方法，其特征在于，所述依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型的过程具体为：S2120：获取第一预设个数的、与所述待预测道路卡口相关的历史交通流数据，并将其添加至多卡口协同模型中；S2121：从各个相关道路卡口中选出一个相关道路卡口，并获取第二预设个数的、与所选出的相关道路卡口相关的第一历史交通流数据；S2122：依据所述第一历史交通流数据及所述预测道路卡口的历史交通流数据计算出相应的相关道路卡口与所述待预测道路卡口的相关程度值；S2123：判断所述相关程度值是否大于预设值，如果是，则将各个所述第一历史交通流数据添加至多卡口协同模型中，并进入S2124；否则，进入S2125；S2124：判断所述多卡口协同模型中当前的历史交通流数据的总数是否达到预设个数，如果是，则将所述多卡口协同模型中当前的历史交通流数据作为训练样本训练小波神经网络，以得到第一小波神经网络交通流预测模型，并进入S2126；否则判断所述多卡口协同模型中当前的历史交通流数据的总数是否小于预设个数，如果是，则进入S2125，否则，返回S2120；S2125：从剩余的各个所述相关道路卡口中选出另一个相关道路卡口，获取与所选出的相关道路卡口相关的第二历史交通流数据，并将所述第二历史交通流数据作为所述第一交通流数据，并返回S2122；S2126：判断所述第一小波神经网络交通流预测模型的精度是否达到预设精度，如果是，则将所述多卡口协同模型作为最优多卡口协同模型；否则，将所述多协同卡口模型中的历史交通流数据清零，并返回S2120。4.根据权利要求3所述的交通流预测方法，其特征在于，所...

【专利技术属性】
技术研发人员：蔡延光，刘惠灵，蔡颢，黄何列，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44