实现交通流量预测的方法及装置、可读存储介质制造方法及图纸

本发明专利技术揭示了一种实现交通流量预测的方法及装置、可读存储介质。所述方法包括：获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据；根据流量数据和浮动车辆轨迹数据获得区域中交通流量的流入基数和流出基数；按照邻近性时间特征、周期性时间特征和趋势性时间特征，分别获取描述区域历史交通流量的张量；通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算，并融合输出区域在下一时间间隔的张量预测初始值；根据区域在下一时间间隔的张量预测初始值获得区域在下一时间间隔的张量预测值。从而解决了预测的交通流量受时间特征的影响而准确性不高的技术问题。

Method and device for realizing traffic flow prediction and readable storage medium

【技术实现步骤摘要】
实现交通流量预测的方法及装置、可读存储介质
本专利技术涉及交通控制与管理领域，特别涉及一种实现交通流量预测的方法及装置、可读存储介质。
技术介绍
随着城市交通的高速发展，对交通流量的预测对交通管理和公共安全至关重要。现有的实现交通流量预测的方法中，通过获取分析历史交通流量的流量数据，来实现未来的某一时间间隔的交通流量的预测，以便提前启动预警机制，及早疏导人群和车流，保障区域内短时车流和人口密度在安全范围内，从而防范重大交通事故和灾难性城市安全事件(如踩踏事件)的发生。由上述方法可知，该实现交通流量预测的方法中，由于不同时间特征的历史交通流量对于预测的交通流量的影响不同，例如一个小时前的历史交通流量对于预测的交通流量的的影响要大于一个月前的历史交通流量对于预测的交通流量的影响，因此存在着预测的交通流量受时间特征的影响而准确性不高的技术问题。
技术实现思路
为了解决相关技术中存在着预测的交通流量受时间特征的影响，而准确性不高的技术问题，本专利技术提供了一种实现交通流量预测的方法及装置、可读存储介质。一种实现交通流量预测的方法，所述方法包括：获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹本文档来自技高网...

【技术保护点】
一种实现交通流量预测的方法，其特征在于，所述方法包括：获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据；根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数，所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量；按照邻近性时间特征、周期性时间特征和趋势性时间特征，分别获取描述所述区域历史交通流量的张量，所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列；将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和...

【技术特征摘要】
1.一种实现交通流量预测的方法，其特征在于，所述方法包括：获取区域所关联路口线圈和卡口的流量数据、浮动车辆轨迹数据；根据所述流量数据和浮动车辆轨迹数据获得所述区域中交通流量的流入基数和流出基数，所述流入基数和流出基数形成描述所述区域当前时间间隔交通流量的张量；按照邻近性时间特征、周期性时间特征和趋势性时间特征，分别获取描述所述区域历史交通流量的张量，所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列；将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算，并融合输出所述区域在下一时间间隔的张量预测初始值；根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值。2.根据权利要求1所述的方法，其特征在于，所述按照邻近性时间特征、周期性时间特征和趋势性时间特征，分别获取描述所述区域历史交通流量的张量，所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列包括：按照邻近性时间特征、周期性时间特征和趋势性时间特征，获取以当前时间间隔为起始向已发生时间自延伸的邻近性时间片段、周期性时间片段和趋势性时间片段；分别从所述邻近性时间片段、周期性时间片段和趋势性时间片段提取所述区域历史交通流量所对应的张量；将提取的所述张量与描述所述区域当前时间间隔交通流量的张量分别形成邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列。3.根据权利要求1所述的方法，其特征在于，所述将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络运算，并融合输出所述区域在下一时间间隔的张量预测初始值包括：将所述邻近性时间依赖关系序列、周期性时间依赖关系序列和趋势性时间依赖关系序列分别通过邻近性深度残差网络、周期性深度残差网络和趋势性深度残差网络根据可学习参数进行卷积运算，得到邻近性时间依赖关系张量，周期性时间依赖关系张量和趋势性时间依赖关系张量；根据融合可学习参数，融合所述邻近性时间依赖关系张量，周期性时间依赖关系张量和趋势性时间依赖关系张量，输出所述区域在下一时间间隔的张量预测初始值。4.根据权利要求1所述的方法，其特征在于，所述根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值之前，所述方法还包括：根据所述区域当前时间间隔的外部影响特征，获得所述区域在下一时间间隔的张量预测参考值。5.根据权利要求4所述的方法，其特征在于，所述根据所述区域在下一时间间隔的张量预测初始值获得所述区域在下一时间间隔的张量预测值包括：聚合所述张量预测初始值和所述张量预测参考值，获得所述区域在下一时间间隔的张量预测值。6.根据权利要求1所述的方法，其特征在...

【专利技术属性】
技术研发人员：高雪松，胡伟凤，张学杰，
申请(专利权)人：海信集团有限公司，
类型：发明
国别省市：山东,37