The invention relates to the field of computer technology, and proposes a traffic time prediction method, a storage medium and a server. The traffic congestion prediction method includes: obtaining the traffic congestion coefficient of each section at each time point provided by the map service provider, the traffic congestion coefficient is a quantitative parameter for expressing the degree of traffic congestion; obtaining the traffic monitoring data provided by the traffic police data center, and the traffic monitoring data includes the current time and the previous time points of each section. According to the traffic congestion coefficient and the traffic monitoring data, the predicted traffic time of each section can be calculated. The method combines traffic monitoring data provided by traffic police data center and traffic congestion coefficient provided by map service provider, calculates the predicted traffic travel time of each section, and can effectively improve the accuracy of traffic travel time prediction.
【技术实现步骤摘要】
一种交通通行时间的预测方法、存储介质和服务器
本专利技术涉及计算机
,尤其涉及一种交通通行时间的预测方法、存储介质和服务器。
技术介绍
交通通行时间的预测对于人们的外出具有重要的指导作用,比如,人们可以根据预测的数据避开拥堵的时间点或拥堵路段,从而提高出行的效率。目前,人们一般使用百度地图、高德地图等导航产品辅助出行,通过这些导航产品提供的各个路段的预测通行时间等数据,选择合适的时间点和路线出行。然而,由于这些导航产品采用基于APP的人群方式获取数据,也即获取的数据主要来自于道路内各个APP用户的上报,但实际上道路中某些车辆的人员并不是该APP的用户,这会导致预测的车辆通行时间等数据不准确。
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通行时间的预测方法、存储介质和服务器,能够有效提高交通通行时间预测的准确性。本专利技术实施例的第一方面,提供了一种交通通行时间的预测方法,包括:获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数,所述交通拥堵系数为用于表示交通拥堵程度的量化参数;获取由交警数据中心提供的交通监测数据,所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量;根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。本专利技术实施例的第二方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如本专利技术实施例的第一方面提出的交通通行时间的预测方法的步骤。本专利技术实施例的第三方面,提供了一种服务器,包括存储器、处理器以及存储在所 ...
【技术保护点】
1.一种交通通行时间的预测方法,其特征在于,包括:获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数,所述交通拥堵系数为用于表示交通拥堵程度的量化参数;获取由交警数据中心提供的交通监测数据,所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量;根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。
【技术特征摘要】
1.一种交通通行时间的预测方法,其特征在于,包括:获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数,所述交通拥堵系数为用于表示交通拥堵程度的量化参数;获取由交警数据中心提供的交通监测数据,所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量;根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。2.根据权利要求1所述的预测方法,其特征在于,所述根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间包括:以所述交通拥堵系数和所述交通监测数据作为训练集,构建LSTM神经网络模型;将各个路段当前的交通通行时间和历史的交通通行时间,当前的车流量和历史的车流量,当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型,计算得到各个路段的预测交通通行时间。3.根据权利要求2所述的预测方法,其特征在于,还包括:以所述交通拥堵系数和所述交通监测数据作为训练集,构建ARIMA时间序列模型;将各个路段当前的交通通行时间和历史的交通通行时间,当前的车流量和历史的车流量,当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述ARIMA时间序列模型,计算得到各个路段的预测交通通行时间;求取所述LSTM神经网络模型计算得到的预测交通通行时间和所述ARIMA时间序列模型计算得到的预测交通通行时间的平均值,并将所述平均值作为各个路段的预测交通通行时间。4.根据权利要求2或3所述的预测方法,其特征在于,所述以所述交通拥堵系数和所述交通监测数据作为训练集,构建LSTM神经网络模型包括:每隔预设时长以当前时间点获取到的所述交通拥堵系数和所述交通监测数据作为训练集构建一个LSTM神经网络模型,得到多个LSTM神经网络模型;所述将各个路段当前的交通通行时间和历史的交通通行时间,当前的车流量和历史的车流量,当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型,计算得到各个路段的预测交通通行时间包括:将各个路段当前的交通通行时间和历史的交通通行时间,当前的车流量和历史的车流量,当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数分别输入每个所述LSTM神经网络模型,得到每个所述LSTM神经网络模型输出的预测交通通行时间;根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间。5.根据权利要求4所述的预测方法,其特征在于,所述根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间包括:采用公式计算得到各个路段的预测交通通行时间;其中,t为将来的一个时间点,Scoret为t时间点的预测交通通行时间,scoreit为第i个LSTM神经网络模型输出的t时间点的预测交通通行时间,t0为当前...
【专利技术属性】
技术研发人员:吴壮伟,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。