交通量预测模型构建方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种交通量预测模型构建方法、装置、计算机设备和存储介质。所述方法包括：根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块，目标样本数据块包括携带分类标签的样本数据，根据携带分类标签的样本数据进行学习，得到与目标样本数据块对应的分类模型，并确定分类模型的错误率，获取分类模型的模型参数，并根据模型参数、错误率以及预设的核函数式，得到初始交通量预测模型，实时获取概念漂移数据，根据概念漂移数据和初始交通量预测模型，得到交通量预测模型。采用本方法能够得到准确度高的交通量预测模型。

Construction method, device, computer equipment and storage medium of traffic volume prediction model

【技术实现步骤摘要】
交通量预测模型构建方法、装置、计算机设备和存储介质
本申请涉及交通管理
，特别是涉及一种交通量预测模型构建方法、装置、计算机设备和存储介质。
技术介绍
随着时代的发展，个人拥有的汽车数量不断增多，给交通管理带来了沉重的压力，其中最棘手的问题就是交通拥堵。常用的缓解交通拥堵的方式为进行交通量预测，根据预测的交通量进行规划管理，交通量预测用于确定未来时间窗口中的交通流量，旨在实现实时控制和引导交通流量。传统的交通量预测方法为构建交通量预测模型，根据历史交通量数据和交通量预测模型进行交通量预测。然而，因为快速变化的环境，当前交通量预测模型存在准确度低的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高交通量预测模型准确度的交通量预测模型构建方法、装置、计算机设备和存储介质。一种交通量预测模型构建方法，所述方法包括：根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块，目标样本数据块包括携带分类标签的样本数据；根据携带分类标签的样本数据进行学习，得到与目标样本数据块对应的分类模型，并确定分类模型的错误率；获取分类模型的模型参数，并根据模型参数、错误率以及预设的核函数式，得到初始交通量预测模型；实时获取概念漂移数据，根据概念漂移数据和初始交通量预测模型，得到交通量预测模型。在其中一个实施例中，预设的分类因子对预设的样本数据块集合中样本数据块进行更新之前，还包括：获取交通流数据，根据预设的交通量季节模型对交通流数据进行平滑处理，得到已处理交通流数据；将已处理交通流数据根据预设的数据块大小进行分块处理，得到样本数据块集合。在其中一个实施例中，根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块包括：根据分类因子对样本数据块中各样本数据进行更新，并确定与各样本数据对应的分类标签，得到携带分类标签的样本数据；根据携带分类标签的样本数据，得到目标样本数据块。在其中一个实施例中，根据分类因子对样本数据块中各样本数据进行更新，并确定与各样本数据对应的分类标签，得到携带分类标签的样本数据包括：获取各样本数据中的响应变量，根据分类因子对响应变量进行更新，根据更新后的响应变量对各样本数据进行更新；确定分类因子对响应变量进行更新的运算符，根据运算符确定与各样本数据对应的分类标签，得到携带分类标签的样本数据。在其中一个实施例中，根据携带分类标签的样本数据进行学习，得到与目标样本数据块对应的分类模型，并确定分类模型的错误率包括：将样本数据作为输入，并将分类标签作为输出进行学习，得到与目标样本数据块对应的分类模型；将目标样本数据块中各样本数据输入分类模型，得到各样本数据的预测输出值；比对样本数据的预测输出值和与样本数据对应的分类标签；根据比对结果确定分类模型的错误率。在其中一个实施例中，获取分类模型的模型参数，并根据模型参数、错误率以及预设的核函数式，得到初始交通量预测模型包括：获取分类模型的模型参数，根据模型参数和预设的核函数式，得到样本数据块集合的核函数；根据分类模型的错误率，得到分类模型的权重因子；根据核函数、权重因子以及样本数据块集合，集成得到样本数据块集合的分类超平面；根据分类超平面，得到初始交通量预测模型。在其中一个实施例中，实时获取概念漂移数据，根据概念漂移数据和初始交通量预测模型，得到交通量预测模型包括：实时获取概念漂移数据，将概念漂移数据输入至初始交通量预测模型中，得到概念漂移数据的预测值；根据概念漂移数据和概念漂移数据的预测值得到样本概念漂移数据块，根据概念漂移数据块更新样本数据块集合；对更新后的样本数据块集合进行学习，得到交通量预测模型。一种交通量预测模型构建装置，所述装置包括：更新模块，用于根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块，目标样本数据块包括携带分类标签的样本数据；学习模块，用于根据携带分类标签的样本数据进行学习，得到与目标样本数据块对应的分类模型，并确定分类模型的错误率；第一处理模块，用于获取分类模型的模型参数，并根据模型参数、错误率以及预设的核函数式，得到初始交通量预测模型；第二处理模块，用于实时获取概念漂移数据，根据概念漂移数据和初始交通量预测模型，得到交通量预测模型。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块，目标样本数据块包括携带分类标签的样本数据；根据携带分类标签的样本数据进行学习，得到与目标样本数据块对应的分类模型，并确定分类模型的错误率；获取分类模型的模型参数，并根据模型参数、错误率以及预设的核函数式，得到初始交通量预测模型；实时获取概念漂移数据，根据概念漂移数据和初始交通量预测模型，得到交通量预测模型。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块，目标样本数据块包括携带分类标签的样本数据；根据携带分类标签的样本数据进行学习，得到与目标样本数据块对应的分类模型，并确定分类模型的错误率；获取分类模型的模型参数，并根据模型参数、错误率以及预设的核函数式，得到初始交通量预测模型；实时获取概念漂移数据，根据概念漂移数据和初始交通量预测模型，得到交通量预测模型。上述交通量预测模型构建方法、装置、计算机设备和存储介质，根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，能够得到目标样本数据块，在目标样本数据块中包括携带分类标签的样本数据，通过对携带分类标签的样本数据进行学习，能够得到准确的与目标样本数据块对应的分类模型，并得到分类模型的模型参数和错误率，从而可以根据模型参数、错误率以及预设的核函数式，得到准确的初始交通量预测模型，进而获取因快速变化的环境产生的概念漂移数据，通过概念漂移数据和初始交通量预测模型，得到交通量预测模型，在交通量预测模型中考虑到了快速变化的环境，并及时根据概念漂移数据对准确的初始交通量预测模型进行了更新，所以可以得到准确度高的交通量预测模型。附图说明图1为一个实施例中交通量预测模型构建方法的应用场景图；图2为一个实施例中交通量预测模型构建方法的流程示意图；图3为另一个实施例中交通量预测模型构建方法的流程示意图；图4为一个实施例中选取的四个交通量收集站点的示意图；图5为一个实施例中参数敏感性测试和评估的结果示意图；图6为一个实施例中性能评估的示意图；图7为另一个实施例中性能评估的示意图；<本文档来自技高网...

【技术保护点】
1.一种交通量预测模型构建方法，所述方法包括：/n根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块，所述目标样本数据块包括携带分类标签的样本数据；/n根据所述携带分类标签的样本数据进行学习，得到与所述目标样本数据块对应的分类模型，并确定所述分类模型的错误率；/n获取所述分类模型的模型参数，并根据所述模型参数、所述错误率以及预设的核函数式，得到初始交通量预测模型；/n实时获取概念漂移数据，根据所述概念漂移数据和所述初始交通量预测模型，得到交通量预测模型。/n

【技术特征摘要】
1.一种交通量预测模型构建方法，所述方法包括：
根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块，所述目标样本数据块包括携带分类标签的样本数据；
根据所述携带分类标签的样本数据进行学习，得到与所述目标样本数据块对应的分类模型，并确定所述分类模型的错误率；
获取所述分类模型的模型参数，并根据所述模型参数、所述错误率以及预设的核函数式，得到初始交通量预测模型；
实时获取概念漂移数据，根据所述概念漂移数据和所述初始交通量预测模型，得到交通量预测模型。


2.根据权利要求1所述的方法，其特征在于，所述预设的分类因子对预设的样本数据块集合中样本数据块进行更新之前，还包括：
获取交通流数据，根据预设的交通量季节模型对所述交通流数据进行平滑处理，得到已处理交通流数据；
将所述已处理交通流数据根据预设的数据块大小进行分块处理，得到样本数据块集合。


3.根据权利要求1所述的方法，其特征在于，所述根据预设的分类因子对预设的样本数据块集合中样本数据块进行更新，得到目标样本数据块包括：
根据所述分类因子对所述样本数据块中各样本数据进行更新，并确定与各所述样本数据对应的分类标签，得到携带分类标签的样本数据；
根据所述携带分类标签的样本数据，得到目标样本数据块。


4.根据权利要求3所述的方法，其特征在于，所述根据所述分类因子对所述样本数据块中各样本数据进行更新，并确定与各所述样本数据对应的分类标签，得到携带分类标签的样本数据包括：
获取各所述样本数据中的响应变量，根据所述分类因子对所述响应变量进行更新，根据更新后的响应变量对各所述样本数据进行更新；
确定所述分类因子对所述响应变量进行更新的运算符，根据所述运算符确定与各所述样本数据对应的分类标签，得到携带分类标签的样本数据。


5.根据权利要求1所述的方法，其特征在于，所述根据所述携带分类标签的样本数据进行学习，得到与所述目标样本数据块对应的分类模型，并确定所述分类模型的错误率包括：
将所述样本数据作为输入，并将所述分类标签作为输出进行学习，得到与所述目标样本数据块对应的分类模型；
将所述目标样本数据块中各样本数据输入所述分类模型，得到各所述样本数据的预测输出值；...

【专利技术属性】
技术研发人员：肖捡花，
申请(专利权)人：怀化学院，
类型：发明
国别省市：湖南;43