【技术实现步骤摘要】
一种基于时空因素的交通状态指数预测方法
本专利技术涉及智能交通与机器学习领域，尤其是涉及一种基于时空因素的交通状态指数预测方法。
技术介绍
交通流分析可以划分为微观交通流分析、中观交通流分析与宏观交通流分析三部分。微观交通流理论分析主要研究某一点或某一断面交通特性。它是一种针对个体车辆交通运行特性进行分析与建模的理论方法，是解析、描述和预测交通流运行规律的重要手段之一。中观交通流理论分析主要研究路段的交通流特性。它通过建立可以模拟真实交通流状况的数学模型，从中观层面研究行驶的车辆，从而描述交通流的随机性与不确定性。宏观交通流理论分析主要研究路网区域的交通流特性。它不是描述具体某车辆的行驶规律或某一路段的交通流特性，而是对整个路网区域的交通流特性进行描述分析。通过在宏观尺度上研究拥堵区域的形成和消散的规律，为城市交通控制管理、挖掘现有路网的通行潜力、提高交通资源的利用率等提供更为可靠的科学依据。近年来，道路交通状态指数的概念成为国内外交通领域研究的热点，它是一种合理反映各等级道路车辆出行相对拥堵体验的标准化指标。道路交...
【技术保护点】
1.一种基于时空因素的交通状态指数预测方法，其特征在于，具体包括以下步骤：/n步骤S1：获取交通状态指数的数据作为原始数据，根据所述原始数据生成交通状态指数云图；/n步骤S2：将所述交通状态指数云图划分为多个子区域，根据所述子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；/n步骤S3：对所述包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时间预测和空间预测；/n步骤S4：基于所述包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，按照所述最优模型参数构建混合模型，通过将所述包含目标网格...
【技术特征摘要】
1.一种基于时空因素的交通状态指数预测方法，其特征在于，具体包括以下步骤：
步骤S1：获取交通状态指数的数据作为原始数据，根据所述原始数据生成交通状态指数云图；
步骤S2：将所述交通状态指数云图划分为多个子区域，根据所述子区域的中心网格是否有指数值，分为包含目标网格的子区域和包含非目标网格的子区域；
步骤S3：对所述包含目标网格的子区域和包含非目标网格的子区域分别通过时间序列预测模型和空间预测模型进行时间预测和空间预测；
步骤S4：基于所述包含非目标网格的子区域进行空间预测和时间预测的预测结果设置最优模型参数，按照所述最优模型参数构建混合模型，通过将所述包含目标网格的子区域输入所述混合模型来对目标网格进行预测。
2.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述交通状态指数包括交通流速度、自由流速度、道路种类和道路数。
3.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述子区域为正方形子区域。
4.根据权利要求3所述的一种基于时空因素的交通状态指数预测方法，其特征在于，所述子区域的边长的取值为3个单位长度或5个单位长度。
5.根据权利要求1所述的一种基于时空因素的交通状态指数预测方法，其...
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。