交通流量预测模型的构建方法及电子设备技术

本申请实施例提供一种交通流量预测模型的构建方法及电子设备，大数据时代下，基于已经存在的海量交通流量数据，人们需要利用科学技术对这些看似杂乱无章的数据进行处理和分析，找出交通流量潜在的规律，帮助给出更准确、合理、高效的道路信号控制方案，以达到缓解道路交通压力，协调公共资源，为人们提供出行便利的目的。本申请实施提供的方法中，获取原始样本数据序列，其中各样本数据中包括时间戳及对应的交通流量；剔除该原始样本数据序列中的异常值，得到目标样本序列；采用时间序列分解方法对该目标样本序列进行处理，得到交通流量预测模型。

【技术实现步骤摘要】
交通流量预测模型的构建方法及电子设备
本申请涉及智能交通
、大数据分析领域以及时间序列模型领域，尤其涉及一种交通流量预测模型的构建方法及电子设备。
技术介绍
大数据时代下，基于已经存在的海量交通流量数据，人们需要利用科学技术对这些看似杂乱无章的数据进行处理和分析，找出交通流量潜在的规律，帮助给出更准确、合理、高效的道路信号控制方案，以达到缓解道路交通压力，协调公共资源，为人们提供出行便利的目的。因此基于以往时间段的数据信息，自动生成对于未来特殊目标时间区间(如假日、节日、疫情)的流量变化数值及趋势，合理安排当天路口开放情况及信号灯指示，保证通行顺畅变得十分有必要。
技术实现思路
本申请的目的是提供一种交通流量预测模型的构建方法，用以解决以下问题：基于以往时间段的数据信息，自动生成对于未来特殊目标时间区间的流量变化数值及趋势。本申请实施例提供一种交通流量预测模型的构建方法，所述方法包括：采用时间序列分解方法对所述目标样本序列进行处理，得到所述交通流量预测模型；所述交通流量预测模型中包括趋势项、季节项、特殊项、预设本文档来自技高网...

【技术保护点】
1.一种交通流量预测模型的构建方法，其特征在于，所述交通流量预测模型用于预测指定时间的车流量情况，所述方法包括：/n获取基于时间序列的原始样本数据序列；其中各样本数据中包括时间戳及对应的交通流量；/n采用时间序列分解方法对所述目标样本序列进行处理，得到所述交通流量预测模型；所述交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值；/n其中，所述特殊项是基于特殊日序列和受所述特殊日序列影响的指定影响日序列之间的相关系数构建的，且针对每种特殊日序列，所述特殊项的取值与所述特殊日序列对应的相关系数具有正相关关系。/n

【技术特征摘要】
1.一种交通流量预测模型的构建方法，其特征在于，所述交通流量预测模型用于预测指定时间的车流量情况，所述方法包括：
获取基于时间序列的原始样本数据序列；其中各样本数据中包括时间戳及对应的交通流量；
采用时间序列分解方法对所述目标样本序列进行处理，得到所述交通流量预测模型；所述交通流量预测模型中包括趋势项、季节项、特殊项、预设参数值；
其中，所述特殊项是基于特殊日序列和受所述特殊日序列影响的指定影响日序列之间的相关系数构建的，且针对每种特殊日序列，所述特殊项的取值与所述特殊日序列对应的相关系数具有正相关关系。


2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据相关系数计算公式计算所述相关系数：
所述相关系数公式为：
其中：xi为所述特殊日序列中第i个特殊日的历史车流量，yi为所述指定影响日序列中第i个指定影响日的历史车流量，n为所述特殊日序列中包括的特殊日的总个数。


3.根据权利要求2所述的方法，其特征在于，基于特殊日序列和所述指定影响日序列之间的相关系数构建所述特殊项，包括：
根据特殊项公式确定所述特殊项：
所述特殊项公式为：
其中：h(t)为特殊项，Di表示第i个指定影响日，l表示所述特殊日序列对应的相关系数，k～Normal(0，v2)，且ki为从取值范围内选择的第i个指定影响日对应的取值。


4.根据权利要求1所述的方法，其特征在于，所述剔除所述原始样本数据序列中的异常值，包括：
采用局部加权回归方法对所述原始样本数据序列进行数据处理，得到所述原始样本数据序列中每个样本数据的分解值，其中，针对每个样本数据，所述分解值是根据所述样本数据的趋势分量、季节分量和余项得到的；
执行循环步骤直至所述原始样本数据序列中的异常值被全部剔除，所述循环过程包括：
将所述原始样本数据序列中的每个样本数据分别作为目标样本数据，并针对每个目标样本数据分别执行：
以所述目标样本数据为基准，从所述原始样本数据序列中截取指定长度的数据序列作为待处理数据序列；
确定所述待处理数据序列的中位数以及中位差；
采用所述中位数、所述中位差以及所述待处理数据序列中各个样本数据的分解值确定所述目标样本数据的检验统计量，并确定所待处理数据序列的临界值；
若所述目标样本数据的所述检验统计量大于所述临界值，则将所述目标样本数据作为异常值剔除。


5.根据权利要求4所述的方法，其特征在于，所述采用所述中位数、所述中位差以及所述待处理数据序列中各个样本数据的分解值确定所述目标样本数据的检验统计量，包括：
根据绝对中位差的表达式确定所述目标样本数据对应的所述待处理数据序列的所述中位差：
MAD＝median(|Xi-median(X)|)；
其中：MAD为所述中位差，Xi为所述待处理数据序列中的第i个样本数据，X为所述待处理数据序列的中位数；
根据检验统计量的表达式确定所述检验统计量：



其中：Rj为所述检验统...

【专利技术属性】
技术研发人员：牛文广，吕靖，李德盼，张立，闫辰云，张玉福，王伟，马婷婷，
申请(专利权)人：青岛海信网络科技股份有限公司，
类型：发明
国别省市：山东;37