交通状况预测方法、电子设备和存储介质技术

本申请涉及交通状况预测方法、电子设备和存储介质，属于人工智能领域，该交通状况预测方法包括：获取ETC门架系统采集的时序交通数据，并对时序交通数据进行数据预处理，得到时序交通特征；通过Spark Streaming将时序交通特征写入大数据平台；利用大数据平台上的Spark Jar读取时序交通特征，并通过扩张因果卷积神经网络算法训练流量模型和速度模型；基于训练好的流量模型和速度模型预测车流量和车速。根据本申请实施例，采集的车辆数据全面，能够提高交通状况预测的准确性；运用了分布式的数据处理技术，能够提高数据的实时性，且能够快速处理大量数据，效率高；采用了扩张因果卷积神经网络算法，能够节省资源，提高训练速度。度。度。

【技术实现步骤摘要】
交通状况预测方法、电子设备和存储介质


[0001]本申请涉及人工智能领域，特别是涉及交通状况预测方法、电子设备和存储介质。

技术介绍

[0002]从各省智慧高速公路建设及运行情况分析，如今仍然面临着需求快速增长但服务能力却相对滞后、有效手段缺乏、数据不准确的难题。目前，车路协同技术还处于研究阶段，推广难度很大，信息服务的有效手段缺乏。
[0003]针对交通状况的学习模型，当前采取的方法是基于手机App的数据来训练模型，但是这种方案有很大的局限：需要有大量的手机App开启，才能够收集到车辆行驶数据，而未开启手机App的车辆数据将无法采集，因此会由于大量数据的缺失造成模型的拟合程度不足，训练出来的模型与真实的交通情况相距甚远，所以交通状况的预测结果准确性低。
[0004]而且，随着终端数据量的激增，对数据的实时性要求更高，而传统的基于关系型数据库的数据存储和分析方式势必受到挑战，无法满足新收费模式下的业务需求。
[0005]因此，如何提高交通数据的实时性和交通预测的准确性，成为本领域人员亟待解决的问题。

技术实现思路

[0006]本申请实施例提供了一种交通状况预测方法、电子设备和存储介质，以至少解决相关技术中如何提高交通数据的实时性和交通预测的准确性的问题。
[0007]第一方面，本申请实施例提供了一种交通状况预测方法，包括：获取ETC门架系统采集的时序交通数据，并对所述时序交通数据进行数据预处理，得到时序交通特征；通过Spark Streaming将所述时序交通特征写入大数据平台；利用所述大数据平台上的Spark Jar读取所述时序交通特征，并通过扩张因果卷积神经网络算法训练流量模型和速度模型；基于训练好的流量模型和速度模型预测车流量和车速。
[0008]在其中一些实施例中，所述数据预处理包括数据去噪声、特征降维、缺省值填充、数据归一化和特征选择中的至少一项。
[0009]在其中一些实施例中，所述特征降维包括：对所述时序交通特征采用主成分分析方式进行降维，得到关键特征；和/或，所述缺省值填充包括：对所述时序交通特征中的缺省值，采用三次样条插值法进行填充。
[0010]在其中一些实施例中，所述的通过扩张因果卷积神经网络算法训练流量模型和速度模型包括：将所述时序交通特征拆分成训练数据集、验证数据集和测试数据集；根据k
‑
折叠交叉验证方法，用所述训练数据集训练流量模型和速度模型，并基于所述验证数据集调整各所述模型的超参数；用所述测试数据集和预设的评价函数评估各所述模型的准确率。
[0011]在其中一些实施例中，所述的基于训练好的流量模型和速度模型预测车流量和车速包括：获取实时特征和离线特征，其中，所述实时特征是通过Flink实时读取ETC门架系统实时采集的时序交通数据，并采用ETL（Extract
‑
Transform
‑
Load）方式进行数据处理而得
到，所述离线特征是根据在历史时间上采集的实时特征计算而得到，且所述离线特征存储在缓存中；将所述实时特征和所述离线特征进行拼接，得到拼接特征；将所述拼接特征带入训练好的流量模型和速度模型以预测车流量和车速。
[0012]在其中一些实施例中，在通过扩张因果卷积神经网络算法训练流量模型和速度模型之后，所述方法包括：利用训练好的流量模型和速度模型对用户计划路线上的从用户当前位置到目标位置的车流量和车速进行预测；根据预测的车流量和车速计算所述计划路线的第一耗时。
[0013]在其中一些实施例中，在根据预测的车流量和车速计算所述计划路线的第一耗时之后，所述方法包括：当通过事件识别算法识别到所述计划路线上有拥堵事件，根据所述当前位置和所述目标位置，计算附近所有可能的行进路线的第二耗时；若所述第二耗时小于所述第一耗时，则将与所述第二耗时对应的路线推荐给用户终端。
[0014]在其中一些实施例中，所述的根据预测的车流量和车速计算所述计划路线的第一耗时包括：根据以下公式计算平均速度：其中表示平均速度，表示通过速度模型计算的速度，δ的值表示同路段近一周同一时间的车流量与同路段当前时间的车流量的比例差；根据所述计划路线上的各路段的平均速度计算各路段的通行时间；将各路段的通行时间进行累加，得到所述第一耗时。
[0015]在其中一些实施例中，在所述第二耗时小于所述第一耗时的情况下，所述方法包括：针对所述第二耗时，计算时间节省比率：其中，n表示终端用户到目标位置需要经过的路段，S表示路段的序号，ST表示每个预计通行的路段消耗的时间，表示第一耗时；若所时间节省比率大于既定的阈值，则将与所述第二耗时相应的路线推荐给用户终端。
[0016]第二方面，本申请实施例提供了一种电子设备，包括处理器和存储有计算机程序的存储介质，所述计算机程序被所述处理器执行时实现如上述任一项所述的方法。
[0017]第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的方法。
[0018]本申请实施例的交通状况预测方法中，通过道路上的ETC门架系统来采集不同路段上的交通信息以进行数据挖掘，不需要用户开启任何手机程序，采集的车辆数据全面，训练出的模型与真实的道路情况接近，从而能够提高交通状况预测的准确性；运用了分布式的数据处理技术（包括Spark Streaming和Spark Jar），能够提高数据的实时性，且能够快速处理大量数据，效率高；采用了扩张因果卷积神经网络算法，能够节省资源，提高训练速度，因此，从整体上提高了数据处理能力，节约了计算成本。而且，由于数据实时性高且预测结果准确度高，所以对路线所需耗时的预测准确性高，因此向用户推荐的结果准确性高。
附图说明
[0019]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的交通状况预测方法的流程图；图2是根据本申请实施例的交通状况预测方法的算法整体架构示意图；图3是根据本申请实施例的二维数据经过主成分分析后提取出的成分示意图；图4是根据本申请实施例的三种插值方法的对比示意图；图5是根据本申请实施例的因果卷积的结构示意图；图6是根据本申请实施例的扩张卷积网络的表达示意图；图7是根据本申请实施例的多层差分扩张因果卷积神经网络模型的架构示意图；图8是根据本申请实施例的训练流量模型和速度模型的流程图；图9是根据本申请实施例的流量模型和速度模型的训练和使用的流程图；图10是根据本申请实施例的交通状况预测界面示意图；图11是根据本申请实施例的基于交通预测状况的交通诱导方法的流程图；图12是根据本申请实施例的电子设备的结构框图。
具体实施方式
[0020]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通状况预测方法，其特征在于，包括：获取ETC门架系统采集的时序交通数据，并对所述时序交通数据进行数据预处理，得到时序交通特征；通过Spark Streaming将所述时序交通特征写入大数据平台；利用所述大数据平台上的Spark Jar读取所述时序交通特征，并通过扩张因果卷积神经网络算法训练流量模型和速度模型；基于训练好的流量模型和速度模型预测车流量和车速。2.根据权利要求1所述的方法，其特征在于，所述数据预处理包括数据去噪声、特征降维、缺省值填充、数据归一化和特征选择中的至少一项。3.根据权利要求2所述的方法，其特征在于，所述特征降维包括：对所述时序交通特征采用主成分分析方式进行降维，得到关键特征；和/或，所述缺省值填充包括：对所述时序交通特征中的缺省值，采用三次样条插值法进行填充。4.根据权利要求1所述的方法，其特征在于，所述的通过扩张因果卷积神经网络算法训练流量模型和速度模型包括：将所述时序交通特征拆分成训练数据集、验证数据集和测试数据集；根据k
‑
折叠交叉验证方法，用所述训练数据集训练流量模型和速度模型，并基于所述验证数据集调整各所述模型的超参数；用所述测试数据集和预设的评价函数评估各所述模型的准确率。5.根据权利要求1所述的方法，其特征在于，所述的基于训练好的流量模型和速度模型预测车流量和车速包括：获取实时特征和离线特征，其中，所述实时特征是通过Flink实时读取ETC门架系统实时采集的时序交通数据，并采用ETL方式进行数据处理而得到，所述离线特征是根据在历史时间上采集的实时特征计算而得到，且所述离线特征存储在缓存中；将所述实时特征和所述离线特征进行拼接，得到拼接特征；将所述拼接特征带入训练好的流量模型和速度模型以预测车流量和车速。6.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：周弘懿，郭庆锋，
申请(专利权)人：同盾科技有限公司，
类型：发明
国别省市：