用于交通拥堵状态预测的方法、装置及终端制造方法及图纸

本发明专利技术适用于交通技术领域，提供了一种用于交通拥堵状态预测的方法、装置及终端，所述用于交通拥堵状态预测的方法包括：获取历史拥堵延时数据，并基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型；根据各预测模型获取预测拥堵延时指数，并获取实际拥堵延时指数；根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测。本发明专利技术通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。

【技术实现步骤摘要】
用于交通拥堵状态预测的方法、装置及终端
本专利技术属于交通
，尤其涉及一种用于交通拥堵状态预测的方法、装置及终端。
技术介绍
目前，随着经济的发展，人们的生活水平不断提高，越来越多的人使用私家车出行，造成城市交通拥堵，交通拥堵严重影响人们的出行质量。特别是假期出行量大的情况下，准确实时的交通拥堵预测能够缓解交通阻塞，提醒司机避开交通拥堵路段显得尤为重要。现有的用于交通拥堵状态预测的方案预测模型单一，存在预测不准确的问题。
技术实现思路
有鉴于此，本专利技术提供了一种用于交通拥堵状态预测的方法、装置及终端，能够提高交通拥堵状态预测的准确度。本专利技术实施例的第一方面提供了一种用于交通拥堵状态预测的方法，包括：获取历史拥堵延时数据，并基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型；根据各预测模型获取预测拥堵延时指数，并获取实际拥堵延时指数；根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测；其中，所述分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。本专利技术实施例的第二方面提供了一种用于交通拥堵状态预测的装置，包括：第一获取模块，用于获取历史拥堵延时数据；模型建立模块，用于基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型；计算模块，用于根据各预测模型获取预测拥堵延时指数；第二获取模块，用于获取实际拥堵延时指数；确定模块，用于根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测；其中，所述分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。本专利技术实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一项所述用于交通拥堵状态预测的方法的步骤。本专利技术实施例的第四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程序，所述计算机程序被处理器执行时实现如任一项所述用于交通拥堵状态预测的方法的步骤。本专利技术与现有技术相比存在的有益效果是：本专利技术基于历史拥堵延时数据通过多种分类算法建立用于交通拥堵状态预测的预测模型，使得在同一预测要求下获得不同的预测结果。实时获取实际拥堵延时指数对预测模型进行验证在多种预测模型中选取预测结果与实时拥堵延时指数匹配度最高的模型作为目标预测模型，实现了对预测结果的有效对比和预测模型的精确筛选。本专利技术通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例提供的用于交通拥堵状态预测的方法的实现流程图；图2是本专利技术另一实施例提供的用于交通拥堵状态预测的方法的实现流程图；图3是本专利技术另一实施例提供的用于交通拥堵状态预测的方法的实现流程图；图4是本专利技术一实施例提供的用于交通拥堵状态预测的装置的结构示意图；图5是本专利技术一实施例提供的终端的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。图1是本专利技术一实施例提供的用于交通拥堵状态预测的方法的实现流程图，具体包括以下步骤：S101：获取历史拥堵延时数据，并基于历史拥堵延时数据根据多种分类方法分别建立预测模型。在本专利技术实施例中，历史拥堵延时指数包括不同时刻的拥堵延时指数。不同时刻依据设定时段对一天内的24小时进行划分。可选的，设定时段为10分钟～60分钟。可选的，设定时段为10分钟、15分钟、20分钟、30分钟、45分钟或60分钟。在一些实施例中，历史拥堵延时指数包括目标路段的长度、限速信息、车辆通过目标路段的时间和通过目标路段的车辆等与交通拥堵状态有关的数据。可选的，分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。S102：根据各预测模型获取预测拥堵延时指数，并获取实际拥堵延时指数。其中，拥堵延时指数指示的是车辆在道路拥堵时通过目标道路用时的长短。可选的，拥堵延时指数为车辆在拥堵与道路畅通两种情况下通过目标路段所用时长的比值或差值。拥堵延时指数数值越大则车辆通过目标道路的时间越长。S103：根据实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测。可选的，交通拥堵状态包括：畅通、缓行、拥堵和严重拥堵。拥堵延时指数与交通拥堵状态的对应关系为：拥堵延时指数＜1.5的情况下，交通拥堵状态为畅通；拥堵延时指数≥1.5且＜2的情况下，交通拥堵状态为缓行；拥堵延时指数≥2且＜4的情况下，交通拥堵状态为拥堵，拥堵延时指数≥4的情况下，交通拥堵状态为严重拥堵。在一些实施例中，道路贯穿工业园区、商业街、村庄等区域的情况下，根据具体场景的不同，拥堵延时指数与交通拥堵状态的对应关系规则会进行相应的调整。以通过的道路为村庄中心街道为例，拥堵延时指数与交通拥堵状态的对应关系为：拥堵延时指数＜1.5的情况下，交通拥堵状态为畅通；拥堵延时指数≥1.5且＜1.8的情况下，交通拥堵状态为缓行；拥堵延时指数≥1.8且＜2.2的情况下，交通拥堵状态为拥堵，拥堵延时指数≥2.2的情况下，交通拥堵状态为严重拥堵。其中，实际拥堵延时指数与预测拥堵延时指数之间差值越小，匹配度越高。选取与实际拥堵延时指数匹配度最高的预测拥堵延时指数所对应的预测模型为目标预测模型。本实施例基于历史拥堵延时数据通过多种分类算法建立用于交通拥堵状态预测的预测模型，使得在同一预测要求下获得不同的预测结果。实时获取实际拥堵延时指数对预测模型进行验证在多种预测模型中选取预测结果与实时拥堵延时指数匹配度最高的模型作为目标预测模型，实现了对预测结果的有效对比和预测模型的精确筛选。本专利技术通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。图本文档来自技高网...

【技术保护点】
1.一种用于交通拥堵状态预测的方法，其特征在于，包括：/n获取历史拥堵延时数据，并基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型；/n根据各预测模型获取预测拥堵延时指数，并获取实际拥堵延时指数；/n根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测。/n

【技术特征摘要】
1.一种用于交通拥堵状态预测的方法，其特征在于，包括：
获取历史拥堵延时数据，并基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型；
根据各预测模型获取预测拥堵延时指数，并获取实际拥堵延时指数；
根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测。


2.如权利要求1所述的方法，其特征在于，所述获取历史拥堵延时数据包括：
获取目标路段在不同时刻的通行时间；
获取与所述目标路段对应的设定时间，根据通行时间和所述设定时间的比值确定拥堵延时指数；
记录所述拥堵延时指数和所述拥堵延时指数对应的时刻作为历史拥堵延时数据。


3.根据权利要求2所述的方法，其特征在于，获取目标路段在不同时刻的通行时间，包括：
获取多个车辆通过目标路段的通过时间；
基于多个通过时间的平均值或概率分布确定所述通行时间。


4.根据权利要求2所述的方法，其特征在于，所述获取与所述目标路段对应的设定时间，包括：
确定所述通行时间中的最小值为所述设定时间；或者，
确定多个所述通行时间的平均值为所述设定时间；或者，
根据所述目标路段的长度和所述目标路段对应的限速信息确定所述设定时间。


5.根据权利要求2至4任一项所述的方法，其特征在于，所述基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型，包括：
将所述历史拥堵延时数据划分为训练数据集和测试数据集；
基于所述训练数据集的数据分别根据多种分...

【专利技术属性】
技术研发人员：王腾，左军瑞，刘俭成，底哲，焦占林，王晓亮，袁磊，孟子祥，杨俊杰，吴建曜，
申请(专利权)人：中华通信系统有限责任公司，
类型：发明
国别省市：北京;11