一种交通流的预测方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种交通流的预测方法、装置、电子设备及存储介质，能够解决现有技术中单独预测平均速度或者流量时准确性较低的问题。交通流的预测方法包括：获取待预测的目标地点第一历史交通流数据；将第一历史交通流数据输入到预先训练的交通流预测模型中，输出目标地点在待预测日期的目标平均速度以及目标流量，交通流预测模型中的速度预测子网络用于提取第一历史交通流数据中速度特征；流量预测子网络用于提取第一历史交通流数据中流量特征；融合子网络用于将速度特征与流量特征进行融合，获得融合交通特征，速度预测子网络基于融合交通特征所述目标平均速度，流量预测子网络基于融合交通特征确定目标流量。络基于融合交通特征确定目标流量。络基于融合交通特征确定目标流量。

【技术实现步骤摘要】
一种交通流的预测方法、装置、电子设备及存储介质


[0001]本申请涉及交通领域，具体而言，涉及一种交通流的预测方法、装置、电子设备及存储介质。

技术介绍

[0002]现有技术中，预测模型往往用于完成单一预测任务，例如，预测模型仅用于预测速度或者仅用于预测流量，而在上述单一预测任务中仅侧重于关注速度特征或者流量特征，使得单一预测任务的预测准确性较低。

技术实现思路

[0003]本申请实施例提供了一种交通流的预测方法、装置、电子设备及存储介质，能够解决现有技术中单独预测平均速度或者流量时准确性较低的问题。
[0004]第一方面，本申请实施例提供了一种交通流的预测方法，所述方法包括：
[0005]获取待预测的目标地点的第一历史交通流数据，所述第一历史交通流数据至少包括平均速度、速度方差以及流量；
[0006]将所述第一历史交通流数据输入到预先训练的交通流预测模型中，输出所述目标地点在所述待预测日期的目标平均速度以及目标流量，所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络，所述速度预测子网络用于提取所述第一历史交通流数据中速度特征；所述流量预测子网络用于提取所述第一历史交通流数据中流量特征；所述融合子网络用于将所述速度特征与所述流量特征进行融合，获得融合交通特征，并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络，所述速度预测子网络基于所述融合交通特征确定所述目标平均速度，所述流量预测子网络基于所述融合交通特征确定所述目标流量。
[0007]本申请实施例中，交通流预测模型包括速度预测子网络、流量预测子网络以及分别与速度预测子网络、流量预测子网络连接的融合子网络，当第一历史交通流数据被输入到该交通流预测模型时，速度预测子网络可以提取该第一历史交通流数据中的速度特征，流量预测速度子网络可以提取该第一历史交通流数据中的流量特征，上述速度特征与上述流量特征经融合子网络融合后形成融合交通特征并分别反馈给速度预测子网络以及流量预测子网络。最终，速度预测子网络基于该融合交通特征预测出目标平均速度，流量预测子网络基于该融合交通特征预测出目标流量。上述方法中，通过将提取到的速度特征与流量特征进行融合，并基于融合后所得到的融合交通特征来分别进行速度预测与流量预测，从而提高了单一预测任务的预测准确性。
[0008]可选的，所述第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据，所述第一子交通流数据为与所述待预测日期的待预测时间片相邻的M个历史时间片的交通流数据，所述第二子交通流数据为与所述待预测日期相邻的N个历史
天数内且与所述待预测时间片处于同一时间片的交通流数据，所述第三子交通流数据为与所述待预测日期间隔L周内且与所述待预测时间片处于同一时间片的交通流数据，M、N以及L为不小于1的正整数。
[0009]本申请实施例中，第一历史交通流数据包括与待预测日期的待预测时间片相邻的多个时间片的交通流数据(可以认为是包含临近性特征)，也包括与待预测日期相邻的多个历史天数内与待预测时间片处于同一时间片的交通流数据(可以认为是包含周期性特征)，还包括与待预测日期间隔多周内且与待预测时间片处于同一时间片的交通流数据(可以认为是包含趋势性特征)，那么基于临近性特征、周期性特征以及趋势性特征共同来对交通流进行预测，使得最终的预测结果更为准确。
[0010]所述速度特征包括所述第一子交通流数据所表征的临近性速度特征，所述第二子交通流数据所表征的周期性速度特征，以及所述第三子交通流数据所表征的趋势性速度特征；所述流量特征包括所述第一子交通流数据所表征的临近性流量特征，所述第二子交通流数据所表征的周期性流量特征，以及所述第三子交通流数据所表征的趋势性流量特征。
[0011]本申请实施例中，速度预测子网络从第一子交通流数据中所提取的特征为临近性速度特征，从第二子交通流数据中所提取的特征为周期性速度特征，从第三子交通流数据中所提取的特征为趋势性速度特征，那么基于上述临近性速度特征、周期性速度特征以及趋势性速度特征可以是速度预测任务的预测结果更为准确；同理，流量预测子网络从第一子交通流数据中所提取的特征为临近性流量特征，从第二子交通流数据中所提取的特征为周期性流量特征，从第三子交通流数据中所提取的特征为趋势性流量特征，那么基于上述临近性流量特征、周期性流量特征以及趋势性流量特征可以使流量预测任务的预测结果更为准确。
[0012]可选的，所述速度特征与所述流量特征均基于如下公式计算：
[0013]M
i
＝W
ci
⊙
M
ci
+W
pi
⊙
M
pi
+W
ti
⊙
M
ti
[0014]其中，M
i
表示第i种特征，
⊙
表示哈德马积，当i＝1时，M1表示速度特征，W
c1
表示所述临近性速度特征，M
c1
表示所述临近性速度特征对应的权重；W
p1
表示所述周期性速度特征，M
p1
表示所述周期性速度特征对应的权重；W
t1
表示所述趋势性速度特征，M
t1
表示所述趋势性速度特征对应的权重，M
c1
、M
p1
以及M
t1
各不相同；当i＝2时，M1表示流量特征，W
c2
表示所述临近性流量特征，M
c2
表示所述临近性流量特征对应的权重；W
p2
表示所述周期性流量特征，M
p2
表示所述周期性流量特征对应的权重；W
t2
表示所述趋势性流量特征，M
t2
表示所述趋势性流量特征对应的权重，M
c2
、M
p2
以及M
t2
各不相同。
[0015]本申请实施例中，速度特征中所包含的临近性速度特征、周期性速度特征以及趋势性速度特征各自对应不同的权重，使得临近性速度特征、周期性速度特征以及趋势性速度特征在用于速度预测任务时能够发挥最大程度各自的作用；同理，流量特征中所包含的临近性流量特征、周期性流量特征以及趋势性流量特征各自对应不同的权重，使得临近性流量特征、周期性流量特征以及趋势性流量特征在用于流量预测任务时能够发挥最大程度各自的作用。
[0016]可选的，所述融合交通特征还包括外部因素特征，所述外部因素至少包括所述待预测时间片在所述待预测日期中的编号、所述待预测时间片属于周几、所述待预测时间片是否为周末或者假期。
[0017]本申请实施例中，融合交通特征还包括外部因素特征，例如，待预测时间片在待预测日期中的编号、待预测时间片属于周几或者待预测时间片是否属于周末等，基于上述外部因素特征能够使针对交通流的预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通流的预测方法，其特征在于，所述方法包括：获取待预测的目标地点的第一历史交通流数据，所述第一历史交通流数据至少包括平均速度、速度方差以及流量；将所述第一历史交通流数据输入到预先训练的交通流预测模型中，输出所述目标地点在待预测日期的目标平均速度以及目标流量，所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络，所述速度预测子网络用于提取所述第一历史交通流数据中速度特征；所述流量预测子网络用于提取所述第一历史交通流数据中流量特征；所述融合子网络用于将所述速度特征与所述流量特征进行融合，获得融合交通特征，并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络，所述速度预测子网络基于所述融合交通特征确定所述目标平均速度，所述流量预测子网络基于所述融合交通特征确定所述目标流量。2.如权利要求1所述的方法，其特征在于，所述第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据，所述第一子交通流数据为与所述待预测日期的待预测时间片相邻的M个历史时间片的交通流数据，所述第二子交通流数据为与所述待预测日期相邻的N个历史天数内且与所述待预测时间片处于同一时间片的交通流数据，所述第三子交通流数据为与所述待预测日期间隔L周内且与所述待预测时间片处于同一时间片的交通流数据，M、N以及L为不小于1的正整数。3.如权利要求2所述的方法，其特征在于，所述速度特征包括所述第一子交通流数据所表征的临近性速度特征，所述第二子交通流数据所表征的周期性速度特征，以及所述第三子交通流数据所表征的趋势性速度特征；所述流量特征包括所述第一子交通流数据所表征的临近性流量特征，所述第二子交通流数据所表征的周期性流量特征，以及所述第三子交通流数据所表征的趋势性流量特征。4.如权利要求3所述的方法，其特征在于，所述速度特征与所述流量特征均基于如下公式计算：M
i
＝W
ci
⊙
M
ci
+W
pi
⊙
M
pi
+W
ti
⊙
M
ti
其中，M
i
表示第i种特征，
⊙
表示哈德马积，当i＝1时，M1表示速度特征，W
c1
表示所述临近性速度特征，M
c1
表示所述临近性速度特征对应的权重；W
p1
表示所述周期性速度特征，M
p1
表示所述周期性速度特征对应的权重；W
t1
表示所述趋势性速度特征，M
t1
表示所述趋势性速度特征对应的权重，M
c1
、M
p1
以及M
t1
各不相同；当i＝2时，M1表示流量特征，W
c2
表示所述临近性流量特征，M
c2
表示所述临近性流量特征对应的权重；W
p2
表示所述周期性流量特征，M
p2
表示所述周期性流量特征对应的权重；W
t2
表示所述趋势性流量特征，M
t2
表示所述趋势性流量特征对应的权重，M
c2
、M
p2
以及M
t2
各不相同。5.如权利要求2所述的方法，其特征在于，所述融合交通特征还包括外部因素特征，所述外部因素至少包括所述待预测时间片在所述待预测日期中的编号、所述待预测时间片属于周几、所述待预测时间片是否为周末或者假期。6.如权利要求1所述的方法，其特征在于，所述方...

【专利技术属性】
技术研发人员：蒯佳婷，程亚星，文舜智，黄瑶佳，陈思源，童蔚苹，刘志远，史云阳，
申请(专利权)人：浙江数智交院科技股份有限公司，
类型：发明
国别省市：