【技术实现步骤摘要】
一种交通状态预测模型构建方法及交通状态预测方法
[0001]本申请属于智能交通
，尤其涉及一种交通状态预测模型构建方法及交通状态预测方法。
技术介绍
[0002]目前，在现代交通管理与应急资源调度中，都需掌握最新的道路交通运行状态信息可以从全局对全网络交通状态进行了解，帮助决策者指定交通拥堵疏导、事故处置、救援路径规划等方案。通常，道路网络运行状态的获取和可视化需基于对路段和交叉口交通状态的精准预测，包括路段和交叉口的速度、流量、通行时间等
[0003]但传统的交通状态预测方法对交通信息空间关联度的捕捉一般停留在通过路网拓扑结构和历史交通数据估计或学习的关联度矩阵，这需对实际路网结构做大量简化和较强的假设，缺乏对实际交通情况和次要/未知因素的考虑，会降低道路网络运行状态的预测精度，从而影响决策者指定方案。
技术实现思路
[0004]本申请实施例提供了一种交通状态预测模型构建方法及交通状态预测方法方法，可以解决预测精度低问题。
[0005]第一方面，本申请实施例提供了一种交通状态预测模型构
【技术保护点】
【技术特征摘要】
1.一种交通状态预测模型构建方法，其特征在于，包括：获取第一数据、第二数据和第三数据，所述第一数据包括待预测路段的历史交通状态数据，所述第二数据包括所述待预测路段的上下游交叉口的历史交通状态数据，所述第三数据包括所述第一数据的特征及所述第二数据的特征，所述特征包含空间特征和/或时间特征；将所述第一数据、所述第二数据及所述第三数据进行融合，得到训练样本数据；基于所述训练样本数据构建交通状态预测模型，并筛选出相关联特征，所述相关联特征为重要度大于预设重要度的特征；基于所述相关联特征建立最终交通状态预测模型。2.如权利要求1所述的方法，其特征在于，基于所述训练样本数据构建交通状态预测模型，并筛选出相关联特征，具体包括：按照预设划分比例将所述训练样本数据划分成第一测试集及第一验证集；将所述第一验证集对应的特征设为决策属性，所述第一测试集对应的特征设为条件属性，基于预设损失函数，建立并训练所述交通状态预测模型；在训练过程中，计算所述特征的重要度；若所述重要度大于所述预设重要度，则选为相关联特征。3.如权利要求2所述的方法，其特征在于，计算所述特征的重要度，具体包括：获取每次分割时所述特征对所述交通状态预测模型提升的分数；计算所述分数的平方加权。4.如权利要求1所述的方法，其特征在于，基于所述相关联特征建立最终交通状态预测模型，具体包括：使用所述相关联特征建立初始交通状态预测模型；按照预设划分比例将所述训练样本数据划分成第二测试集及第二验证集；基于所述第二测试集、所述第二验证集及所述初始交通状态预测模型，训练得到最终交通状态预测模型。5.如权利要求2所述的方法，其特征在于，所述预设损失函数为平方损失函数；所述交通状态预测模型的目标函数如下：其中，y
t
为第t步的所述待预测路段对应的实际交通状态值，为第t
‑
1步的通过所述交通状态预测模型得到的预测值，f
t
(x
t
)为变换函数，x
t
为属性，Ω(f
i
)为第i棵树的正则化运算，γ为控制节点分裂的阈值，λ为L2正则化权重，ω为叶子的得分，M为叶子的个数。6.如权利要求1所述的方法，其特征在于，将所述第一数据、所述第二数据及所述第三数据进行融合，得到训练样本数据，包括：对所述第一数据和所述第二数据进行补全，得到补全后的第一数据和第二数据；将补全后的第一数据和第二数据，与所述第三数据进行融合，得到训练样本数据。
7.如权利要求6所述的方法，其特征在于，对所述第一数据和第二数据进行补全，具体包括：根据所述特征的属性对应分为连续变量或离散变量；根据每个特征的缺失数据总量及所述属性，将所述特征对应进行排序；若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值；和/或，若为离散变量，则用相邻时间段或所有时间段的众数初始化缺失数据的值。8.如权利要求7所述的方法，其特征在于，若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值，具体包括：每次用中位数初始化每个所述连续变量的所述缺失数据的值后，...
【专利技术属性】
技术研发人员：杨丽丽，孟繁宇，曾益萍，袁狄平，王倩倩，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：
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。