本发明专利技术公开了一种交通流量的预测方法、装置及系统。其中，该方法包括：获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵，加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系；根据轨迹转移矩阵和历史轨迹数据确定交通转化状态，其中，交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量；根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态，其中，邻域交通状态用于表示邻接路段的交通流量；根据交通转化状态和邻域交通状态预测未来的交通流量。本发明专利技术解决了现有技术中在对交通流量进行预测时，对非周期性交通预测准确度较低的技术问题。度较低的技术问题。度较低的技术问题。
【技术实现步骤摘要】
交通流量的预测方法、装置及系统
[0001]本专利技术涉及智能交通领域，具体而言，涉及一种交通流量的预测方法、装置及系统。
技术介绍
[0002]交通领域将道路交通分为两部分：周期性交通和非周期性交通，其中周期性交通通常由交通出行需求的周期性变化导致，如早晚高峰通勤；而非周期性交通是由一些意外事件导致，如地铁系统故障，道路交通事故等。相关技术中，通过从历史训练数据存在的规律中学习时空交通相关性，实现对未来车辆交通状况的预测，例如预测未来的交通流量、速度、密度等，稳健而准确的交通预测对于交通控制和路线规划等许多交通服务是必要的，然而，相关预测方案仅能预测周期性交通状态，由于对历史上相似规律的观测数据不足，使得非周期性交通预测的准确度较低。
[0003]针对上述现有技术中在对交通流量进行预测时，对非周期性交通预测准确度较低的技术问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]本专利技术实施例提供了一种交通流量的预测方法、装置及系统，以至少解决现有技术中在对交通流量进行预测时，对非周期性交通预测准确度较低的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种交通流量的预测方法，包括：获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵，其中，轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率，加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系；根据轨迹转移矩阵和历史轨迹数据确定交通转化状态，其中，交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量；根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态，其中，邻域交通状态用于表示邻接路段的交通流量；根据交通转化状态和邻域交通状态预测未来的交通流量。
[0006]根据本专利技术实施例的另一方面，还提供了一种交通流量的预测装置，包括：获取模块，用于获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵，其中，轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率，加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系；交通转化状态确定模块，用于根据轨迹转移矩阵和历史轨迹数据确定交通转化状态，其中，交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量；邻域交通状态确定模块，用于根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态，其中，邻域交通状态用于表示邻接路段的交通流量；预测模块，用于根据交通转化状态和邻域交通状态预测未来的交通流量。
[0007]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读
存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的交通流量的预测方法。
[0008]根据本专利技术实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，程序运行时执行上述任意一项的交通流量的预测方法。
[0009]根据本专利技术实施例的另一方面，还提供了一种交通流量的预测系统，其特征在于，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵，其中，轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率，加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系；根据轨迹转移矩阵和历史轨迹数据确定交通转化状态，其中，交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量；根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态，其中，邻域交通状态用于表示邻接路段的交通流量；根据交通转化状态和邻域交通状态预测未来的交通流量。
[0010]在本专利技术实施例中，获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵，根据轨迹转移矩阵和历史轨迹数据确定交通转化状态，根据交通转化状态和邻域交通状态预测未来的交通流量，由于轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵可以表征出交通流量从一个道路段至另一个道路段的转移关系，以及上游路段的交通流量对下游路段的交通流量的影响，本方案通过历史行驶轨迹可以预测出未来的交通流量，因此可实现对突发性交通状态的准确预测(例如，交通事故导致的堵车)，进而提高了对未来车辆交通状况的预测结果的准确程度，尤其是大幅提高了非周期性交通的预测结果的准确程度，解决了现有技术中在对交通流量进行预测时，对非周期性交通预测准确度较低的技术问题。
附图说明
[0011]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0012]图1示出了一种用于实现交通流量的预测方法的计算设备的硬件结构框图示意图；
[0013]图2是根据本专利技术实施例的一种交通流量的预测方法的流程图；
[0014]图3a是历史时间段T内第0时刻
‑
第t时刻的历史轨迹示意图；
[0015]图3b为根据本专利技术实施例的预设路网内的邻接道路示意图；
[0016]图3c提供了在预设路网中根据车辆在上游路段的行驶轨迹推断下游路段的概率分布的示意图；
[0017]图4是根据本专利技术实施例的一种交通流量的预测方法的示意图；
[0018]图5是根据本专利技术实施例的一种交通流量的预测装置的示意图；
[0019]图6根据本专利技术实施例的一种计算机终端的结构框图。
具体实施方式
[0020]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的
附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0021]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0022]实施例1
[0023]根据本专利技术实施例，还提供了一种交通流量的预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0024]本申请实施例一所提供本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种交通流量的预测方法，其特征在于，包括：获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵，其中，所述轨迹转移矩阵用于表示所述预设路网范围内相邻路段中上游路段与下游路段之间的转移概率，所述加权道路邻接矩阵用于表示所述预设路网范围内的道路之间的邻接关系；根据所述轨迹转移矩阵和所述历史轨迹数据确定交通转化状态，其中，所述交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量；根据所述加权道路邻接矩阵和所述历史轨迹数据确定邻域交通状态，其中，所述邻域交通状态用于表示邻接路段的交通流量；根据所述交通转化状态和所述邻域交通状态预测未来的交通流量。2.根据权利要求1所述的方法，其特征在于，获取预设路网范围内的轨迹转移矩阵，包括：从所述历史轨迹数据中提取预设时间间隔内车辆从上游路段转入每个下游路段的数量；根据所述数量确定由所述上游路段转移至所述每个下游路段的转移概率；基于所述预设路网范围内多个路段之间的转移概率确定所述轨迹转移矩阵。3.根据权利要求2所述的方法，其特征在于，根据所述数量确定由所述上游路段转移至所述每个下游路段的转移概率，包括：对所述预设时间间隔内车辆从上游路段转入每个下游路段的数量进行扩增，以对所述轨迹转移矩阵进行稠密化处理；确定扩增后的所述预设时间间隔内车辆从上游路段转入每个下游路段的数量与所述预设时间间隔内所述上游路段中所有车辆的数量之比为由所述上游路段转移至所述每个下游路段的转移概率。4.根据权利要求1所述的方法，其特征在于，根据所述轨迹转移矩阵和所述历史轨迹数据确定交通转化状态，包括：获取第一图传播参数，其中，所述第一图传播参数用于表征所述轨迹转移矩阵和所述历史轨迹数据进行图传播时的最大轨迹转移次数；将所述轨迹转移矩阵和所述历史轨迹数据输入至第一图神经网络，根据所述第一图传播参数进行图传播，得到所述交通转化状态。5.根据权利要求4所述的方法，其特征在于，将所述轨迹转移矩阵和所述历史轨迹数据输入至第一图神经网络，根据所述第一图传播参数进行图传播，得到所述交通转化状态，包括:将指定时刻的轨迹转移矩阵的转置的n次方与所述指定时刻的历史轨迹数据相乘，得到所述指定时刻下第n次轨迹转移后的交通转化状态中间值，其中，n小于等于所述最大轨迹转移次数；将指定时刻的历史轨迹数据与所述指定时刻下每次轨迹转移后的交通转化状态中间值相连，得到所述指定时刻下的交通转化状态。6.根据权利要求1所述的方法，其特征在于，根据所述加权道路邻接矩阵和所述历史轨迹数据确定的邻域交通状态，包括：获取第二图传播参数，其中，所述第二图传播参数用于表征所述加权道路邻接矩阵和
所述历史轨迹数据进行图传播时的最大转移范围；将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络，根据所述第二图传播参数进行图传播，得到所述指定时刻下的邻域交通状态。7.根据权利要求6所述的方法，其特征在于，将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络，根据所述第二图传播参数进...
【专利技术属性】
技术研发人员：李鸣谦，童潘榕，李默，金仲明，黄建强，华先胜，
申请(专利权)人：南洋理工大学，
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。