一种用于预测道路拥堵状态的方法及系统技术方案

本发明专利技术公开了一种用于预测道路拥堵状态的方法及系统，属于数据处理技术领域。本发明专利技术方法包括：确定目标道路的道路类型，按照所述道路类型对所述目标道路进行模型化处理，以生成所述目标道路的道路模型，并根据所述道路模型确定影响目标道路拥堵的影响指标；采集所述目标道路不同时段的交通数据，将交通数据划分为多个样本，并确定每个样本中影响指标的权值，并将权值最大的影响指标作为所述样本的属性；对带有属性的多个样本进行训练，获取拥堵模型；将预测信息输入至所述拥堵模型，基于拥堵模型确定所述目标道路的拥堵状态。应用本发明专利技术，可有效避免交通拥堵的问题，做到道路的合理设计。理设计。理设计。

【技术实现步骤摘要】
一种用于预测道路拥堵状态的方法及系统


[0001]本专利技术涉及数据处理
，并且更具体地，涉及一种用于预测道路拥堵状态的方法及系统。

技术介绍

[0002]实际生活中，小区车流量拥堵问题饱受困扰。尤其是上下班高峰期，车辆在小区出入口的拥堵情况更为严重。
[0003]现有的交通拥堵方案多为道路行驶中的情况，往往只关注机动车的流量，而小区的特点在于道路结构复杂，影响因素多(行人、非机动车、岔路口等)，因此需要具有针对性的方案来解决这一问题。

技术实现思路

[0004]针对上述问题，本专利技术提出了一种用于预测道路拥堵状态的方法，包括：
[0005]确定目标道路的道路类型，按照所述道路类型对所述目标道路进行模型化处理，以生成所述目标道路的道路模型，并根据所述道路模型确定影响目标道路拥堵的影响指标；
[0006]采集所述目标道路不同时段的交通数据，将交通数据划分为多个样本，并确定每个样本中影响指标的权值，并将权值最大的影响指标作为所述样本的属性；
[0007]对带有属性的多个样本进行训练，获取拥堵模型；
[0008]将预测信息输入至所述拥堵模型，基于拥堵模型确定所述目标道路的拥堵状态；
[0009]所述预测信息，包括：目标时段以及目标道路的目标路段。
[0010]可选的，影响指标包括如下中的至少一种：车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
[0011]可选的，不同时段，按照工作日、节假日以及工作日上下班高峰时间进行划分。
[0012]可选的，确定每个样本中影响指标的权值，包括：
[0013]确定影响指标间互相影响的因素，并根据所述互相影响的因素建立所述影响指标的影响矩阵；
[0014]通过熵值法确定样本中交通事件的随机性和无序程度，根据所述交通事件的随机性和无序程度确定影响指标的离散程度；
[0015]根据离散程度推导出影响指标的变异程度和权重，并通过所述变异程度和权重修正影响矩阵，通过修正后的影响矩阵，对所述权重进行修正，获取修正后的影响指标的权重；
[0016]根据所述修正后的影响指标的权重，确定影响指标的权值。
[0017]可选的，对带有属性的多个样本进行训练，获取拥堵模型，包括：
[0018]将带有属性的多个样本导入至带有无监督的K
‑
means++聚类算法的训练模型中，对所述带有属性的样本基于无监督的K
‑
means++聚类算法进行多次模拟运算，将属性值大
于预设值的样本分配到同一类中，并确定样本的共同属性特征，根据所述共同属性特征对不同道路的优劣进行区分，并以不同道路的优劣表示小区周边道路的拥堵情况，并生成拥堵模型。
[0019]本专利技术还提出了一种用于预测道路拥堵状态的系统，包括：
[0020]指标确定单元，用于确定目标道路的道路类型，按照所述道路类型对所述目标道路进行模型化处理，以生成所述目标道路的道路模型，并根据所述道路模型确定影响目标道路拥堵的影响指标；
[0021]采集单元，用于采集所述目标道路不同时段的交通数据，将交通数据划分为多个样本，并确定每个样本中影响指标的权值，并将权值最大的影响指标作为所述样本的属性；
[0022]训练单元，用于对带有属性的多个样本进行训练，获取拥堵模型；
[0023]预测单元，用于将预测信息输入至所述拥堵模型，基于拥堵模型确定所述目标道路的拥堵状态；
[0024]所述预测信息，包括：目标时段以及目标道路的目标路段。
[0025]可选的，影响指标包括如下中的至少一种：车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。
[0026]可选的，不同时段，按照工作日、节假日以及工作日上下班高峰时间进行划分。
[0027]可选的，确定每个样本中影响指标的权值，包括：
[0028]确定影响指标间互相影响的因素，并根据所述互相影响的因素建立所述影响指标的影响矩阵；
[0029]通过熵值法确定样本中交通事件的随机性和无序程度，根据所述交通事件的随机性和无序程度确定影响指标的离散程度；
[0030]根据离散程度推导出影响指标的变异程度和权重，并通过所述变异程度和权重修正影响矩阵，通过修正后的影响矩阵，对所述权重进行修正，获取修正后的影响指标的权重；
[0031]根据所述修正后的影响指标的权重，确定影响指标的权值。
[0032]可选的，对带有属性的多个样本进行训练，获取拥堵模型，包括：
[0033]将带有属性的多个样本导入至带有无监督的K
‑
means++聚类算法的训练模型中，对所述带有属性的样本基于无监督的K
‑
means++聚类算法进行多次模拟运算，将属性值大于预设值的样本分配到同一类中，并确定样本的共同属性特征，根据所述共同属性特征对不同道路的优劣进行区分，并以不同道路的优劣表示小区周边道路的拥堵情况，并生成拥堵模型。
[0034]与现有技术相比，本专利技术的有益效果为：
[0035]本专利技术中采用熵值法确定影响指标的权值，采用无监督的Kmeans++聚类算法建立拥堵模型，通过拥堵模型可以准确量化小区周边道路交通拥堵这一主观因素带来的影响，结论直观，针对性强，在小区周边道路已有设计规划的基础上应用本专利技术，可有效避免交通拥堵的问题，做到道路的合理设计。
附图说明
[0036]图1为本专利技术的方法流程图；
[0037]图2为本专利技术的建立拥堵模型的流程图；
[0038]图3为本专利技术的系统结构图。
具体实施方式
[0039]现在参考附图介绍本专利技术的示例性实施方式，然而，本专利技术可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本专利技术，并且向所属
的技术人员充分传达本专利技术的范围。对于表示在附图中的示例性实施方式中的术语并不是对本专利技术的限定。在附图中，相同的单元/元件使用相同的附图标记。
[0040]除非另有说明，此处使用的术语(包括科技术语)对所属
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0041]实施例1：
[0042]本专利技术提出了一种用于预测道路拥堵状态的方法，如图1所示，包括：
[0043]步骤S1、确定目标道路的道路类型，按照所述道路类型对所述目标道路进行模型化处理，以生成所述目标道路的道路模型，并根据所述道路模型确定影响目标道路拥堵的影响指标；
[0044]步骤S2、采集所述目标道路不同时段的交通数据，将交通数据划分为多个样本，并确定每个样本中影响指标的权值，并将权值最大的影响指标作为所述样本的属性；
[0045]步骤S3、对带有属性的多个样本进行训练，获取拥堵模型；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测道路拥堵状态的方法，其特征在于，所述方法包括：确定目标道路的道路类型，按照所述道路类型对所述目标道路进行模型化处理，以生成所述目标道路的道路模型，并根据所述道路模型确定影响目标道路拥堵的影响指标；采集所述目标道路不同时段的交通数据，将交通数据划分为多个样本，并确定每个样本中影响指标的权值，并将权值最大的影响指标作为所述样本的属性；对带有属性的多个样本进行训练，获取拥堵模型；将预测信息输入至所述拥堵模型，基于拥堵模型确定所述目标道路的拥堵状态；所述预测信息，包括：目标时段以及目标道路的目标路段。2.根据权利要求1所述的方法，其特征在于，所述影响指标包括如下中的至少一种：车辆通行流量、行人通行流量、非机动车通行流量和车辆事故率。3.根据权利要求1所述的方法，其特征在于，所述不同时段，按照工作日、节假日以及工作日上下班高峰时间进行划分。4.根据权利要求1所述的方法，其特征在于，所述确定每个样本中影响指标的权值，包括：确定影响指标间互相影响的因素，并根据所述互相影响的因素建立所述影响指标的影响矩阵；通过熵值法确定样本中交通事件的随机性和无序程度，根据所述交通事件的随机性和无序程度确定影响指标的离散程度；根据离散程度推导出影响指标的变异程度和权重，并通过所述变异程度和权重修正影响矩阵，通过修正后的影响矩阵，对所述权重进行修正，获取修正后的影响指标的权重；根据所述修正后的影响指标的权重，确定影响指标的权值。5.根据权利要求1所述的方法，其特征在于，所述对带有属性的多个样本进行训练，获取拥堵模型，包括：将带有属性的多个样本导入至带有无监督的K
‑
means++聚类算法的训练模型中，对所述带有属性的样本基于无监督的K
‑
means++聚类算法进行多次模拟运算，将属性值大于预设值的样本分配到同一类中，并确定样本的共同属性特征，根据所述共同属性特征对不同道路的优劣进行区分，并以不同道路的优劣表示小区周边道路的拥堵情况，并生成拥堵模型。6.一种用于预测道路拥堵状态的系统，其特征在...

【专利技术属性】
技术研发人员：张凌玮，
申请(专利权)人：华迪计算机集团有限公司，
类型：发明
国别省市：