本申请公开了一种收费站车辆排队长度预测方法、装置、设备及存储介质，所述方法包括：获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据；将所述收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型，得到预测的短期车辆通行数据和长期车辆通行数据；根据所述短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型，得到预测的收费站各个车道短期排队长度和长期排队长度。根据本申请提供的收费站车辆排队长度预测方法，不仅可以同时对多个收费站进行预测，而且可以预测未来较长一段时间内的收费站交通状况，且预测精度高，可协助管理人员对未来收费站车道配置方案进行提前优化。置方案进行提前优化。置方案进行提前优化。
【技术实现步骤摘要】
收费站车辆排队长度预测方法、装置、设备及存储介质
[0001]本专利技术涉及智能交通
，特别涉及一种收费站车辆排队长度预测方法、装置、设备及存储介质。
技术介绍
[0002]高速公路自20世纪90年代起在我国得到了突飞猛进的发展，以其本身固有的特点和优势，在现代交通运输中占有极为重要的地位和作用。然而与之相应的，随着我国各地经济互动越来越频繁，行驶在城际高速公路和环城高速公路上的车辆也越来越多，导致高速公路上的道路拥堵情况愈加严重。准确地预测高速公路收费站车道排队情况，掌握高速公路收费站间流量关系，有利于交管部门和营运部门合力管控，交管部门可以进行限流、交通管制，保证主线上车辆数低于饱和，有效避免拥堵；营运部门可以通过预测结果进行收费站车道及收费员资源合理配置，低峰期避免资源浪费，高峰期可提前做好应对措施，启动应急预案。同时，也能够为出行者提供有效的路径诱导服务。
[0003]因此，如何准确地预测收费站未来一段时间内的排队长度，是本领域技术人员亟待解决的技术问题。
技术实现思路
[0004]本申请实施例提供了一种收费站车辆排队长度预测方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
[0005]第一方面，本申请实施例提供了一种收费站车辆排队长度预测方法，包括：
[0006]获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据；
[0007]将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型，得到预测的短期车辆通行数据和长期车辆通行数据；
[0008]根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型，得到预测的收费站各个车道短期排队长度和长期排队长度。
[0009]在一个实施例中，收费站基础数据包括车道编号、车道类型、各类型车道数量、各类型车道服务时间；
[0010]车辆通行数据包括车辆离去率、过车类型占比以及收费类型占比；
[0011]通行影响因素数据包括日期、周变系数、时变系数、节假日系数、天气系数以及重大事件系数。
[0012]在一个实施例中，将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型之前，还包括：
[0013]对收费站基础数据、车辆通行数据以及通行影响因素数据进行预处理；
[0014]根据预处理后的收费站基础数据、车辆通行数据以及通行影响因素数据构建训练
集、测试集以及验证集；
[0015]根据训练集、测试集以及验证集训练交通状况预测模型。
[0016]在一个实施例中，根据训练集、测试集以及验证集训练交通状况预测模型，包括：
[0017]根据训练集、测试集以及验证集训练交通状况预测模型的短期交通状况预测模块，短期交通状况预测模块为Temporal Fusion Transformer神经网络结构；
[0018]根据训练集、测试集以及验证集训练交通状况预测模型的长期交通状况预测模块，长期交通状况预测模块为DeepAR神经网络结构；
[0019]根据PSO算法寻找模型的最佳超参数，得到训练好的交通状况预测模型。
[0020]在一个实施例中，根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型，得到预测的收费站各个车道短期排队长度和长期排队长度，包括：
[0021]根据收费站基础数据以及预测的车辆通行数据对各个车道的服务时间的期望和方差进行修正，得到修正后的各个车道的服务时间期望和方差；
[0022]根据修正后的各个车道的服务时间期望和方差、预测的短期车辆通行数据以及预设的排队长度模型，得到预测的各个车道短期排队长度；
[0023]根据修正后的各个车道的服务时间期望和方差、预测的长期车辆通行数据以及预设的排队长度模型，得到预测的各个车道长期排队长度。
[0024]在一个实施例中，根据收费站基础数据以及预测的车辆通行数据对各个车道的服务时间的期望和方差进行修正，得到修正后的各个车道的服务时间期望和方差，包括：
[0025]根据收费站基础数据以及预测的车辆通行数据得到各个车道的车道类型、各类型车道服务时间、过车类型占比以及收费类型占比；
[0026]根据过车类型占比修正各个车道的服务时间期望和方差；
[0027]根据收费类型占比再次修正混合类型车道的服务时间期望和方差。
[0028]在一个实施例中，排队长度模型如下所示：
[0029][0030]其中，λ为车辆到达率，v为车道服务时间分布，σ2(v)为服务时间方差，E(v)为服务时间期望，L
q
(x)表示排队长度，K表示车道数。
[0031]第二方面，本申请实施例提供了一种收费站车辆排队长度预测装置，包括：
[0032]获取模块，用于获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据；
[0033]通行数据预测模块，用于将收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型，得到预测的短期车辆通行数据和长期车辆通行数据；
[0034]排队长度预测模块，用于根据短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型，得到预测的收费站各个车道短期排队长度和长期排队长度。
[0035]第三方面，本申请实施例提供了一种电子设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的收费站车辆排队长度预测方法。
[0036]第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机可读指
令，计算机可读指令被处理器执行以实现上述实施例提供的一种收费站车辆排队长度预测方法。
[0037]本申请实施例提供的技术方案可以包括以下有益效果：
[0038]本申请实施例提供的收费站车辆排队长度预测方法，可以首先根据收费站基础数据、历史车辆通行数据、通行影响因素数据以及预设的神经网络模型，预测出未来较短时间内的车辆通行数据以及较长时间内的车辆通行数据，然后基于预测出来的短期通行数据和长期通行数据，在精确计算出收费站各个车道的短期排队长度和长期排队长度。该方法不仅可以对多个收费站的多个车道进行大规模预测，还可以预测未来较长时间段内的排队长度，可协助管理人员对未来收费站车道配置方案进行提前优化。且方案考虑了多个通行影响因素，预测准确率较高。
[0039]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。...
【技术保护点】
【技术特征摘要】
1.一种收费站车辆排队长度预测方法，其特征在于，包括：获取预设时间段内的收费站基础数据、车辆通行数据以及通行影响因素数据；将所述收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型，得到预测的短期车辆通行数据和长期车辆通行数据；根据所述短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型，得到预测的收费站各个车道短期排队长度和长期排队长度。2.根据权利要求1所述的方法，其特征在于，所述收费站基础数据包括车道编号、车道类型、各类型车道数量、各类型车道服务时间；所述车辆通行数据包括车辆离去率、过车类型占比以及收费类型占比；所述通行影响因素数据包括日期、周变系数、时变系数、节假日系数、天气系数以及重大事件系数。3.根据权利要求1所述的方法，其特征在于，将所述收费站基础数据、车辆通行数据以及通行影响因素数据输入预训练的交通状况预测模型之前，还包括：对所述收费站基础数据、车辆通行数据以及通行影响因素数据进行预处理；根据预处理后的收费站基础数据、车辆通行数据以及通行影响因素数据构建训练集、测试集以及验证集；根据所述训练集、测试集以及验证集训练所述交通状况预测模型。4.根据权利要求3所述的方法，其特征在于，根据所述训练集、测试集以及验证集训练所述交通状况预测模型，包括：根据所述训练集、测试集以及验证集训练所述交通状况预测模型的短期交通状况预测模块，所述短期交通状况预测模块为Temporal Fusion Transformer神经网络结构；根据所述训练集、测试集以及验证集训练所述交通状况预测模型的长期交通状况预测模块，所述长期交通状况预测模块为DeepAR神经网络结构；根据PSO算法寻找模型的最佳超参数，得到训练好的交通状况预测模型。5.根据权利要求1所述的方法，其特征在于，根据所述短期车辆通行数据、长期车辆通行数据、收费站基础数据以及预设的排队长度模型，得到预测的收费站各个车道短期排队长度和长期排队长度，包括：根据所述收费站基础数据以及预测的车辆通行数据对各个车道的服务时...
【专利技术属性】
技术研发人员：丁罕，潘和兴，庞星宇，陈伟桥，强奔，李辉，王恺杰，黄枫，
申请(专利权)人：深圳高速公路集团数字科技有限公司，
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。