一种用于预测交通流量的方法、装置和存储介质制造方法及图纸

本发明专利技术涉及一种用于预测交通流量的方法、装置和存储介质，所述方法包括获取目标路段历史交通流数据和当前交通流数据；利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集，以对最小二乘支持向量回归的交通流预测模型进行训练；根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训练好的交通流预测模型；利用所述训练好的交通流预测模型进行所述目标路段的交通流预测。根据本发明专利技术的方法，解决了目前交通流量预测过程不准确的问题。决了目前交通流量预测过程不准确的问题。决了目前交通流量预测过程不准确的问题。

【技术实现步骤摘要】
一种用于预测交通流量的方法、装置和存储介质


[0001]本专利技术一般地涉及数据处理
更具体地，本专利技术涉及一种用于预测交通流量的方法、装置和存储介质。

技术介绍

[0002]随着生产制造业的快速发展，汽车的产量与日俱增，过多的汽车也给城市的交通带来了极大的压力，交通拥堵的问题日益严重。为了有效的解决这一问题，对城市交通情况进行预测以使得人们可以根据预测结果进行出行的有效规划就显得尤为重要。
[0003]交通流的时间趋势包括过去一段时间、当下时间以及未来一段时间内的交通流数据。现阶段，通常使用机器学习架构或者是深度学习架构来预测城市交通的情况。并且在深度学习已经取得了较好的效果，即可以构成交通流预测的非线性模型，如卷积神经网络(CNN)已经被证明可以适应交通流的空间依赖性。但是由于交通流受到多种因素的影响，导致单一的机器学习架构或者是深度学习架构无法充分且准确的对交通流进行预测。对于单一的模型可以在一定程度上提高交通流预测的准确性；但是该模型只是简单地合并了时间和空间特征，并没有考虑到交通流的时间趋势和空间特征之间的内部关系对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测交通流量的方法，其特征在于，包括：获取目标路段历史交通流数据和当前交通流数据；利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集，以对最小二乘支持向量回归的交通流预测模型进行训练；根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训练好的交通流预测模型；利用所述训练好的交通流预测模型进行所述目标路段的交通流预测。2.根据权利要求1所述的用于预测交通流量的方法，其特征在于，所述利用邻近算法从所述历史交通流数据中提取与当前交通流状态类似的k组近邻交通流时间序列作为训练数据集包括：根据临近算法构建历史交通流数据库；选取与当前交通流状态类似的k组近邻交通流时间序列；根据所述k组近邻交通流时间序列构建训练数据集。3.根据权利要求1所述的用于预测交通流量的方法，其特征在于，所述交通流预测模型包括基于邻近算法和最小二乘支持向量回归的组合模型。4.根据权利要求1所述的用于预测交通流量的方法，其特征在于，所述根据遗传算法寻找所述交通流预测模型的最佳参数，以得到训练好的交通流预测模型包括：对所述训练数据集进行预处理，以得到预处理结果；根据预处理结果计算适应度函数值；更新种群后进行迭代计算，以重新计算适应度函数值；响应于所述迭代计算满足终止条件，确定优化后的模型参数，以作为交通流预...

【专利技术属性】
技术研发人员：周新波，孙晓红，李怀峰，谢军，丁晓岩，程雷，穆明浩，
申请(专利权)人：交通运输部公路科学研究院，
类型：发明
国别省市：