本发明专利技术涉及路况信息领域,且公开了一种基于深度学习的智能路况预测系统及方法,所述系统包括:中控模块,用于负责各项操控指令的编辑与传递,作为核心管控端;路况获取模块,用于获取待预测路段的车流量、速度、拥塞程度、天气数据和异常事件数据;预处理模块,用于对收集到的数据过滤,去除无用信息,并转换适配格式;通过获取车流量、速度、堵塞程度等数据训练预测模型,分段式获取数据,将不同区域的交通数据进行综合分析,进而合理的规划行车路线和时间,提高交通的效率和减少道路拥堵情况,并且借此发现更多的路况规律,不断进行自我升级,进而在优化路网设计的同时,改善道路交通设施和公共交通状态。和公共交通状态。和公共交通状态。
【技术实现步骤摘要】
一种基于深度学习的智能路况预测系统及方法
[0001]本专利技术涉及路况信息
,具体为一种基于深度学习的智能路况预测系统及方法。
技术介绍
[0002]现有的路况预测系统及方法,还存在缺陷,例如:1、对各类交通数据的获取与统计较不明确,使最终搭建的预测模型的训练程度不高,致使预测结果具有相当的局限性,搜集过程较为冗长,容易使所获取的数据存在重复和错漏,耽误分析进程;2、在数据流出与流入的过程中,难以及时发现存在疑问的数据,并进行修正,致使问题数据污染预测模型,难以有效评估模型的预测能力。
技术实现思路
[0003]针对现有技术所存在的上述缺点,本专利技术提供了一种基于深度学习的智能路况预测系统及方法,能够有效地解决现有技术的问题。
[0004]为实现以上目的,本专利技术通过以下技术方案予以实现,本专利技术公开了一种基于深度学习的智能路况预测系统,包括:中控模块,用于负责各项操控指令的编辑与传递,作为核心管控端;路况获取模块,用于获取待预测路段的车流量、速度、拥塞程度、天气数据和异常事件数据;预处理模块,用于对收集到的数据过滤,去除无用信息,并转换适配格式;数据划分模块,用于将待预测路段进行分隔,获取若干路段区间,作为模型建立和预测的原始数据;模型单元,作为预测模型,在接收传递的数据后,执行数据的预测操作;所述模型单元上部署有下属子模块,包括目标提取模块、训练模块、模拟预测模块和输出评估模块,其中:目标提取模块,用于确定最终输入数据,获取待预测路段当前预测周期内,各区间的时间状态、天气状态、交通状态和异常事件参数;训练模块,用于获取输入数据,构成样本池,以关键特征进行机器计算与学习,构成初始预测模型,并不断完善;模拟预测模块,用于阶段性的向样本池内投入新数据,并运行初始预测模型,对未来预设时间内的路况进行预测,输出预测结果,并在预测结束后,自动抓取实际观测值进行反馈;输出评估模块,用于分析实际观测值和模拟预测值之间的差异,评估预测准确性;模型分析模块,用于对所获取到的原始数据与预测数据进行综合统计与分析,获取预测模型的预测变化指标,进行实时的安全性检测和监控,对预测变化指标异常的情况
进行预警;数据存储模块,用于存储所有的采集数据、所训练的模型数据与预测数据,进行实时云端上传;修正单元,用于对预测结果进行实时纠错和改正,并输出修正的预测结果。
[0005]更进一步地,所述中控模块上部署有用户端,提供身份注册和登录接口,在验证用户身份信息后,为用户提供预测交互界面,所述预测交互界面包括:输入查询条件、查看预测结果和反馈意见输入。
[0006]更进一步地,所述数据划分模块所分割的路段区间的阈值单位为路线距离,设定过程依据路线长度进行等段或自定义划分。
[0007]更进一步地,所述中控模块与路况获取模块通过无线网络交互连接,所述路况获取模块与预处理模块通过无线网络交互连接,所述预处理模块与数据划分模块通过无线网络交互连接,所述数据划分模块与模型单元和修正单元通过无线网络交互连接,所述模型单元与模型分析模块通过无线网络交互连接,所述模型分析模块与数据存储模块通过无线网络交互连接,所述数据存储模块与中控模块通过无线网络交互连接。
[0008]更进一步地,所述修正单元上部署有下属子模块,包括实时更新模块、实时巡查模块和纠正模块,其中:实时更新模块,用于实时对接网络中的数据源,实时接收最新的路况数据,并将其与已有数据进行整合,并完成更新;实时巡查模块,用于实时检测数据流出与流入状态,判断数据状态是否异常;纠正模块,用于依据已更新数据与错误报告,对所涉及参数进行修改或清除;所述实时更新模块和实时巡查模块与纠正模块通过无线网络交互连接。
[0009]更进一步地,所述实时巡查模块若判断数据状态为异常,则中止上下游传输,回馈指令至发送节点重新传输,并清除已有缓存,向模型发送错误报告,若判断无异常,则按照预定设置持续运行。
[0010]更进一步地,所述目标提取模块与训练模块通过无线网络交互连接,所述训练模块与模拟预测模块通过无线网络交互连接,所述模拟预测模块与输出评估模块通过无线网络交互连接。
[0011]一种基于深度学习的智能路况预测方法,包括以下步骤:步骤1:获取道路数据,进行格式转化后,针对转化后数据进行区域的段落划分,划分方式通过人工自定义划分或者程序按属性阈值划分;步骤2:建立路况预测模型,接收划分后的区域数据,获取目标特征数据,作为训练样本,投入模型开始训练;步骤3:在模型运行时,进行实时更新的路况信息的抓取,并作为对应更改,并对运行异常处进行标记,并进行提醒,直至纠正行为开始和完成;步骤4:输入实际的待预测路况数据至预测模型内,并运行预测模型,进行综合评估分析,并输出评估结果;步骤5:依据评估结果,对预测模型的表现进行分析,输出工作报告,依据工作报告对系统以及预测模型各参数进行常规维护、升级和更新。
[0012]更进一步地,所述步骤5中预测模型的表现通过平均绝对差值进行评价,其计算公
式为:;式中,代表预测值;代表真实值;n代表数据个数;W代表平均绝对差值。
[0013]更进一步地,所述步骤5中的预测模型各参数包括:运行参数、接收参数和输出参数。
[0014]采用本专利技术提供的技术方案,与已知的公有技术相比,具有如下有益效果:本专利技术通过获取车流量、速度、堵塞程度等数据训练预测模型,分段式获取数据,将不同区域的交通数据进行综合分析,进而合理的规划行车路线和时间,提高交通的效率和减少道路拥堵情况,并且借此发现更多的路况规律,不断进行自我升级,进而优化路网设计的同时,改善道路交通设施,并且改善公共交通状态。
[0015]本专利技术通过实时识别和纠正已输入路况数据中的疑问数据,进而合理规避风险数据,以便用户及时采取相应的措施,进一步保证预测路线的安全性,保障安全出行。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本专利技术的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0017]图1为一种基于深度学习的智能路况预测系统的框架示意图;图2为一种基于深度学习的智能路况预测方法的流程示意图;图中的标号分别代表,1、中控模块;2、路况获取模块;3、预处理模块;4、数据划分模块;5、模型单元;51、目标提取模块;52、训练模块;53、模拟预测模块;54、输出评估模块;6、模型分析模块;7、数据存储模块;8、修正单元;81、实时更新模块;82、实时巡查模块;83、纠正模块。
具体实施方式
[0018]为使本专利技术实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本专利技术一部分实施例,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作出创造性劳动前提下所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的智能路况预测系统,其特征在于,包括:中控模块(1),用于负责各项操控指令的编辑与传递,作为核心管控端;路况获取模块(2),用于获取待预测路段的车流量、速度、拥塞程度、天气数据和异常事件数据;预处理模块(3),用于对收集到的数据过滤,去除无用信息,并转换适配格式;数据划分模块(4),用于将待预测路段进行分隔,获取若干路段区间,作为模型建立和预测的原始数据;模型单元(5),作为预测模型,在接收传递的数据后,执行数据的预测操作;所述模型单元(5)上部署有下属子模块,包括目标提取模块(51)、训练模块(52)、模拟预测模块(53)和输出评估模块(54),其中:目标提取模块(51),用于确定最终输入数据,获取待预测路段当前预测周期内,各区间的时间状态、天气状态、交通状态和异常事件参数;训练模块(52),用于获取输入数据,构成样本池,以关键特征进行机器计算与学习,构成初始预测模型,并不断完善;模拟预测模块(53),用于阶段性的向样本池内投入新数据,并运行初始预测模型,对未来预设时间内的路况进行预测,输出预测结果,并在预测结束后,自动抓取实际观测值进行反馈;输出评估模块(54),用于分析实际观测值和模拟预测值之间的差异,评估预测准确性;模型分析模块(6),用于对所获取到的原始数据与预测数据进行综合统计与分析,获取预测模型的预测变化指标,进行实时的安全性检测和监控,对预测变化指标异常的情况进行预警;数据存储模块(7),用于存储所有的采集数据、所训练的模型数据与预测数据,进行实时云端上传;修正单元(8),用于对预测结果进行实时纠错和改正,并输出修正的预测结果。2.根据权利要求1所述的一种基于深度学习的智能路况预测系统,其特征在于,所述中控模块(1)上部署有用户端,提供身份注册和登录接口,在验证用户身份信息后,为用户提供预测交互界面,所述预测交互界面包括:输入查询条件、查看预测结果和反馈意见输入。3.根据权利要求1所述的一种基于深度学习的智能路况预测系统,其特征在于,所述数据划分模块(4)所分割的路段区间的阈值单位为路线距离,设定过程依据路线长度进行等段或自定义划分。4.根据权利要求1所述的一种基于深度学习的智能路况预测系统,其特征在于,所述中控模块(1)与路况获取模块(2)通过无线网络交互连接,所述路况获取模块(2)与预处理模块(3)通过无线网络交互连接,所述预处理模块(3)与数据划分模块(4)通过无线网络交互连接,所述数据划分模块(4)与模型单元(5)和修正单元(8)通过无线网络交互连接,所述模型单元(5)与模型分析模块(6)通过无线网络交互连接,所述模型分析模块(6)与数据存储模块(7)通过...
【专利技术属性】
技术研发人员:曾冬梅,
申请(专利权)人:深圳市诚识科技有限公司,
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。