一种交通大数据处理方法及其系统技术方案

本申请提供一种交通大数据处理方法及其系统，对交通流量时序数据

【技术实现步骤摘要】
一种交通大数据处理方法及其系统


[0001]本申请涉及大数据
，具体涉及一种交通大数据处理方法及其系统
。

技术介绍

[0002]随着城市化和机动化的快速发展，交通问题越来越突出，如交通拥堵，交通事故等
。
为了有效改善交通状况，需要一种能够实时获取
、
处理和预测交通流量的方法，以提高交通运营和管理效率
。
合适的处理方法可以更好缓解的交通问题，但由于交通的高度波动性，交通流量对管理部门来说仍然十分棘手
。
交通流量的时序数据通常被认为处理连续的随机过程，存在高不确定性，而且交通数据由于处理方法不够完善，只能通过叠加分析数据量来尽可能提升预测和评价精度，存在着显著弊端，不利于实现智慧化交通管理
。
[0003]因此，本专利技术的目的在于提供一种交通大数据处理方法及其系统，以解决现有技术存在的问题
。

技术实现思路

[0004]本申请的目的是提供一种交通大数据处理方法及其系统，不仅可以加强交通流量预测的精准性，并且完善处理方法，加强整体交通数据的预测和评价精度
。
[0005]第一方面，本申请实施例提供了一种交通大数据处理方法，包括以下步骤：获取目标路段在设定历史时间段内的交通流量时序数据
、
气象信息时序数据和搜索信息时序数据；对交通流量时序数据
、
气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；交通流量预测模型是通过目标路段的历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；获取目标路段上的车辆的实时速度
、GIS
数据和事故率；根据预估交通流量
、GIS
数据和事故率，对目标路段进行评价，得到第一评价分析结果；根据预估交通流量
、
目标路段和周边路段的长度和类型
、
以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号
。
[0006]所述的方法按照以下方式预先训练所述交通流量预测模型：获取目标股票的历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本；
对历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本进行所述预处理后，将历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本分别转化为交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据；将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型
。
[0007]所述时间序列神经网络包括多向表示提取层
、
线性表示提取层和自适应表示合并层；将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型，包括：分别将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入多向表示提取层，得到多向相关性表征，多向相关性表征包括：交通流量的周期相关性表征和临近时间点相关性表征，气象信息的周期相关性表征和临近时间点相关性表征，以及搜索信息的周期相关性表征
、
临近时间点相关性表征和变量间相关性表征；分别将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入所述线性表示提取层，得到交通流量的线性模式；基于自适应表示合并层融合线性模式和多向相关性表征，得到时间序列神经网络输出的目标路段的历史预测交通流量；基于历史预测交通流量和历史交通流量时序数据样本中与历史预测交通流量对应的真实交通流量，对时间序列神经网络中的参数进行调节，直至达到预设条件后，得到交通流量预测模型
。
[0008]所述根据预估交通流量
、GIS
数据和事故率，对目标路段进行评价，得到第一评价分析结果，包括；构建评价指标体系，并基于预估交通流量
、GIS
数据和事故率，建立判断矩阵；基于判断矩阵并通过层次分析法计算预估交通流量
、GIS
数据和事故率的初始权重；对预估交通流量
、GIS
数据和事故率的初始权重进行主成分分析，得到预估交通流量
、GIS
数据和事故率的特征值及预估交通流量
、GIS
数据和事故率的对应的贡献率，基于特征值和贡献率选取主成分，得到预估交通流量
、GIS
数据和事故率的最终权重；对预估交通流量
、GIS
数据和事故率进行归一化，基于归一化结果和最终权重得到第一评价分析结果
。
[0009]所述根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果，包括：根据目标路段与周边路段的连通性，预测周边路段上车辆的预测速度；对目标路段上的车辆的实时速度进行统计，获得实时速度统计结果；通过实时速度统计结果生成第一关联系数；获得周围路段上车辆的预测速度，获得第二关联系数；根据所述第一关联系数和第二关联系数生成关联值；根据关联值生成第二评价分析结果，并向目标路段上的车辆发送第二预警信号
。
[0010]所述根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段
上的车辆发送第一预警信号，包括：设定评价目标信息；根据评价目标信息，确定第一评价分析结果和第二评价分析结果的权重值；利用第一评价分析结果和第二评价分析结果的权重值对权重层进行权重设置；基于所述权重层设置的权重，通过处理层将第一评价分析结果和第二评价分析结果进行加权计算，输出综合评价
。
[0011]所述的方法还包括：将目标路段与周边路段的连通性输入至评估模型中进行评估；评估模型包括信息输入层
、
能力评估层
、
评估加权层
、
信息输出层；将目标路段与周边路段的连通性通过信息输入层输入至能力评估层，获得介数中心性评估系数
、
接近中心性评估系数
、
拓补评估系数和聚类系数；将介数中心性评估系数
、
接近中心性评估系数
、
拓补评估系数和聚类系数输入至评估加权层，获得连通系数；基于信息输出层将连通系数作为模型输出结果进行输出，并向周围本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种交通大数据处理方法，其特征在于，包括以下步骤：获取目标路段在设定历史时间段内的交通流量时序数据
、
气象信息时序数据和搜索信息时序数据；对交通流量时序数据
、
气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；交通流量预测模型是通过目标路段的历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；获取目标路段上的车辆的实时速度
、GIS
数据和事故率；根据预估交通流量
、GIS
数据和事故率，对目标路段进行评价，得到第一评价分析结果；根据预估交通流量
、
目标路段和周边路段的长度和类型
、
以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号
。2.
根据权利要求1所述的方法，其特征在于，按照以下方式预先训练所述交通流量预测模型：获取目标股票的历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本；对历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本进行所述预处理后，将历史交通流量时序数据样本
、
历史气象信息时序数据样本和历史搜索信息时序数据样本分别转化为交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据；将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型
。3.
根据权利要求2所述的方法，其特征在于，所述时间序列神经网络包括多向表示提取层
、
线性表示提取层和自适应表示合并层；将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型，包括：分别将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入多向表示提取层，得到多向相关性表征，多向相关性表征包括：交通流量的周期相关性表征和临近时间点相关性表征，气象信息的周期相关性表征和临近时间点相关性表征，以及搜索信息的周期相关性表征
、
临近时间点相关性表征和变量间相关性表征；分别将交通流量有监督数据
、
气象信息有监督数据和搜索信息有监督数据输入所述线性表示提取层，得到交通流量的线性模式；基于自适应表示合并层融合线性模式和多向相关性表征，得到时间序列神经网络输出的目标路段的历史预测交通流量；基于历史预测交通流量和历史交通流量时序数据样本中与历史预测交通流量对应的真实交通流量，对时间序列神经网络中的参数进行调节，直至达到预设条件后，得到交通流
量预测模型
。4.
根据权利要求1所述的方法，其特征在于，所述根据预估交通流量
、GIS
数据和事故率，对目标路段进行评价，得到第一评价分析结果，包括；构建评价指标体系，并基于预估交通流量
、GIS
数据和事故率，建立判断矩阵；基于判断矩阵并通过层次分析法计算预估交通流量
、GIS
数据和事故率的初始权重；对预估交通流量
、GIS
数据和事故率的初始权重进行主成分分析，得到预估交通流量
、GIS
数据和事故率的特征值及预估交通流量
、GIS
数据和事故率的对应的贡献率，基于特征值和贡献率选取主成分，得到预估交通流量
、GIS
数据和事故率的最终权重；对预估交通流量
、GIS
数据和事故率进行归一化，基于归一化结果和最终权重得到第一评价分析结果
。5.
根据权利要求1所述的...

【专利技术属性】
技术研发人员：朱耿琛，林仁灏，
申请(专利权)人：华信纵横科技有限公司，
类型：发明
国别省市：