System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及智慧交通,尤其涉及一种城市道路车流量预测方法、装置、设备及存储介质。
技术介绍
1、城市道路上的车辆越来越多,导致拥堵事件时常发生。为了改善城市道路的拥堵情况,交通管理部门需要提前对每条道路中将要经过的车流量进行预测,以便根据预测结果提前发布各道路的拥堵情况,便于各出行者了解出行路况。同时,交通管理部门也可以基于各道路的拥堵情况提前做好疏通准备,以缓解交通拥堵。
2、现有技术中,基于城市道路的每个节点对之间的车流转移量,使用静态均衡模型进行迭代求解,得到城市中每条道路将被分配的车流量。但这样迭代求解的过程耗时较长,导致城市道路车流量的预测效率较低,且耗费的计算资源较多。
技术实现思路
1、本申请提供一种城市道路车流量预测方法、装置、设备及存储介质,用以解决城市道路车流量的预测效率较低,且耗费的计算资源较多的技术问题。
2、第一方面,本申请提供一种城市道路车流量预测方法,包括:
3、针对城市中的各道路,获取待预测时间段内道路的道路特征,道路特征包括城市中经过道路的路线数量、城市中经过道路的路线总长度和目标初始化车流转移量;目标初始化车流转移量为预先为道路确定的车流转移量初始值;
4、分别将各道路的道路特征输入已训练好的车流量预测模型,得到各道路在待预测时间段内的各车流量预测值;车流量预测模型为线性回归模型。
5、在一种可能的实现方式中,获取道路的目标初始化车流转移量的方式,包括:
6、获取目标时间段对应
7、针对各节点对,将节点对对应的历史车流转移量平均分配于节点对中的各路线,得到各路线各自对应的子历史车流转移量;
8、对经过道路的各路线各自对应的子历史车流转移量求和,得到道路的目标初始化车流转移量。
9、在一种可能的实现方式中,方法还包括:
10、获取城市的道路样本集,道路样本集中包括至少一个道路样本,任一道路样本中包括预设时间段对应的城市中经过道路的路线数量、城市中经过道路的路线总长度、道路的历史初始化车流转移量以及均衡状态下道路的车流量;
11、对道路样本集进行预处理,以得到训练集和测试集;
12、采用训练集对三元线性回归模型进行训练,得到第一预测模型;
13、采用测试集测试第一预测模型的预测准确率,将预测准确率大于或等于预设准确率的第一预测模型确定为车流量预测模型。
14、在一种可能的实现方式中,测试集中包括第一正样本和第一负样本,第一正样本中的均衡状态下道路的车流量大于或等于第一预设阈值,第一负样本中的均衡状态下道路的车流量小于第一预设阈值;采用测试集测试第一预测模型的预测准确率,包括:
15、将测试集中各道路样本中的预设时间段对应的城市中经过道路的路线数量、城市中经过道路的路线总长度和道路的历史初始化车流转移量分别输入第一预测模型,得到预测结果;
16、若预测结果大于或等于第一预设阈值,则将预测结果对应的道路样本确定为第二正样本;若预测结果小于第一预设阈值,则将预测结果对应的道路样本确定为第二负样本;
17、根据第一正样本、第一负样本、第二正样本和第二负样本确定预测准确率。
18、在一种可能的实现方式中,预设时间段包括多个子时间段,每个子时间段的时间粒度相同,方法还包括:
19、针对各子时间段,根据子时间段对应的均衡状态下各道路的车流量,对子时间段对应的各道路的历史初始化车流转移量进行回归,得到子时间段对应的斜率参数;根据子时间段对应的城市中经过各道路的路线总长度和各道路的历史初始化车流转移量,确定子时间段对应的城市的城市级别特征;
20、采用预设时间段中的各子时间段分别对应的各斜率参数和各城市级别特征对一元线性回归模型进行训练,得到第二预测模型;
21、根据第二预测模型和各子时间段对应的各道路的历史初始化车流转移量得到车流量预测模型。
22、在一种可能的实现方式中,方法还包括:
23、获取预设时间段对应的多个城市的多个斜率参数和多个城市级别特征;
24、采用多个城市的多个斜率参数和多个城市级别特征对一元线性回归模型进行训练,得到第三预测模型。
25、在一种可能的实现方式中,方法还包括:
26、获取各道路的属性特征,属性特征包括道路的长度和宽度;
27、根据各道路的属性特征和各道路在待预测时间段内的各车流量预测值确定各道路分别对应的拥堵值;
28、当任一道路对应的拥堵值大于第二预设阈值时,判断道路为拥堵状态。
29、第二方面,本申请提供一种城市道路车流量预测装置,包括获取模块和预测模块,其中,
30、获取模块,用于针对城市中的各道路,获取待预测时间段内道路的道路特征,道路特征包括城市中经过道路的路线数量、城市中经过道路的路线总长度和目标初始化车流转移量;目标初始化车流转移量为预先为道路确定的车流转移量初始值;
31、预测模块,用于分别将各道路的道路特征输入已训练好的车流量预测模型,得到各道路在待预测时间段内的各车流量预测值;车流量预测模型为线性回归模型。
32、在一种可能的实现方式中,获取模块,具体用于:
33、获取目标时间段对应的历史数据,历史数据中包括城市中各节点对对应的各历史车流转移量;节点对之间包括至少一条路线,目标时间段是根据待预测时间段确定的;
34、针对各节点对,将节点对对应的历史车流转移量平均分配于节点对中的各路线,得到各路线各自对应的子历史车流转移量;
35、对经过道路的各路线各自对应的子历史车流转移量求和,得到道路的目标初始化车流转移量。
36、在一种可能的实现方式中,装置还包括:
37、第一获得模块,用于获取城市的道路样本集,道路样本集中包括至少一个道路样本,任一道路样本中包括预设时间段对应的城市中经过道路的路线数量、城市中经过道路的路线总长度、道路的历史初始化车流转移量以及均衡状态下道路的车流量;
38、预处理模块,用于对道路样本集进行预处理,以得到训练集和测试集;
39、第一训练模块,用于采用训练集对三元线性回归模型进行训练,得到第一预测模型;
40、测试模块,用于采用测试集测试第一预测模型的预测准确率,将预测准确率大于或等于预设准确率的第一预测模型确定为车流量预测模型。
41、在一种可能的实现方式中,测试集中包括第一正样本和第一负样本,第一正样本中的均衡状态下道路的车流量大于或等于第一预设阈值,第一负样本中的均衡状态下道路的车流量小于第一预设阈值;测试模块,具体用于:
42、将测试集中各道路样本中的预设时间段对应的城市中经过道路的路线数量、城本文档来自技高网...
【技术保护点】
1.一种城市道路车流量预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取所述道路的目标初始化车流转移量的方式,包括:
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
4.根据权利要求3所述的方法,其特征在于,所述测试集中包括第一正样本和第一负样本,所述第一正样本中的所述均衡状态下所述道路的车流量大于或等于第一预设阈值,所述第一负样本中的所述均衡状态下所述道路的车流量小于所述第一预设阈值;所述采用所述测试集测试所述第一预测模型的预测准确率,包括:
5.根据权利要求1或2所述的方法,其特征在于,预设时间段包括多个子时间段,每个所述子时间段的时间粒度相同,所述方法还包括:
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
8.一种城市道路车流量预测装置,其特征在于,包括获取模块和预测模块,其中,
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种城市道路车流量预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述获取所述道路的目标初始化车流转移量的方式,包括:
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
4.根据权利要求3所述的方法,其特征在于,所述测试集中包括第一正样本和第一负样本,所述第一正样本中的所述均衡状态下所述道路的车流量大于或等于第一预设阈值,所述第一负样本中的所述均衡状态下所述道路的车流量小于所述第一预设阈值;所述采用所述测试集测试所述第一预测模型的预测准确率,包括:
5.根据权利要求1或2所述的方法,其...
【专利技术属性】
技术研发人员:李丹青,李阳,胡博文,闫龙,李大中,
申请(专利权)人:中国联合网络通信集团有限公司,
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。