一種交通流量預測方法和系統的製作方法
2023-08-01 21:45:51
一種交通流量預測方法和系統的製作方法
【專利摘要】本發明實施例提供一種交通流量預測方法和系統，其中方法包括：獲取當前交通流量數據，所述當前交通流量數據包括待測路段的當前交通流量數據和與待測路段具關聯性路段的當前交通流數據；確定第一預測模型；將所述當前交通流量數據輸入所述第一預測模型，得到待測路段的預測交通流量值；其中，所述第一預測模型通過獲取歷史交通流量數據，離散處理所述歷史交通流量數據，得到離散化歷史數據，對所述離散化歷史數據進行數據挖掘得到時空關聯規則，由所述時空關聯規則得到與待測路段具關聯性的路段集合，將所述路段集合的歷史交通流數據通過預定方法訓練生成。
【專利說明】一種交通流量預測方法和系統
【技術領域】
[0001] 本發明涉及交通流量預測領域，特別是涉及一種交通流量預測方法和系統。
【背景技術】
[0002] 隨著社會經濟和交通運輸業的不斷發展，交通擁擠等交通問題越來越凸現出來， 成了全球共同關注的問題。對於交通流的預測不僅是城市交通控制與誘導的基礎，還是解 決道路擁堵問題的關鍵技術之一。如果能精確的預測交通網中各個支路上的汽車流量，那 麼我們可以運用規劃方法對交通流進行合理的優化，從而使得道路的利用率達到最大，也 可以解決部分擁堵問題。
[0003] 目前，常採用短時交通預測模型來預測交通流量，較早起的短期交通流量預測模 型有：自回歸模型（AR)、滑動平均模型（M)、自回歸滑動平均模型（ARMA)、歷史平均模型 (HA)和Box-Cox模型等，隨著該領域的發展，預測方法不斷趨於精確，出現了許多更加復 雜、精度更高的預測模型，大體來說可分為兩類：一類是以數理統計和微積分等傳統的數學 方法為基礎的預測模型，主要包括：時間序列模型、卡爾曼濾波模型、參數回歸模型等；第 二類是以現代科學技術和方法（如模擬技術、神經網絡、模擬技術）為主要研究手段而形成 的短期預測模型，該種方法不追求嚴格意義上的數學推導和明確的物理意義，更加重視與 現實交通流量的擬合接近程度，該種方法主要包括非參數回歸模型、ARIMA算法、基於小波 理論的方法、譜分析和多種與神經網絡相關的複合預測模型等。
[0004] 通過使用短時交通流量預測模型來預測交通流量，可以有效地預測到待測路段在 一定未來時間內交通流量的具體數值，對待測路段在一定未來時間內交通流量進行精確預 測，但是，由於交通系統的非線性、複雜性和不確定性等特徵，現有的短時交通預測模型容 易受外界隨即幹擾因素的影響，因為外界隨即幹擾因素的影響，使用現有的短時交通預測 模型來預測交通流量，使得到的預測交通流量值的準確性和穩定性低。
【發明內容】
[0005] 有鑑於此，本發明實施例提供一種交通流量預測方法和系統，以解決現有技術中 因為外界隨即幹擾因素的影響，使用現有的短時交通預測模型來預測交通流量，使得到的 預測交通流量值的準確性和穩定性低的問題。
[0006] 為實現上述目的，本發明實施例提供如下技術方案：
[0007] -種交通流量預測方法,包括：
[0008] 獲取當前交通流量數據，所述當前交通流量數據包括待測路段的當前交通流量數 據和與待測路段具關聯性路段的當前交通流數據；
[0009] 確定第一預測模型；
[0010] 將所述當前交通流量數據輸入所述第一預測模型，得到待測路段的預測交通流量 值；
[0011] 其中，所述第一預測模型通過獲取歷史交通流量數據，離散處理所述歷史交通流 量數據，得到離散化歷史數據，對所述離散化歷史數據進行數據挖掘得到時空關聯規則，由 所述時空關聯規則得到與待測路段具關聯性的路段集合，將所述路段集合的歷史交通流數 據通過預定方法訓練生成。
[0012] 其中，所述確定第一預測模型包括：
[0013] 離散處理所述當前交通流量數據，得到離散化當前數據；
[0014] 將所述離散化當前數據輸入第二預測模型，得到交通流量趨勢；
[0015] 根據所述待測路段標識信息、當前時間信息和交通流趨勢與第一預測模型間對應 關係確定與第二預測模型相匹配的第一預測模型。
[0016] 其中，所述第二預測模型通過獲取歷史交通流量數據，離散化處理所述歷史交通 流量數據，將離散化處理後歷史交通流數據進行數據挖掘得到的時空關聯規則組成。
[0017] 其中，按照以下步驟離散處理所述當前交通流量數據：
[0018] 將獲取的當前交通流量數據歸一化至[0,1]區間內；
[0019] 對所述歸一化處理後當前交通流量數據進行離散化，得到離散化當前數據；
[0020] 其中，按照以下步驟離散處理所述歷史交通流量數據：
[0021] 將獲取的歷史交通路數據歸一化至[0,1]區間內；
[0022] 對所述歸一化處理後歷史交通流量數據進行離散化，得到離散化歷史數據。
[0023] 其中，通過遺傳進化算法對所述離散化歷史數據進行數據挖掘得到時空關聯規 則；
[0024] 其中，通過遺傳進化算法對所述離散化歷史數據進行數據挖掘得到時空關聯規則 包括：
[0025] 確定離散化歷史數據中路段的數目M，生成具有M個基因的個體；
[0026] 取不小於預定數目的個體組成初始群體，並根據離散化歷史數據計算所述初始群 體中每個個體的適應度值；
[0027] 根據所述初始群體中每個個體的適應度值對所述初始群體進行群體進化；
[0028] 將群體進化後的每個個體中所有合格關聯規則進行輸出，得到時空關聯規則。
[0029] 其中,所述生成具有M個基因的個體包括：
[0030] 生成一個取值範圍為[-T，-1]的確定基因，T為歷史交通流量數據中交通流量數 據採樣時間間隔的數量；
[0031] 生成M-I個取值範圍為[0, T]的隨機基因，得到具有M個基因的個體。
[0032] 其中，所述根據所述初始群體中每個個體的適應度值對所述初始群體進行群體進 化包括：
[0033] 隨機選擇所述初始群體中的兩個個體，擇其中適應度值較大個體進入下一代，直 至選出預定數目個體組成新群體；
[0034] 從所述新群體中隨機選擇出預定數目個體完成染色體交叉操作；
[0035] 從所述新群體中隨機選擇出預定數目個體完成染色體變異操作；
[0036] 重複進行新群體生成操作、染色體交叉操作和染色體變異操作，直至群體適應度 值收斂。
[0037] 其中，所述當前交通流量數據和所述歷史交通流量數據均為已經篩選出異常數 據，並對篩選出的異常數據進行過修正的數據。
[0038] 其中，所述與待測路段具關聯性路段的當前交通流數據包括：
[0039] 確定待測路段和時空關聯規則；
[0040] 根據所述待測路段和時空關聯規則得到與待測路段具關聯性的路段。
[0041] 一種交通流量預測系統，包括：獲取模塊、模型確定模塊、預測模塊和預測模型生 成模塊；其中，
[0042] 所述獲取模塊，用於獲取當前交通流量數據，所述當前交通流量數據包括待測路 段的當前交通流量數據和與待測路段具關聯性路段的當前交通流數據；
[0043] 所述模型確定模塊，用於確定第一預測模型；
[0044] 所述預測模塊，用於將所述當前交通流量數據輸入所述第一預測模型，得到待測 路段的預測交通流量值；
[0045] 所述預測模型生成模塊，用於獲取歷史交通流量數據，離散化處理所述歷史交通 流量數據，將離散化處理後歷史交通流數據進行數據挖掘得到時空關聯規則，由所述時空 關聯規則得到與待測路段具關聯性的路段集合，將所述路段集合的歷史交通流數據通過預 定方法訓練生成第一預測模型。
[0046] 其中，所述模型確定模塊包括：預測模型確定單元和預測模型生成單元；其中， [0047] 所述預測模型確定單元，用於離散化處理所述當前交通流量數據，得到離散化當 前數據；將所述離散化當前數據輸入第二預測模型，得到交通流量趨勢；根據所述交通流 趨勢與第一預測模型間對應關係確定與第二預測模型相匹配的第一預測模型；
[0048] 所述預測模型生成單元，用於獲取歷史交通流量數據，離散化處理所述歷史交通 流量數據，將離散化處理後歷史交通流數據進行數據挖掘得到的時空關聯規則，組成第二 預測模型。
[0049] 基於上述技術方案，本發明實施例提供的一種交通流量預測方法和系統，在獲取 當前交通流量數據後，通過確定第一預測模型，將獲取的當前交通流數據輸入確定的第一 預測模型，然後從確定的第一預測模型中得到待測路段的預測交通流量值，其中，所述當前 交通流量數據包括待測路段的當前交通流量數據和與待測路段具關聯性路段的當前交通 流數據，其中，所述第一預測模型通過獲取歷史交通流量數據，離散處理所述歷史交通流量 數據，得到離散化歷史數據，對所述離散化歷史數據進行數據挖掘得到時空關聯規則，由所 述時空關聯規則得到與待測路段具關聯性的路段集合，將所述路段集合的歷史交通流數據 通過預定方法訓練生成。因為本發送實施例提供的交通流量預測方法中，使用的第一預測 模型為歷史交流流量數據經過數據挖掘得到時空關聯規則，由該時刻關聯規則得到的所需 的路段的歷史交流流量數據信息通過預定方法訓練得到的，對歷史交通數據進行數據挖 掘，通過對海量數據進行全局最優搜索，得到頻繁項集，提高了預測交通流量值的準確性。
【專利附圖】
【附圖說明】
[0050] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發明的實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據 提供的附圖獲得其他的附圖。
[0051] 圖1為本發明實施例提供的流通流量預測方法的流程圖；
[0052] 圖2為本發明實施例提供的交通流量預測方法中確定第一預測模型的方法流程 圖；
[0053] 圖3為本發明實施例提供的交通流量預測方法中離散處理當前交通流量數據的 方法流程圖；
[0054] 圖4為本發明實施例提供的交通流量預測方法中離散處理歷史交通流量數據的 方法流程圖；
[0055] 圖5為本發明實施例提供的交通流量預測方法中通過遺傳進化算法對離散化歷 史數據進行數據挖掘得到時空關聯規則的方法流程圖；
[0056] 圖6為本發明實施例提供的交通流量預測方法中生成具有M個基因的個體的方法 流程圖；
[0057] 圖7為本發明實施例提供的交通流量預測方法中根據初始群體中每個個體的適 應度值對所述初始群體進行群體進化的方法流程圖；
[0058] 圖8為本發明實施例提供的交通流量預測方法中得到與待測路段具關聯性路段 的方法流程圖；
[0059] 圖9為本發明實施例提供的交通流量預測系統的系統框圖；
[0060] 圖10為本發明實施例提供的交通流量預測系統中模型確定模塊200的結構示意 圖。
【具體實施方式】
[0061] 下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於 本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他 實施例，都屬於本發明保護的範圍。
[0062] 圖1為本發明實施例提供的流通流量預測方法的流程圖，通過對歷史交通數據進 行數據挖掘，得到與待測路段具關聯性路段的歷史交通流數據訓練得到的第一預測模型 來預測交通流量，提高了預測交通流量值的準確性，參照圖1，該流通流量預測方法可以包 括：
[0063] 步驟SlOO :獲取當前交通流量數據，所述當前交通流量數據包括待測路段的當前 交通流量數據和與待測路段具關聯性路段的當前交通流數據；
[0064] 其中，需要說明的是，當沒有與待測路段具關聯性的路段時，則認為獲取與待測路 段具關聯性路段的當前交通流數據為空數據，也可以認為，當沒有與待測路段具關聯性的 路段時，獲取的當前交通流量數據中只包括待測路段的當前交通流量數據，而不包括與待 該測路段具關聯性路段的當前交通流數據。
[0065] 通過獲取當前交流流量數據，可以從獲取的當前交通流量數據中確定當前時間信 息、待測路段標識信息和當前交通流量數據數值信息，可選的，待測路段標識信息可以為待 測路段的名稱或編號信息。
[0066] 可選的，與待該測路段具關聯性的路段可以為是在確認了待測路段的名稱或編號 信息和事先以得知的時空關聯規則後，根據測路段和時空關聯規則得到的與待測路段具關 聯性的路段。
[0067] 步驟SllO :確定第一預測模型，所述第一預測模型通過獲取歷史交通流量數據， 離散處理所述歷史交通流量數據，得到離散化歷史數據，對所述離散化歷史數據進行數據 挖掘得到時空關聯規則，由所述時空關聯規則得到與待測路段具關聯性的路段集合，將所 述路段集合的歷史交通流數據通過預定方法訓練生成；
[0068] 歷史交通流量數據中包括系統單位時間、當前時刻、時間間隔數量、路段標識和交 通流量等信息，其中，系統單位時間即數據統計的時間間隔，可由用戶自定義，一般為以5 分鐘或者10分鐘為單位，最小值為1分鐘，小於一分鐘的交通流量統計不具備統計意義。 [0069] 例如，如表1所示，某一天的歷史交通流量數據：
[0070] 表1某一天的歷史交通流量數據表格
[0071]
【權利要求】
1. 一種交通流量預測方法，其特徵在於，包括： 獲取當前交通流量數據，所述當前交通流量數據包括待測路段的當前交通流量數據和 與待測路段具關聯性路段的當前交通流數據； 確定第一預測模型； 將所述當前交通流量數據輸入所述第一預測模型，得到待測路段的預測交通流量值； 其中，所述第一預測模型通過獲取歷史交通流量數據，離散處理所述歷史交通流量數 據，得到離散化歷史數據，對所述離散化歷史數據進行數據挖掘得到時空關聯規則，由所述 時空關聯規則得到與待測路段具關聯性的路段集合，將所述路段集合的歷史交通流數據通 過預定方法訓練生成。
2. 根據權利要求1所述的交通流量預測方法，其特徵在於，所述確定第一預測模型包 括： 離散處理所述當前交通流量數據，得到離散化當前數據； 將所述離散化當前數據輸入第二預測模型，得到交通流量趨勢； 根據所述待測路段標識信息、當前時間信息和交通流趨勢與第一預測模型間對應關係 確定與第二預測模型相匹配的第一預測模型。 其中，所述第二預測模型通過獲取歷史交通流量數據，離散化處理所述歷史交通流量 數據，將離散化處理後歷史交通流數據進行數據挖掘得到的時空關聯規則組成。
3. 根據權利要求2所述的交通流量預測方法，其特徵在於， 按照W下步驟離散處理所述當前交通流量數據： 將獲取的當前交通流量數據歸一化至[〇，1]區間內； 對所述歸一化處理後當前交通流量數據進行離散化，得到離散化當前數據； 按照W下步驟離散處理所述歷史交通流量數據： 將獲取的歷史交通路數據歸一化至[〇，1]區間內； 對所述歸一化處理後歷史交通流量數據進行離散化，得到離散化歷史數據。
4. 根據權利要求1所述的交通流量預測方法，其特徵在於，通過遺傳進化算法對所述 離散化歷史數據進行數據挖掘得到時空關聯規則； 通過遺傳進化算法對所述離散化歷史數據進行數據挖掘得到時空關聯規則包括： 確定離散化歷史數據中路段的數目M，生成具有M個基因的個體； 取不小於預定數目的個體組成初始群體，並根據離散化歷史數據計算所述初始群體中 每個個體的適應度值； 根據所述初始群體中每個個體的適應度值對所述初始群體進行群體進化； 將群體進化後的每個個體中所有合格關聯規則進行輸出，得到時空關聯規則。
5. 根據權利要求4所述的交通流量預測方法，其特徵在於，所述生成具有M個基因的個 體包括： 生成一個取值範圍為[-T，-1]的確定基因，T為歷史交通流量數據中交通流量數據採 樣時間間隔的數量； 生成M-1個取值範圍為[0，T]的隨機基因，得到具有M個基因的個體。
6. 根據權利要求4所述的交通流量預測方法，其特徵在於，所述根據所述初始群體中 每個個體的適應度值對所述初始群體進行群體進化包括： 隨機選擇所述初始群體中的兩個個體，擇其中適應度值較大個體進入下一代，直至選 出預定數目個體組成新群體； 從所述新群體中隨機選擇出預定數目個體完成染色體交叉操作； 從所述新群體中隨機選擇出預定數目個體完成染色體變異操作； 重複進行新群體生成操作、染色體交叉操作和染色體變異操作，直至群體適應度值收 斂。
7. 根據權利要求1所述的交通流量預測方法，其特徵在於，所述當前交通流量數據和 所述歷史交通流量數據均為已經篩選出異常數據，並對篩選出的異常數據進行過修正的數 據。
8. 根據權利要求1所述的交通流量預測方法，其特徵在於，所述與待測路段具關聯性 路段的當前交通流數據包括： 確定待測路段和時空關聯規則； 根據所述待測路段和時空關聯規則得到與待測路段具關聯性的路段。
9. 一種交通流量預測系統，其特徵在於，包括：獲取模塊、模型確定模塊、預測模塊和 預測模型生成模塊；其中， 所述獲取模塊，用於獲取當前交通流量數據，所述當前交通流量數據包括待測路段的 當前交通流量數據和與待測路段具關聯性路段的當前交通流數據； 所述模型確定模塊，用於確定第一預測模型； 所述預測模塊，用於將所述當前交通流量數據輸入所述第一預測模型，得到待測路段 的預測交通流量值； 所述預測模型生成模塊，用於獲取歷史交通流量數據，離散化處理所述歷史交通流量 數據，將離散化處理後歷史交通流數據進行數據挖掘得到時空關聯規則，由所述時空關聯 規則得到與待測路段具關聯性的路段集合，將所述路段集合的歷史交通流數據通過預定方 法訓練生成第一預測模型。
10. 根據權利要求9所述的交通流量預測系統，其特徵在於，所述模型確定模塊包括： 預測模型確定單元和預測模型生成單元；其中， 所述預測模型確定單元，用於離散化處理所述當前交通流量數據，得到離散化當前數 據；將所述離散化當前數據輸入第二預測模型，得到交通流量趨勢；根據所述交通流趨勢 與第一預測模型間對應關係確定與第二預測模型相匹配的第一預測模型； 所述預測模型生成單元，用於獲取歷史交通流量數據，離散化處理所述歷史交通流量 數據，將離散化處理後歷史交通流數據進行數據挖掘得到的時空關聯規則，組成第二預測 模型。
【文檔編號】G08G1/01GK104464291SQ201410742725
【公開日】2015年3月25日 申請日期:2014年12月8日 優先權日:2014年12月8日
【發明者】張登 申請人:杭州智誠惠通科技有限公司