一种交通流量预测方法、装置、电子设备及存储介质
阅读：302发布：2020-05-08
专利汇可以提供一种交通流量预测方法、装置、电子设备及存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种交通流量预测方法、装置、 电子 设备及存储介质，电子设备获取当天的至当前时间点的第一时间段内的实时流量序列以及预先确定出的所述第一时间段内的历史流量序列，根据实时流量序列和历史流量序列，计算偏移量，结合偏移量，以及预测目标时间点的第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。在利用历史滤波流量曲线预测流量的同时，结合了实时流量序列以及当天的当前时间点的第一实时流量，使得在受到天气变化，发生交通事故，上游流量突变等影响时，仍然能够很好的实现流量预测，提高了交通流量预测的准确率。，下面是一种交通流量预测方法、装置、电子设备及存储介质专利的具体信息内容。
1.一种交通流量预测方法，其特征在于，所述方法包括：
获取当天的至当前时间点的第一时间段内的实时流量序列；
确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；
根据所述实时流量序列和历史流量序列，计算偏移量；
根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
2.如权利要求1所述的方法，其特征在于，预先保存历史滤波流量曲线的过程包括：
针对每个时间信息，统计历史的预设第二时间段内每个时间为该时间信息的全天流量；将统计的每个全天流量输入到支持向量机，基于所述支持向量机对每个全天流量进行回归滤波，生成该时间信息对应的历史滤波流量曲线并保存。
3.如权利要求1所述的方法，其特征在于，所述确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量之后，根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量之前，所述方法还包括：
计算所述实时流量序列和历史流量序列的协方差，判断所述协方差是否大于预设的协方差阈值，如果是，进行后续根据所述实时流量序列和历史流量序列，计算偏移量的步骤，如果否，将所述偏移量确定为0，并进行后续确定当天的预测目标时间点的预测流量的步骤。
4.如权利要求1所述的方法，其特征在于，所述根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量包括：
根据公式q＝(a*f(t)+offset)+(1-a)*x(t-1)确定当天的预测目标时间点的预测流量；
式中，f(t)为第一历史流量，x(t-1)为第一实时流量，offset为偏移量，a为第一历史流量对应的第一权重值，(1-a)为第一实时流量对应的第二权重值，q为预测流量。
5.如权利要求4所述的方法，其特征在于，所述确定当天的预测目标时间点的预测流量之后，所述方法还包括：
分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值；
判断所述第一差值的绝对值是否大于所述第二差值的绝对值，如果是，将所述第一权重值增大预设的数值，将所述第二权重值减小预设的数值。
6.如权利要求5所述的方法，其特征在于，所述确定当天的预测目标时间点的预测流量之后，分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值之前，所述方法还包括：
获取当天的预测目标时间点的第二实时流量，计算所述第二实时流量与所述预测流量的误差，判断所述误差是否大于预设的误差阈值，如果是，进行后续步骤。
7.如权利要求6所述的方法，其特征在于，如果所述误差不大于预设的误差阈值，所述方法还包括：
不对所述第一权重值和第二权重值进行调整。
8.一种交通流量预测装置，其特征在于，所述装置包括：
获取模块，用于获取当天的至当前时间点的第一时间段内的实时流量序列；
确定模块，用于确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；
计算模块，用于根据所述实时流量序列和历史流量序列，计算偏移量；
预测模块，用于根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一项所述的方法步骤。
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法步骤。
一种交通流量预测方法、装置、电子设备及存储介质
技术领域
[0001] 本发明涉及交通预测技术领域，尤其涉及一种交通流量预测方法、装置、电子设备及存储介质。
背景技术
[0002] 交通流预测是指基于动态获取的若干道路交通流量数据的时间序列推测未来时段的交通流量数据。它基于先进的交通状态检测手段，融合多元的交通信息，捕捉道路交通系统的状态特征，推演道路交通状态的运行规律，实现城市道路交通状态预报和预警，为交通管理和出行信息服务提供关键技术支撑。
[0003] 交通流预测按照预测时期长短的不同，可分为长期预测，中期预测和短期预测。其中交通流短时预测跨度可以到5分钟，以适应交通控制和交通诱导的实时性要求。短时交通流预测时，交通流变化的规律相对不明显，各种干扰造成的影响也比较大，这就使得短时交通流预测与中、长期预测相比，具有更大的挑战性。
[0004] 短时交通流预测是智能交通系统的核心内容，是智能交通控制与诱导的重要基础。智能交通控制和诱导需要交通流准确、快速的短时预测。短时交通流预测结果可以作为交通控制系统的输入，用于制定交通控制策略，也可以用于交通诱导系统的信息发布，为出行者提供实时有效的信息，帮助他们更好的进行路径选择，进而提高路网效率，所以短时交通流预测越来越受到重视和广泛关注。
[0005] 现有技术在进行短时交通流预测时，一般是对历史的交通流量数据按指定时间间隔进行合并；对历史交通流量数据进行归一化处理；调用预测模型进行预测。现有技术的预测方案对于没有实时突发事件情况下可以取得良好的预测效果，但是此方法没有结合实时的流量数据，比如天气发生变化，发生交通事故，上游流量突变等情况都会使实时的流量和历史平均流量有很大的变化，从而不能很好地预测未来时间的流量，导致短时交通流预测准确率较低。
发明内容
[0006] 本发明实施例提供了一种交通流量预测方法、装置、电子设备及存储介质，用以解决现有的交通流量预测准确率较低的问题。
[0007] 本发明实施例提供了一种交通流量预测方法，所述方法包括：
[0008] 获取当天的至当前时间点的第一时间段内的实时流量序列；
[0009] 确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；
[0010] 根据所述实时流量序列和历史流量序列，计算偏移量；
[0011] 根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0012] 进一步地，预先保存历史滤波流量曲线的过程包括：
[0013] 针对每个时间信息，统计历史的预设第二时间段内每个时间为该时间信息的全天流量；将统计的每个全天流量输入到支持向量机，基于所述支持向量机对每个全天流量进行回归滤波，生成该时间信息对应的历史滤波流量曲线并保存。
[0014] 进一步地，所述确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量之后，根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量之前，所述方法还包括：
[0015] 计算所述实时流量序列和历史流量序列的协方差，判断所述协方差是否大于预设的协方差阈值，如果是，进行后续根据所述实时流量序列和历史流量序列，计算偏移量的步骤，如果否，将所述偏移量确定为0，并进行后续确定当天的预测目标时间点的预测流量的步骤。
[0016] 进一步地，所述根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量包括：
[0017] 根据公式q＝(a*f(t)+offset)+(1-a)*x(t-1)确定当天的预测目标时间点的预测流量；
[0018] 式中，f(t)为第一历史流量，x(t-1)为第一实时流量，offset为偏移量，a为第一历史流量对应的第一权重值，(1-a)为第一实时流量对应的第二权重值，q为预测流量。
[0019] 进一步地，所述确定当天的预测目标时间点的预测流量之后，所述方法还包括：
[0020] 分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值；
[0021] 判断所述第一差值的绝对值是否大于所述第二差值的绝对值，如果是，将所述第一权重值增大预设的数值，将所述第二权重值减小预设的数值。
[0022] 进一步地，所述确定当天的预测目标时间点的预测流量之后，分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值之前，所述方法还包括：
[0023] 获取当天的预测目标时间点的第二实时流量，计算所述第二实时流量与所述预测流量的误差，判断所述误差是否大于预设的误差阈值，如果是，进行后续步骤。
[0024] 进一步地，如果所述误差不大于预设的误差阈值，所述方法还包括：
[0025] 不对所述第一权重值和第二权重值进行调整。
[0026] 另一方面，本发明实施例提供了一种交通流量预测装置，所述装置包括：
[0027] 获取模块，用于获取当天的至当前时间点的第一时间段内的实时流量序列；
[0028] 确定模块，用于确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；
[0029] 计算模块，用于根据所述实时流量序列和历史流量序列，计算偏移量；
[0030] 预测模块，用于根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0031] 进一步地，所述装置还包括：
[0032] 保存模块，用于针对每个时间信息，统计历史的预设第二时间段内每个时间为该时间信息的全天流量；将统计的每个全天流量输入到支持向量机，基于所述支持向量机对每个全天流量进行回归滤波，生成该时间信息对应的历史滤波流量曲线并保存。
[0033] 进一步地，所述装置还包括：
[0034] 第一判断模块，用于计算所述实时流量序列和历史流量序列的协方差，判断所述协方差是否大于预设的协方差阈值，如果是，触发所述计算模块，如果否，将所述偏移量确定为0，并触发所述预测模块。
[0035] 进一步地，所述预测模块，具体用于根据公式q＝(a*f(t)+offset)+(1-a)*x(t-1)确定当天的预测目标时间点的预测流量；式中，f(t)为第一历史流量，x(t-1)为第一实时流量，offset为偏移量，a为第一历史流量对应的第一权重值，(1-a)为第一实时流量对应的第二权重值，q为预测流量。
[0036] 进一步地，所述装置还包括：
[0037] 调整模块，用于分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值；判断所述第一差值的绝对值是否大于所述第二差值的绝对值，如果是，将所述第一权重值增大预设的数值，将所述第二权重值减小预设的数值。
[0038] 进一步地，所述装置还包括：
[0039] 第二判断模块，用于获取当天的预测目标时间点的第二实时流量，计算所述第二实时流量与所述预测流量的误差，判断所述误差是否大于预设的误差阈值，如果是，触发所述调整模块。
[0041] 存储器，用于存放计算机程序；
[0042] 处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。
[0043] 另一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
[0044] 本发明实施例提供了一种交通流量预测方法、装置、电子设备及存储介质，所述方法包括：获取当天的至当前时间点的第一时间段内的实时流量序列；确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；根据所述实时流量序列和历史流量序列，计算偏移量；根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0045] 由于在本发明实施例中，电子设备获取当天的至当前时间点的第一时间段内的实时流量序列以及预先确定出的所述第一时间段内的历史流量序列，根据实时流量序列和历史流量序列，计算偏移量，结合偏移量，以及预测目标时间点的第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。在利用历史滤波流量曲线预测流量的同时，结合了实时流量序列以及当天的当前时间点的第一实时流量，使得在受到天气变化，发生交通事故，上游流量突变等影响时，仍然能够很好的实现流量预测，提高了交通流量预测的准确率。附图说明
[0046] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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。
[0047] 图1为本发明实施例1提供的交通流量预测过程示意图；
[0048] 图2为本发明实施例1提供的全天流量示意图；
[0049] 图3为本发明实施例2提供的基于支持向量机对每个全天流量进行回归滤波，生成历史滤波流量曲线的示意图；
[0050] 图4为本发明实施例3提供的交通流量预测流程示意图；
[0051] 图5为本发明实施例5提供的权重值更新流程示意图；
[0052] 图6为本发明实施例5提供的交通流量流程示意图；
[0053] 图7为本发明实施例6提供的交通流量预测装置结构示意图；
[0054] 图8为本发明实施例7提供的交通流量预测装置结构示意图。
具体实施方式
[0055] 下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0056] 实施例1：
[0057] 图1为本发明实施例提供的交通流量预测过程示意图，该过程包括以下步骤：
[0058] S101：获取当天的至当前时间点的第一时间段内的实时流量序列。
[0059] 本发明实施例提供的交通流量预测方法应用于电子设备，该电子设备可以是PC、平板电脑等设备。
[0060] 在本发明实施例中，电子设备与道路上安装的流量监控设备连接，流量监控设备实时将监控到的流量数据发送至电子设备，电子设备首先获取当天的至当前时间点的第一时间段内的实时流量序列。
[0061] 例如，当天的当前时间点为12:05:00，则第一时间段为当天的00:00:00至12:05:00的时间段，获取该第一时间段内的实时流量序列。
[0062] S102：确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量。
[0063] 电子设备中预先保存有每个时间信息对应的历史滤波流量曲线，时间信息可以是日期，例如一号对应一条历史滤波流量曲线，二号对应一条历史滤波流量曲线等等。或者时间信息也可以是星期，例如星期一对应的一条历史滤波流量曲线，星期二对应一条历史滤波流量曲线等等。
[0064] 电子设备根据当天的时间信息，确定对应的历史滤波流量曲线，历史滤波流量滤波曲线的两个坐标轴分别为时间和流量。根据历史滤波流量曲线，可以确定第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量。
[0065] 还例如当天的当前时间点为12:05:00，则根据历史滤波流量曲线，可以确定00:00:00至12:05:00的时间段内的历史流量序列，其中，00:00:00至12:05:00的时间段内的历史流量序列与实时流量序列一一对应。并且可以获取预测目标时间点的第一历史流量，例如，当前时间点为12:05:00，要预测5分钟后的流量，则目标时间点为12:10:00，根据历史滤波流量曲线，可以确定12:10:00的第一历史流量。
[0066] S103：根据所述实时流量序列和历史流量序列，计算偏移量。
[0067] 电子设备在确定出实时流量序列和历史流量序列之后，根据实时流量序列和历史流量序列，可以计算出偏移量，具体的，首先计算实时流量序列和，与历史流量序列和的差值，将所述差值与实时流量序列包含的流量个数的比值，作为偏移量。
[0068] 例如，在第一时间段内，实时流量序列和为4000，历史流量序列和为3500，实时流量序列包含的流量个数为25个，也就是说25和实时流量的和为4000，25个历史流量的和为3500。此时，确定偏移量为(4000-3500)/25＝20。
[0069] S104：根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0070] 电子设备确定出偏移量、第一历史流量、当天的当前时间点的第一实时流量之后，根据偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0071] 具体的，可以根据经验为第一历史流量和第一实时流量分配权重值，分别将第一历史流量和第一实时流量乘上对应的权重值，将得到的结果相加，再加上偏移量，得到最终的预测流量。
[0072] 图2为本发明实施例提供的全天流量示意图，中间的曲线为历史滤波流量曲线，另外两条曲线为与该历史滤波流量曲线时间信息相同的不同天的流量曲线，例如，中间的曲线为星期一的历史滤波流量曲线，上方的曲线为3月份第一个星期一的流量曲线，下方的曲线为3月份第二个星期一的流量曲线。由图2可以看出，三条流量曲线的趋势大致相同，但是不同天的流量曲线，有的流量大于历史滤波流量，有的流量小于历史滤波流量。因此，在本发明实施例中，基于历史滤波流量曲线进行流量预测的过程中，加入了对历史滤波流量曲线进行平移的过程，也就是根据实时流量序列和历史流量序列，计算偏移量，结合偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。在利用历史滤波流量曲线预测流量的同时，结合了实时流量序列以及当天的当前时间点的第一实时流量，使得在受到天气变化，发生交通事故，上游流量突变等影响时，仍然能够很好的实现流量预测，提高了交通流量预测的准确率。
[0073] 实施例2：
[0074] 在上述实施例的基础上，在本发明实施例中，预先保存历史滤波流量曲线的过程包括：
[0075] 针对每个时间信息，统计历史的预设第二时间段内每个时间为该时间信息的全天流量；将统计的每个全天流量输入到支持向量机，基于所述支持向量机对每个全天流量进行回归滤波，生成该时间信息对应的历史滤波流量曲线并保存。
[0076] 预设第二时间段可以是之前三个月的时间段、六个月的时间段等。在本发明实施例中，以时间信息为星期为例，确定星期一对应的历史滤波流量曲线为例进行说明。统计预设第二时间段内每个星期一的全天流量，将每个全天流量输入到支持向量机，基于所述支持向量机对每个全天流量进行回归滤波，生成星期一对应的历史滤波流量曲线并保存。
[0077] 支持向量机是以统计学习理论为理论基础。其理论基础和实现途径的基本框架已经形成，已经成为了机器学习领域的研究热点，开始成为克服“小样本”、“维数灾难问题”、“过学习问题”和“局部极小点问题”等传统困难的有力手段，在模式识别、回归估计、概率密度函数估计等方面都得到了广泛应用。
[0078] 在利用支持向量机生成历史滤波流量曲线时，首先输入历史的预设第二时间段内m每个时间为该时间信息的全天流量，T＝{(x1,y1),…,(xm,ym)}∈(X×Y)
[0079] 式中，xi∈X∈Rn,yi∈Y∈R,i∈1,2,3,…,m；
[0080] 然后选择适当的核函数，其中，核函数可以选择线性核函数K(x,x`)＝(x·x`)、多项式核函数K(x,x')＝((x·x')+c)d,c≥0、Sigmoid核函数K(x,x')＝tanh(v(x·x')+c),c≥0等，较佳的，可以选择Gauss径向基(RBF)核函数 能够得到更好的滤波效果。
[0081] 然后构造并求解下列问题：
[0082]
[0083]
[0084] 式中， 为核空间映射函数， 为权矢量，ei∈R为误差变量，b为偏差量，J为损失函数，γ为可调常数。
[0085] 可构造拉格朗日函数：
[0086] 式中，αi∈R为拉格朗日乘子。分别求L(w,b,e,α)对ei,αi,w,b的偏导，再消去可得如下方程：
[0087]
[0088] 式中， α＝[α1；…；αm]；i,j＝1,2,…,m。可解出αi和b。
[0089] 构造决策函数：
[0090] f(x)即为样本的回归估计，也就是历史滤波流量曲线。
[0091] 图3为基于支持向量机对每个全天流量进行回归滤波，生成历史滤波流量曲线的示意图。
[0092] 实施例3：
[0093] 在上述各实施例的基础上，在本发明实施例中，所述确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量之后，根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量之前，所述方法还包括：
[0094] 计算所述实时流量序列和历史流量序列的协方差，判断所述协方差是否大于预设的协方差阈值，如果是，进行后续根据所述实时流量序列和历史流量序列，计算偏移量的步骤，如果否，将所述偏移量确定为0，并进行后续确定当天的预测目标时间点的预测流量的步骤。
[0095] 为了进一步使流量预测更准确，在本发明实施例中，确定第一时间段内的历史流量序列以及实时流量序列之后，计算历史流量序列以及实时流量序列的协方差。电子设备中预先保存有协方差阈值，判断实时流量序列和历史流量序列的协方差是否大于预设的协方差阈值，如果是，则说明当天的流量曲线与当天对应的历史滤波流量曲线是存在较大偏移的，此时进行后续根据实时流量序列和历史流量序列，计算偏移量的步骤，如果否，则说明当天的流量曲线与当天对应的历史滤波流量曲线不存在偏移，此时不再计算偏移量，直接将偏移量确定为0，并进行后续确定当天的预测目标时间点的预测流量的步骤。
[0096] 所述根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量包括：
[0097] 根据公式q＝(a*f(t)+offset)+(1-a)*x(t-1)确定当天的预测目标时间点的预测流量；
[0098] 式中，f(t)为第一历史流量，x(t-1)为第一实时流量，offset为偏移量，a为第一历史流量对应的第一权重值，(1-a)为第一实时流量对应的第二权重值，q为预测流量。
[0099] 图4为本发明实施例提供的交通流量预测流程示意图，如图4所示，获取当天的至当前时间点的第一时间段内的实时流量序列，根据历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量。计算实时流量序列和历史流量序列的协方差，判断所述协方差是否大于预设的协方差阈值，如果是，根据所述实时流量序列和历史流量序列，计算偏移量，根据公式q＝(a*f(t)+offset)+(1-a)*x(t-1)确定当天的预测目标时间点的预测流量，如果否，将偏移量确定为0，根据公式q＝a*f(t)+(1-a)*x(t-1)确定当天的预测目标时间点的预测流量。
[0100] 实施例4：
[0101] 为了进一步使交通流量预测更准确，在上述各实施例的基础上，在本发明实施例中，所述确定当天的预测目标时间点的预测流量之后，所述方法还包括：
[0102] 分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值；
[0103] 判断所述第一差值的绝对值是否大于所述第二差值的绝对值，如果是，将所述第一权重值增大预设的数值，将所述第二权重值减小预设的数值。
[0104] 在本发明实施例中，预测流量为x(t)，第一历史流量为f(t)，第一实时流量为x(t-1)，计算预测流量与第一历史流量的第一差值的绝对值η1＝|x(t)-f(t)|，计算预测流量与第一实时流量的第二差值的绝对值η2＝|x(t)-x(t-1)|，如果η1＞η2，则将第一权重值a增大预设的数值，将第二权重值减小预设的数值；反之如果η1≤η2，则将第一权重值a减小预设的数值，将第二权重值增大预设的数值，其中，预设的数值可以是0.05、0.1等。
[0105] 通过实时反馈来调节第一权重值和第二权重值，从而使得第一权重值和第二权重值更准确，进一步使得预测的交通流量更准确。
[0106] 实施例5：
[0107] 在上述各实施例的基础上，在本发明实施例中，所述确定当天的预测目标时间点的预测流量之后，分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值之前，所述方法还包括：
[0108] 获取当天的预测目标时间点的第二实时流量，计算所述第二实时流量与所述预测流量的误差，判断所述误差是否大于预设的误差阈值，如果是，进行后续步骤。
[0109] 在本发明实施例中，获取当天的预测目标时间点的第二实时流量，计算第二实时流量与所述预测流量的误差，根据该误差判断是否需要调整第一权重值和第二权重值。
[0110] 具体的，获取当天的预测目标时间点的第二实时流量x*(t)，预测流量为x(t)，计算第二实时流量与预测流量的误差为mape＝|(x(t)-x*(t))/x*(t)|*100％。电子设备中预先保存有误差阈值б，判断mape是否大于误差阈值б，如果是，则说明误差超过可接受范围，进行后续调整第一权重值和第二权重值的步骤。如果否，则说明误差在可接受范围内，此时不对第一权重值和第二权重值进行调整。
[0111] 图5为本发明实施例提供的权重值更新流程示意图，如图5所示，获取当天的预测目标时间点的第二实时流量，计算所述第二实时流量与所述预测流量的误差，判断所述误差是否大于预设的误差阈值，如果是，分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值，判断所述第一差值的绝对值是否大于所述第二差值的绝对值，如果是，将所述第一权重值增大预设的数值，将所述第二权重值减小预设的数值。如果误差不大于预设的误差阈值，不对第一权重值和第二权重值进行调整。
[0112] 图6为本发明实施例提供的交通流量流程示意图，如图6所示，获取当天的至当前时间点的第一时间段内的实时流量序列，确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量，计算所述实时流量序列和历史流量序列的协方差，判断所述协方差是否大于预设的协方差阈值，如果是，根据所述实时流量序列和历史流量序列，计算偏移量；根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量；如果否，将偏移量确定为0，根据第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。获取当天的预测目标时间点的第二实时流量，计算所述第二实时流量与所述预测流量的误差，判断所述误差是否大于预设的误差阈值，如果是，分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值，判断所述第一差值的绝对值是否大于所述第二差值的绝对值，如果是，将所述第一权重值增大预设的数值，将所述第二权重值减小预设的数值。如果所述误差不大于预设的误差阈值，不对所述第一权重值和第二权重值进行调整。
[0113] 在本发明实施例中，采用支持向量机，并根据“星期”特性对流量进行分类滤波，确定历史流量滤波曲线，克服了历史平均法精度差，神经网络等机器学习方法需要大量样本进行迭代学习，计算量大，收敛速度慢，难以实现在线调节的缺点。根据实时流量序列和历史流量序列，确定出偏移值，结合偏移值进行短时流量预测，并且结合预测流量和实际流量的自反馈作用，对预测过程中的权重值进行调整，在受到天气变化，交通事故、行人等随机干扰的影响下，能获得很好的预测精度。
[0114] 实施例6：
[0115] 图7为本发明实施例提供的交通流量预测装置结构示意图，该装置包括：
[0116] 获取模块71，用于获取当天的至当前时间点的第一时间段内的实时流量序列；
[0117] 确定模块72，用于确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；
[0118] 计算模块73，用于根据所述实时流量序列和历史流量序列，计算偏移量；
[0119] 预测模块74，用于根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0120] 所述装置还包括：
[0121] 保存模块75，用于针对每个时间信息，统计历史的预设第二时间段内每个时间为该时间信息的全天流量；将统计的每个全天流量输入到支持向量机，基于所述支持向量机对每个全天流量进行回归滤波，生成该时间信息对应的历史滤波流量曲线并保存。
[0122] 所述装置还包括：
[0123] 第一判断模块76，用于计算所述实时流量序列和历史流量序列的协方差，判断所述协方差是否大于预设的协方差阈值，如果是，触发所述计算模块，如果否，将所述偏移量确定为0，并触发所述预测模块74。
[0124] 所述预测模块74，具体用于根据公式q＝(a*f(t)+offset)+(1-a)*x(t-1)确定当天的预测目标时间点的预测流量；式中，f(t)为第一历史流量，x(t-1)为第一实时流量，offset为偏移量，a为第一历史流量对应的第一权重值，(1-a)为第一实时流量对应的第二权重值，q为预测流量。
[0125] 所述装置还包括：
[0126] 调整模块77，用于分别计算所述预测流量与所述第一历史流量的第一差值的绝对值，以及所述预测流量与所述第一实时流量的第二差值的绝对值；判断所述第一差值的绝对值是否大于所述第二差值的绝对值，如果是，将所述第一权重值增大预设的数值，将所述第二权重值减小预设的数值。
[0127] 所述装置还包括：
[0128] 第二判断模块78，用于获取当天的预测目标时间点的第二实时流量，计算所述第二实时流量与所述预测流量的误差，判断所述误差是否大于预设的误差阈值，如果是，触发所述调整模块77。
[0129] 实施例7：
[0130] 在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，如图8所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
[0131] 所述存储器303中存储有计算机程序，当所述程序被所述处理器301执行时，使得所述处理器301执行如下步骤：
[0132] 获取当天的至当前时间点的第一时间段内的实时流量序列；
[0133] 确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；
[0134] 根据所述实时流量序列和历史流量序列，计算偏移量；
[0135] 根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0136] 基于同一发明构思，本发明实施例中还提供了一种电子设备，由于上述电子设备解决问题的原理与交通流量预测方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。
[0137] 本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、网络侧设备等。
[0138] 上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0139] 通信接口302用于上述电子设备与其他设备之间的通信。
[0140] 存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0141] 上述处理器可以是通用处理器，包括中央处理器、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0142] 在本发明实施例中处理器执行存储器上所存放的程序时，实现获取当天的至当前时间点的第一时间段内的实时流量序列；确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；根据所述实时流量序列和历史流量序列，计算偏移量；根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0143] 由于在本发明实施例中，电子设备获取当天的至当前时间点的第一时间段内的实时流量序列以及预先确定出的所述第一时间段内的历史流量序列，根据实时流量序列和历史流量序列，计算偏移量，结合偏移量，以及预测目标时间点的第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。在利用历史滤波流量曲线预测流量的同时，结合了实时流量序列以及当天的当前时间点的第一实时流量，使得在受到天气变化，发生交通事故，上游流量突变等影响时，仍然能够很好的实现流量预测，提高了交通流量预测的准确率。
[0144] 实施例8：
[0145] 在上述各实施例的基础上，本发明实施例还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
[0146] 获取当天的至当前时间点的第一时间段内的实时流量序列；确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；根据所述实时流量序列和历史流量序列，计算偏移量；根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0147] 基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与交通流量预测方法相似，因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施，重复之处不再赘述。
[0148] 上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD)等。
[0149] 在本发明实施例中提供的计算机可读存储介质内存储计算机程序，计算机程序被处理器执行时实现获取当天的至当前时间点的第一时间段内的实时流量序列；确定预先保存的与当天的时间信息对应的历史滤波流量曲线，根据所述历史滤波流量曲线，确定所述第一时间段内的历史流量序列，以及预测目标时间点的第一历史流量；根据所述实时流量序列和历史流量序列，计算偏移量；根据所述偏移量、第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。
[0150] 由于在本发明实施例中，电子设备获取当天的至当前时间点的第一时间段内的实时流量序列以及预先确定出的所述第一时间段内的历史流量序列，根据实时流量序列和历史流量序列，计算偏移量，结合偏移量，以及预测目标时间点的第一历史流量、当天的当前时间点的第一实时流量，确定当天的预测目标时间点的预测流量。在利用历史滤波流量曲线预测流量的同时，结合了实时流量序列以及当天的当前时间点的第一实时流量，使得在受到天气变化，发生交通事故，上游流量突变等影响时，仍然能够很好的实现流量预测，提高了交通流量预测的准确率。
[0151] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0152] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0153] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0154] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0155] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于机器学习的棒束子通道热工水力特性预测方法 | 2020-05-08 | 975 |
| 一种基于医疗服务的集成信息管理方法 | 2020-05-08 | 192 |
| 一种基于规则优化的P2P流量混合识别方法 | 2020-05-11 | 229 |
| 一种基于S变换诊断轴承潜在故障的方法 | 2020-05-11 | 210 |
| 一种基于改进的正弦余弦算法构建预测模型的方法 | 2020-05-11 | 335 |
| 一种基于CNN和SVM的洪水灾害易发性预测方法 | 2020-05-08 | 840 |
| 一种基于在线岩体等级分类的TBM掘进性能预测方法 | 2020-05-11 | 29 |
| 一种基于混合QPSO-DE寻优预测水质溶氧方法及系统 | 2020-05-08 | 251 |
| 一种纸页柔软度测量方法及系统 | 2020-05-11 | 936 |
| 基于支持向量机的隧道围岩等级预测方法 | 2020-05-08 | 838 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈