技术特征：
1.一种高速公路通行费收入预测方法，其特征在于，包括：获取待预测的目标时间段；将在所述目标时间段之前的指定时间段的历史时序特征输入预训练的lstm模型，输出对所述目标时间段预测的通行费数据作为第一结果；将所述目标时间段输入预训练的prophet模型，输出对所述目标时间段预测的通行费数据作为第二结果；获取与所述目标时间段同时期的历史通行费数据作为第三结果；将所述第一结果、第二结果和第三结果融合，得出最终预测结果。2.根据权利要求1所述的方法，其特征在于，所述历史时序特征包括具有时序信息的门架通行数据、出口通行数据和时间维度数据。3.根据权利要求2所述的方法，其特征在于，所述门架通行数据的获得方式包括：采集门架系统数据，所述门架系统数据包括门架信息、车牌号、门架交易金额和门架交易时间；将所述门架系统数据按路段号和日期分别聚合通行费金额、通行费减免数、通行车辆数，得到所述门架通行数据；所述出口通行数据的获得方式包括：采集出口流水数据，所述出口流水数据包括出口站点信息、出口车牌、出口通行费和出口时间；将所述出口流水数据按路段号和日期分别聚合通行费金额和出口车辆数，得到所述出口通行数据；所述时间维度数据包括日期、星期、月份、季度、一年中的第几天、是否周末以及是否节假日。4.根据权利要求2所述的方法，其特征在于，所述历史时序特征通过如下方式处理：对特征数据进行清洗，去除缺失数据和异常数据；对清洗后的特征数据进行归一化；对归一化后的特征数据采用指数平滑算法进行平滑处理；对平滑处理后的特征数据进行筛选。5.根据权利要求1所述的方法，其特征在于，所述prophet模型基于时序通行费数据训练得到，所述时序通行费数据是指对应有日期和路段号的通行费数据。6.根据权利要求5所述的方法，其特征在于，所述时序通行费数据按时序依次排列时形成时间序列，所述prophet模型包括：趋势函数，用于拟合时间序列中的分段线性增长或逻辑增长的非周期性变化；季节性函数，用于拟合时间序列中每周和/或每年的季节性变化；节假日效应函数，用于拟合时间序列中节假日带来的变化。7.根据权利要求1所述的方法，其特征在于，在所述获取待预测的目标时间段之前，所述方法还包括：获取每天的实时特征数据，并在每周日晚汇聚，得到新一周的特征数据，每周根据新一周的特征数据离线训练lstm模型和prophet模型。8.一种高速公路通行费收入预测系统，其特征在于，包括预测单元，且所述预测单元包括：获取模块，用于获取待预测的目标时间段；第一预测模块，用于将在所述目标时间段之前的指定时间段的历史时序特征输入预训
练的lstm模型，输出对所述目标时间段预测的通行费数据作为第一结果；第二预测模块，用于将所述目标时间段输入预训练的prophet模型，输出对所述目标时间段预测的通行费数据作为第二结果；第三预测模块，用于获取与所述目标时间段同时期的历史通行费数据作为第三结果；融合模块，用于将所述第一结果、第二结果和第三结果融合，得出最终预测结果。9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的方法。10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的方法。
技术总结
本申请涉及高速公路通行费收入预测方法、系统、设备和存储介质，属于机器学习技术领域，该方法包括：获取待预测的目标时间段；将在该目标时间段之前的指定时间段的历史时序特征输入预训练的LSTM模型，输出对目标时间段预测的通行费数据作为第一结果；将目标时间段输入预训练的Prophet模型，输出对目标时间段预测的通行费数据作为第二结果；获取与目标时间段同时期的历史通行费数据作为第三结果。本申请实施例中，将LSTM模型和Prophet模型的预测结果以及同时期的历史通行费数据进行了融合，从方案的整体上进行了改进，极大的提高了预测结果的准确性。果的准确性。果的准确性。
技术研发人员：王尔昕 郭庆锋 汤剑
受保护的技术使用者：同盾科技有限公司
技术研发日：2022.03.09
技术公布日：2022/7/8