交通流预测模型确定方法、设备、装置及可读存储介质与流程

本发明属于车联网，特别涉及一种交通流预测模型确定方法、设备、装置及可读存储介质。

背景技术：

1、为了缓解交通拥堵、减少交通事故的发生，高速道路交通实行科学的规划、管理、疏导以及控制尤为重要。现有技术中针对高速公路场景下的交通流参数预测，包括统计学模型，机器学习和深度学习。但统计学模型，例如作为经典时序模型的季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average，sarima)，只能对单变量预测，不同的应用场景要分别训练模型，不具备实际工程化意义。机器学习中，随机森林算法的历史数据和决策树的存储占用空间较大，并且训练时间和预测所需时间较长。深度学习模型中，长短期记忆网络模型(long short-term memory，lstm)受固定序列长度限制，对采用多变量进行参数预测的精确度较低。因此，现有技术中无法在采用多种因素对交通流参数进行预测的同时保证预测效率和预测精确度。

技术实现思路

1、本发明实施例提供一种交通流预测模型确定方法、设备、装置及可读存储介质，解决了现有技术中无法在采用多种因素对交通流参数进行预测的同时保证预测效率和预测精确度的问题。

2、第一方面，本发明的实施例提供一种交通流预测模型确定方法，包括：

3、获取多个目标路段的历史交通流数据；

4、通过随机森林算法对所述历史交通流数据进行处理，得到目标数据；

5、将所述目标数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练，得到目标模型。

6、进一步地，所述历史交通流数据包括以下至少一项：

7、时间数据、空间数据、环境数据、交通事件数据以及交通流参数。

8、进一步地，所述时间数据包括以下至少一项：年份、月份、日期、小时、节假日类型以及处于节假日第几天；

9、所述空间数据包括：路段id，和/或，道路朝向；

10、所述环境数据包括：路段湿滑度，和/或，路段能见度；

11、所述交通事件数据包括：所述目标道路的交通事件持续总时间；

12、所述交通流参数包括以下至少一项：所述目标道路的流量、速度、拥堵指数以及拥堵里程。

13、进一步地，所述通过随机森林算法对所述历史交通流数据进行处理，得到目标数据，包括：

14、通过随机森林算法对所述历史交通流数据进行降维处理，筛选出所述历史交通流数据中包含预设类型的数据；并对所述包含预设类型的数据进行分割，得到包括训练数据集和测试数据集的所述目标数据；

15、所述目标数据包括：日期、小时、路段id以及道路朝向；或者，小时、路段id、道路朝向、节假日类型以及处于节假日第几天。

16、进一步地，所述将所述目标数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练，得到目标模型，包括：

17、将所述训练数据集作为输入，对所述基于注意力机制的长短期记忆网络模型进行训练，得到多个第一模型；

18、通过所述测试数据集对所述第一模型进行性能评估，在多个所述第一模型中确定性能最优的模型作为所述目标模型。

19、进一步地，所述通过所述测试数据集对所述第一模型进行性能评估，包括：

20、将所述测试数据集作为输入，通过所述第一模型计算预测值；

21、根据所述测试数据集以及所述预测值，计算所述第一模型的性能评估指标，所述性能评估指标包括以下至少一项：所述预测值与所述测试数据集之间的均方差、平均绝对误差、平均绝对百分比误差以及决定系数；

22、根据所述性能评估指标对所述第一模型进行性能评估。

23、进一步地，所述方法还包括：

24、获取所述目标模型最后一次进行更新的第一时刻；

25、在所述第一时刻与当前时刻的时间间隔大于预设时间的情况下，获取第一交通流数据，所述第一交通流数据为位于当前时刻之前的预设时间段内的交通数据流；

26、通过随机森林算法对所述第一交通流数据进行处理，得到第一数据；

27、将所述第一数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练，得到第二模型；

28、根据所述第二模型对所述目标模型进行更新。

29、进一步地，所述通过随机森林算法对所述历史交通流数据进行处理之前，包括：

30、剔除所述历史交通流数据中的重复数据、错误数据，并补全所述历史交通流数据中的缺失数据。

31、进一步地，所述将所述目标数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练之前，包括：

32、对所述目标数据中的枚举类数据进行哑变量处理，对所述目标数据中的连续性数据进行标准化处理。

33、第二方面，本发明的实施例提供一种交通流预测模型确定设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的交通流预测模型确定方法的步骤。

34、第三方面，本发明的实施例提供一种交通流预测模型确定装置，包括：

35、获取模块，用于获取多个目标路段的历史交通流数据；

36、处理模块，用于通过随机森林算法对所述历史交通流数据进行处理，得到目标数据；

37、训练模块，用于将所述目标数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练，得到目标模型。

38、第四方面，本发明的实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的交通流预测模型确定方法的步骤。

39、本发明的上述技术方案的有益效果是：

40、本发明实施例的交通流预测模型确定方法，通过随机森林算法对历史交通流数据进行处理，能够对所述历史交通流数据进行处理，剔除对预测结果影响小的数据，从而减轻模型的计算压力；通过所述长短期记忆网络模型提取所述目标数据中时间序列特征，并利用注意力机制对所述目标数据中不同特征的相关性进行考量，解除了长短期记忆网络模型受序列长度影响的限制，能够采用采用多种因素对交通流的参数进行预测时同时保证预测效率和预测精确度。

技术特征：

1.一种交通流预测模型确定方法，其特征在于，包括：

2.根据权利要求1所述的交通流预测模型确定方法，其特征在于，所述历史交通流数据包括以下至少一项：

3.根据权利要求2所述的交通流预测模型确定方法，其特征在于，所述时间数据包括以下至少一项：年份、月份、日期、小时、节假日类型以及处于节假日第几天；

4.根据权利要求1所述的交通流预测模型确定方法，其特征在于，所述通过随机森林算法对所述历史交通流数据进行处理，得到目标数据，包括：

5.根据权利要求4所述的交通流预测模型确定方法，其特征在于，所述将所述目标数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练，得到目标模型，包括：

6.根据权利要求5所述的交通流预测模型确定方法，其特征在于，所述通过所述测试数据集对所述第一模型进行性能评估，包括：

7.根据权利要求1所述的交通流预测模型确定方法，其特征在于，所述方法还包括：

8.根据权利要求1所述的交通流预测模型确定方法，其特征在于，所述通过随机森林算法对所述历史交通流数据进行处理之前，包括：

9.根据权利要求1所述的交通流预测模型确定方法，其特征在于，所述将所述目标数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练之前，包括：

10.一种交通流预测模型确定设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任一项所述的交通流预测模型确定方法的步骤。

11.一种交通流预测模型确定装置，其特征在于，包括：

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至9中任一项所述的交通流预测模型确定方法的步骤。

技术总结
本发明提供了一种交通流预测模型确定方法、设备、装置及可读存储介质，属于车联网技术领域。该方法包括，获取多个目标路段的历史交通流数据；通过随机森林算法对所述历史交通流数据进行处理，得到目标数据；将所述目标数据作为输入，对基于注意力机制的长短期记忆网络模型进行训练，得到目标模型。本发明的方案，通过随机森林算法，能够对历史交通流数据进行处理，剔除对预测结果影响小的数据，从而减轻模型的计算压力；通过长短期记忆网络模型提取目标数据中时间序列特征，并利用注意力机制对目标数据中不同特征的相关性进行考量，解除了受序列长度影响的限制，能够在采用多种因素对交通流参数进行预测的同时保证预测效率和预测精确度。

技术研发人员：魏娆,林鲲鹏,王奇
受保护的技术使用者：北京大唐高鸿数据网络技术有限公司
技术研发日：
技术公布日：2024/1/13