基于智慧城市的道路交通状况预测方法、装置、设备与流程

1.本发明涉及计算机技术领域，尤其涉及一种基于智慧城市的道路交通状况预测方法、装置、设备。


背景技术：

2.智慧城市是把新一代信息技术充分运用在城市中各行各业基于知识社会下一代创新的城市信息化高级形态，其实现信息化、工业化与城镇化深度融合，有助于缓解“大城市病”，提高城镇化质量，实现精细化和动态管理，并提升城市管理成效和改善市民生活质量。
3.交通出行是人们生活必不可少的部分，因此能否实现顺畅的通行是提高人们生活质量的重要因素，也是智慧城市的一个重要组成部分。目前大多数的地图软件都能够做到实时的在地图上提示出当前的塞车路段以及塞车程度，但是其只能是对已经产生塞车的行为的提示，尚无法提供在未来是否塞车的预测。


技术实现要素：

4.针对上述问题，本发明的目的在于提供一种基于智慧城市的道路交通状况预测方法、装置、设备，以提供一种可能实现的预测途径。
5.针对上述问题，本发明实施例的目的在于提供一种虚拟物品交互方法、装置、设备及存储介质，以改善上述问题。
6.本发明实施例提供了一种基于智慧城市的道路交通状况预测方法，其包括：
7.获取易阻塞路段的位置信息；
8.获取到达所述易阻塞路段的至少一个必经路段；
9.通过神经网络模型训练得到各个必经路段在同一时间的车流量与所述易阻塞路段发生塞车之间的第一关系模型；
10.采集在特定时间各个必经路段的车流量；
11.将所述车流量输入所述第一关系模型，以预测所述易阻塞路段在经过预定时间后发生塞车的塞车程度。
12.优选地，通过神经网络训练得到各个必经路段的车流量与所述易阻塞路段发生塞车之间的关系模型，具体包括：
13.采集不同时间段多组各个必经路段的车流量以及对应的易阻塞路段的塞车程度；
14.以各个必经路段的车流量为输入，易阻塞路段的塞车程度为输出，对预先构建好的神经网络模型进行训练，得到表征车流量与所述易阻塞路段的塞车程度之间的第一关系模型。
15.优选地，所述的多个必经路段到达所述易阻塞路段的行驶时间大致相同，所述行驶时间为所述预定时间。
16.优选地，所述塞车程度包括：
17.一级：正常通行；
18.二级：轻微塞车；
19.三级：中度塞车；
20.四级：严重塞车。
21.优选地，还包括：
22.在根据所述塞车程度判断所述易阻塞路段发生塞车后，调用基于神经网络模型训练得到的第二关系模型对后续的塞车程度进行预测；其中，所述第二关系模型的输入为当前塞车程度以及各个必经路段的车流量，输出为预测的经过所述行驶时间后的新的塞车程度。
23.本发明实施例还提供了一种基于智慧城市的道路交通状况预测装置，其包括：
24.阻塞路段获取单元，用于获取易阻塞路段的位置信息；
25.必经路段获取单元，用于获取到达所述易阻塞路段的至少一个必经路段；
26.训练单元，用于通过神经网络模型训练得到各个必经路段在同一时间的车流量与所述易阻塞路段发生塞车之间的第一关系模型；
27.采集单元，用于采集在特定时间各个必经路段的车流量；
28.预测单元，用于将所述车流量输入所述第一关系模型，以预测所述易阻塞路段在经过预定时间后发生塞车的塞车程度。
29.优选地，训练单元具体用于：
30.采集不同时间段多组各个必经路段的车流量以及对应的易阻塞路段的塞车程度；
31.以各个必经路段的车流量为输入，易阻塞路段的塞车程度为输出，对预先构建好的神经网络模型进行训练，得到表征车流量与所述易阻塞路段的塞车程度之间的第一关系模型。
32.优选地，所述的多个必经路段到达所述易阻塞路段的行驶时间大致相同，所述行驶时间为所述预定时间。
33.优选地，所述预测单元还用于：
34.在根据所述塞车程度判断所述易阻塞路段发生塞车后，调用基于神经网络模型训练得到的第二关系模型对后续的塞车程度进行预测；其中，所述第二关系模型的输入为当前塞车程度以及各个必经路段的车流量，输出为预测的经过所述行驶时间后的新的塞车程度。
35.本发明实施例还提供了一种基于智慧城市的道路交通状况预测设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的基于智慧城市的道路交通状况预测方法。
36.本发明通过构建多个必经路段与所述易阻塞路段的关系模型，再通过多个必经路段在当前时刻的车流量信息对未来时刻易阻塞路段的塞车程度进行计算，从而实现了对某个易阻塞路段在未来是否发生塞车的预测，进而为人们的出行提供了有效的参考。
附图说明
37.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普
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。
38.图1是本发明实施例的基于智慧城市的道路交通状况预测方法的流程示意图。
39.图2是本发明实施例提供的路段示意图。
40.图3是本发明实施例提供的基于智慧城市的道路交通状况预测装置的结构示意图。
具体实施方式
41.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
42.请参阅图1，本发明第一实施例提供了一种基于智慧城市的道路交通状况预测方法，其可由基于智慧城市的道路交通状况预测设备(以下简称预测设备)来实现，特别的，由所述预测设备内的一个或者多个处理器来执行，以实现如下步骤：
43.s101，获取易阻塞路段的位置信息。
44.s102，获取到达所述易阻塞路段的至少一个必经路段。
45.在本实施例中，一般来说，易阻塞路段多为多个车道的交汇点或者是一些路况比较特别的路况点，以多个车道的交汇点为例，此时，多个车道的车辆会交汇到易阻塞路段，进而导致车流量的增大，从而增加了塞车的可能。
46.如图2所示，易阻塞路段是三条道路的交汇点。
47.在本实施例中，一般的，选取的必经路段是指其到达所述易阻塞路段的行驶时间大致相同的点而非距离相同的点，由于不同的道路有不同的限速以及路况，因此选定为行驶时间相同具有更好的预测效果。
48.s103，通过神经网络模型训练得到各个必经路段在同一时间的车流量与所述易阻塞路段发生塞车之间的第一关系模型。
49.在本实施例中，各个必经路段的车流量可通过设置在必经路段的传感器来检测得到，如通过毫米波雷达或者摄像头等传感器等来实现。
50.其中，在进行预测前，需要先建立并训练得到第一关系模型，其具体的建立过程如下：
51.首先，获取实际的观测数据。
52.具体地，首先采集在a时间点各个必经路段的车流量数组(a,b,c)，并获取在经过所述行驶时间后在易阻塞路段的塞车程度。
53.在本实施例中，所述塞车程度可通过在易阻塞路段的车辆聚集量、平均通过时间或者车辆移动速度等来判断。
54.例如，在本实施例中，可将塞车程度划分为如下四级：
55.一级：正常通行，此时所有车辆都正常通行。
56.二级：轻微塞车，有轻微的塞车，大体可以正常通行。
57.三级：中度塞车，塞车较严重，通行缓慢。
58.四级：严重塞车，塞车非常严重，车辆基本处于停滞状态。
59.在本实施例中，在获得多组观测数据后，以各个必经路段的车流量数组(a,b,c)为输入，以对应的塞车程度为输出，对预先建立好的神经网络模型进行训练，就可以获得第一关系模型了。
60.其中，在获得第一关系模型后，还可以采用验证数据组对第一关系模型进行必要的验证以及修正，提高其预测的准确率。
61.s104，采集在特定时间各个必经路段的车流量；
62.s105，将所述车流量输入所述第一关系模型，以预测所述易阻塞路段在经过预定时间后发生塞车的塞车程度。
63.在本实施例中，在训练得到第一关系模型后，就可以用其进行塞车程度的预测，在预测时，将采集的当前时刻的各个必经路段的车流量数组输入至第一关系模型，就可以预测在经过行驶时间后所述易阻塞路段的塞车程度，进而为人们的出行提供预测，使得人们可以根据预测的结果来调整其行驶策略或者行驶路线等。
64.优选地，还包括：
65.在根据所述塞车程度判断所述易阻塞路段发生塞车后，调用基于神经网络模型训练得到的第二关系模型对后续的塞车程度进行预测；其中，所述第二关系模型的输入为当前塞车程度以及各个必经路段的车流量，输出为预测的经过所述行驶时间后的新的塞车程度。
66.在本实施例中，如果所述易阻塞路段已经发生了塞车，则此时即使各个必经路段的车流量较少，也可能会产生塞车或者可能会加剧塞车，因此本实施例在发生塞车后，第一关系模型已经不能适应预测的需求，此时需要采用第二关系模型，第二关系模型的输入为当前塞车程度以及各个必经路段的车流量，输出为预测的经过所述行驶时间后的新的塞车程度。
67.基于第二关系模型，在易阻塞路段发生塞车后，可以根据各个必经路段的车流量，对在未来时间的塞车程度进行预测，比如是减轻还是加重等。
68.综上所述，本发明通过构建多个必经路段与所述易阻塞路段的关系模型，再通过多个必经路段在当前时刻的车流量信息对未来时刻易阻塞路段的塞车程度进行计算，从而实现了对某个易阻塞路段在未来是否发生塞车的预测，进而为人们的出行提供了有效的参考，提升了人们的出行体验。
69.请参阅图3，本发明第二实施例还提供了一种基于智慧城市的道路交通状况预测装置，其包括：
70.阻塞路段获取单元210，用于获取易阻塞路段的位置信息；
71.必经路段获取单元220，用于获取到达所述易阻塞路段的至少一个必经路段；
72.训练单元230，用于通过神经网络模型训练得到各个必经路段在同一时间的车流量与所述易阻塞路段发生塞车之间的第一关系模型；
73.采集单元240，用于采集在特定时间各个必经路段的车流量；
74.预测单元250，用于将所述车流量输入所述第一关系模型，以预测所述易阻塞路段在经过预定时间后发生塞车的塞车程度。
75.优选地，训练单元230具体用于：
76.采集不同时间段多组各个必经路段的车流量以及对应的易阻塞路段的塞车程度；
77.以各个必经路段的车流量为输入，易阻塞路段的塞车程度为输出，对预先构建好的神经网络模型进行训练，得到表征车流量与所述易阻塞路段的塞车程度之间的第一关系模型。
78.优选地，所述的多个必经路段到达所述易阻塞路段的行驶时间大致相同，所述行驶时间为所述预定时间。
79.优选地，所述预测单元250还用于：
80.在根据所述塞车程度判断所述易阻塞路段发生塞车后，调用基于神经网络模型训练得到的第二关系模型对后续的塞车程度进行预测；其中，所述第二关系模型的输入为当前塞车程度以及各个必经路段的车流量，输出为预测的经过所述行驶时间后的新的塞车程度。
81.本发明第三实施例还提供了一种基于智慧城市的道路交通状况预测设备，其包括存储器以及处理器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上述的基于智慧城市的道路交通状况预测方法。
82.本发明通过构建多个必经路段与所述易阻塞路段的关系模型，再通过多个必经路段在当前时刻的车流量信息对未来时刻易阻塞路段的塞车程度进行计算，从而实现了对某个易阻塞路段在未来是否发生塞车的预测，进而为人们的出行提供了有效的参考。
83.在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
84.另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
85.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素
的过程、方法、物品或者设备中还存在另外的相同要素。
86.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。