一种交通流量的预测方法、装置、电子设备及存储介质与流程

本技术涉及交通流量预测，具体而言，涉及一种交通流量的预测方法、装置、电子设备及存储介质。

背景技术：

1、道路发生拥堵的原因有很多，无论是交通流的突然增大，或是交通事故和施工导致的道路通行能力的降低，根本原因就是道路的通行能力满足不了当前的交通流需求，所以交通流量预测对交通拥堵的预防和拥堵发生后的交通管控都有重要意义，是智能化交通管理的核心。

2、一般会根据预测的时间跨度将交通流量预测分为短时预测(5分钟～30分钟)、中时预测(30分钟～数小时)和长时预测(大于一天)。长时预测分析道路交通流的长期发展规律，可用于施工计划的安排，如避免在易发大交通流的地点和时间安排施工计划；但因为交通数据的随机性和不确定性，长时交通流预测的精度较低，更多的研究都是基于近期数据的短时交通流研究；但实际在高速公路的运营管理过程中，从突发事件的发生到处置管控结束通常需要数小时。中时交通流预测通常只考虑预测时间点前几个时间间隔的交通流量情况，而忽略了交通流的长期发展规律，而一般的长时交通流预测以天为单位对日流量进行分析预测，其预测的日流量也不能用于中时交通流的预测中。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种交通流量的预测方法、装置、电子设备及存储介质，既考虑了短时交通流的变化情况，又结合了交通流的长期发展规律，将长时交通流量预测模型的预测结果作为输入数据输入到中时交通流量预测模型中，相当于增加了输入到中时交通流量预测模型中的时间序列的长度，提高了预测准确度。

2、第一方面，本技术实施例提供了一种交通流量的预测方法，所述预测方法包括：

3、针对于目标范围内的高速公路上的每个监测点，获取该监测点在至少一个待预测时间段内的特征数据；

4、针对于每个待预测时间段，对该监测点在该待预测时间段内的特征数据进行数据处理，并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中，确定出该监测点在该待预测时间段内的初始流量预测结果；

5、将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中，使用基于时间序列的递归预测策略，确定出该监测点在每个待预测时间段内的目标流量预测结果。

6、进一步的，通过以下步骤训练该监测点对应的长时交通流量预测模型：

7、获取该监测点在历史监测时间段内的多组历史监测数据；其中，所述历史监测数据包括历史特征数据和历史交通流量数据；

8、针对于每组历史监测数据，对该组历史监测数据进行所述数据处理，得到第一样本数据；

9、根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集；

10、基于所述第一训练样本集构建lightgbm回归模型，并使用所述第一验证样本集和所述第一测试样本集对所述lightgbm回归模型进行参数调节和验证，以得到该监测点对应的长时交通流量预测模型。

11、进一步的，通过以下步骤训练所述目标范围对应的中时交通流量预测模型：

12、获取所述目标范围对应的监测点位置示意图，并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图；

13、基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图，并基于所述流量有向图计算拉普拉斯算子；

14、将所述拉普拉斯算子与lstm神经网络进行融合，得到中时交通流量初始预测模型；

15、获取每个监测点在历史监测时间段内的多个历史交通流量数据，并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练，得到所述目标范围对应的中时交通流量预测模型。

16、进一步的，所述利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练，得到所述目标范围对应的中时交通流量预测模型，包括：

17、针对于每个监测点，以预设时间序列长度为滑动窗口长度，以滑动窗口方式在该监测点的多个历史交通流量数据中确定出在所述滑动窗口内的多组目标历史交通流量数据；其中，每组目标历史交通流量数据中包括多个样本流量输入数据和所述多个样本流量输入数据对应的样本流量输出数据；

18、针对于每组目标历史交通流量数据，确定该组目标历史交通流量数据中的所述样本流量输出数据对应的目标历史监测时间段，获取该监测点在所述目标历史监测时间段内的目标历史特征数据，对所述目标历史特征数据进行数据处理，并将处理后的目标历史特征数据输入到该监测点对应的长时交通流量预测模型中，确定出该监测点在所述目标历史监测时间段内的样本流量预测结果；

19、将该组目标历史交通流量数据以及该组目标历史交通流量数据对应的样本流量预测结果确定为该监测点的第二样本数据；

20、根据每个监测点的多组第二样本数据确定出第二训练样本集、第二验证样本集第二测试样本集；

21、基于所述第二训练样本集训练所述中时交通流量初始预测模型，并使用所述第二验证样本集和所述第二测试样本集对所述中时交通流量初始预测模型进行参数调节和验证，以得到所述目标范围对应的中时交通流量预测模型。

22、进一步的，当存在多个待预测时间段时，所述将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中，使用基于时间序列的递归预测策略，确定出该监测点在每个待预测时间段内的目标流量预测结果，包括：

23、生成用于表征所有待预测时间段的时间先后的排序，并从所述排序中确定出时间最早的目标待预测时间段；

24、基于所述中时交通流量预测模型的预设时间序列长度确定出位于所述目标待预测时间段之前的多个历史时间段，并确定出每个监测点在多个所述历史时间段中每个历史时间段中的真实历史流量数据；

25、将每个监测点在所述目标待预测时间段内的初始流量预测结果以及每个监测点的所述真实历史流量数据输入到所述中时交通流量预测模型中，确定出该监测点在所述目标待预测时间段内的目标流量预测结果；

26、将该监测点在所述目标待预测时间段内的目标流量预测结果与该监测点的所述真实历史流量数据进行组合得到第一预测数据组，并基于所述预设时间序列长度从所述第一预测数据组中确定出该监测点在所述目标待预测时间段的目标预测数据组；

27、从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段，并将每个监测点在所述下一待预测时间段内的初始流量预测结果、以及在所述目标待预测时间段的所述目标预测数据组同时输入到所述中时交通流量预测模型中，确定出该监测点在所述下一待预测时间段内的目标流量预测结果；

28、将该监测点在所述目标待预测时间段的目标预测数据组与该监测点在所述下一待预测时间段内的目标流量预测结果进行组合得到第二预测数据组，并基于所述预设时间序列长度从所述第二预测数据组中确定出该监测点在所述下一待预测时间段的目标预测数据组；

29、将所述下一待预测时间段确定为所述目标待预测时间段，返回执行所述从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段的步骤，直至所述排序中不存在与所述目标待预测时间段相邻的下一待预测时间段。

30、第二方面，本技术实施例还提供了一种交通流量的预测装置，所述预测装置包括：

31、数据获取模块，用于针对于目标范围内的高速公路上的每个监测点，获取该监测点在至少一个待预测时间段内的特征数据；

32、第一预测模块，用于针对于每个待预测时间段，对该监测点在该待预测时间段内的特征数据进行数据处理，并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中，确定出该监测点在该待预测时间段内的初始流量预测结果；

33、第二预测模块，用于将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中，使用基于时间序列的递归预测策略，确定出该监测点在每个待预测时间段内的目标流量预测结果。

34、进一步的，所述预测装置还包括第一模型训练模块，所述第一模型训练模块用于通过以下步骤训练该监测点对应的长时交通流量预测模型：

35、获取该监测点在历史监测时间段内的多组历史监测数据；其中，所述历史监测数据包括历史特征数据和历史交通流量数据；

36、针对于每组历史监测数据，对该组历史监测数据进行所述数据处理，得到第一样本数据；

37、根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集；

38、基于所述第一训练样本集构建lightgbm回归模型，并使用所述第一验证样本集和所述第一测试样本集对所述lightgbm回归模型进行参数调节和验证，以得到该监测点对应的长时交通流量预测模型。

39、进一步的，所述预测装置还包括第二模型训练模块，所述第二模型训练模块用于通过以下步骤训练所述目标范围对应的中时交通流量预测模型：

40、获取所述目标范围对应的监测点位置示意图，并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图；

41、基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图，并基于所述流量有向图计算拉普拉斯算子；

42、将所述拉普拉斯算子与lstm神经网络进行融合，得到中时交通流量初始预测模型；

43、获取每个监测点在历史监测时间段内的多个历史交通流量数据，并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练，得到所述目标范围对应的中时交通流量预测模型。

44、第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的交通流量的预测方法的步骤。

45、第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的交通流量的预测方法的步骤。

46、本技术实施例提供的一种交通流量的预测方法、装置、电子设备及存储介质，首先，针对于目标范围内的高速公路上的每个监测点，获取该监测点在至少一个待预测时间段内的特征数据；然后，针对于每个待预测时间段，对该监测点在该待预测时间段内的特征数据进行数据处理，并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中，确定出该监测点在该待预测时间段内的初始流量预测结果；最后，将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中，使用基于时间序列的递归预测策略，确定出该监测点在每个待预测时间段内的目标流量预测结果。

47、本技术实施例提供的交通流量的预测方法，既考虑了短时交通流的变化情况，又结合了交通流的长期发展规律，将长时交通流量预测模型的预测结果作为输入数据输入到中时交通流量预测模型中，相当于增加了输入到中时交通流量预测模型中的时间序列的长度，提高了预测准确度。

48、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。