交通流预测方法、装置、电子设备及可读存储介质与流程

本技术涉及人工智能，特别是涉及一种交通流预测方法、装置、电子设备及可读存储介质。

背景技术：

1、随着交通车辆的大幅增长，以及绿色环保的要求，为了缓解交通拥堵，并减少碳排放和资源浪费，各种用于交通状态预测的技术应用而生。交通预测过程涉及大量的高维数据，交通路网中某一位置的交通状况不仅受到附近地区的影响，还受到历史交通状况的影响，换言之，交通预测为涉及时间相关性和空间相关性的时空预测问题。

2、由于交通数据具有高度非线性和复杂性，相关技术通常借助深度学习方法进行交通预测。但是，相关技术所提供的交通预测方法均不能有效地处理这种时空预测问题，存在预测误差累计较高，导致最终的交通预测精度较差，无法满足用户对交通预测精度的现实需求。

3、鉴于此，提升交通预测精度，是所属领域技术人员需要解决的技术问题。

技术实现思路

1、本技术提供了一种交通流预测方法、装置、电子设备及可读存储介质，能够有效提升交通预测精度。

2、为解决上述技术问题，本技术提供以下技术方案：

3、本技术一方面提供了一种交通流预测方法，包括：

4、获取多个时刻的历史天气数据和其同一时刻对应的历史交通流数据，以构建天气数据样本集和交通流样本集；

5、对所述天气数据样本集和所述交通流样本集进行相关性分析，根据所述相关性分析结果从所述天气数据样本集中选择目标天气数据样本，以构建包括目标天气数据样本和交通流样本集的训练样本数据集；

6、利用所述训练样本数据集，训练预先构建的交通流预测模型；

7、将当前时刻的天气数据和交通状况数据，输入至训练好的交通流预测模型，得到交通流预测结果；

8、其中，所述目标天气数据样本为天气数据样本集中与交通状况相关的天气样本数据。

9、示例性的，所述获取多个时刻的历史天气数据和其同一时刻对应的历史交通流数据，包括：

10、获取在历史时间段内各目标时刻的原始历史天气数据和对应的原始历史交通流数据；

11、通过对所述原始历史天气数据和所述原始历史交通流数据进行预处理，得到没有异常数据的历史天气数据和历史交通流数据。

12、示例性的，所述通过对所述原始历史天气数据和所述原始历史交通流数据进行预处理，得到没有异常数据的历史天气数据和历史交通流数据，包括：

13、对所述原始历史天气数据和所述原始历史交通流数据进行数据缺失检查，并对存在数据缺失的原始历史天气数据和存在缺失的所述原始历史交通流数据进行数据恢复操作；

14、对经过数据恢复操作处理的原始历史天气数据和原始历史交通流数据进行去噪处理；

15、对经过去噪处理的原始历史天气数据和原始历史交通流数据进行归一化处理，得到没有异常数据的历史天气数据和历史交通流数据。

16、示例性的，所述对所述天气数据样本集和所述交通流样本集进行相关性分析，根据所述相关性分析结果从所述天气数据样本集中选择目标天气数据样本，以构建训练样本数据集，包括：

17、分别计算所述天气数据样本集中的各天气参数与所述交通流样本集的各交通参数之间的第一相关系数；

18、分别计算所述天气数据样本集中的各天气参数之间的第二相关系数；

19、将大于第一预设相关阈值的第一相关系数对应的各天气参数作为候选天气参数，生成候选天气参数集；

20、对每一个候选天气参数，若当前候选天气参数和目的天气参数之间的第二相关系数大于第二预设相关阈值，则将所述目的天气参数作为候选天气参数，添加至所述候选天气参数集；

21、对所述候选天气参数集的各候选天气参数，若当前候选天气参数和目的候选天气参数之间的第三相关系数小于第二预设相关阈值，则删除目的候选天气参数；

22、根据删除至少一个目的候选天气参数后的候选天气参数集，确定目标天气数据样本。

23、示例性的，所述利用所述训练样本数据集，训练预先构建的交通流预测模型，包括：

24、预先构建交通流预测模型；所述交通流预测模型包括深度信念网络和支持向量回归模型；其中，所述深度信念网络包括多个3层受限玻尔兹曼机层，所述支持向量回归模型采用径向基核函数将所述训练样本数据集从初始空间转换至特征空间；

25、从所述训练样本集中选择当前批次的训练样本输入至所述交通流预测模型，所述深度信念网络提取当前批次的目标天气数据样本和交通流样本的样本特征信息，并将所述样本特征信息输入至所述支持向量回归模型，所述支持向量回归模型输出当前车速预测值和当前拥堵几率预测值；

26、当所述当前车速预测值和真实车速值，所述当前拥堵几率预测值与真实拥堵几率值之间的误差小于预测精度阈值，则将当前迭代所得到的模型参数作为训练好的交通流预测模型的模型参数。

27、示例性的，所述将当前时刻的天气数据和交通状况数据，输入至训练好的交通流预测模型，得到交通流预测结果，包括：

28、将当前时刻的天气情况、平均风速、最小温度、最大温度、日期、车辆速度和拥堵率，输入至训练好的交通流预测模型；

29、根据所述交通流预测模型输出的车速预测值和拥堵几率预测值，生成交通流预测结果。

30、示例性的，所述利用所述训练样本数据集，训练预先构建的交通流预测模型，包括：

31、预先在r语言集成开发环境中搭建交通流预测模型；

32、将所述训练样本数据集输入至所述r语言集成开发环境中，在所述r语言集成开发环境训练所述交通流预测模型。

33、本技术另一方面提供了一种交通流预测装置，包括：

34、数据获取模块，用于获取多个时刻的历史天气数据和其同一时刻对应的历史交通流数据，以构建天气数据样本集和交通流样本集；

35、相关性分析模块，用于对所述天气数据样本集和所述交通流样本集进行相关性分析，根据所述相关性分析结果从所述天气数据样本集中选择目标天气数据样本，以构建包括目标天气数据样本和交通流样本集的训练样本数据集；其中，所述目标天气数据样本为天气数据样本集中与交通状况相关的天气样本数据；

36、模型训练模块，用于利用所述训练样本数据集，训练预先构建的交通流预测模型；

37、交通预测模块，用于将当前时刻的天气数据和交通状况数据，输入至训练好的交通流预测模型，得到交通流预测结果。

38、本技术还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述交通流预测方法的步骤。

39、本技术最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述交通流预测方法的步骤。

40、本技术提供的技术方案的优点在于，通过相关性分析先确定影响交通流的天气数据，利用影响交通状况的天气数据和对应的交通流数据训练交通流模型，在对交通流预测过程中，充分考虑到恶劣天气状况这种外部因素对交通流的影响，最终的交通流预测结果是兼顾到城市道路网络的空间相关性随着时间的推移而变化的情况，从而使得训练得到的交通流模型能够精准预测精度，满足用户对交通预测精度的高需求。

41、此外，本技术还针对交通流预测方法提供了相应的实现装置、电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。

42、应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本技术。