用于交通拥堵状态预测的方法、装置及终端与流程

本发明属于交通技术领域，尤其涉及一种用于交通拥堵状态预测的方法、装置及终端。

背景技术：

目前，随着经济的发展，人们的生活水平不断提高，越来越多的人使用私家车出行，造成城市交通拥堵，交通拥堵严重影响人们的出行质量。特别是假期出行量大的情况下，准确实时的交通拥堵预测能够缓解交通阻塞，提醒司机避开交通拥堵路段显得尤为重要。现有的用于交通拥堵状态预测的方案预测模型单一，存在预测不准确的问题。

技术实现要素：

有鉴于此，本发明提供了一种用于交通拥堵状态预测的方法、装置及终端，能够提高交通拥堵状态预测的准确度。

本发明实施例的第一方面提供了一种用于交通拥堵状态预测的方法，包括：

获取历史拥堵延时数据，并基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型；

根据各预测模型获取预测拥堵延时指数，并获取实际拥堵延时指数；

根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测；

其中，所述分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。

本发明实施例的第二方面提供了一种用于交通拥堵状态预测的装置，包括：

第一获取模块，用于获取历史拥堵延时数据；

模型建立模块，用于基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型；

计算模块，用于根据各预测模型获取预测拥堵延时指数；

第二获取模块，用于获取实际拥堵延时指数；

确定模块，用于根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测；

其中，所述分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。

本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述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任一项所述用于交通拥堵状态预测的方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述用于交通拥堵状态预测的方法的步骤。

本发明与现有技术相比存在的有益效果是：

本发明基于历史拥堵延时数据通过多种分类算法建立用于交通拥堵状态预测的预测模型，使得在同一预测要求下获得不同的预测结果。实时获取实际拥堵延时指数对预测模型进行验证在多种预测模型中选取预测结果与实时拥堵延时指数匹配度最高的模型作为目标预测模型，实现了对预测结果的有效对比和预测模型的精确筛选。本发明通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的用于交通拥堵状态预测的方法的实现流程图；

图2是本发明另一实施例提供的用于交通拥堵状态预测的方法的实现流程图；

图3是本发明另一实施例提供的用于交通拥堵状态预测的方法的实现流程图；

图4是本发明一实施例提供的用于交通拥堵状态预测的装置的结构示意图；

图5是本发明一实施例提供的终端的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

图1是本发明一实施例提供的用于交通拥堵状态预测的方法的实现流程图，具体包括以下步骤：

s101：获取历史拥堵延时数据，并基于历史拥堵延时数据根据多种分类方法分别建立预测模型。

在本发明实施例中，历史拥堵延时指数包括不同时刻的拥堵延时指数。不同时刻依据设定时段对一天内的24小时进行划分。可选的，设定时段为10分钟～60分钟。可选的，设定时段为10分钟、15分钟、20分钟、30分钟、45分钟或60分钟。

在一些实施例中，历史拥堵延时指数包括目标路段的长度、限速信息、车辆通过目标路段的时间和通过目标路段的车辆等与交通拥堵状态有关的数据。

可选的，分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。

s102：根据各预测模型获取预测拥堵延时指数，并获取实际拥堵延时指数。

其中，拥堵延时指数指示的是车辆在道路拥堵时通过目标道路用时的长短。可选的，拥堵延时指数为车辆在拥堵与道路畅通两种情况下通过目标路段所用时长的比值或差值。拥堵延时指数数值越大则车辆通过目标道路的时间越长。

s103：根据实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测。

可选的，交通拥堵状态包括：畅通、缓行、拥堵和严重拥堵。拥堵延时指数与交通拥堵状态的对应关系为：拥堵延时指数＜1.5的情况下，交通拥堵状态为畅通；拥堵延时指数≥1.5且＜2的情况下，交通拥堵状态为缓行；拥堵延时指数≥2且＜4的情况下，交通拥堵状态为拥堵，拥堵延时指数≥4的情况下，交通拥堵状态为严重拥堵。

在一些实施例中，道路贯穿工业园区、商业街、村庄等区域的情况下，根据具体场景的不同，拥堵延时指数与交通拥堵状态的对应关系规则会进行相应的调整。以通过的道路为村庄中心街道为例，拥堵延时指数与交通拥堵状态的对应关系为：拥堵延时指数＜1.5的情况下，交通拥堵状态为畅通；拥堵延时指数≥1.5且＜1.8的情况下，交通拥堵状态为缓行；拥堵延时指数≥1.8且＜2.2的情况下，交通拥堵状态为拥堵，拥堵延时指数≥2.2的情况下，交通拥堵状态为严重拥堵。

其中，实际拥堵延时指数与预测拥堵延时指数之间差值越小，匹配度越高。选取与实际拥堵延时指数匹配度最高的预测拥堵延时指数所对应的预测模型为目标预测模型。

本实施例基于历史拥堵延时数据通过多种分类算法建立用于交通拥堵状态预测的预测模型，使得在同一预测要求下获得不同的预测结果。实时获取实际拥堵延时指数对预测模型进行验证在多种预测模型中选取预测结果与实时拥堵延时指数匹配度最高的模型作为目标预测模型，实现了对预测结果的有效对比和预测模型的精确筛选。本发明通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。

图2是本发明另一实施例提供的用于交通拥堵状态预测的方法的实现流程图，示出了步骤s101中，获取历史拥堵延时数据具体包括以下步骤：

s1011：获取目标路段在不同时刻的通行时间。

其中，不同时刻依据设定时段对一天内的24小时进行划分。可选的，设定时段为10分钟～60分钟。可选的，设定时段为10分钟、15分钟、20分钟、30分钟、45分钟或60分钟。

在一些实施例中，步骤s1011包括：

获取多个车辆通过目标路段的通过时间；

基于多个通过时间的平均值或概率分布确定通行时间。

以设定时段为60分钟，目标路段为某高架桥，按照60分钟对一天内的24小时进行划分，并获取凌晨0点到1点通过某高架桥的通行时间为例进行说明。获取目标路段在不同时刻的通行时间过程包括：获取凌晨0点到1点通过该高架桥所有车辆的通行时间，计算所有车辆的通行时间的平均值，以该平均值作为该高架桥凌晨0点到1点的通行时间。

s1012：获取与目标路段对应的设定时间，根据通行时间和设定时间的比值确定拥堵延时指数。

其中，设定时间为确定交通拥堵状态中车辆通过该目标路段的参考时间。可选的，该设定时间是在道路交通安全法规定内通过目标路段的最短用时。可选的，该设定时间是在道路畅通的情况下，车辆通过目标路段的平均值，更符合实际的通行状况，提高交通拥堵状态预测的精确度。

在不同实施例中，设定时间的确定方式不同。

在一些实施例中，获取与目标路段对应的设定时间，包括：确定通行时间中的最小值为设定时间。

在一些实施例中，获取与目标路段对应的设定时间，包括：确定多个通行时间的平均值为设定时间。

在一些实施例中，获取与目标路段对应的设定时间，包括：根据目标路段的长度和目标路段对应的限速信息确定设定时间。

可选的，目标路段对应多条不同的车道。其中，车道主要分为：快速路、主干路、次干路和支路。针对不同的车道限速信息不同。

s1013：记录拥堵延时指数和拥堵延时指数对应的时刻作为历史拥堵延时数据。

本发明实施例中，历史拥堵延时数据包括拥堵延时指数和拥堵延时指数对应的时刻。以目标路段为某高架桥，60分钟为单位对交通拥堵状态预测时段进行划分为例进行说明，历史拥堵延时数据包括：凌晨0点到1点及该时段内车辆通过该高架桥的通行时间、凌晨1点到凌晨2点及该时段内车辆通过该高架桥的通行时间……晚上11点到凌晨0点及该时段内车辆通过该高架桥的通行时间。

本实施例基于拥堵延时指数和拥堵延时指数对应的时刻作为历史拥堵延时数据，避免了建立预测模型过程中对道路数据的处理，提高了模型建立的效率以及模型预测的效率。进一步的基于历史拥堵延时数据通过多种分类算法建立用于交通拥堵状态预测的预测模型，使得在同一预测要求下获得不同的预测结果。实时获取实际拥堵延时指数对预测模型进行验证在多种预测模型中选取预测结果与实时拥堵延时指数匹配度最高的模型作为目标预测模型，实现了对预测结果的有效对比和预测模型的精确筛选。本发明通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。

图3是本发明另一实施例提供的用于交通拥堵状态预测的方法的实现流程图，示出了步骤s101中，基于历史拥堵延时数据根据多种分类方法分别建立预测模型，获取历史拥堵延时数据具体包括以下步骤：

s1014：将历史拥堵延时数据划分为训练数据集和测试数据集。

s1015：基于训练数据集的数据分别根据多种分类方法建立对应的训练模型。

s1016：基于测试数据集对训练模型进行测试得到预测模型。

其中，训练数据集为用于训练模型的子集，测试数据集为用于测试训练后模型的子集。在划分训练数据集和测试数据集时要尽可能保持数据分布的一致性，在划分时采用分层采样。以设定时段为60分钟，按照60分钟对一天内的24小时进行划分，在将历史拥堵延时数据划分为训练数据集和测试数据集过程中，对凌晨0点到1点时段内的历史拥堵延时数据随机选取，按设定占比划分为训练数据集和测试数据集，同理对其他时段内的历史拥堵延时数据进行划分。

在一些实施例中，训练数据集与测试数据集中数据的占比分别为70％和30％。在一些实施例中，训练数据集与测试数据集中数据的占比分别为75％和25％。在一些实施例中，训练数据集与测试数据集中数据的占比分别为80％和20％。

本实施例基于历史拥堵延时数据通过多种分类算法建立用于交通拥堵状态预测的预测模型，使得在同一预测要求下获得不同的预测结果。实时获取实际拥堵延时指数对预测模型进行验证在多种预测模型中选取预测结果与实时拥堵延时指数匹配度最高的模型作为目标预测模型，实现了对预测结果的有效对比和预测模型的精确筛选。本发明通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。

在一些实施例中，在前述实施例例的基础上，用于交通拥堵状态预测的方法还包括：

在实际拥堵延时指数和预测拥堵指数不匹配的情况下，记录异常信息；

基于异常信息对目标预测模型进行优化；

其中，异常信息包括：实际拥堵延时指数、预测拥堵指数和影响道路交通状态的事件。影响道路交通状态的事件包括恶劣天气、运管措施、道路限行、封路和占道施工。

本实施例中，根据实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型过程中，记录导致不匹配情况发生的事件，从而确定不同事件造成交通拥堵的权重，以便于在存在影响交通状态的事件的情况下，动态的调整对交通拥堵状态预测结果，以便于司机及时的调整出行路线。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图4是本发明一实施例提供的用于交通拥堵状态预测的装置的结构示意图，该装置包括：第一获取模块401、模型建立模块402、计算模块403、第二获取模块404和确定模块405。

第一获取模块401，用于获取历史拥堵延时数据。

模型建立模块402，用于基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型。

计算模块403，用于根据各预测模型获取预测拥堵延时指数。

第二获取模块404，用于获取实际拥堵延时指数。

确定模块405，用于根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测。

其中，所述分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。

在一些实施例中，第一获取模块401包括：第一获取单元、第二获取单元、确定单元和记录单元。

第一获取单元，用于获取目标路段在不同时刻的通行时间；

第二获取单元，用于获取与所述目标路段对应的设定时间；

确定单元，用于根据通行时间和所述设定时间的比值确定拥堵延时指数；

记录单元，用于记录所述拥堵延时指数和所述拥堵延时指数对应的时刻作为历史拥堵延时数据。

在一些实施例中，第一获取单元包括：第一获取子单元和第一确定子单元。

其中，获取子单元，用于获取多个车辆通过目标路段的通过时间。

确定子单元，用于基于多个通过时间的平均值或概率分布确定所述通行时间。

在一些实施例中，第二获取单元包括：第二确定子单元。第二确定子单元用于确定所述通行时间中的最小值为所述设定时间；或者，确定多个所述通行时间的平均值为所述设定时间；或者，根据所述目标路段的长度和所述目标路段对应的限速信息确定所述设定时间。

在一些实施例中，确定模块405包括：划分单元、模型建立单元和测试单元。

其中，划分单元，用于将所述历史拥堵延时数据划分为训练数据集和测试数据集。

模型建立单元，用于基于所述训练数据集的数据分别根据多种分类方法建立对应的训练模型。

预测单元，用于基于所述测试数据集对训练模型进行测试得到预测模型。

在一些实施例中，用于交通拥堵状态预测的装置，还包括：异常记录模块和优化模块。

其中，异常记录模块，用于在所述实际拥堵延时指数和所述预测拥堵指数不匹配的情况下，记录异常信息。

优化模块，用于基于所述异常信息对所述目标预测模型进行优化。

其中，所述异常信息包括：实际拥堵延时指数、预测拥堵指数和影响道路交通状态的事件。

本发明基于历史拥堵延时数据通过多种分类算法建立用于交通拥堵状态预测的预测模型，使得在同一预测要求下获得不同的预测结果。实时获取实际拥堵延时指数对预测模型进行验证在多种预测模型中选取预测结果与实时拥堵延时指数匹配度最高的模型作为目标预测模型，实现了对预测结果的有效对比和预测模型的精确筛选。本发明通过目标预测模型预测出的拥堵延时指数精确度高，且拥堵延时指数可以直观地体现交通拥堵状态，提高了交通拥堵状态预测的准确率。

图5是本发明一实施例提供的终端的示意图。如图5所示，该实施例的终端5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个用于交通拥堵状态预测的方法实施例中的步骤，例如图1所示的步骤s101至步骤s103。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至405的功能。

示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端5中的执行过程。例如，所述计算机程序52可以被分割成第一获取模块、模型建立模块、计算模块、第二获取模块和确定模块，各模块具体功能如下：

第一获取模块，用于获取历史拥堵延时数据。

模型建立模块，用于基于所述历史拥堵延时数据根据多种分类方法分别建立预测模型。

计算模块，用于根据各预测模型获取预测拥堵延时指数。

第二获取模块，用于获取实际拥堵延时指数。

确定模块，用于根据所述实际拥堵延时指数和各预测拥堵延时指数的匹配度确定目标预测模型，并基于所述目标预测模型获得拥堵延时指数，以完成交通拥堵状态预测。

其中，所述分类方法包括遗传算法、人工神经网络、决策树、随机森林、线性回归、支持向量机中两种或两种以上。

所述终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端5的示例，并不构成对终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器50可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51可以是所述终端5的内部存储单元，例如终端5的硬盘或内存。所述存储器51也可以是所述终端5的外部存储设备，例如所述终端5上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器51还可以既包括所述终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。