一种基于大数据的交通管控方法、存储介质与流程

本发明涉及交通管控领域，具体涉及一种基于大数据的交通管控方法、存储介质。

背景技术：

随着智能交通系统的日益普及，人们将先进的信息技术、通讯技术、传感技术以及计算机技术等有效地集成运用于高速交通监控体系，极大提高了监管和服务效率。对于出行人员而言，智能交通的运用也能提高其出行的便利性。

为了进一步完善智能交通系统，交通流量监控技术在其中的应用也越来越广泛与深入。所述交通流量监控技术是通过各高速公路站点负责采集大量、多样的数据，如每辆车的上下站信息、路径信息、载重信息以及车辆收费信息等，利用这些信息分析得知各种交通流量、运营状态等信息。这能使高速公路的各个站点都具备分析“大数据”的能力，有利于对高速公路流量进行预测和分析。即便如此，日前的智能交通系统依然具有很大的发展空间。例如，每逢节假日，高速交通依然经常一堵好几个小时，可见高速路的流量管控还需要进一步完善。因此，有必要提供一种基于大数据的交通管控方案，进一步优化智能高速交通系统，缓解高速拥堵情况。

技术实现要素：

本发明所要解决的技术问题是：提供一种基于大数据的交通管控方法，对指定路段的车流量舒缓具备显著效果，还能同时对其前面路段的车流量控制产生良性影响，从而显著提高高速交通流量的管控效果。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于大数据的交通管控方法，包括：

当车辆驶入高速公路的任一入口站点，获取其车牌号码；

依据所述车牌号码，获取车辆的高速行驶记录；

依据车辆的入口站点和高速行驶记录，预测车辆的出口站点；

依据车辆的入口站点和出口站点，生成预测行驶路径；

获取预设历史时长内驶入高速公路的每辆车对应的预测行驶路径；

依据所获取的预测行驶路径，分时段统计对应时段内高速公路每一路段的车流量；

将每一路段相邻的两个预设时段对应的车流量作为一样本对，获取样本对集合；

将所述样本对集合作为训练数据集进行车流量预测模型的训练，获取用于对每一路段对应下一时段的车流量进行预测的车流量预测模型；

获取当前时段高速公路每一路段的车流量，并将其输入到车流量预测模型中，输出下一时段高速公路每一路段的车流量；

判断所述下一时段高速公路每一路段的车流量是否大于预设的每一路段的车流量阈值；若是，则对与对应路段关联的入口站点的通行频率进行管控。

本发明提供的另一个技术方案为：

一种计算机可读存储介质，其上存储有计算机程序，所述程序在被处理器执行时，能够实现如上述一种基于大数据的交通管控方法所包含的步骤。

本发明的有益效果在于：本发明依据入站车辆的行驶记录预测其出站口，符合常理，且准确率高；据此，先依据预设历史时长内上高速的每辆车的预测行驶路径，分时段统计得到每一段路的车流量，然后将每一路段相邻的两个预设时段对应的车流量作为样本对进行训练，得到用于对每一路段对应下一时段的车流量进行预测的车流量预测模型；而后，在实际运用中，便可以使用同样的方式获取当前时段内每一段路的车流量后，便可利用车流量预测模型准确地测出在下一时段每一路段的车流量；最后，只需判断每一段路的车流量是否超出了阈值，若是，便对该路段关联的入口站点的通行频率进行联动管控，便可有效缓解该路段的车流量，同时也能有效预防该路段的前面路段发生行驶缓慢的情况。

附图说明

图1为本发明一实施例一种基于大数据的交通管控方法的流程示意图；

图2为本发明实施例一中厦门北站至福州北站之间的列举站点示意；

图3为本发明实施例一中对照所途径站点绘制的预测行驶路径示例图。

具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

本发明最关键的构思在于:能够准确预测每段高速路的车流量，并据此对高速的入口站进行联动管控，能够同时对指定路段及其前面路段的车流量进行疏导。

实施例一

请参照图1以及图2，本实施例提供一种基于大数据的交通管控方法，该方法可以包括如下步骤：

s1：当车辆驶入高速公路的任一入口站点，获取车辆的车牌号码。

其中，获取车牌号码的方式有多种，包括摄像后进行图像识别或者扫描车辆信息后从中提取车牌号码等。

s2：依据所获取的车牌号码，获取该车辆的高速行驶记录。

由于现有技术中，车辆驶入高速后，入口站点和出口站点都会登记车辆的相关信息（包括车牌号码）。因此，依据车牌号码调取其所有的（或者是预设时间段内的）历史高速行驶记录，能够轻易实现，并且，该高速行驶记录同时具备准确性和全面性。

s3：依据车辆当前驶入的入口站点，便可结合高速行驶记录，预测出车辆本次的出口站点。

基于每个人的住所和工作在较长一段时间内都是相对固定的，可以推知其相对固定的生活圈和日常交通范围。例如，a某居住在厦门，基于其工作性质，在近几年内，a某需要每周往来于福州，另外，其老家位于泉州，一个月可能需要来往泉州1-2次。因此，基于步骤s2获取的a某的高速行驶记录，若当前驶入的入口站点为厦门北站，则大概率预测其出口站点为福州北站。

优选地，还将结合车辆的入站时间，即获取车牌号码的时间来预测车辆的本次出口站点，以进一步提高预测的准确率。

显然的，在上述例子中，往来于福州大多是在工作日，而来往于泉州则大多是在节假日。因此，该活动也将以时间因素的方式被记录在该用户的高速行驶记录中；相应的，在进行预测时，引入时间因素作为一个重要的因素与其他因素一起综合进行计算，将大大提高预测结果的准确性。

对应上述例子的预测结果体现在：若是在工作日从厦门站出发，则预测结果具有更高的概率为从福州北站；若是在节假日从厦门北站出发，则预测结果更高的概率是泉州站。

s4：依据车辆的入口站点和出口站点，生成预测行驶路径。

通过上述预测得到了车辆的出口站点，便可以轻松的生成车辆本次高速形成的行驶路径。例如，入口站点为厦门，出口站点为福州，则可以结合高速公路的线路信息，获取该车辆的从厦门出发到福州所要行驶的路径（线路）。

优选地，可以结合车辆的高速行驶记录中对应该入口站点和出口站点的历史行驶路径来预测本次的行驶路径。适用于于入口站点至出口站点之间无法唯一确定一条路径的情况。例如，高速公路之间也有交错，厦门站到福州站，有三种路线，一是途径沈海高速和福州南连接线高速；二是途径厦沙高速和甬莞高速；三是途径沈海高速和甬莞高速。三者在时间上稍微有所区别，这时候，便可结合其高速行驶记录，确定用户最经常（习惯）行驶的线路，从而提高所预测的行驶路径的准确性。

下面，为用于对每一路段对应下一时段的车流量进行预测的车流量预测模型的创建过程：

s5：获取预设历史时长内驶入高速公路的每辆车对应的预测行驶路径。

该步骤可以理解为是，通过实时地按照上述s1-s4步骤对所有驶入高速公路的车辆进行预测和统计，在累计一定时间后得到的统计数据。实际运用时，所述s1-s4步骤可以通过异步线程来实现。请参阅图3，为历史时长内部分预测行驶路径对照所途径站点绘制的线路示例图，图中1至11的标号分别对应站点编号，箭头指向行驶方向，其下的一条线段对应一辆车的预测行驶路径，例如第一条线段标示这这辆车从站点1出发，途径站点1、站点2和站点3后驶出高速公路。

优选地，所述历史时长，可以是过去的一个月、两个月或者半年等更符合人们稳定生活的时间跨度。

s6：依据上一步骤获取的预测行驶路径，分时段统计对应时段内高速公路每一路段的车流量。

该步骤的目的在于，统计得到在历史时长内，对应各个预设时段，各个路段的车流量情况。

所述的路段，指的是一条高速公路上，以相邻两个高速出/入口之间的路径作为一个路段。优选地，各个高速站点均使用数字或者其他编码形式进行标识，同时也能起到标识路段的作用。例如，从厦门北站出发到福州北站，采用上述s4的第一个路线行驶，则需要途径13个出口站点，请参阅图2，假设厦门北站编码x-1，将依次经过站点x-2、站点x-3、站点x-4等站点才能到福州北站。

所述分时段，指的是预设一个固定的时间范围，例如预设的分钟数内、秒数、钟头、日期等等，然后按照时间顺序，以上述固定的时间范围为单位的进行划分的结果。例如，一天24小时，预设的时段为10分钟，则是将24划分为多个的10分钟。

对应该步骤，在一具体实例中，可以通过下述方式实现：

首先生成一个分别对应每个路段，用于记录相应的路段在对应月份、对应日期以及对应的不同时段下的上道车量的空白记录表；然后，对所获取的历史时长内驶入高速公路的每辆车对应的预测行驶路径数据进行逐一读取，依据当前读取的这条预测行驶路径数据记录的所要途径的各个站点及其对应的（预测）到达时间，更新上述记录表；当所有的预测行驶路径数据读取完毕，则能够获取一与历史时长对应的分时段统计的每一路段的车流量记录表。

如下表一所示，假设为车流量记录表中对应图2的站点示例截取的对应路段2-3的一种示例记录格式：

表一

s7：将每一路段相邻的两个预设时段对应的车流量作为一样本对，获取样本对集合。

所述样本对，包括样本输入和样本输出。样本对用于模型训练，目的在于训练得到一个能够在输入数据a后，输出与数据a的预期值数据b尽可能接近的指定数据b’。

所述样本对集合，在本实施例中，指的是高速公路上所有路段各自对应的所有样本对的集合。

在本实施例中，对应每个路段，从开始记录车量的第二列开始，分别将对应列的相邻上下两行的车量记录数据作为一个样本对，直至遍历到记录的最后一列的最后一行。

对应上述表一所述的路段，即2-3路段，将从1月份的1号开始，依序以1号的0:00与0:10对应的车流量作为一个样本对，以0:10与0:20对应的车流量作为一个样本对，遍历到23:40与23:50；再从1月份的2号开始，将2号的0:00与0:10对应的车量作为一个样本对，以此类推，完成1月31号23:40与23:50这一样本对的获取后，再从2月份的1号开始依序进行遍历，直至遍历到记录的最后一个时段。

s8：将所述样本对集合作为训练数据集进行车流量预测模型的训练，获取用于对每一路段对应下一时段的车流量进行预测的车流量预测模型。

由于预先将高速公路上每一路段前后两个时段的车流量作为样本对进行了模型训练，因此，训练得到的模型便可用于在输入特定路段特定时段的车流量后，预测出该路段在下一时段的车流量。

s9：获取当前时段高速公路每一路段的车流量，并将其输入到车流量预测模型中，输出下一时段高速公路每一路段的车流量。

其中，获取当前时段高速公路每一路段的车流量的方式与上述s2-s6s所述方式一致。简单而言，即获取当前所处的时段内驶入高速公路的每辆车对应的预测行驶路径，据此统计当前时段高速公路每一路段的车流量。

在此，输入模型的是当前时段每一路段的车流量，在模型输出的是预测的下一时段每一路段的车流量。

需要特别注意的是，在本实施例中，训练模型所用的样本对是基于预测的路段车流量，与之相应的，模型运用时，也是以预测的路段车流量作为输入，这样能显著提高模型输出的准确率。

s10：判断模型输出的下一时段高速公路每一路段的车流量是否大于预设的每一路段的车流量阈值；若是，则对与对应路段关联的入口站点的通行频率进行管控。

在此，将结合预先对应高速公路的每一路段预设的车流量阈值进行分路段的车流量监控。车流量阈值的取值优选参考将要造成拥堵或者行驶缓慢的车流量。

所述与对应路段关联的入口站点，指的是需要途径所述路段的所有入口站点。由于高速路融会贯通，关联的入口站点数量一般较多，同时进行管控的难度高且没有这个必要性，因此，优选预设关联入口站点的个数，在实际运用时，由直接入口站点往后数预设个数的关联入口站点进行管控即可。基于高速路的特性，前溯时经常会遇到“分岔路”，在确定关联入口站点时，需要同时考虑不同岔路的入口站点，而非仅沿着一条路往后确定关联入口站点。

在本实施例中，具体的管控方式是控制入口站点的通过率，从而缓解对应路段的车流量。

在本实施例的一个优选示例中，对所确定的站点，将按照倒序逐渐调低通行频率。即，越远离对应路段的入口站点的调控力度越小。

实施例二

本实施例对应实施例一，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序在被处理器执行时，能够实现如上实施例一所述的一种基于大数据的交通管控方法所包含的所有步骤。具体的步骤内容在此不进行复述，详情请参阅实施例一的记载。

从上述描述可知，对应本领域普通技术人员可以理解实现上述技术方案中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来实现的，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时，可包括如上述各方法的流程。所述程序在被处理器执行后，同样能够实现对应各方法的有益效果。

其中，所述的存储介质可以是磁盘、光碟、只读存储记忆体（read-onlymemory，rom）或随机存储记忆体（randomaccessmemory，ram）等。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。