一种基于交通流量预测的节假日交通调度方法及装置与流程

本申请涉及智能交通控制技术领域，特别地，涉及一种基于交通流量预测的节假日交通调度方法及装置。

背景技术：

节假日交通调度是指在节假日期间，交通管理部门为了应对社会车辆大规模集中出行，导致交通流量激增、交通拥堵而特别制定的全天信号控制方案，其目的在于缓解城市在节假日期间的交通拥堵，提高城市路网的利用率。

在一些交通调度实现中，首先对路况的历史交通信息进行采样并构建交通网络模型；然后基于历史交通信息提出缺失数据补齐的方法、根据行程时间构建可达矩阵，并进卷积计算提取特征；然后根据提取特征训练递归神经网络得到流量预测模型；最后将实时采样交通数据输入预测模型得到交通流量的预测数据，在其过程中得到的误差结果用于进一步对模型进行动态训练。

但是，上述方法并没有给出面对交通流量的预测数据如何选择交通调度方案或指定交通调度方案，当交通管理部门经验不足、或交通流量预测数据较为复杂时，针对交通流量预测数据不能选择合适的交通调度信号控制方案，或无法及时快速的自动选择匹配的交通调度方案。

技术实现要素：

本申请提供了一种基于交通流量预测的节假日交通调度方法及装置，通过补全样本数据、构建交通流量预测网络模型、比对节假日和历史日期的交通流量和变化趋势的相似度，一定程度上可以解决网络模型训练集数据不完整，不能根据交通流量预测数据自动快速输出匹配交通调度方案的问题。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种基于交通流量预测的节假日交通调度方法，包括：

对来自于交通检测器的样本数据进行补全处理得到交通流量数据；

基于所述交通流量数据构建网络模型进行预测得到节假日交通流量；

若所述节假日交通流量与预设时间段内历史交通流量的相似度值大于等于预设阈值，则选择所述历史交通流量对应的交通调度方案作为节假日交通调度方案；否则，

根据所述节假日交通流量的变化趋势将节假日全天划分为多个时段；

查找与所述多个时段交通流量变化趋势相似度最高的历史交通流量，并将其对应的交通调度方案作为节假日交通调度方案。

可选地，所述补全处理，具体包括：获取第一交通检测器采集的第一样本数据；将所述第一样本数据的异常数据替换为第二样本数据，所述第二样本数据为所述异常数据对应时刻第二交通检测器采集的样本数据，所述第二交通检测器与所述第一交通检测器设置于同一个路口；将所述第一样本数据和第二样本数据组合得到交通流量数据。

可选地，所述第二样本数据为异常数据时，将所述异常数据修正为所述对应时间相邻时刻样本数据的平均值。

可选地，所述样本数据来自于流量非零记录占比最高的路口所设置的交通检测器。

可选地，所述网络模型为最优lstm神经网络模型，其构建过程包括：随机抽取所述交通流量数据得到训练集；将所述训练集输入lstm神经网络模型进行训练得到最优lstm神经网络模型。

可选地，所述相似度值通过计算节假日交通流量与历史交通流量之间的相似性系数获得，所述相似性系数基于协方差或余弦值进行计算得到。

可选地，查找与所述多个时段交通流量变化趋势相似度最高的历史交通流量，具体包括：查找时段数量与所述节假日时段数量最接近的至少一个历史日期；使用二元差分查找法确定与所述节假日多个时段交通流量趋势相似度最高的参考历史日期；输出所述参考历史日期对应的历史交通流量。

可选地，所述二元差分查找法，具体包括：将节假日在前时段标记为0，若在后时段的交通流量高于所述在前时段，则将所述在后时段标记为1；否则，标记为0，得到节假日交通流量向量集合；将历史日期在前时段标记为0，若在后时段的交通流量高于所述在前时段，则将所述在后时段标记为1；否则，标记为0，得到历史日期交通流量向量集合；选择与所述节假日交通流量向量集合相同的历史日期交通流量向量集合，所述历史日期输出为参考历史日期。

可选地，所述将节假日全天划分为多个时段具体采用聚类算法计算得到。

本申请实施例的第二方面提供一种基于交通流量预测的节假日交通调度装置，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行本申请实施例的第一方面提供的发明内容中任一所述的基于交通流量预测的节假日交通调度方法。

本申请的有益效果：通过补全样本数据，可以提高训练集数据的完整性；进一步通过构建交通流量预测网络模型，可以得到较为准确的节假日交通流量；进一步通过比对节假日和历史日期的交通流量相似度，可以实现针对预测数据自动匹配节假日交通调度方案；进一步通过比对节假日和历史日期的流量变化趋势相似度，可以实现在交通流量相似度不能达到阈值情况下自动匹配节假日交通调度方案。

附图说明

具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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示出了本申请实施例一种基于交通流量预测的节假日交通调度系统100的示意图；

图2示出了本申请实施例一种示例性计算设备200的示意图；

图3示出了本申请实施例一种基于交通流量预测的节假日交通调度方法流程示意图；

图4示出了本申请实施例道路交叉口线圈交通检测器位置示意图；

图5示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中样本数据补全的流程示意图；

图6示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中样本数据补全逻辑判断示意图；

图7示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中最优lstm神经网络模型构建流程示意图；

图8示出了本申请实施lstm神经网络模型预测节假日交通流量数据的流程示意图；

图9示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中查找变化趋势相似度最高的历史交通流量流程示意图；

图10示出了本申请实施例一种基于交通流量预测的节假日交通调度的逻辑判断示意图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。

本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。

本申请的实施例所述的车辆包括但不限于人力车、代步工具、汽车、轨道交通、无人驾驶交通工具中的一种或几种的组合。应当理解，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。

图1是根据本申请的一些实施例所示的一种基于交通流量预测的节假日交通调度系统100的示意图。基于交通流量预测的节假日交通调度系统100是一个可以自动根据交通流量预测数据匹配节假日交通调度方案的平台。基于交通流量预测的节假日交通调度系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个交通检测器150-1、150-2......150-n。服务器110可以包括一个处理引擎112。

在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请所示的计算设备上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取交通检测器150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(cpu)、专用集成电路(asic)、专用指令集处理器(asip)、图像处理器(gpu)、物理运算处理器(ppu)、数字信号处理器(dsp)、现场可编辑门阵列(fpga)、可编辑逻辑器件(pld)、控制器、微控制器单元、精简指令集计算机(risc)、微处理器等或上述举例的任意组合。

存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从交通检测器150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(rom)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，存储设备120可以与网络130连接以实现与基于交通流量预测的节假日交通调度系统100中的一个或多个部件之间的通信。基于交通流量预测的节假日交通调度系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与基于交通流量预测的节假日交通调度系统100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。

网络130可以促进信息和/或数据的交换。在一些实施例中，基于交通流量预测的节假日交通调度系统100中的一个或多个部件可以通过网络130向基于交通流量预测的节假日交通调度系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从交通检测器150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，基于交通流量预测的节假日交通调度系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。

交通检测器150可以包括线圈交通检测器、电警交通检查器、视频交通检测器、微波交通检测器等。在一些实施例中，交通检测器150可以用于对所在位置的周边环境进行磁感应、摄像和/或拍照。在一些实施例中，交通检测器150可以将采集到的各种数据信息发送到基于交通流量预测的节假日交通调度系统100中的一个或多个设备中。例如，交通检测器150可以将磁感应数据、拍摄的图片或影像发送至服务器110进行处理，或存储设备120中进行存储。在一些实施例中，可以在城市道路的路口布设交通检测器，用于交通流量数据的采集。所述交通检测器可以选择设置在道路路口距离停车线一定位置处、或道路线的下方或者前后的一定范围内，所述交通检测器还可以设置在道路路口的高处，其位置还可以设置在沿道路纵向设置的绿化带或隔离带。

图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和交通检测器150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与基于交通流量预测的节假日交通调度系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(rom)230或随机存储器(ram)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。

图3示出了本申请实施例一种基于交通流量预测的节假日交通调度方法流程示意图。

在步骤301中，对来自于交通检测器的样本数据进行补全处理得到交通流量数据。

城市的道路交叉口通常设置有交通检测器，所述交通检测器用于采集各种交通数据，包括交通流量数据。对于来自交通检测器的样本数据进行预处理可以得到完整有效的交通流量数据。

在一些实施例中，所述交通检测器以线圈交通检测器为主，所述线圈交通检测器可以实时的采集途径检测器的过车数据、交通流量。

图4示出了本申请实施例道路交叉口线圈交通检测器位置示意图。

通常情况下，线圈交通检测器埋设于道路交叉口进车道，距离所述进车道停车线一定距离的路面下方，所述距离通常设置为2-3米，如图4所示。

通过图4所示的埋设方式，线圈交通检测器可以采集每个进口道、路口整体的交通流量数据。通过在路口的各个进口道方向安装交通检测器，可获得每个进口道的交通流数据，所述交通检测器可以将捕获的数据发送至服务器进行分析和处理，通过求和、求平均，与单位时间相除等方式获得该路口的各种交通数据。

需要说明的是，线圈交通检测器所采集的样本数据中有时会存在异常数据，所述异常数据是指其数值明显不合理、或数据为空、或为0数据。

异常数据需要被筛选删除，然后利用所在路口的其他类型交通检测器采集的样本数据进行替换。例如，使用电警交通检测器所采集的样本数据，筛选所述异常数据所在时刻的样本数据对线圈交通检测器的样本数据进行替换、补全，以确保样本数据的准确性和完整性。

图5示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中样本数据补全的流程示意图。

在步骤501中，获取第一交通检测器采集的第一样本数据。

所述第一交通检测器在本实施例中具体设置为线圈交通检测器，所述第一样本数据来自于所述第一交通检测器。

在步骤502中，将所述第一样本数据的异常数据替换为第二样本数据，所述第二样本数据为所述异常数据对应时刻第二交通检测器采集的样本数据，所述第二交通检测器与第一交通检测器设置于同一个路口。

对来自第一交通检测器的第一样本数据进行预处理。将其中的异常数据，例如0数据，空数据，以及不合理数据替换为相同时刻第二交通检测器所采集的第二样本数据。在本实施例中，所述第二交通检测器为设置于同一路口的电警交通检测器。

在步骤503中，将所述第一样本数据和第二样本数据组合得到交通流量数据。

通过筛选、补全处理，第一样本数据和第二样本数据都是有效、完整的样本数据，将上述样本数据组合后得到路口完整的交通流量数据。

图6示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中样本数据补全逻辑判断示意图。

判定线圈交通检测器数据，也称为第一样本数据，是否为正常的有效数据；如果是，则使用线圈交通检测器数据作为交通流量数据；如果数据异常或为0，则进入下一步判定。

判定电警交通检测器数据，也称为第二样本数据，是否为正常的有效数据，如果是，则使用电警交通检测器数据作为交通流量数据，所述第二样本数据用于替换第一样本数据中的异常数据或0数据；如果所述第二样本数据异常或为0，进入下一步操作。

取所述异常数据所在时刻前后相邻的数个时刻的样本数据，计算得到其平均值，将所述平均值赋予第二样本数据的异常数据。

在一些实施例中，第一样本数据的异常数据需要被替换为来自第二交通检测器的第二样本数据，如果所述第二样本数据也是异常数据，则需要对所述第二样本数据进行平均处理。取所述异常数据所在时刻前后相邻的数个时刻的样本数据，计算得到其平均值，将所述平均值赋予第二样本数据的异常数据。

对交通检测器捕获的交通流量数据进行合理性分析，剔除明显不合格、离差过大的数据。所述不合格的数据包括明显错误的全零数据。将去掉明显错误的数据进行补全，所述数据的补全包括历史/未来平均值(中位数，众数)补全，即对于某一个缺失的时间点数据，按日向历史遍历，取同一时刻10日的平均值，若是不足10日则按日向未来遍历直至10。这样补全的数据可以应对路口交通检测器失效多天的情况。

在一些实施例中，所述样本数据来自于流量非零记录占比最高的路口，所述路口设置的交通检测器作为样本数据采集装置。在城市诸多道路交叉口中，选择交通检测器采集记录中非零记录占比，即有效数据占比最高的路口和交通检测器作为样本数据的来源，这样可以降低样本数据补全的难度，提高样本数据的有效性。

在步骤302中，基于所述交通流量数据构建网络模型进行预测得到节假日交通流量。

在一些实施例中，所述网络模型为最优lstm神经网络模型，通过所述交通流量数据对所述神经网络模型进行训练学习，得到最优lstm神经网络模型参数，从而可以提高预测节假日交通流量数据的准确性。

图7示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中最优lstm神经网络模型构建流程示意图。

在步骤701中，随机抽取所述交通流量数据得到训练集。

所述交通流量数据为一个时间段内同一路口全部的交通流量数据，根据网络模型的需要将其整理为一定的数据格式，随机抽取一定比例的数据作为训练集；在一些实现方式中，还可以随机抽取一定比例的数据作为网络模型的测试集。

所述交通流量数据在一些实现方式中还可以进行归一化处理。归一化是一种简化计算的方式，即将有量纲的表达式转换为无量纲的表达式，形成标量，在多种计算中都经常用到这种方法。

在步骤702中，将所述训练集输入lstm神经网络模型进行训练得到最优lstm神经网络模型。

在一些实施例中，所述网络模型可以选择lstm(longshort-termmemory：长短期记忆)神经网络模型。lstm神经网络模型是递归神经网络模型的变体，通过门控机制来记忆尽可能多的长期信息，适用于处理、预测时间序列中间隔和延迟相对较长的情况。

lstm具有较长的训练周期，其构造了三个门：遗忘门，输入门，输出门。其中遗忘门决定了上一时刻的单元状态c_t-1有多少信息保留到当前时刻c_t；输入门决定了当前时刻网络的输入x_t有多少信息保存到单元状态c_t；输出门是控制单元状态c_t有多少信息输出到lstm网络的当前输出值h_t。在本实施了中，lstm采用两层dropout和两层dense网络，其中dropout层用于防止网络模型在训练过程中产生过拟合；dense层即全连接层，用于将数据全部连接起来，并转化为输出。

图8示出了本申请实施lstm神经网络模型预测节假日交通流量数据的流程示意图。

首先，在所述交通流量数据中随机抽取一定比例的数据作为训练集；其次，配置合适的初始化基本参数，调用已搭建的lstm神经网络模型进行循环训练学习；在本实施例中，当所述lstm神经网络模型满足收敛条件时，即训练次数达到预设的阈值，保存并输出最优lstm神经网络模型的参数；然后将交通流量数据再次输入所述最优lstm神经网络模型可以得到未来节假日的路口交通流量预测数据。

在一些实施例中，为了对节假日交通流数据预测的准确度做客观、真实的分析，可以使用测试集数据和真实数据的有限长度做均方差(mse)，均方根误差(rmse)，拟合优度(r²)进行定量分析，从而确定节假日交通流量预测数据的误差范围。

mse是反映预测值与真实值之间差异程度的一种度量，是预测值与真实值之差的平方的期望值。mse可以评价数据的变化程度，mse的值越小，说明模型的预测效果越好。其公式表示如下：

rmse也称为标准误差，是均方误差的算术平方根，是预测值与真实值偏差的平方与预测次数n比值的平方根，均方根误差越小，预测效果越好。其公式表示如下：

r²是比较由预测模型预测的结果与真实值的吻合程度，拟合度越接近1，拟合效果越好，其公式表示如下：

lstm神经网络模型可以处理复杂的空间依赖和时间动态。一方面用于捕获城市道路中车辆的途径网络拓扑结构，以获得空间依赖性。另一方面门控循环单元用于捕获车辆经过交通检测器的动态变化，以获得时间依赖性并最终实现交通预测。

在步骤303中，若所述节假日交通流量与预设时间段内历史交通流量的相似度值大于等于预设阈值，则选择所述历史交通流量对应的交通调度方案作为节假日交通调度方案；否则进入步骤304。

在一些实施例中，比对所述节假日交通流量与最近三个月的历史交通流量数据的相似性程度，当所述相似性程度大于等于预设的阈值时，即认为最近三个月某一天的交通流量数据与所述节假日交通流量高度相似，所述某一天的交通调度方案可以用于节假日交通调度方案。

在一些实施例中，通过分别计算节假日交通流量与过去三个月数据之间的相似性系数来判断两个日期交通流量数据的相似程度，得到某一个历史日期与所述节假日的交通流量相似相关度值最大。在一些实施例中，同时通过对交通信号控制周期、绿信比进行优化，使节假日交通调度方案达到最佳的控制效果。

相似性程度可以通过计算相似性系数得到，所述相似性系数可以基于协方差或余弦值的维度进行计算，下面将进行相似性系数计算的简单阐述。

基于协方差，以每天k个交通量时间序列数据作为一个列向量fi，将待分析的数据构成矩阵，用公式表示为：

h＝[f1，f2，…，fi]

其中，i为不同日期，fi为第i日期的交通流量向量值。

基于协方差的相似性系数x定义为各向量两两之间相关系数的平均值，相似性系数越大，相关性程度越强，具体公式表示如下：

其中，cov(fi，fj)为向量fi与fj之间的协方差，d(fi)为向量fi的方差，d(fi)为向量fj的方差。

基于余弦值，通过余弦值算法进行相似性程度分析，其公式表示如下：

其中，fil和fjl分别是i日期和j日期中的第l条交通流数据。当求得的两日交通流数据的余弦值越接近1，则对应的两日的交通流数据相似性程度越大。

在步骤304中，根据所述节假日交通流量的变化趋势将节假日全天划分为多个时段。

如果通过上述判断方法发现节假日交通流量数据与历史交通流量数据的相关性程度小于预设的阈值，则根据所述节假日交通流量的变化趋势，对所述节假日全天进行时段划分。

为了使得节假日交通调度方案的信号控制能够更好地适应一天二十四小时交通流量波动特性，可以将一天划分为多个控制时段。例如，早高峰、上午平峰、午间高峰、下午低峰、晚间高峰等。在不同时段选择相应的交通调度方案，可以提高城市交通控制效率。

时段划分、不同时段匹配不同交通调度方案的合理性都是建立在所述节假日交通流量数据的基础上。在24小时内，不同时段的交通流量不同，因此24小时内的交通流量是不断变化的，因此节假日的预测交通流量可能会与历史节假日、或历史休息日、或历史某一天的历史交通流量出现相似的平峰、高峰、低峰时段。所以通过寻找和节假日多个时段交通流量变化趋势相似的历史交通流量数据，然后根据所述历史交通流量数据匹配其交通调度方案作为节假日交通调度方案是合理的。

在一些实施例中，采用k-means算法对所述节假日全天进行多时段划分。

首先，在交通流量集合(s，s∈ｓ)中随机选取k个交通量作为初始聚类中心。

其次，计算每个时刻的交通流量s到各个初始聚类中心的距离mi的距离dji，并将s归给聚类中心距离最小的类。

然后，由公式更新聚类中心mi(i＝1，2…k)，mi为任何一个时段的交通量聚类集合，且满足

最后，计算评价准则函数是否满足设定的终止条件，若满足，则算法终止，否则继续进行迭代直至条件满足。

在一些实施例中，还可以采用最优分割法对所述节假日全天进行多时段划分。最优分割法是聚类算法的一种，其基本思想是将待分类的样本n，按照样本序号和样本组内相似性最大、样本组间相似性最小的原则，划分成k类，然后使得k段的离差和最小。

在步骤305中，查找与所述多个时段交通流量变化趋势相似度最高的历史交通流量，并将其对应的交通调度方案作为节假日交通调度方案。

图9示出了本申请实施例一种基于交通流量预测的节假日交通调度方法中查找变化趋势相似度最高的历史交通流量流程示意图。

在步骤901中，查找时段数量与所述节假日时段数量最接近的至少一个历史日期。

根据所述节假日已经划分的时段数量，匹配历史日期中时段数量与之一致的历史日期，然后进入步骤902中继续分析比对。所述历史日期数量可能存在多个，即历史事件段内有多天的时段数量与所述节假日划分的时段数量相同。

在一些实施例中，若不能找到时段数与所述节假日划分时段的数量相同的日期，可以依次匹配比所述节假日时段数多的历史日期作为下一步骤的比对目标。

在步骤902中，使用二元差分查找法确定与所述节假日多个时段交通流量趋势相似度最高的参考历史日期。

使用二元差分查找法寻找与所述节假日多个时段交通流量变化趋势相似度最高的参考历史日期，其具体步骤包括：

将节假日在前时段标记为0，若在后时段的交通流量高于所述在前时段，则将所述在后时段标记为1；否则，标记为0，得到节假日交通流量向量集合；

将历史日期在前时段标记为0，若在后时段的交通流量高于所述在前时段，则将所述在后时段标记为1；否则，标记为0，得到历史日期交通流量向量集合；

选择与所述节假日交通流量向量集合相同的历史日期交通流量向量集合，所述历史日期输出为参考历史日期。

在步骤903中，输出所述参考历史日期对应的历史交通流量。

将所述参考历史日期的历史交通流量作为与所述多个时段交通流量变化趋势相似度最高的历史交通流量，然后将其对应的交通调度方案作为节假日交通调度方案。

图10示出了本申请实施例一种基于交通流量预测的节假日交通调度的逻辑判断示意图。

首先，基于所述交通流量数据和lstm神经网络模型进行数据准备，得到节假日之前三个月的交通流量数据和节假日交通流量数据。

其次，计算所述节假日交通流量数据和最近三个月内历史交通流量数据的相似性程度，并判定其相似度值是否大于等于预设阈值；如果是，则匹配所述历史交通流量数据所在日期的交通调度方案作为节假日交通调度方案；否则，根据节假日的交通流量将节假日全天进行时段划分。

最后，通过二元查找法查找与所述节假日交通流量变化趋势最相似的历史日期，将所述历史日期的交通调度方案作为节假日交通调度方案。

本申请还提供了一种基于交通流量预测的节假日交通调度装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如本申请实施例所述基于交通流量预测的节假日交通调度方法，其具体方法前文已做详细阐述，本段落不再赘述。

本申请的有益效果：通过补全样本数据，可以提高训练集数据的完整性；进一步通过构建交通流量预测网络模型，可以得到较为准确的节假日交通流量；进一步通过比对节假日和历史日期的交通流量相似度，可以实现针对预测数据自动匹配节假日交通调度方案；进一步通过比对节假日和历史日期的流量变化趋势相似度，可以实现在交通流量相似度不能达到阈值情况下自动匹配节假日交通调度方案。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(saas)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。