一种高速公路断面交通流量预测方法、装置及存储介质

本发明涉及一种高速公路断面交通流量预测方法、装置及存储介质，属于智能交通控制领域。

背景技术：

1、新兴的智能交通系统(intelligent transportation system，its)依托先进的技术建立起了一种实时、准确、高效的综合交通运输和管理系统，而短时交通流量预测在其中发挥着重要的作用。伴随着智能感知技术的持续发展，道路交通运行状况的检测和信息提取逐渐完整，这为道路短时交通流量预测提供了强大的数据支撑。

2、对于出行者而言，实时准确的短时交通流量预测可以为其出行决策提供科学的理论依据，减少出行的时间成本和经济成本。对于交通管理部门而言，交通流量的大小可以反映道路的通行效率，可以直观地展现道路交通的变化趋势，短时交通流量预测可以有效缓解时空资源失衡的状态，提高路网整体通行能力。

3、但是对于因天气、检测器被遮挡等不可抗因素所产生的异常检测结果，以往研究中，在数据预处理阶段对异常检测结果进行修复的方法属于事后处理，效率较低且实时性差。

技术实现思路

1、本发明的目的在于提供一种高速公路断面交通流量预测方法、装置及存储介质，旨在不再关注于具体某一因素的检测异常对交通流量预测准确度的影响，而是将异常检测概率作为交通流量的一个固有特征，进而实现根据历史数据对未来时段交通流量的准确预测。

2、为解决上述技术问题，本发明是采用下述技术方案实现的：

3、一方面，本发明提供了一种高速公路断面交通流量预测方法，其包括：

4、获取高速公路门架管理系统中的信息数据；

5、根据所获取的信息数据，得到高速公路龙门架检测点的交通流量时序数据，以及车辆在高速公路上的行车信息；

6、根据所述行车信息对各车辆进行行车路径还原，得到重构路径；

7、根据龙门架的实际地理位置确定车辆可行的有效路径；

8、将所述重构路径与有效路径进行比对，判断各重构路径是否为异常检测路径；

9、根据异常检测路径的判断结果，计算异常检测概率；

10、将所述异常检测概率和交通流量时序数据，输入预先训练的交通流量预测模型，得到高速公路断面交通流量。

11、本发明中，可基于历史已知的交通流量数据及对应的交通流量数据序列和异常检测概率进行预训练，使得模型能够根据历史交通流量数据以及异常路径检测概率特征，推测未来时段的交通流量数据。交通流量预测模型可采用attention-bilstm神经网络模型，相比于普通的lstm模型、bilstm模型、bigru模型及attention-bigru模型，本发明中的模型预测效果更优。

12、需要说明的是，本发明所提的高速公路断面可指某一高速公路龙门架检测点位置，具体的，高速公路断面流量预测，即可指对某一高速公路龙门架检测点位置进行某时段的交通流量预测。

13、可选的，本发明中，方法还包括：对所述获取的信息数据进行预处理，包括：获取信息数据中车辆途经高速公路龙门架的时间、车牌及龙门架编号，以及，删除重复记录的信息数据。如此可减小数据文件的大小，以提高对后续数据处理的效率。

14、可选的，对于任一待预测交通流量的高速公路龙门架检测点，所述交通流量时序数据表示为：

15、

16、其中，x是t×(2n+1)的矩阵，每一个元素xi,j(i∈(1,t),j∈(p-n,p+n))表示在i时段j位置处高速公路龙门架检测点的交通流量数据，p表示待预测交通流量的当前高速公路龙门架检测点的编号，n表示所选择的当前高速公路龙门架检测点的上/下游龙门架的数量。

17、以上方案中，交通流量时序数据的间隔频率可以为分钟级、小时级，当频率为每日，则可根据历史多日某时段的交通流量及历史日的异常检测概率，预测得到未来一日检测点处的在相应时段的交通流量。

18、可选的，对于待预测交通流量的当前高速公路龙门架检测点，在其所述高速公路线路的上游和下游分别选择的、实际对待遇测点流量影响较大的相邻龙门架的数量n的取值最小为2。当然也可以是上下游分别选取1个龙门架检测点，但是若选择的相邻龙门架数量较多，则得到的预测结果更为准确。考虑龙门架之间距离越远，相互间流量影响越小，且会增加模型计算的复杂度，因此上下游龙门架的数量选择也并非越多越好。

19、可选的，所述根据所述行车信息对各车辆进行行车路径还原，得到重构路径，包括：

20、按照日期筛选各车辆在一天内的所有龙门架记录数据，并按照途经龙门架的时间排序；

21、将每辆车按照时间排序后的数据所对应的龙门架编号序列，作为所述重构路径的表示。

22、可选的，所述根据龙门架的实际地理位置确定车辆可行的有效路径，包括：

23、根据龙门架的地理位置，按照行车方向依次排列各龙门架编号，将所得的高速公路龙门架编号序列作为所述有效路径的表示。

24、可选的，所述将所述重构路径与有效路径进行比对，判断各重构路径是否为异常检测路径包括：

25、判断所述重构路径对应的龙门架编号序列，是否为所述有效路径对应的高速公路龙门架编号序列的子序列，若不是，则相应重构路径为异常检测路经；

26、所述根据异常检测路径的判断结果，计算异常检测概率，公式为：

27、

28、式中，p表示异常检测概率，m表示异常检测路径的数量，m表示所有车辆的总出行次数，其中，将一辆车一天内在同一行车方向的出行定义为一次出行。

29、可选的，所述将所述异常检测概率和交通流量时序数据，输入预先训练的交通流量预测模型，得到高速公路断面交通流量，包括：

30、对于待预测交通流量的当前高速公路龙门架检测点，分别选择其所处高速公路位置上游的相邻两个龙门架以及下游的相邻两个龙门架，将所选择的上下游龙门架的交通流量序列数据，当前高速公路龙门架检测点的交通流量序列数据，以及所述异常检测概率，组成所述交通流量预测模型的输入特征矩阵input：

31、

32、式中，et,d表示第d天的异常检测概率；

33、将所述输入特征矩阵数据输入所述交通流量预测模型，得到交通流量预测模型输出的当前高速公路龙门架检测点对应的下一时段高速公路断面交通流量。

34、如前所述，可选的，所述交通流量序列数据为按照分钟级时间间隔统计得到；

35、所述异常检测概率为，根据每天的车辆行车信息分别计算得到一个数值；

36、所述输入特征矩阵input中，e1,d,e1,d,...,et,d的值相等，为预测当日之前多日异常检测概率的均值。为提升预测结果的准确性，对于每条高速公路可分别计算异常检测概率。当然也可对应每天针对所有高速公路计算一个异常检测概率。

37、第二方面，本发明提供一种高速公路断面交通流量预测装置，其包括：

38、数据获取模块，被配置用于，获取高速公路门架管理系统中的信息数据；

39、数据统计模块，被配置用于，根据所获取的信息数据，得到高速公路龙门架检测点的交通流量时序数据，以及车辆在高速公路上的行车信息；

40、路径重构模块，被配置用于，根据所述行车信息对各车辆进行行车路径还原，得到重构路径；

41、有效路径确定模块，被配置用于，根据龙门架的实际地理位置确定车辆可行的有效路径；

42、异常判断模块，被配置用于，将所述重构路径与有效路径进行比对，判断各重构路径是否为异常检测路径；

43、异常检测概率计算模块，被配置用于，根据异常检测路径的判断结果，计算异常检测概率；

44、以及，交通流量预测模块，被配置用于，将所述异常检测概率和交通流量时序数据，输入预先训练的交通流量预测模型，得到高速公路断面交通流量。

45、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，执行如第一方面所述高速公路断面交通流量预测方法的步骤。

46、与现有技术相比，本发明所达到的有益效果：

47、(1)本发明提出了一种高速公路断面交通流量预测方法，交通流量预测模型的输入特征中直接引入了异常检测概率，相比于不考虑异常检测情形直接进行交通流量预测和在事后处理异常检测结果这两种预测方法，本发明中的举措进一步提高了其应用于实际工程的实时性和准确性，不需要事后处理异常检测结果，可实施性强；

48、(2)短时预测，不仅能更有效地捕捉到交通流的波动性，而且使得交通流的呈现更具实时性。