本发明涉及数据处理领域,尤其涉及一种交通拥堵信息的预测方法、装置、计算机设备及介质。
背景技术:
1、随着城市化和工业化的进程加快,城市居民的聚集、机动车保有量持续上升,城市交通出现偶发性或常发性交通拥堵问题日益严重。道路饱和度指标是反映道路服务水平的重要指标之一,亦是反应道路是否拥堵的重要指标,其大小不仅取决于道路的车流量和通行能力,还会受到天气特征、生活习惯等因素的影响。
2、为避免交通拥堵造成的资源浪费,众多学者提出了多种解决此问题的思路:目前,国内外进行交通拥堵预测的方法主要有基于神经网络预测、支持向量机预测、深度学习预测等,随机森林、梯度提升回归树等集成算法亦得到广泛应用。
3、发明人在实现本发明的过程中,意识到现有技术至少存在如下技术问题:目前仅通过宏观或微观的单一视角进行预测研究,忽略了道路饱和度指标,使得预测结果不够精准。
技术实现思路
1、本发明实施例提供一种交通拥堵信息的预测方法、装置、计算机设备和存储介质,以提高交通信息预测的精准性。
2、为了解决上述技术问题,本技术实施例提供一种交通拥堵信息的预测方法,应用于交通拥堵信息的预测系统,所述系统包括终端设备、边缘设备和中央云层,所述交通拥堵信息的预测方法包括:
3、接收各个终端设备的交通反馈数据;
4、采用所述边缘设备对所述交通反馈数据进行数据处理,得到道路饱和度及区域饱和度,其中,表示道路在时刻的道路饱和度,表示时刻区域的区域饱和度;
5、构建道路及区域的融合特征矩阵、,作为外部特征,并基于所述外部特征构造相似特征矩阵;
6、采用时空特征提取的方式,分别提取道路融合特征矩阵、区域融合特征矩阵和相似特征矩阵的时空特征;
7、构建区域与道路的动态交互关系,并基于所述动态交互关系和所述时空特征,确定交通信息预测结果。
8、可选地,所述采用所述边缘设备对所述交通反馈数据进行数据处理,得到道路饱和度及区域饱和度包括:
9、基于所述交通流量与道路通行能力,确定道路饱和度;
10、采用基于密度的聚类方式进行区域划分,并计算每个区域的区域饱和度。
11、可选地,所述道路通行能力包括理想通行能力和设计通行能力,所述基于所述交通流量与道路通行能力,确定道路饱和度包括:
12、采用如下公式计算道路饱和度 rs:
13、;
14、其中,分别为车道宽度、交叉口及车道数的修正系数,为所述交通流量。
15、可选地,所述采用基于密度的聚类方式进行区域划分,并计算每个区域的区域饱和度包括:
16、用gps定位的经纬度数值来计算区域核心点到道路采集点的距离为:
17、;
18、其中:是地球的半径,、分别为节点,的纬度,、分别为节点,的经度;
19、采用如下公式计算区域饱和度:
20、;
21、其中,表示时刻区域的区域饱和度;为此区域内的道路数量;表示时刻道路的道路饱和度,是此区域内的道路代号。
22、可选地,所述构建道路及区域的融合特征矩阵、,作为外部特征包括:
23、采用如下方式确定道路在时刻的增广特性:
24、;
25、其中,表示道路在时刻的增广特性,表示道路在时刻的外部环境特性,表示道路在时刻的时间特性;
26、采用如下公式进行融合:
27、;
28、其中,用于融合饱和度信息与增广特性,表示卷积核的可学习参数,表示卷积运算;
29、将融合结果作为道路的融合特征矩阵。
30、选地,所述采用时空特征提取的方式,分别提取道路融合特征矩阵、区域融合特征矩阵和相似特征矩阵的时空特征包括:
31、采用膨胀门卷积算法提取所述区域融合特征矩阵、所述道路融合特征矩阵和所述相似特征矩阵的时间特征;
32、以得到的时间特征为输入,采用图卷积神经网络算法提取所述区域融合特征矩阵、所述道路融合特征矩阵和所述相似特征矩阵的空间特征;
33、将所述区域融合特征矩阵、所述道路融合特征矩阵和所述相似特征矩阵的时间特征和空间特征作为所述时空特征。
34、为了解决上述技术问题,本技术实施例还提供一种交通拥堵信息的预测装置,包括:
35、数据接收模块,用于接收各个终端设备的交通反馈数据;
36、数据处理模块,用于采用所述边缘设备对所述交通反馈数据进行数据处理,得到道路饱和度及区域饱和度,其中,表示道路在时刻的道路饱和度,表示时刻区域的区域饱和度;
37、矩阵构建模块,用于构建道路及区域的融合特征矩阵、,作为外部特征,并基于所述外部特征构造相似特征矩阵;
38、特征提取模块,用于采用时空特征提取的方式,分别提取道路融合特征矩阵、区域融合特征矩阵和相似特征矩阵的时空特征;
39、结果预测模块,用于构建区域与道路的动态交互关系,并基于所述动态交互关系和所述时空特征,确定交通信息预测结果。
40、可选地,所述数据处理模块包括:
41、道路饱和度确定单元,用于基于所述交通流量与道路通行能力,确定道路饱和度;
42、区域饱和度确定子单元,用于采用基于密度的聚类方式进行区域划分,并计算每个区域的区域饱和度。
43、可选地,所述道路饱和度确定单元包括:
44、第一计算子单元,用于采用如下公式计算道路饱和度:
45、;
46、其中,分别为车道宽度、交叉口及车道数的修正系数,为所述交通流量。
47、可选地,所述区域饱和度确定子单元包括:
48、第二计算子单元,用于采用gps定位的经纬度数值来计算区域核心点到道路采集点的距离为:
49、;
50、其中:是地球的半径,、分别为节点,的纬度,、分别为节点,的经度;
51、第三计算子单元,用于采用如下公式计算区域饱和度:
52、;
53、其中,表示时刻区域的区域饱和度;为此区域内的道路数量;表示时刻道路的道路饱和度,是此区域内的道路代号。
54、可选地,所述矩阵构建模块包括:
55、第四计算子单元,用于采用如下方式确定道路在时刻的增广特性:
56、;
57、其中,表示道路在时刻的增广特性,表示道路在时刻的外部环境特性,表示道路在时刻的时间特性;
58、第五计算子单元,用于采用如下公式进行融合:
59、;
60、其中,用于融合饱和度信息与增广特性,表示卷积核的可学习参数,表示卷积运算;
61、矩阵确定子单元,用于将融合结果作为道路的融合特征矩阵。
62、可选地,所述特征提取模块包括:
63、时间矩阵提取单元,用于采用膨胀门卷积算法提取所述区域融合特征矩阵、所述道路融合特征矩阵和所述相似特征矩阵的时间特征;
64、空间矩阵提取单元,用于以得到的时间特征为输入,采用图卷积神经网络算法提取所述区域融合特征矩阵、所述道路融合特征矩阵和所述相似特征矩阵的空间特征;
65、时空特征确定单元,用于将所述区域融合特征矩阵、所述道路融合特征矩阵和所述相似特征矩阵的时间特征和空间特征作为所述时空特征。
66、为了解决上述技术问题,本技术实施例还提供一种计算机设备,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上述交通拥堵信息的预测方法的步骤。
67、为了解决上述技术问题,本技术实施例还提供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上述交通拥堵信息的预测方法的步骤。
68、本发明实施例提供的交通拥堵信息的预测方法、装置、计算机设备及存储介质,通过接收各个终端设备的交通反馈数据;采用边缘设备对交通反馈数据进行数据处理,得到道路饱和度及区域饱和度,构建道路及区域的融合特征矩阵,作为外部特征,并基于外部特征构造相似特征矩阵;采用时空特征提取的方式,分别提取道路融合特征矩阵、区域融合特征矩阵和相似特征矩阵的时空特征;构建区域与道路的动态交互关系,并基于动态交互关系和时空特征,确定交通信息预测结果。实现通过对宏观和微观两者相结合的预测,提高预测精准性,同时结合边缘计算技术,能够提升预测效率、降低存储冗余。