一种基于多元线性回归的路段拥堵情况预测方法及系统与流程

本发明涉及智能交通领域，更具体地，涉及一种基于多元线性回归的路段拥堵情况预测方法及系统。

背景技术：

1、智能交通系统(its，intelligent transport system)的发展在近年来取得了蓬勃的进展，随着社会经济的增长。its的主要目标是实时、准确、高效地感知和控制大规模综合交通情况。而路段拥堵情况的准确预测作为its的基础和核心研究领域之一备受关注。

2、随着智能交通系统的普及，实时路段拥堵情况的应用变得越来越广泛和深入。目前，发布实时交通拥堵情况数据的方式通常是通过固定的时间间隔来更新道路的实时交通情况，例如每隔几秒或几分钟发布一次道路的行车速度等信息。然而，这种方式只提供当前时刻的道路交通情况，无法提供未来某一时段的交通流数据。

3、在实际生活中，越来越多的用户希望提前获取某些道路的交通数据，以便提前规划行程。然而，由于交通流数据的非线性和不确定性，很难通过人工推测来准确预测下一时段交通数据，例如拥堵情况的变化。

4、目前，确实还没有公开有效的技术方案来准确预测交通道路拥堵情况。然而，短时交通道路拥堵情况预测是一个活跃的研究领域，许多机构和学者致力于开发更精确的预测方法。这些方法包括基于统计学模型、机器学习和人工智能等技术的预测方法。通过分析历史交通数据、道路网络拓扑、天气信息以及其他相关因素尝试预测未来交通流量的变化趋势。尽管目前没有一种普适的方法可以完全准确地预测交通道路拥堵情况，但研究人员在不断努力改进预测算法，并取得了一些进展。随着技术的进步和数据的积累，未来可能会出现更准确和可靠的交通预测方法，满足用户提前获取交通数据的需求。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种基于多元线性回归的路段拥堵情况预测方法及系统。

2、根据本发明的第一方面，提供了一种基于多元线性回归的路段拥堵情况预测方法，包括：

3、获取在预设时间段内目标区域中各路段监控设备采集的过车数据，对采集的过车数据按照路段进行分组；

4、根据各路段的过车数据，计算每一个路段的平均速度众数；

5、根据每一个路段的平均速度众数，获取每一个路段在预设时间段内的拥堵情况；

6、分析每一个路段拥堵情况的周期性变化特点，根据周期性变化特点，根据过车数据提取相应的数据特征；

7、根据每一个路段在预测时间段内的数据特征训练路段拥堵情况预测模型，所述路段拥堵情况预测模型为多元线性回归预测模型；

8、获取待预测路段在目标时间段的数据特征，将待预测路段在目标时间段的数据特征输入训练后的路段拥堵情况预测模型，输出待预测路段在目标时间段的拥堵情况。

9、在上述技术方案的基础上，本发明还可以作出如下改进。

10、可选的，所述获取在预设时间段内目标区域中各路段监控设备采集的过车数据，对采集的过车数据按照路段进行分组，包括：

11、基于前端电警卡口设备实时采集各个道路卡口的过车数据，并将所述过车数据写入到doris数据库过车表中，所述过车数据包括车牌信息、车牌颜色、前端电警卡口设备的编号、道路卡口的地理信息和车辆通过时间；

12、定时读取全天过车数据并进行过滤分析，判断车牌信息是否有效、地理信息中必要字段是否有值且格式正确，如为无效值则舍弃该条过车数据；

13、对过滤分析后的过车数据按照路段进行分组，得到每一个路段的过车数据。

14、可选的，所述根据各路段的过车数据，计算每一个路段的平均速度众数，包括：

15、对于任一个路段，提取每一个时间单元内经过所述任一个路段的起始点位和终止点位的过车数据，并计算每一辆车经过所述任一个路段的平均速度数据；

16、获取所述任一个路段在多天相同时间单元内的每一辆车的平均速度数据；

17、将所述任一个路段在在多天相同时间单元内的每一辆车的平均速度数据进行区间分组，统计每个区间内平均速度数据的频数，找到频数最高的区间，并将所述频数最高的区间的中点或代表值作为所述任一个路段在在多天相同时间单元内的平均速度众数。

18、可选的，所述根据每一个路段的平均速度众数，获取每一个路段在预设时间段内的拥堵情况，包括：

19、设置每一种不同类型的道路的不同拥堵情况对应的速度区间；

20、根据每一个路段的道路类型，基于在预设时间段内的平均速度众数所落入的速度区间，确定每一个路段在预设时间段内的拥堵情况；

21、将各个路段在不同时间单元内的拥堵情况写入doris数据库中路段每日拥堵情况表。

22、可选的，根据过车数据提取的数据特征包括日期特征、节假日特征和周期性特征，所述日期特征包括路段拥堵情况的时间单元的止点，所述节假日特征包括路段拥堵情况的时间单元的日期属性，所述日期属性包括工作日属性、周末属性和法定节假日属性，所述周期性特征包括预测时间单元的前多日在相同时间单元的路段拥堵情况，以及同一日在预测时间单元的前多个时间单元的路段拥堵情况。

23、可选的，所述根据每一个路段在预测时间段内的数据特征训练路段拥堵情况预测模型，包括：

24、获取训练数据集，所述训练数据集包括多个训练样本，每一个训练样本包括一个路段在一个时间单元的数据特征和路段拥堵情况；

25、基于训练数据集对路段拥堵情况预测模型进行训练，获取训练后的路段拥堵情况预测模型。

26、可选的，所述多元线性回归预测模型的多元回归函数为：

27、target＝a×period+b×date+c×dayofweek+d×isweekend+e×isholidays+f×beforeday1+......+m×beforedayw+n×beforetime1+......+x×beforetimep+误差项y；

28、其中，target为路段拥堵情况预测结果，a为时间单元的系数，b为日期特征的系数，c为工作日属性的系数，d为周末属性的系数，e为法定节假日属性的系数，f为周期特征中预测时间单元的前1日相同时间单元的路段拥堵情况的系数，......，m为周期特征中预测时间单元的前w日相同时间单元的路段拥堵情况的系数，n为周期特征中预测时间单元当天前1个时间单元的路段拥堵情况的系数，......，x为周期特征中预测时间单元当天前p个时间单元的路段拥堵情况的系数，y为一个误差常量。

29、可选的，在对路段拥堵情况预测模型进行训练的过程中，分别计算所述路段拥堵情况预测模型输出的预测结果与实际结果之间的均方根误差rmse、相对百分误差绝对值的平均值mape和均方误差mse；

30、将均方根误差rmse、相对百分误差绝对值的平均值mape和均方误差mse取平均值作为所述路段拥堵情况预测模型的损失；

31、基于损失不断调整所述路段拥堵情况预测模型的参数，直到损失小于设定阈值，获取训练后的路段拥堵情况预测模型。

32、根据本发明的第二方面，提供一种基于多元线性回归的路段拥堵情况预测系统，包括：

33、获取模块，用于获取在预设时间段内目标区域中各路段监控设备采集的过车数据，对采集的过车数据按照路段进行分组；

34、计算模块，用于根据各路段的过车数据，计算每一个路段的平均速度众数；

35、确定模块，用于根据每一个路段的平均速度众数，确定每一个路段在预设时间段内的拥堵情况；

36、提取模块，用于分析每一个路段拥堵情况的周期性变化特点，根据周期性变化特点，根据过车数据提取相应的数据特征；

37、训练模型，用于根据每一个路段在预测时间段内的数据特征训练路段拥堵情况预测模型；

38、预测模块，用于获取待预测路段在目标时间段的数据特征，将待预测路段在目标时间段的数据特征输入训练后的路段拥堵情况预测模型，获取待预测路段在目标时间段的拥堵情况预测结果。

39、根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现基于多元线性回归的路段拥堵情况预测方法的步骤。

40、根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现基于多元线性回归的路段拥堵情况预测方法的步骤。

41、本发明提供的一种基于多元线性回归的路段拥堵情况预测及系统，利用城市道路卡口的过车数据通过多元线性回归的路段拥堵情况预测的分析方法。提出了在交通流密集、道路复杂的城市区域进行准确的路段拥堵情况预测的问题。对丰富且准确的城市卡口交通数据进行观察和分析，提出了基于周期性变化的城市道路拥堵数据的多元线性回归预测模型，可以根据城市中卡口数据对路段拥堵情况进行准确预测。