【技術實現步驟摘要】
本申請涉及預測領域，具體而言，涉及一種基于時間序列的車流量預測方法、裝置、電子設備及介質。
技術介紹
1、由于機動車數量的快速增長，導致城市交通擁堵已經成為阻礙城市發(fā)展的重要原因之一。
2、目前，將道路上的車流量數據，實時顯示在電子地圖上并對未來一段時間的車流量進行預測，在管理端指揮大屏上可以顯示預測的車流量信息，相關路段車流量過大會進行報警，協(xié)助管理者對相關路口的車輛進行指揮調度，避免交通事故的出現；也可以對車輛駕駛者進行提示，以合理規(guī)劃出行路線，避開擁堵路段。雖然現有技術中，已經有許多車流量預測的方案，但是存在預測準確率低的問題。
技術實現思路
1、本申請實施例的目的在于提供一種基于時間序列的車流量預測方法、裝置、電子設備及介質，用以解決了現有技術存在的上述問題，可預測準確率較高的車流量數據。
2、第一方面，提供了一種基于時間序列的車流量預測方法，該方法可以包括：
3、獲取雷達在歷史時間段中目標區(qū)域內車輛的識別數據；
4、剔除所述識別數據中的異常數據，得到歷史時間段內的目標識別數據；
5、采用訓練好的車流量預測模型，對所述目標識別數據進行預測，得到未來時間段的目標車流量；其中，所述未來時間段與所述歷史時間段的時長相等；
6、若所述目標車流量超出預警閾值，則發(fā)出包括所述目標車流量的告警信息。
7、在一種可能的實現中，所述識別數據中包括多類別的數據；剔除所述識別數據中的異常數據，得到目標識別數據，包
8、針對任一類別的數據，采用孤立森林算法，剔除所述識別數據中的第一異常數據，得到第一識別數據；
9、對所述第一識別數據，按照預設規(guī)則進行區(qū)間劃分，得到多個目標區(qū)間和各目標區(qū)間的區(qū)間數據；
10、對各區(qū)間數據進行計算，得到各區(qū)間數據的均值和標準差；
11、采用最小二乘法，對各區(qū)間數據的均值和標準差進行擬合，得到目標曲線；
12、采用3-si?gma正常數據分布標準，對所述目標曲線中的第二異常數據進行剔除，得到第二識別數據。
13、在一種可能的實現中，所述車流量預測模型的訓練過程為：
14、獲取雷達在第一歷史時間段和第二歷史時間段中目標區(qū)域內車輛的歷史識別數據；所述歷史識別數據包括：所述第一歷史時間段對應的第一歷史識別數據和所述第二歷史時間段對應的第二歷史識別數據；其中，所述第一歷史時間段與所述第二歷史時間段的時長相等；
15、對所述第一歷史識別數據和所述第二歷史識別數據均進行降維和數據格式均一化處理，分別得到第一目標歷史識別數據和第二目標歷史識別數據；
16、將所述第一目標歷史識別數據和所述第二目標歷史識別數據分別作為訓練樣本和樣本標簽；
17、采用所述訓練樣本和所述樣本標簽，對組合深度學習模型進行訓練，得到初始車流量預測模型；
18、對所述初始車流量預測模型的模型參數進行更新，得到所述車流量預測模型。
19、在一種可能的實現中，對所述初始車流量預測模型的模型參數進行更新，包括：
20、采用adam優(yōu)化器，對所述初始車流量預測模型的模型參數進行更新。
21、在一種可能的實現中，所述車流量預測模型包括cnn模塊、gru模塊和am模塊；
22、所述cnn模塊對所述目標識別數據進行空間特征提取，得到第一目標識別數據，并將所述第一目標識別數據發(fā)送至所述gru模塊；
23、所述gru模塊對所述第一目標識別數據的時間特征進行提取，得到第二目標識別數據，并將所述第二目標識別數據發(fā)送至所述am模塊；
24、所述am模塊對所述第二目標識別數據中的數據進行篩選，得到所述目標車流量。
25、在一種可能的實現中，所述預警閾值包括預警上限值和預警下限值；
26、采用所述車流量預測模型，對預先準備的驗證集中的驗證樣本進行預測，得到預測值；
27、對所述預測值與所述驗證集中的驗證標簽進行計算，得到所述預測值和所述驗證標簽的殘差；所述驗證標簽為相應時間段的實際值；
28、采用移動加權指數平均算法，對所述殘差進行平滑處理，得到所述殘差的目標標準差和目標均值；
29、采用預警值算法，對所述目標標準差和所述目標均值進行計算，得到所述預警上限值和所述預警下限值。
30、在一種可能的實現中，所述預警值算法為：
31、
32、其中，μe和σe分別為殘差的均值和標準差；k和λ為常數項；ucl(t)和lcl(t)分別為預警上限值和預警下限值。
33、第二方面，提供了一種基于時間序列的車流量預測裝置，該裝置可以包括：
34、獲取單元，用于獲取雷達在歷史時間段中目標區(qū)域內車輛的識別數據；
35、剔除單元，用于剔除所述識別數據中的異常數據，得到歷史時間段內的目標識別數據；
36、預測單元，用于采用訓練好的車流量預測模型，對所述目標識別數據進行預測，得到未來時間段的目標車流量；其中，所述未來時間段與所述歷史時間段的時長相等；
37、發(fā)送單元，用于若所述目標車流量超出預警閾值，則發(fā)出包括所述目標車流量的告警信息。
38、第三方面，提供了一種電子設備，該電子設備包括處理器、通信接口、存儲器和通信總線，其中，處理器，通信接口，存儲器通過通信總線完成相互間的通信；
39、存儲器，用于存放計算機程序；
40、處理器，用于執(zhí)行存儲器上所存放的程序時，實現上述第一方面中任一所述的方法步驟。
41、第四方面，提供了一種計算機可讀存儲介質，該計算機可讀存儲介質內存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現上述第一方面中任一所述的方法步驟。
42、本申請?zhí)峁┑囊环N基于時間序列的車流量預測方法，該方法包括獲取雷達在歷史時間段中目標區(qū)域內車輛的識別數據；剔除識別數據中的異常數據，得到歷史時間段內的目標識別數據；采用訓練好的車流量預測模型，對目標識別數據進行預測，得到未來時間段的目標車流量；若目標車流量超出預警閾值，則發(fā)出包括述目標車流量的告警信息。該方法能夠對異常數據進行準確的剔除，之后對長時間序列(未來時間段)的數據進行預測，得到精準的預測結果；以及通過設置動態(tài)的預警閾值對預測結果進行處理，提高了預警閾值對變化數據的敏感性，有效的降低了誤報警的可能性。
本文檔來自技高網...【技術保護點】
1.一種基于時間序列的車流量預測方法，其特征在于，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述識別數據中包括多類別的數據；剔除所述識別數據中的異常數據，得到目標識別數據，包括：
3.如權利要求1所述的方法，其特征在于，所述車流量預測模型的訓練過程為：
4.如權利要求3所述的方法，其特征在于，對所述初始車流量預測模型的模型參數進行更新，包括：
5.如權利要求1所述的方法，其特征在于，所述車流量預測模型包括CNN模塊、GRU模塊和AM模塊；
6.如權利要求1所述的方法，其特征在于，所述預警閾值包括預警上限值和預警下限值；
7.如權利要求6所述的方法，其特征在于，所述預警值算法為：
8.一種基于時間序列的車流量預測裝置，其特征在于，所述裝置包括：
9.一種電子設備，其特征在于，所述電子設備包括處理器、通信接口、存儲器和通信總線，其中，處理器，通信接口，存儲器通過通信總線完成相互間的通信；
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質內存儲有計算
...【技術特征摘要】
1.一種基于時間序列的車流量預測方法，其特征在于，所述方法包括：
2.如權利要求1所述的方法，其特征在于，所述識別數據中包括多類別的數據；剔除所述識別數據中的異常數據，得到目標識別數據，包括：
3.如權利要求1所述的方法，其特征在于，所述車流量預測模型的訓練過程為：
4.如權利要求3所述的方法，其特征在于，對所述初始車流量預測模型的模型參數進行更新，包括：
5.如權利要求1所述的方法，其特征在于，所述車流量預測模型包括cnn模塊、gru模塊和am模塊；
6.如權利要求1...
【專利技術屬性】
技術研發(fā)人員：李春楊，
申請(專利權)人：中電信數字城市科技有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。