车流量预测方法、装置、计算机设备和存储介质与流程

1.本发明涉及车流量预测技术领域，特别是涉及车流量预测方法、装置、计算机设备和存储介质。


背景技术：

2.为应对节假日期间陡增的车流量，以及保障高速路网的安全畅通，各省高速公路管理部门会提前对节假日期间的交通量变化进行分析预判，并发布节假日期间高速公路出行指南，引导大家合理安排出行计划。在此背景下，从宏观层面上对全省路网收费站出入口在节假日期间的车流量进行较为合理、准确的预测，这对高速管理部门掌握交通变化动向、提前对节假日期间的保障工作进行安排部署、发布高速出行指南具有重要的参考意义。
3.然而，目前的高速公路领域的交通流量预测多为针对单个收费站车流量的预测，缺少对全省范围的宏观预测；当前对节假日期间的车流量预测大多为以单个收费站为对象进行预测，是对个体的预测，缺少对全省收费站车流量组成的整体进行的研究和预测；由于各个收费站的地理位置、规模等不尽相同，各个收费站车流量的变化特征也不尽相同，分别对单个收费站的车流量进行预测再将预测结果汇总的方式不仅计算繁琐，也容易造成误差累积；目前比较常用的机器学习和深度学习的预测方法都需要大量的历史数据积累才能训练出性能较好的模型，但是对于节假日来说本身的数据量就很有限，加上过去检测设备和检测技术不完备导致的数据缺失，成为使用机器学习和深度学习训练预测模型的障碍；同时，目前的车流量预测方法基本上都是基于时间序列的，预测时时序变化占有很大的比重，忽略了气象、计划性事件，偶然因素(突发事件)等特殊因素对车流量造成的影响，造成预测结果的不合理。
4.因此，目前的高速公路领域的交通流量预测多为针对单个收费站车流量的预测，缺少对全省范围的宏观预测；使用分别对单个收费站车流量进行预测再将各收费站预测结果汇总的方式计算复杂，还容易误差累积；节假日历史数据量较少的现实条件导致难以使用机器学习、深度学习技术训练预测模型；基于时间序列的预测方法忽略了除时序外的特殊因素对车流量变化的影响。


技术实现要素：

5.基于此，有必要针对上述问题，提供一种车流量预测方法、装置、计算机设备和存储介质。
6.第一方面，提供了一种车流量预测方法，用于预测目标区域的当前年份目标时间段的车流量，所述预测方法包括：
7.根据所述目标区域的历史车流量数据确定基准年，其中所述基准年是当前年份之前的年份；
8.根据所述基准年和所述目标时间段，通过所述历史车流量数据确定用于车流量预测的目标历史数据；其中，所述目标历史数据包括：历史时间段的日均车流量、历史时间段
的车流量相对于所述基准年前一年的年增长率、所述历史时间段的车流量相对于所述历史时间段的前一周的周增长率、所述历史时间段各天的车流量比例和所述历史时间段每天各小时的车流量比例；所述历史时间段是指所述基准年中与所述目标时间段相对应的时间段；
9.根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果。
10.在其中一个实施例中，所述通过所述历史车流量数据确定用于车流量预测的目标历史数据，包括：
11.根据预设的车辆类型分类规则，对所述历史车流量数据进行分组，将同一类型车辆的历史车流量数据划分为一组；
12.针对各类型车辆，通过与同一类型车辆对应的一组历史车流量数据确定同一类型车辆的目标历史数据。
13.在其中一个实施例中，所述通过所述历史车流量数据确定用于车流量预测的目标历史数据，包括：
14.确定所述历史时间段的第一日均车流量；
15.确定所述历史时间段前一周的第二日均车流量；
16.确定所述基准年的前一年中与所述历史时间段对应的时间段的第三日均车流量；
17.根据所述第一日均车流量和所述第二日均车流量，确定所述周增长率；
18.根据所述第一日均车流量和所述第三日均车流量，确定所述年增长率。
19.在其中一个实施例中，所述根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果，包括：
20.根据所述目标历史数据，通过预配置的第一车流量预测公式，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果；其中，所述第一车流量预测公式的表达式为：
[0021][0022]
式中，f
i,h
表示所述目标时间段任一天的任一小时的车流量预测结果；
[0023]
s表示所述历史时间段的日均车流量；
[0024]
n表示所述目标时间段的天数；
[0025]di
表示所述历史时间段各天的车流量比例；
[0026]ri,h
表示所述历史时间段每天各小时的车流量比例；
[0027]
a表示所述年增长率；
[0028]
b表示所述周增长率；
[0029]
α和β分别表示所述年增长率置信权重和所述周增长率置信权重；
[0030]
n表示所述基准年距离当前年份的年差。
[0031]
在其中一个实施例中，所述预测方法还包括：
[0032]
获取预设的验证时间段的实际车流量，所述验证时间段是所述基准年中的时间段和/或当前年份中的时间段；
[0033]
对所述第一流量预测公式中的年增长率置信权重和周增长率置信权重按照最低
0，最高1各切分成多份；
[0034]
循环组合所述年增长率置信权重和所述周增长率置信权重，根据所述第一流量预测公式计算每个权重组合下的所述验证时间段的车流量的预测结果；
[0035]
确定所述验证时间段的车流量预测结果和所述验证时间段的实际车流量之间的平均绝对值百分比误差；
[0036]
选取平均绝对值百分比误差最小的一组年增长率置信权重和周增长率置信权重的组合作为所述第一流量预测公式的年增长率置信权重和周增长率置信权重。
[0037]
在其中一个实施例中，所述根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果，包括：
[0038]
根据所述目标历史数据，通过预配置的第二车流量预测公式，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果；其中，所述第二车流量预测公式的表达式为：
[0039][0040]
式中，f
i,h
表示所述目标时间段任一天的任一小时的车流量预测结果；
[0041]fw
、fe和fy分别是气象因素、计划性事件因素、偶然因素；
[0042]
s表示所述历史时间段的日均车流量；
[0043]
n表示所述目标时间段的天数；
[0044]di
表示所述历史时间段各天的车流量比例；
[0045]ri,h
表示所述历史时间段每天各小时的车流量比例；
[0046]
a表示所述年增长率；
[0047]
b表示所述周增长率；
[0048]
α和β分别表示所述年增长率的权重和所述周增长率的权重；
[0049]
n表示所述基准年距离当前年份的年差。
[0050]
在其中一个实施例中，所述目标区域为车站收费口的出入口；所述目标时间段为法定节假日期间；所述基准年为当前年份的前一年。
[0051]
第二方面，提供了一种车流量预测装置，所述预测装置包括：
[0052]
基准年确定单元，用于根据所述目标区域的历史车流量数据确定基准年，其中所述基准年是当前年份之前的年份；
[0053]
历史数据确定单元，用于根据所述基准年和所述目标时间段，通过所述历史车流量数据确定用于车流量预测的目标历史数据；其中，所述目标历史数据包括：所述基准年的历史时间段的日均车流量、所述基准年的历史时间段的车流量相对于所述基准年前一年的年增长率、所述基准年的所述历史时间段的车流量相对于所述历史时间段的前一周的周增长率、所述基准年的所述历史时间段各天的车流量比例和所述基准年的所述历史时间段每天各小时的车流量比例；所述历史时间段是指所述基准年中与所述目标时间段相对应的时间段；
[0054]
预测结果输出单元，用于根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果。
[0055]
第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器中存储有计
算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述车流量预测方法的步骤。
[0056]
第四方面，提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述车流量预测方法的步骤。
[0057]
上述车流量预测方法、装置、计算机设备和存储介质，用于预测目标区域的当前年份目标时间段的车流量，通过根据所述目标区域的历史车流量数据确定基准年；根据所述基准年和所述目标时间段，通过所述历史车流量数据确定用于车流量预测的目标历史数据；其中，所述目标历史数据包括：历史时间段的日均车流量、历史时间段的车流量相对于所述基准年前一年的年增长率、所述历史时间段的车流量相对于所述历史时间段的前一周的周增长率、所述历史时间段各天的车流量比例和所述历史时间段每天各小时的车流量比例；所述历史时间段是指所述基准年中与所述目标时间段相对应的时间段；根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果。因此，本发明可以将全省收费站的出口车流量和入口车流量分别作为一个整体，根据不同车型在节假日期间的流量变化特点，并将天气因素、突发偶然因素等影响因素考虑在内，对不同车型在节假日期间的入口车流量和出口车流量进行预测，得到了较为准确的预测结果，为各省高速公路管理部门发布节假日期间高速出行指南提供了参考。
附图说明
[0058]
图1是本发明一实施例中车流量预测方法的一应用环境示意图；
[0059]
图2是本发明一实施例中车流量预测方法的一流程示意图；
[0060]
图3是图1中步骤s10的一具体实施方式流程示意图；
[0061]
图4是图1中步骤s30的一具体实施方式流程示意图；
[0062]
图5是图4中步骤s32的一具体实施方式流程示意图；
[0063]
图6是本发明一实施例中车流量预测装置的一结构示意图；
[0064]
图7是本发明一实施例中计算机设备的一结构示意图；
[0065]
图8是本发明一实施例中计算机设备的另一结构示意图。
具体实施方式
[0066]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0067]
可以理解，本技术所使用的术语“原”、“测试”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将原个元件与另一个元件区分。举例来说，在不脱离本技术的范围的情况下，可以将第一车流量预测方法脚本称为测试车流量预测方法脚本，且类似地，可将测试车流量预测方法脚本称为测试车流量预测方法脚本。
[0068]
为应对节假日期间陡增的车流量以及保障高速路网的安全畅通，各省高速公路管理部门会提前对节假日期间的交通量变化进行分析预判，并发布节假日期间高速公路出行指南，引导大家合理安排出行计划。在对节假日期间的车流量进行分析预测时，由于各节假
日的放假天数不同，并且有些节日期间高速对小客车免费，有些节日不免费，加上天气因素，计划性事件因素，突发事件因素的影响，对准确预测车流量带来了挑战。
[0069]
本发明实施例提供的车流量预测方法，可应用在如图1的应用环境中，用于预测目标区域的当前年份目标时间段(如法定节假日)的车流量，其中，客户端通过网络与服务端进行通信。服务端可以通过客户端接收用户输入的待预测的目标区域和目标时间段，根据目标区域的历史车流量数据确定基准年，其中基准年是当前年份之前的年份；根据基准年和目标时间段，通过历史车流量数据确定用于车流量预测的目标历史数据；其中，目标历史数据包括：历史时间段的日均车流量、历史时间段的车流量相对于基准年前一年的年增长率、历史时间段的车流量相对于历史时间段的前一周的周增长率、历史时间段各天的车流量比例和历史时间段每天各小时的车流量比例；历史时间段是指基准年中与目标时间段相对应的时间段；根据目标历史数据，确定目标区域的目标时间段的每天各小时车流量预测结果。在本发明中，针对一个省的车站收费站的出口和/或入口在发定节假日的车流量的预测问题，可利用对历史流量数据进行统计和汇总，得到相应的目标历史数据，然后将目标历史数据代入预先设定的车流量预测公式中计算得到目标时间段(法定节假日)的车流量预测结果，与现有对节假日期间高速收费站车流量预测的方法相比，使用本发明公开的方法对全省收费站车流量进行预测，可以在较少历史数据需要、不需要复杂模型训练过程的前提下，快速的对节假日期间的宏观车流量做出预测，预测方法更加合理，预测结果具有较好的稳定性和准确性。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
[0070]
请参阅图2所示，图2为本发明实施例提供的车流量预测方法的一个流程示意图，用于预测目标区域的当前年份目标时间段(如法定节假日期间)的车流量，包括如下步骤：
[0071]
s10、根据目标区域的历史车流量数据确定基准年，其中基准年是当前年份之前的年份；
[0072]
可理解，本实施例用于预测未来的某个时间段的目标区域的车流量，在这里当前年份指的是目标时间段所在的年份，例如，目标时间段是2023年1月1日至3日(元旦假期)的车流量的预测，那么当前年份就是2023年。目标区域可以是某一区域，省市，甚至是多省协同发展区，如京津冀，长三角等，目标时间段可以是指某节假日期间例如当前时刻是2022年4月份，预测2022年5月1日至3日(五一假期期间)、10月1日至7日(十一假期期间)，至于车流量数据的采集地点可以是某一区域的车站收费站的出口和/或入口，例如，通过统计经过某一省的车站收费站的出口和/或入口的车流量推断该省的车流量数据。
[0073]
其中，以当前年份的前一年或前两年为基准年，例如，当前年份是2022年，则基准年可以是2021年也可以是2020年。原则上，优选的是前一年，除非当前年份的前一年的历史车流量数据有瑕疵，例如，数据不完整(部分数据缺失)、目标区域发生特殊状况导致数据异常，例如某个或某些收费站出口/入口在一段时间内处于关闭状态。
[0074]
在一些实施例中，优选地，目标时间段为法定节假日期间；基准年为当前年份的前一年。
[0075]
s20、根据基准年和目标时间段，通过历史车流量数据确定用于车流量预测的目标历史数据；其中，目标历史数据包括：历史时间段的日均车流量、历史时间段的车流量相对
于基准年前一年的年增长率、历史时间段的车流量相对于历史时间段的前一周的周增长率、历史时间段各天的车流量比例和历史时间段每天各小时的车流量比例；历史时间段是指基准年中与目标时间段相对应的时间段。
[0076]
可理解，历史时间段是指基准年中与目标时间段相对应的时间段是指例如目标时间段是2023年1月1日至3日，那么历史时间应该是基准年的1月1日至3日，即相对应的时间段是指日期要对应上，也可以说是，如果目标时间段是当前年份的某一法定假期，那么历史时间段就是基准年中的相同的法定假期。
[0077]
在一些实施例中，上述步骤s20可以包括：
[0078]
s201a、根据预设的车辆类型分类规则，对历史车流量数据进行分组，将同一类型车辆的历史车流量数据划分为一组；
[0079]
s201b、针对各类型车辆，通过与同一类型车辆对应的一组历史车流量数据确定同一类型车辆的目标历史数据。
[0080]
在这里，针对不同类型的车辆分别预测目标时间段的车流量，相应的历史车流量也是不同类型车辆各自对应的历史车流量。例如，以某省高速公路收费站入口的各车型在元旦节日期间的历史车流量统计数据为例，分析不同车型在节假日期间车流量的变化特点。将高速公路上的车型分为三大类：客车、货车、专项作业车辆；客车和货车的车流量较多，专项作业车辆的车流量较少，其中客车包含7座以下的小客车和其它客运车辆。
[0081]
在一些实施例中，上述步骤s20可以包括：
[0082]
s202a、确定历史时间段的第一日均车流量；
[0083]
s202b、确定历史时间段前一周的第二日均车流量；
[0084]
s202c、确定基准年的前一年中与历史时间段对应的时间段的第三日均车流量；
[0085]
s202d、根据第一日均车流量和第二日均车流量，确定周增长率；
[0086]
s202e、根据第一日均车流量和第三日均车流量，确定年增长率。
[0087]
可理解，第一日均车流量是法定节日期间的日均车流量，即某一类型车辆的日均车流量；第二日均车流量是法定节日期间前一周的日均车流量，例如，5月1日至3日(法定节假日期间)前一周是4月24日至30日；第三日均车流量是基准年的前一年中与历史时间段对应的时间段的日均车流量，例如，以2022年作为基准年，10月1日至7日(法定十一假期期间)为历史时间端，那么与历史时间段对应的时间段是2021年的10月1日至7日。
[0088]
s30、根据目标历史数据，确定目标区域的目标时间段的每天各小时车流量预测结果。
[0089]
在一些实施例中，上述步骤s30可以包括：
[0090]
根据目标历史数据，通过预配置的第一车流量预测公式，确定目标区域的目标时间段的每天各小时车流量预测结果；其中，第一车流量预测公式的表达式为：
[0091][0092]
式中，f
i,h
表示目标时间段任一天的任一小时的车流量预测结果；
[0093]
s表示历史时间段的日均车流量；
[0094]
n表示目标时间段的天数；
[0095]di
表示历史时间段各天的车流量比例；
[0096]ri,h
表示历史时间段每天各小时的车流量比例；
[0097]
a表示年增长率；
[0098]
b表示周增长率；
[0099]
α和β分别表示年增长率置信权重和周增长率置信权重；
[0100]
n表示基准年距离当前年份的年差。
[0101]
其中，基准年距离当前年份的年差是指基准年相较于当前年份差几年，即当前年份与基准年的年份的差值，例如，当前年份是2022年，基准年是2021年，则n为1；再例如当前年份是2022年，基准年是2020年，则n为2。
[0102]
在一应用场景中，以预测节假日期间全省高速收费站出入口车流量为例，将全省收费站的出口车流量和入口车流量分别作为一个整体，根据不同车型在节假日期间的流量变化特点，并将天气因素、突发偶然因素等影响因素考虑在内，对不同车型在节假日期间的入口车流量和出口车流量进行预测，得到了较为准确的预测结果，为各省高速公路管理部门发布节假日期间高速出行指南提供了参考。
[0103]
1、历史车流量数据：
[0104]
以某省高速公路收费站入口的各车型在元旦节日期间的历史车流量统计数据为例，分析不同车型在节假日期间车流量的变化特点。将高速公路上的车型分为三大类：客车、货车、专项作业车辆；客车和货车的车流量较多，专项作业车辆的车流量较少，其中客车包含7座以下的小客车和其它客运车辆。将某省高速公路全部收费站的入口车流量总和作为一个整体，下面简称为“入口车流量”。将某省元旦期间各车型的入口车流量按小时汇总，下面简称为“小时车流量”。接下来分别对客车、货车、专项作业车辆在元旦期间的小时车流量进行分析。
[0105]
2、对客车历史车流量数据分析：
[0106]
统计历年元旦期间的客车小时车流量，可以得到如下结论：各年元旦期间的车流量变化具有明显的规律性，且相临近的年份变化规律的一致性较强，另外最近两年的变化规律和之前几年又有所区别；随着社会经济的发展，节日期间的总车流量是在增长的。
[0107]
除2020年较为特殊元旦节日只有1天外，元旦节日基本上都是3天，分别统计元旦节日的第一天、第二天、第三天入口客车的小时车流量和各天入口客车的总车流量，计算各天入口客车的小时车流量占当天客车总车流量的占比(下面简称为入口客车的“小时车流量占比”)，统计各年元旦节日期间入口客车的日均车流量。
[0108]
分析各年元旦期间入口客车的日均车流量变化情况，可以得到如下结论：节日期间客车各天的小时车流量占比变化规律是不同的，具体体现在第一天上午高峰的车流量明显比下午高峰的车流量要多，第二天上午高峰、下午高峰的车流量基本持平，第三天下午高峰的车流量明显比上午高峰要多；虽然各年节日期间各天的总车流量不相同，但各年节日期间各天的小时车流量占比却是相似的，且越是相邻的年份相似度越高。
[0109]
3、对货车历史车流量数据分析：
[0110]
和客车类似，统计历年元旦期间的货车小时车流量，由于2017至2020年的数据有缺失，这里只分析2021-2022年的数据，可以看到2021年和2022年元旦期间入口货车小时车流量的变化特征相似，且每天的车流量呈现递增的趋势，2022年整体货车车流量相比2021年也是有增长的。
[0111]
和客车类似，统计各年元旦节日期间入口货车的日均车流量，分别统计元旦节日的第一天、第二天、第三天入口货车的小时车流量和各天入口货车的总车流量，计算各天入口货车的小时车流量占当天货车总车流量的占比(下面简称为入口货车的“小时车流量占比”)，可以得到如下结论：节日期间货车各天的小时车流量占比变化规律是类似的，和客车不同的是，货车的车流量变化趋势上每天只有一个高峰，主要集中在上午至下午的时段；虽然各年节日期间各天的总车流量不相同，但各年节日期间各天的小时车流量占比却是相似的，且越是相邻的年份相似度越高。
[0112]
4、对专项作业车辆历史车流量数据分析：
[0113]
由于专项作业车辆的特殊用途，每天的车流量变化也没有明显的规律；同时专项作业车辆的车流量同客车和货车相比要少得多，存在数量级上的差别，对整体车流量的预测影响很小，因此这里就不再对专项作业车辆进行规律特征的分析。
[0114]
分析结论
[0115]
上面以对某省收费站元旦节日期间收费站入口车流量的历史数据分析为例，同时基于大量对历史节假日收费站车流量数据的分析，总结可以得到如下结论：
[0116]
1.收费站入口和出口的车流量变化特征不同；
[0117]
2.不同节日的车流量变化特征不同；
[0118]
3.不同车型的车流量变化特征不同；
[0119]
4.每年对于同一节日对应各天的车流量变化特征相似；
[0120]
5.每年对于同一节日整体车流量是增长的。
[0121]
基于以上总结出的五条结论的基础上，可以对某节假日期间全省收费站的车流量区分出口/入口、区分车型，做如下的定量分析计算。这里依然以某省元旦节日期间全省收费站入口客车车流量为例，给出定量分析计算的过程：
[0122]
选则基准年。基准年需要选择距离当前年份较近，且车流量变化特征没有突变的年份，这是为了保证整体车流量的平稳变化。这里可以选择2021年作为基准年；
[0123]
计算节日的天数，记为n。例如元旦节日n＝3；
[0124]
计算节日期间基准年的日均客车车流量，记为s；
[0125]
计算基准年前一年的节日期间日均客车车流量相比s的增长率，记该增长率为年增长率，记为a；
[0126]
计算基准年节日前一周的日均客车车流量相比s的增长率，记该增长率为周增长率，记为b；
[0127]
计算节日期间客车各天车流量的比例，记为d。例如：d＝[1.15:1:1.05]；
[0128]
计算基准年节日期间每天各小时段客车车流量占当日客车总车流量的比例，记为γi；
[0129]
本实施例给出了第一车流量预测公式。在计算得到上述各参数值后，将各参数带入公式中，通过计算即可得到某节日第i天的第h小时的客车车流量的预测值。本实施例定义的参数及参数描述和取值范围如表1所示。
[0130]
表1
[0131][0132]
通过计算本专利给出的一系列参数，并将参数带入第一车流量预测公式中，即可得到全省收费站入口(或出口)在某节假日期间某车型每天各小时车流量的预测值，进而可计算得到各车型在节假日期间每天各小时的车流量预测值。通过将上述计算得到的预测结果灵活组合，可为省级高速管理部门提前发布节假日期间高速出行指南提供参考。
[0133]
在一些实施例中，采用网格搜索方法对年增长率置信权重α和周增长率置信权重β进行更新迭代，得到一组最优权重；具体可以包括：
[0134]
s301、获取预设的验证时间段的实际车流量，验证时间段是基准年中的时间段和/或当前年份中的时间段；
[0135]
其中，验证时间段可以是基准年的时间段也可以是当前年份的时间段，验证时间段可以是相同的节假日时间段也可以是不同节假日时间段，可以采用一个验证时间段确定出一组最优权重，也可以通过多个验证时间段确定出一组最优权重。当然，第一流量预测公式在计算不同的目标时间段时采用的最优权重组合可以相同，也可以不同，根据具体情况确定。例如，目标时间段是某个双休日(或其他的法定节假日，如五一劳动节、端午节等)，如当前年份是2022年预测2022年第33个双休日的车流量，那么预测时间段可以是当前年份已经经过的一个或者多个双休日(如第20个双休日、第19和20个双休日)，也可以是基准年的第33个双休日，也可以是既有当前年份的双休日也有基准年的双休日。当然，这里将双休日换成五一劳动节、端午节等之类的假期也是同样的原理。原则上，如果选择了多个预测时间段确定最优权重，大概率最终得到的每个预测时间段对应的最优权重的差值不大，如果差值较大，则优先剔除差值较大的最优权重，然后根据剩余的最优权重确定最终的最优权重，具体可以取α和β中较大值的中位值，也可以是取α和β中较大值的平均值，等，可以根据具体情况，具体确定，在此不再赘述。α和β中一个确定的情况下，另一个自然也就确定了。
[0136]
当然，除了网格搜索法之外，在一些具体应用场景中，年增长率置信权重α和周增长率置信权重β使根据经验确定的经验值，原则上周增长率置信权重β不小于年增长率置信
权重α。
[0137]
s302、对第一流量预测公式中的年增长率置信权重和周增长率置信权重按照最低0，最高1各切分成多份；
[0138]
s303、循环组合年增长率置信权重和周增长率置信权重，根据第一流量预测公式计算每个权重组合下的验证时间段的车流量的预测结果；
[0139]
s304、确定验证时间段的车流量预测结果和验证时间段的实际车流量之间的平均绝对值百分比误差；
[0140]
s305、选取平均绝对值百分比误差最小的一组年增长率置信权重和周增长率置信权重的组合作为第一流量预测公式的年增长率置信权重和周增长率置信权重。
[0141]
在将全省收费站的出口车流量和入口车流量分别作为一个整体，根据不同车型在节假日期间的流量变化特点，并将天气因素、突发偶然因素等影响因素考虑在内，对不同车型在节假日期间的入口车流量和出口车流量进行预测，得到了较为准确的预测结果。
[0142]
在一些实施例中，上述步骤s30可以包括：
[0143]
根据目标历史数据，通过预配置的第二车流量预测公式，确定目标区域的目标时间段的每天各小时车流量预测结果；其中，第二车流量预测公式的表达式为：
[0144][0145]
式中，f
i,h
表示目标时间段任一天的任一小时的车流量预测结果；
[0146]fw
、fe和fy分别是气象因素、计划性事件因素、偶然因素；
[0147]
s表示历史时间段的日均车流量；
[0148]
n表示目标时间段的天数；
[0149]di
表示历史时间段各天的车流量比例；
[0150]ri,h
表示历史时间段每天各小时的车流量比例；
[0151]
a表示年增长率；
[0152]
b表示周增长率；
[0153]
α和β分别表示年增长率的权重和周增长率的权重。
[0154]
本实施例对一些特殊因素对车流量变化的影响也纳入了考虑范围，这些特殊因素包括：气象因素、计划性事件因素、偶然因素(如突发事件等)。这些特殊因素的具体取值可以根据经验值设定。这些因素的参数定义如表2所示。
[0155]
表2
[0156]
参数描述数据类型取值范围fw气象影响因子float[0,1]fe计划性事件影响因子float[0,1]fy偶然事件影响因子float[0,1]
[0157]
这里应用本发明提供的方法对预测结果的准确性进行了验证，具体为对某省2022年端午节期间全部收费站入口的总车流量、客车车流量、货车车流量分别行了预测，并用实际车流量对预测结果进行验证。这里使用mape(平均绝对值百分比误差)作为误差指标，计算节日期间小时车流量的预测结果误差。根据验证结果，得到预测结果的误差均保持在5％
以内，误差较小，预测准确性较好。
[0158]
从上述方案可以看出，将全省收费站的出口车流量和入口车流量分别作为一个整体，根据不同车型在节假日期间的流量变化特点，并将天气因素、突发偶然因素等影响因素考虑在内，对不同车型在节假日期间的入口车流量和出口车流量进行预测，得到了较为准确的预测结果，为各省高速公路管理部门发布节假日期间高速出行指南提供了参考。
[0159]
可见，在上述方案中，与现有对节假日期间高速收费站车流量预测的方法相比，使用本发明公开的方法对全省收费站车流量进行预测，可以在较少历史数据需要、不需要复杂模型训练过程的前提下，快速的对节假日期间的宏观车流量做出预测，预测方法更加合理，预测结果具有较好的稳定性和准确性。
[0160]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0161]
在一实施例中，提供一种车流量预测装置，该车流量预测装置与上述实施例中车流量预测方法一一对应。如图6所示，该车流量预测装置包括基准年确定单元101、历史数据确定单元102和预测结果输出单元103。各功能模块详细说明如下：
[0162]
基准年确定单元101，用于根据目标区域的历史车流量数据确定基准年，其中基准年是当前年份之前的年份；
[0163]
历史数据确定单元102，用于根据基准年和目标时间段，通过历史车流量数据确定用于车流量预测的目标历史数据；其中，目标历史数据包括：基准年的历史时间段的日均车流量、基准年的历史时间段的车流量相对于基准年前一年的年增长率、基准年的历史时间段的车流量相对于历史时间段的前一周的周增长率、基准年的历史时间段各天的车流量比例和基准年的历史时间段每天各小时的车流量比例；历史时间段是指基准年中与目标时间段相对应的时间段；
[0164]
预测结果输出单元103，用于根据目标历史数据，确定目标区域的目标时间段的每天各小时车流量预测结果。
[0165]
在一实施例中，历史数据确定单元102，具体用于：
[0166]
根据预设的车辆类型分类规则，对历史车流量数据进行分组；
[0167]
通过各组历史车流量数据确定用于同一类型车辆的车流量预测的目标历史数据。
[0168]
在一实施例中，历史数据确定单元102，具体用于：
[0169]
确定历史时间段的第一日均车流量；
[0170]
确定历史时间段前一周的第二日均车流量；
[0171]
确定基准年的前一年中与历史时间段对应的时间段的第三日均车流量；
[0172]
根据第一日均车流量和第二日均车流量，确定周增长率；
[0173]
根据第一日均车流量和第三日均车流量，确定年增长率。
[0174]
在一实施例中，预测结果输出单元103，具体用于：
[0175]
根据目标历史数据，确定目标区域的目标时间段的每天各小时车流量预测结果，包括：
[0176]
根据目标历史数据，通过预配置的第一车流量预测公式，确定目标区域的目标时间段的每天各小时车流量预测结果；其中，第一车流量预测公式的表达式为：
[0177][0178]
式中，f
i,h
表示目标时间段任一天的任一小时的车流量预测结果；
[0179]
s表示历史时间段的日均车流量；
[0180]
n表示目标时间段的天数；
[0181]di
表示历史时间段各天的车流量比例；
[0182]ri,h
表示历史时间段每天各小时的车流量比例；
[0183]
a表示年增长率；
[0184]
b表示周增长率；
[0185]
α和β分别表示年增长率置信权重和周增长率置信权重；
[0186]
n表示基准年距离当前年份的年差。
[0187]
在一实施例中，预测结果输出单元103，还具体用于：
[0188]
获取预设的验证时间段的实际车流量，验证时间段是基准年中的时间段和/或当前年份中的时间段；
[0189]
对第一流量预测公式中的年增长率置信权重和周增长率置信权重按照最低0，最高1各切分成多份；
[0190]
循环组合年增长率置信权重和周增长率置信权重，根据第一流量预测公式计算每个权重组合下的验证时间段的车流量的预测结果；
[0191]
确定验证时间段的车流量预测结果和验证时间段的实际车流量之间的平均绝对值百分比误差；
[0192]
选取平均绝对值百分比误差最小的一组年增长率置信权重和周增长率置信权重的组合作为第一流量预测公式的年增长率置信权重和周增长率置信权重。
[0193]
在一实施例中，预测结果输出单元103，具体用于：
[0194]
根据目标历史数据，通过预配置的第二车流量预测公式，确定目标区域的目标时间段的每天各小时车流量预测结果；其中，第二车流量预测公式的表达式为：
[0195][0196]
式中，f
i,h
表示目标时间段任一天的任一小时的车流量预测结果；
[0197]fw
、fe和fy分别是气象因素、计划性事件因素、偶然因素；
[0198]
s表示历史时间段的日均车流量；
[0199]
n表示目标时间段的天数；
[0200]di
表示历史时间段各天的车流量比例；
[0201]ri,h
表示历史时间段每天各小时的车流量比例；
[0202]
a表示年增长率；
[0203]
b表示周增长率；
[0204]
α和β分别表示年增长率的权重和周增长率的权重。
[0205]
本发明提供了一种车流量预测装置，与现有对节假日期间高速收费站车流量预测的方法相比，使用本发明公开的方法对全省收费站车流量进行预测，可以在较少历史数据
需要、不需要复杂模型训练过程的前提下，快速的对节假日期间的宏观车流量做出预测，预测方法更加合理，预测结果具有较好的稳定性和准确性。
[0206]
关于车流量预测装置的具体限定可以参见上文中对于车流量预测方法的限定，在此不再赘述。上述车流量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0207]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种车流量预测方法服务端侧的功能或步骤。
[0208]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种车流量预测方法客户端侧的功能或步骤
[0209]
在一个实施例中，提供了一种计算机设备，用于预测目标区域的当前年份目标时间段的车流量，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0210]
根据目标区域的历史车流量数据确定基准年，其中基准年是当前年份之前的年份；
[0211]
根据基准年和目标时间段，通过历史车流量数据确定用于车流量预测的目标历史数据；其中，目标历史数据包括：历史时间段的日均车流量、历史时间段的车流量相对于基准年前一年的年增长率、历史时间段的车流量相对于历史时间段的前一周的周增长率、历史时间段各天的车流量比例和历史时间段每天各小时的车流量比例；历史时间段是指基准年中与目标时间段相对应的时间段；
[0212]
根据目标历史数据，确定目标区域的目标时间段的每天各小时车流量预测结果。
[0213]
在一个实施例中，提供了一种计算机可读存储介质，用于预测目标区域的当前年份目标时间段的车流量，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0214]
根据目标区域的历史车流量数据确定基准年，其中基准年是当前年份之前的年份；
[0215]
根据基准年和目标时间段，通过历史车流量数据确定用于车流量预测的目标历史数据；其中，目标历史数据包括：历史时间段的日均车流量、历史时间段的车流量相对于基准年前一年的年增长率、历史时间段的车流量相对于历史时间段的前一周的周增长率、历
史时间段各天的车流量比例和历史时间段每天各小时的车流量比例；历史时间段是指基准年中与目标时间段相对应的时间段；
[0216]
根据目标历史数据，确定目标区域的目标时间段的每天各小时车流量预测结果。
[0217]
需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。
[0218]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)等非易失性存储介质，或随机存储记忆体(randomaccessmemory，ram)等。
[0219]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0220]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种车流量预测方法，用于预测目标区域的当前年份目标时间段的车流量，其特征在于，所述预测方法包括：根据所述目标区域的历史车流量数据确定基准年，其中所述基准年是当前年份之前的年份；根据所述基准年和所述目标时间段，通过所述历史车流量数据确定用于车流量预测的目标历史数据；其中，所述目标历史数据包括：历史时间段的日均车流量、历史时间段的车流量相对于所述基准年前一年的年增长率、所述历史时间段的车流量相对于所述历史时间段的前一周的周增长率、所述历史时间段各天的车流量比例和所述历史时间段每天各小时的车流量比例；所述历史时间段是指所述基准年中与所述目标时间段相对应的时间段；根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果。2.如权利要求1所述的车流量预测方法，其特征在于，所述通过所述历史车流量数据确定用于车流量预测的目标历史数据，包括：根据预设的车辆类型分类规则，对所述历史车流量数据进行分组，将同一类型车辆的历史车流量数据划分为一组；针对各类型车辆，通过与同一类型车辆对应的一组历史车流量数据确定同一类型车辆的目标历史数据。3.如权利要求1所述的车流量预测方法，其特征在于，所述通过所述历史车流量数据确定用于车流量预测的目标历史数据，包括：确定所述历史时间段的第一日均车流量；确定所述历史时间段前一周的第二日均车流量；确定所述基准年的前一年中与所述历史时间段对应的时间段的第三日均车流量；根据所述第一日均车流量和所述第二日均车流量，确定所述周增长率；根据所述第一日均车流量和所述第三日均车流量，确定所述年增长率。4.如权利要求1所述的车流量预测方法，其特征在于，所述根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果，包括：根据所述目标历史数据，通过预配置的第一车流量预测公式，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果；其中，所述第一车流量预测公式的表达式为：式中，f
i,h
表示所述目标时间段任一天的任一小时的车流量预测结果；s表示所述历史时间段的日均车流量；n表示所述目标时间段的天数；d
i
表示所述历史时间段各天的车流量比例；r
i,h
表示所述历史时间段每天各小时的车流量比例；a表示所述年增长率；b表示所述周增长率；α和β分别表示所述年增长率置信权重和所述周增长率置信权重；
n表示所述基准年距离当前年份的年差。5.如权利要求4所述的车流量预测方法，其特征在于，所述预测方法还包括：获取预设的验证时间段的实际车流量，所述验证时间段是所述基准年中的时间段和/或当前年份中的时间段；对所述第一流量预测公式中的年增长率置信权重和周增长率置信权重按照最低0，最高1各切分成多份；循环组合所述年增长率置信权重和所述周增长率置信权重，根据所述第一流量预测公式计算每个权重组合下的所述验证时间段的车流量的预测结果；确定所述验证时间段的车流量预测结果和所述验证时间段的实际车流量之间的平均绝对值百分比误差；选取平均绝对值百分比误差最小的一组年增长率置信权重和周增长率置信权重的组合作为所述第一流量预测公式的年增长率置信权重和周增长率置信权重。6.如权利要求1所述的车流量预测方法，其特征在于，所述根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果，包括：根据所述目标历史数据，通过预配置的第二车流量预测公式，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果；其中，所述第二车流量预测公式的表达式为：式中，f
i,h
表示所述目标时间段任一天的任一小时的车流量预测结果；f
w
、f
e
和f
y
分别是气象因素、计划性事件因素、偶然因素；s表示所述历史时间段的日均车流量；n表示所述目标时间段的天数；d
i
表示所述历史时间段各天的车流量比例；r
i,h
表示所述历史时间段每天各小时的车流量比例；a表示所述年增长率；b表示所述周增长率；α和β分别表示所述年增长率的权重和所述周增长率的权重；n表示所述基准年距离当前年份的年差。7.如权利要求1所述的车流量预测方法，其特征在于，所述目标时间段为法定节假日期间；所述基准年为当前年份的前一年。8.一种车流量预测装置，其特征在于，所述预测装置包括：基准年确定单元，用于根据所述目标区域的历史车流量数据确定基准年，其中所述基准年是当前年份之前的年份；历史数据确定单元，用于根据所述基准年和所述目标时间段，通过所述历史车流量数据确定用于车流量预测的目标历史数据；其中，所述目标历史数据包括：所述基准年的历史时间段的日均车流量、所述基准年的历史时间段的车流量相对于所述基准年前一年的年增长率、所述基准年的所述历史时间段的车流量相对于所述历史时间段的前一周的周增长率、所述基准年的所述历史时间段各天的车流量比例和所述基准年的所述历史时间段每天各小时的车流量比例；所述历史时间段是指所述基准年中与所述目标时间段相对应的时间
段；预测结果输出单元，用于根据所述目标历史数据，确定所述目标区域的所述目标时间段的每天各小时车流量预测结果。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述车流量预测方法的步骤。10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述车流量预测方法的步骤。

技术总结
本发明涉及一种车流量预测方法方法、装置、计算机设备和存储介质，该方法包括：根据目标区域的历史车流量数据确定基准年，其中基准年是当前年份之前的年份；通过历史车流量数据确定用于车流量预测的目标历史数据；其中，目标历史数据包括：历史时间段的日均车流量、历史时间段的车流量相对于基准年前一年的年增长率、历史时间段的车流量相对于历史时间段的前一周的周增长率、历史时间段各天的车流量比例和历史时间段每天各小时的车流量比例；历史时间段是指基准年中与目标时间段相对应的时间段；根据目标历史数据，预测目标时间段的每天各小时车流量结果。上述方法可以利用较少的历史车流量数据较为精准地预测目标时间段的车流量。车流量。车流量。


技术研发人员：王永翔 曹宁 冉学均 夏曙东 李鹏
受保护的技术使用者：北京千方科技股份有限公司
技术研发日：2023.02.10
技术公布日：2023/6/26