一种高速公路施工区的交通流预测方法、装置及存储介质与流程

1.本技术涉及数据处理技术领域，尤其是涉及一种高速公路施工区的交通流预测方法、装置及存储介质。


背景技术：

2.许多高速公路开始进入日益繁重的大中维护和改扩建施工作业。在施工作业方案明确的前提下，需要针对施工路段在一定空间范围内进行封闭，从而为施工机械与人员提供足够活动区域；一方面因施工带来的道路空间压缩，在一定程度上给驾驶员增加了对车辆的制动操作，容易引起操作过程中的心理紧张与抵触情绪，从而降低行车安全性。在满足正常施工要求的前提下，保证施工路段行车的通畅性与安全性，尽量降低路段行车延误以及燃油消耗，提高驾驶员与乘客的行车舒适度，是当前养护施工交通组织方案制定过程中需重点考虑的方面。所以，如何实现对施工区的未来交通流进行有效地预测成为了不容小觑的技术问题。


技术实现要素：

3.有鉴于此，本技术的目的在于提供一种高速公路施工区的交通流预测方法、装置及存储介质，将目标施工作业位置、目标施工作业位置的作业时间以及目标施工作业位置的作业时长输入至利用时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的流量预测模型之中，自适应的对目标施工作业位置的交通流进行预测，快速准确地预测出目标施工作业位置在未来时间段的交通流。
4.本技术实施例提供了一种高速公路施工区的交通流预测方法，所述交通流预测方法包括：
5.将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的；
6.若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；
7.若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。
8.在一种可能的实施方式中，通过以下步骤确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段：
9.确定出所述目标施工作业位置距离所述上游临近卡口的第一距离；
10.确定出所述上游临近卡口的多个历史车辆速度中的第一目标速度；
11.基于所述第一距离与所述第一目标速度的比值，确定出车辆从所述上游临近卡口到达所述目标施工作业位置的第一驾驶时间；
12.基于所述第一驾驶时间、所述作业时间、第一作业持续时间以及当前作业时间，确定出第一交通流预测时间段。
13.在一种可能的实施方式中，在所述检测所述作业时间与当前作业时间的时间差是否大于等于预设时间阈值之后，所述交通流预测方法还包括：
14.基于所述上游临近卡口的多个近期交通流特征对实时性交通流进行预测，确定出实时交通流序列；
15.基于所述时间交通流序列、所述扰动交通流序列以及所述实时交通流序列的和，预测出所述上游临近卡口在所述交通流预测时间段下的第一交通流序列。
16.在一种可能的实施方式中，通过以下步骤确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间：
17.确定出所述上游临近收费站的多个历史车辆速度的第二目标速度；
18.确定出所述目标施工作业位置距离所述上游临近收费站的第二距离；
19.基于所述第二距离与所述第二目标速度的比值，确定出车辆从所述上游临近收费站到达所述目标施工作业位置的第二驾驶时间；
20.基于所述第二驾驶时间、所述作业时间、第二作业持续时间以及当前作业时间，确定出所述第二交通流预测时间段。
21.在一种可能的实施方式中，通过以下步骤预测出所述第二交通流预测时间段对应的第二交通流序列：
22.基于所述流量预测模型预测出在第二交通流预测时间段下，所述临近收费站的进站交通流时间序列以及所述临近收费站的出站交通流序列；
23.根据所述第一交通流序列与所述进站交通流时间序列的加和，确定出第一序列；
24.根据所述第一序列与所述出站交通流时间序列的差值，预测出第二交通流预测时间段对应的所述第二交通流序列。
25.在一种可能的实施方式中，通过以下步骤确定出所述流量预测模型：
26.将样本交通流数据输入至时间序列模型之中，对时间训练模型进行训练，输出无扰动预测数据，将所述无扰动预测数据以及样本交通流数据中的无扰动数据的时间特征输入到全连接神经网络之中，生成所述时间序列的周期趋势性模型，并确定出所述时间序列的周期趋势性模型的第一预测误差值；
27.基于近期样本交通流数据以及所述第一预测误差值对所述神经网络模型进行训练，生成所述时间序列的实时性模型，并确定出所述时间序列的实时性模型的第二预测误差值；
28.基于历史样本扰动数据以及所述第二预测误差值对所述神经网络模型进行训练，生成所述扰动模型；
29.对所述时间序列的周期趋势性模型、所述时间序列的实时性模型和所述扰动模型进行融合，生成所述流量预测模型。
30.本技术实施例还提供了一种高速公路施工区的交通流预测装置，所述交通流预测装置包括：
31.第一确定模块，用于将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的；
32.第二确定模块，用于若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；
33.第三确定模块，用于若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。
34.本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的高速公路施工区的交通流预测方法的步骤。
35.本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的高速公路施工区的交通流预测方法的步骤。
36.本技术实施例提供的一种高速公路施工区的交通流预测方法、装置及存储介质，所述交通流预测方法包括：将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的；若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。将目标施工作业位置、目标施工作业位置的作业时间以及目标施工作业位置的作业时长输入至利用时间序列的周期趋势性模型、时间序列的实时
性模型和扰动模型进行融合得到的流量预测模型之中，自适应的对目标施工作业位置的交通流进行预测，快速准确地预测出目标施工作业位置在未来时间段的交通流。
37.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
38.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
39.图1为本技术实施例所提供的高速公路施工区的交通流预测方法的流程图；
40.图2为本技术实施例所提供的一种高速公路施工区的交通流预测装置的结构示意图之一；
41.图3为本技术实施例所提供的一种高速公路施工区的交通流预测装置的结构示意图之二；
42.图4为本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
43.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
44.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
45.为了使得本领域技术人员能够使用本技术内容，结合特定应用场景“进行高速公路施工区的交通流的预测”，给出以下实施方式，对于本领域技术人员来说，在不脱离本技术的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
46.本技术实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要对高速公路施工区的交通流的预测的场景，本技术实施例并不对具体的应用场景作限制，任何使用本技术实施例提供的一种高速公路施工区的交通流预测方法、装置及存储介质的方案均在本技术保护范围内。
47.首先，对本技术可适用的应用场景进行介绍。本技术可应用于数据处理技术领域。
48.经研究发现，许多高速公路开始进入日益繁重的大中维护和改扩建施工作业。在
施工作业方案明确的前提下，需要针对施工路段在一定空间范围内进行封闭，从而为施工机械与人员提供足够活动区域；一方面因施工带来的道路空间压缩，在一定程度上给驾驶员增加了对车辆的制动操作，容易引起操作过程中的心理紧张与抵触情绪，从而降低行车安全性。在满足正常施工要求的前提下，保证施工路段行车的通畅性与安全性，尽量降低路段行车延误以及燃油消耗，提高驾驶员与乘客的行车舒适度，是当前养护施工交通组织方案制定过程中需重点考虑的方面。所以，如何实现对施工区的未来交通流进行有效地预测成为了不容小觑的技术问题。
49.基于此，本技术实施例提供了一种高速公路施工区的交通流预测方法，将目标施工作业位置、目标施工作业位置的作业时间以及目标施工作业位置的作业时长输入至利用时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的流量预测模型之中，自适应的对目标施工作业位置的交通流进行预测，快速准确地预测出目标施工作业位置在未来时间段的交通流。
50.请参阅图1，图1为本技术实施例所提供的高速公路施工区的交通流预测方法的流程图。如图1中所示，本技术实施例提供的交通流预测方法，包括：
51.s101：将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段。
52.该步骤中，将高速公路上的目标施工作业位置、目标施工作业位置的作业时间以及目标施工作业位置的作业时长输入至流量预测模型的第一网络层之中，确定出目标施工作业位置的上游临近卡口的第一交通流预测时间段
53.这里，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的。
54.其中，目标施工作业位置可以分为两个类型，若目标施工作业位置上游是收费站，则目标施工作业位置为第二类型，若目标施工作业位置上游是卡口(交通流检测)，则目标施工作业位置为第一类型。
55.在一种可能的实施方式中，通过以下步骤确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段：
56.a：确定出所述目标施工作业位置距离所述上游临近卡口的第一距离。
57.这里，根据gps数据确定出目标施工作业位置距离所述上游临近卡口的第一距离。
58.b：确定出所述上游临近卡口的多个历史车辆速度中的第一目标速度。
59.这里，将上游临近卡口的多个历史车辆速度中的众数速度确定为第一目标速度。
60.c：基于所述第一距离与所述第一目标速度的比值，确定出车辆从所述上游临近卡口到达所述目标施工作业位置的第一驾驶时间。
61.这里，第一距离与第一目标速度的比值，确定出车辆从上游临近卡口到达目标施工作业位置的所需的时间，将所需的时间确定为第一驾驶时间。
62.d：基于所述第一驾驶时间、所述作业时间、第一作业持续时间以及当前作业时间，确定出第一交通流预测时间段。
63.这里，根据第一驾驶时间、作业时间、第一作业持续时间和当前作业时间，确定出第一交通流预测时间段。
64.这里，第一交通流预测时间段为对目标施工作业位置的上游临近卡口进行未来交通流预测的时间段。
65.其中，作业时间为作业开始时间。
66.其中，第一交通流预测时间段为[t
start-t
now
+t1,t
start-t
now
+t1+t
work
]，其中，t
start
为作业时间，t
now
为当前作业时间，t1为第一驾驶时间，t
work
为第一作业持续时间。
[0067]
s102：若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列。
[0068]
该步骤中，若目标施工作业位置的类型为第一类型，则将第一交通流预测时间段输入至流量预测模型的第二网络层之中，预测出交通流预测时间段对应的第一交通流序列。
[0069]
其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列。
[0070]
这里，第一交通流序列为在第一交通流预测时间段下预测出的上游临近卡口的交通流序列，这里将第一交通流序列作为第一类型的目标施工作业位置的预测交通流序列。
[0071]
在一种可能的实施方式中，所述若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列，包括：
[0072]
a：检测所述作业时间与当前作业时间的时间差是否大于等于预设时间阈值。
[0073]
这里，检测作业时间与当前作业时间的时间差是否大于预设时间阈值。
[0074]
b：若是，则基于所述第一交通流预测时间段的时间特征，对周期性和趋势性的交通流进行预测，确定出时间交通流序列；基于所述上游临近卡口的扰动特征，对所述扰动特征相对应的交通流进行预测，确定出扰动交通流序列。
[0075]
这里，若是，则根据第一交通流预测时间段的时间特征，对周期性和趋势性的交通流进行预测，确定出时间交通流序列，根据上游临近卡口的扰动特征，对扰动特征相对应的交通流进行预测，确定出扰动交通流序列。
[0076]
这里，对于对周期性和趋势性的交通流进行预测确定出时间交通流序列的过程是调用时间序列的周期趋势性模型进行交通流预测得到的。
[0077]
其中，扰动特征为不良天气、施工、突发交通事件、交通管控措施、疫情时的交通流数据。
[0078]
这里，对于扰动特征相对应的交通流进行预测，确定出扰动交通流序列的过程是调用扰动模型进行交通流预测得到的。
[0079]
c：基于所述时间交通流序列与所述扰动交通流序列的和，预测出所述上游临近卡口在所述交通流预测时间段下的第一交通流序列。
[0080]
这里，根据时间交通流序列与扰动交通流序列的和，预测出上游临近卡口在所述交通流预测时间段下的第一交通流序列，将该第一交通流序列确定为第一类型的目标施工作业位置的交通流序列。
[0081]
在具体实施例中，计算施工作业开始时间距离当前作业时间的时间差，如果t
start-t
now
≥p，提取时间特征，调用势性模型进行流量预测，得到t
t
，提取扰动特征，调用扰动模型
进行流量预测，得到d
t
，x
predictt
＝t
t
+d
t
，其中，d
t
为扰动交通流序列，t
t
为时间交通流序列。
[0082]
在一种可能的实施方式中，在所述检测所述作业时间与当前作业时间的时间差是否大于等于预设时间阈值之后，所述交通流预测方法还包括：
[0083]
(1)：基于所述上游临近卡口的多个近期交通流特征对实时性交通流进行预测，确定出实时交通流序列。
[0084]
这里，根据上游临近卡口的多个近期交通流特征对实时性交通流进行预测，确定出实时交通流序列。
[0085]
其中，对实时交通流序列的预测是利用实时性模型进行预先得到的。
[0086]
(2)：基于所述时间交通流序列、所述扰动交通流序列以及所述实时交通流序列的和，预测出所述上游临近卡口在所述交通流预测时间段下的第一交通流序列。
[0087]
这里，根据时间交通流序列、扰动交通流序列以及实时交通流序列的和，预测出上游临近卡口在交通流预测时间段下的第一交通流序列。
[0088]
在具体实施例中，计算施工作业开始时间距离当前作业时间的时间差，如果t
start-t
now
＜p，提取时间特征，调用势性模型进行流量预测，得到t
t
，提取扰动特征，调用扰动模型进行流量预测，得到d
t
，取近期数据特征，调用实时性模型进行流量预测，得到r
t
，x
predictt
＝t
t
+d
t
+r
t
。其中，d
t
为扰动交通流序列，t
t
为时间交通流序列，r
t
为实时交通流序列。
[0089]
s103：若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列。
[0090]
该步骤中，若目标施工作业位置的类型为第二类型，则确定出目标施工作业位置的上游临近收费站的第二交通流预测时间段，将第二交通流预测时间段输入至流量预测模型的第二网络层之中，预测出第二交通流预测时间段对应的第二交通流序列。
[0091]
其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。
[0092]
这里，第二交通流序列为在第二交通流预测时间段下预测出的上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量，将第二交通流序列确定为第二类型的目标施工作业位置。
[0093]
在一种可能的实施方式中，通过以下步骤确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间：
[0094]
i：确定出所述上游临近收费站的多个历史车辆速度的第二目标速度。
[0095]
这里，在上游临近收费站的多个历史车辆速度中找到众数速度，将众数速度确定为第二目标速度。
[0096]
ii：确定出所述目标施工作业位置距离所述上游临近收费站的第二距离。
[0097]
这里，计算目标施工作业位置与上游最临近收费站的第二距离，第二距离是根据gps数据计算两点距离。
[0098]
iii：基于所述第二距离与所述第二目标速度的比值，确定出车辆从所述上游临近收费站到达所述目标施工作业位置的第二驾驶时间。
[0099]
这里，根据第二距离与第二目标速度的比值，确定出车辆从上游临近收费站到达
目标施工作业位置的第二驾驶时间。
[0100]
iv：基于所述第二驾驶时间、所述作业时间、第二作业持续时间以及当前作业时间，确定出所述第二交通流预测时间段。
[0101]
这里，根据第二驾驶时间、作业时间、第二作业持续时间以及当前作业时间，确定出第二交通流预测时间段。
[0102]
其中，第二交通流预测时间段为[t
start-t
now
+t
21
，t
start-t
now
+t2+t
work
]，其中，t
start
为作业时间，t
now
为当前作业时间，t2为第一驾驶时间，t
work
第二作业持续时间。
[0103]
在一种可能的实施方式中，通过以下步骤预测出所述第二交通流预测时间段对应的第二交通流序列：
[0104]
(一)：基于所述流量预测模型预测出在第二交通流预测时间段下，所述临近收费站的进站交通流时间序列以及所述临近收费站的出站交通流序列。
[0105]
这里，根据流量预测模型预测出在第二交通流预测时间段下，临近收费站的进站交通流时间序列以及临近收费站的出站交通流序列。
[0106]
这里，关于临近收费站的进站交通流时间序列以及临近收费站的出站交通流序列的预测方式和上述上游临近卡口的交通流量的预测方式相一致，此部分不再进行赘述。
[0107]
(二)：根据所述第一交通流序列与所述进站交通流时间序列的加和，确定出第一序列。
[0108]
这里，第一交通流序列与进站交通流时间序列的加和，确定出第一序列。
[0109]
(三)：根据所述第一序列与所述出站交通流时间序列的差值，预测出第二交通流预测时间段对应的所述第二交通流序列。
[0110]
这里，根据第一序列与出站交通流时间序列的差值，预测出第二交通流预测时间段对应的所述第二交通流序列。
[0111]
这里，第二交通流预测时间段对应的第二交通流序列为第二交通流预测时间段下第二类型的目标施工作业位置的交通流。
[0112]
在一种可能的实施方式中，通过以下步骤确定出所述流量预测模型：
[0113]
i：将样本交通流数据输入至时间序列模型之中，对时间训练模型进行训练，输出无扰动预测数据，将所述无扰动预测数据以及样本交通流数据中的无扰动数据的时间特征输入到全连接神经网络之中，生成所述时间序列的周期趋势性模型，并确定出所述时间序列的周期趋势性模型的第一预测误差值。
[0114]
这里，将样本交通流数据输入至时间序列模型之中，对时间训练模型进行训练，输出无扰动预测数据，将无扰动预测数据以及样本交通流数据中的无扰动数据的时间特征输入到全连接神经网络之中，生成时间序列的周期趋势性模型，并确定出时间序列的周期趋势性模型的第一预测误差值。
[0115]
ii：基于近期样本交通流数据以及所述第一预测误差值对所述神经网络模型进行训练，生成所述时间序列的实时性模型，并确定出所述时间序列的实时性模型的第二预测误差值。
[0116]
这里，利用近期样本交通流数据和第一预测误差值对神经网络模型进行训练，生成时间序列的实时性模型，并确定出时间序列的实时性模型的第二预测误差值。
[0117]
iii：基于历史样本扰动数据以及所述第二预测误差值对所述神经网络模型进行
训练，生成所述扰动模型。
[0118]
这里，根据历史样本扰动数据以及第二预测误差值对神经网络模型进行训练，生成动模型。
[0119]
iv：对所述时间序列的周期趋势性模型、所述时间序列的实时性模型和所述扰动模型进行融合，生成所述流量预测模型。
[0120]
这里，对时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行结果融合，生成流量预测模型。
[0121]
其中，分别对时序数据集中的趋势性、周期性、实时性和扰动进行建模。从历史流量数据中提取用于趋势性、周期性、实时性和扰动建模的数据。其中x
period+trend
为进行趋势性+周期性建模的数据集，x
realtime
为进行实时性建模的数据集，x
disturbance
为进行扰动建模的数据集，将各个模型的预测结果进行融合，得到流量预测序列。
[0122]
这里，施工作业开始时间距离当前时间进行模型组合：
[0123]
t
start-t
now
≥p，流量预测模型为：x
predictt
＝t
t
+d
t
；
[0124]
t
start-t
now
＜p，流量预测模型为：x
predictt
＝t
t
+r
t
+d
t
；
[0125]
其中，p为预设时间间隔，x
period+trend
＝{x
t-p
，x
t-2
，...，x
t-k
}，k单位为分钟，表示需要历史数据量。x
realtime
＝{x
t-1
，x
t-2
，...，x
t-p
}，表示需要近期数据量。x
disturbance
为历史不良天气、施工、事故、疫情时的交通流数据。
[0126]
这里，通过以下方式完成周期趋势性模型的建立：
[0127]
从样本交通流数据中提取x
period+trend
＝{x
t-p
，x
t-2
，...，x
t-k
}建立流量预测模型，对流量进行预测得到预测数据，提取无扰动(无扰动表示无天气、施工、突发交通事件、疫情等的影响)数据的时间相关特征，提取特征如下，将每天按星期转化为了类别变量，周一至周日的特征值为1-7，将节假日转化为0-1变量，是节假日特征值为1，非节假日特征值为0，大型节假日前m天，后m天，区分国庆、春节、劳动节等特征值为1、2、3、
……
，区分月初、月中、月末特征值为1、2、3，区分工作日和非工作日，是工作日特征值为1，非工作日特征值为0，区分一年四季特征值为1、2、3、4，以n分钟为时间窗，一天24小时对应{0，24/(n/60)}将无扰动时间特征embeding和无扰动prophet流量预测模型预测数据组成特征数据以特征数据为输入，流量为输出，建立全连接神经网络预测模型。
[0128]
这里，通过以下方式完成实时性模型的建立：实时性表示近期数据对预测流量的影响较历史数据大，实时性模型是近期数据与预测流量之间的关系模型。建模流程如下：从历史流量时序数据中提取x
realtime
＝{x
t-1
，x
t-2
，...，x
t-p
}，p单位为分钟，表示需要近期数据量，p的取值小于k，大于等于0，x
realtime
只包含无扰动数据(无扰动表示无天气、施工、突发交通事件、交通管控措施、疫情等的影响)对数据进行特征提取，提取特征如下：提取预测时段的统计特征，包括最大值、最小值、分位数、偏度、峰度等；提取每天的统计特征，包括最大值、最小值、分位数、偏度、峰度等；提取高峰时段的统计特征，包括最大值、最小值、分位数、偏度、峰度等；提取预测时段前30分钟的统计特征，包括最大值、最小值、分位数、偏度、峰度等；以提取的特征为输入，以趋势性和周期性模型预测误差为输出，运用xgboost，建立实时性模型；p取不同值循环执行上述步骤，输出误差最小时的p值和实时性模型。
[0129]
这里，通过以下方式完成扰动模型的建立：
[0130]
现实中交通流量受到天气、施工、突发交通事件、交通管控措施、疫情等的影响，扰
动模型是上述扰动事件与交通流量预测误差的关系模型。建模流程如下：从历史流量时序数据中提取扰动历史样本扰动数据，提取扰动因素数据，包括：施工信息：包括施工类型、施工位置、施工时间；事故信息：包括事件类型、事件位置、事件发生时间、事件持续时长；疫情信息：包括禁止通行车辆属地；天气信息：包括雨、雪、雾。对扰动因素进行特征提取。提取特征如下：疫情特征：疫情属地高峰时段流量均值、疫情属地高峰时段流量最大值；天气特征：区分大雨、中雨、小雨特征值为1、2、3；区分大雪、中雪、小雪特征值为1、2、3；区分大雾、中雾、小雾特征值为1、2、3；事故特征：事故类型、事故开始时间、事故结束时间、事故位置与预测位置距离施工特征：施工类型、施工开始时间、施工结束时间、施工位置与预测位置距离以提取的特征为输入，以趋势性周期性模型+实时性模型预测偏差为输出，运用xgboost方法，建立扰动模型。
[0131]
分别从原始数据中提取适用于趋势性、实时性和扰动建模的数据，分别建立时间序列的趋势性、实时性和扰动模型，然后将各模型结果融合，得到流量预测模型。其中，周期趋势性模型融合了时间序列预测和机器学习方法，提升了预测的准确度；实时性模型强化了近期数据对预测流量的影响；扰动模型全面考虑了各影响因素对流量的干扰。本方案提出的施工位置施工时段预测模型可以基于输入的施工作业位置、作业时间、作业时长、自适应的对交通流量进行预测。
[0132]
本技术实施例提供的一种高速公路施工区的交通流预测方法，所述交通流预测方法包括：将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的；若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。将目标施工作业位置、目标施工作业位置的作业时间以及目标施工作业位置的作业时长输入至利用时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的流量预测模型之中，自适应的对目标施工作业位置的交通流进行预测，快速准确地预测出目标施工作业位置在未来时间段的交通流。
[0133]
请参阅图2、图3，图2为本技术实施例所提供的一种高速公路施工区的交通流预测装置的结构示意图之一；图3为本技术实施例所提供的一种高速公路施工区的交通流预测装置的结构示意图之二。如图2中所示，所述高速公路施工区的交通流预测装置200包括：
[0134]
第一确定模块210，用于将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和
扰动模型进行融合得到的；
[0135]
第二确定模块220，用于若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；
[0136]
第三确定模块230，用于若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。
[0137]
进一步的，第一确定模块210通过以下步骤确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段：
[0138]
确定出所述目标施工作业位置距离所述上游临近卡口的第一距离；
[0139]
确定出所述上游临近卡口的多个历史车辆速度中的第一目标速度；
[0140]
基于所述第一距离与所述第一目标速度的比值，确定出车辆从所述上游临近卡口到达所述目标施工作业位置的第一驾驶时间；
[0141]
基于所述第一驾驶时间、所述作业时间、第一作业持续时间以及当前作业时间，确定出第一交通流预测时间段。
[0142]
进一步的，第二确定模块220在用于所述若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列时，第二确定模块220具体用于：
[0143]
检测所述作业时间与当前作业时间的时间差是否大于等于预设时间阈值；
[0144]
若是，则基于所述第一交通流预测时间段的时间特征，对周期性和趋势性的交通流进行预测，确定出时间交通流序列；基于所述上游临近卡口的扰动特征，对所述扰动特征相对应的交通流进行预测，确定出扰动交通流序列；
[0145]
基于所述时间交通流序列与所述扰动交通流序列的和，预测出所述上游临近卡口在所述交通流预测时间段下的第一交通流序列。
[0146]
进一步的，第二确定模块220在所述检测所述作业时间与当前作业时间的时间差是否大于等于预设时间阈值之后，第二确定模块220还用于：
[0147]
基于所述上游临近卡口的多个近期交通流特征对实时性交通流进行预测，确定出实时交通流序列；
[0148]
基于所述时间交通流序列、所述扰动交通流序列以及所述实时交通流序列的和，预测出所述上游临近卡口在所述交通流预测时间段下的第一交通流序列。
[0149]
进一步的，第三确定模块230通过以下步骤确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间：
[0150]
确定出所述上游临近收费站的多个历史车辆速度的第二目标速度；
[0151]
确定出所述目标施工作业位置距离所述上游临近收费站的第二距离；
[0152]
基于所述第二距离与所述第二目标速度的比值，确定出车辆从所述上游临近收费站到达所述目标施工作业位置的第二驾驶时间；
[0153]
基于所述第二驾驶时间、所述作业时间、第二作业持续时间以及当前作业时间，确定出所述第二交通流预测时间段。
[0154]
进一步的，第三确定模块230通过以下步骤预测出所述第二交通流预测时间段对应的第二交通流序列：
[0155]
基于所述流量预测模型预测出在第二交通流预测时间段下，所述临近收费站的进站交通流时间序列以及所述临近收费站的出站交通流序列；
[0156]
根据所述第一交通流序列与所述进站交通流时间序列的加和，确定出第一序列；
[0157]
根据所述第一序列与所述出站交通流时间序列的差值，预测出第二交通流预测时间段对应的所述第二交通流序列。进一步的，如图3所示，高速公路施工区的交通流预测装置200还包括训练模块240，所述训练模块240用于通过以下步骤确定出所述流量预测模型：
[0158]
将样本交通流数据输入至时间序列模型之中，对时间训练模型进行训练，输出无扰动预测数据，将所述无扰动预测数据以及样本交通流数据中的无扰动数据的时间特征输入到全连接神经网络之中，生成所述时间序列的周期趋势性模型，并确定出所述时间序列的周期趋势性模型的第一预测误差值；
[0159]
基于近期样本交通流数据以及所述第一预测误差值对所述神经网络模型进行训练，生成所述时间序列的实时性模型，并确定出所述时间序列的实时性模型的第二预测误差值；
[0160]
基于历史样本扰动数据以及所述第二预测误差值对所述神经网络模型进行训练，生成所述扰动模型；
[0161]
对所述时间序列的周期趋势性模型、所述时间序列的实时性模型和所述扰动模型进行融合，生成所述流量预测模型。
[0162]
本技术实施例提供的一种高速公路施工区的交通流预测装置，所述交通流预测装置包括：第一确定模块，用于将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的；第二确定模块，用于若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；第三确定模块，用于若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。将目标施工作业位置、目标施工作业位置的作业时间以及目标施工作业位置的作业时长输入至利用时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的流量预测模型之中，自适应的对目标施工作业位置的交通流进行预测，快速准确地预测出目标施工作业位置在未来时间段的交通流。
[0163]
请参阅图4，图4为本技术实施例所提供的一种电子设备的结构示意图。如图4中所
示，所述电子设备400包括处理器410、存储器420和总线430。
[0164]
所述存储器420存储有所述处理器410可执行的机器可读指令，当电子设备400运行时，所述处理器410与所述存储器420之间通过总线430通信，所述机器可读指令被所述处理器410执行时，可以执行如上述图1所示方法实施例中的高速公路施工区的交通流预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0165]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的高速公路施工区的交通流预测方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0166]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0167]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0168]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0169]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0170]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0171]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种高速公路施工区的交通流预测方法，其特征在于，所述交通流预测方法包括：将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的；若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。2.根据权利要求1所述的交通流预测方法，其特征在于，通过以下步骤确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段：确定出所述目标施工作业位置距离所述上游临近卡口的第一距离；确定出所述上游临近卡口的多个历史车辆速度中的第一目标速度；基于所述第一距离与所述第一目标速度的比值，确定出车辆从所述上游临近卡口到达所述目标施工作业位置的第一驾驶时间；基于所述第一驾驶时间、所述作业时间、第一作业持续时间以及当前作业时间，确定出第一交通流预测时间段。3.根据权利要求1所述的交通流预测方法，其特征在于，所述若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列，包括：检测所述作业时间与当前作业时间的时间差是否大于等于预设时间阈值；若是，则基于所述第一交通流预测时间段的时间特征，对周期性和趋势性的交通流进行预测，确定出时间交通流序列；基于所述上游临近卡口的扰动特征，对所述扰动特征相对应的交通流进行预测，确定出扰动交通流序列；基于所述时间交通流序列与所述扰动交通流序列的和，预测出所述上游临近卡口在所述交通流预测时间段下的第一交通流序列。4.根据权利要求3所述的交通流预测方法，其特征在于，在所述检测所述作业时间与当前作业时间的时间差是否大于等于预设时间阈值之后，所述交通流预测方法还包括：基于所述上游临近卡口的多个近期交通流特征对实时性交通流进行预测，确定出实时交通流序列；基于所述时间交通流序列、所述扰动交通流序列以及所述实时交通流序列的和，预测出所述上游临近卡口在所述交通流预测时间段下的第一交通流序列。5.根据权利要求1所述的交通流预测方法，其特征在于，通过以下步骤确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间：确定出所述上游临近收费站的多个历史车辆速度的第二目标速度；
确定出所述目标施工作业位置距离所述上游临近收费站的第二距离；基于所述第二距离与所述第二目标速度的比值，确定出车辆从所述上游临近收费站到达所述目标施工作业位置的第二驾驶时间；基于所述第二驾驶时间、所述作业时间、第二作业持续时间以及当前作业时间，确定出所述第二交通流预测时间段。6.根据权利要求1所述的交通流预测方法，其特征在于，通过以下步骤预测出所述第二交通流预测时间段对应的第二交通流序列：基于所述流量预测模型预测出在第二交通流预测时间段下，所述临近收费站的进站交通流时间序列以及所述临近收费站的出站交通流序列；根据所述第一交通流序列与所述进站交通流时间序列的加和，确定出第一序列；根据所述第一序列与所述出站交通流时间序列的差值，预测出第二交通流预测时间段对应的所述第二交通流序列。7.根据权利要求1所述的交通流预测方法，其特征在于，通过以下步骤确定出所述流量预测模型：将样本交通流数据输入至时间序列模型之中，对时间训练模型进行训练，输出无扰动预测数据，将所述无扰动预测数据以及样本交通流数据中的无扰动数据的时间特征输入到全连接神经网络之中，生成所述时间序列的周期趋势性模型，并确定出所述时间序列的周期趋势性模型的第一预测误差值；基于近期样本交通流数据以及所述第一预测误差值对所述神经网络模型进行训练，生成所述时间序列的实时性模型，并确定出所述时间序列的实时性模型的第二预测误差值；基于历史样本扰动数据以及所述第二预测误差值对所述神经网络模型进行训练，生成所述扰动模型；对所述时间序列的周期趋势性模型、所述时间序列的实时性模型和所述扰动模型进行融合，生成所述流量预测模型。8.一种高速公路施工区的交通流预测装置，其特征在于，所述交通流预测装置包括：第一确定模块，用于将高速公路上的目标施工作业位置、所述目标施工作业位置的作业时间以及所述目标施工作业位置的作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出所述目标施工作业位置的上游临近卡口的第一交通流预测时间段；其中，所述流量预测模型是根据时间序列的周期趋势性模型、时间序列的实时性模型和扰动模型进行融合得到的；第二确定模块，用于若所述目标施工作业位置的类型为第一类型，则将所述第一交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述交通流预测时间段对应的第一交通流序列；其中，所述第一交通流序列为所述目标施工作业位置的上游临近卡口的交通流序列；第三确定模块，用于若所述目标施工作业位置的类型为第二类型，则确定出所述目标施工作业位置的上游临近收费站的第二交通流预测时间段，将所述第二交通流预测时间段输入至所述流量预测模型的第二网络层之中，预测出所述第二交通流预测时间段对应的第二交通流序列；其中，所述第二交通流序列为所述上游临近收费站的进站交通流量、出站交通流量以及上游临近卡口的交通流量。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至7任一所述的高速公路施工区的交通流预测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的高速公路施工区的交通流预测方法的步骤。

技术总结
本申请提供了一种高速公路施工区的交通流预测方法、装置及存储介质，包括：将高速公路上的目标施工作业位置、作业时间以及作业时长输入至预先训练好的流量预测模型的第一网络层之中，确定出目标施工作业位置的上游临近卡口的第一交通流预测时间段；若目标施工作业位置的类型为第一类型，则将第一交通流预测时间段输入至流量预测模型的第二网络层之中，预测出交通流预测时间段对应的第一交通流序列；若目标施工作业位置的类型为第二类型，则确定出目标施工作业位置的上游临近收费站的第二交通流预测时间段，预测出第二交通流序列。自适应的对目标施工作业位置的交通流进行预测，快速准确地预测出目标施工作业位置在未来时间段的交通流。段的交通流。段的交通流。


技术研发人员：徐丽丽 肇毓 高照 邱暾 曲喆 黄书鹏
受保护的技术使用者：辽宁艾特斯智能交通技术有限公司
技术研发日：2023.02.22
技术公布日：2023/5/16