[發明專利]車流量時間序列的預測方法及預測裝置

有效

• 申請號: 202010142359.8
• 申請日: 2020-03-04
• 公開（公告）號: CN111401609B
• 公開（公告）日: 2023-01-17
• 發明（設計）人: 段洪云;彭琛;汪偉
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F18/241;G08G1/01
• 代理公司: 北京英特普羅知識產權代理有限公司 11015
• 代理人: 程超

本發明提供一種車流量時間序列的預測方法、裝置、計算機系統及計算機可讀存儲介質，所述方法包括以下步驟：響應于車流量預測指令，獲取歷史車流量時間序列；將所述歷史車流量時間序列輸入分類模型以獲取分類標簽；根據所述對應的分類標簽獲取目標預測模型；將所述歷史車流量時間序列輸入所述預測模型，得到對應的預測車流量時間序列。本發明首先通過對大量訓練時間序列進行機器學習，掌握訓練時間序列的統計特征與其對應的最佳預測模型之間的映射關系，根據該映射關系生成分類模型，用于輸出與待測的車流量時間序列最匹配的預測模型。最后待測的車流量時間序列利用最匹配的預測模型進行預測，以達到提高預測結果準確性的目的。

技術領域

本發明涉及大數據處理技術領域，特別涉及一種車流量時間序列的預測方法、裝置、計算機設備及計算機可讀存儲介質。

背景技術

車流量指的是在一定的時間內,某條公路上所通過的車輛數,用來說明某一街道的交通情況。相應的，車流量時間序列反映了某條公路上通過的車輛數隨時間變化的情況。準確預測車流量時間序列，有利于交通管理部門提前采取相應的對策，對于緩解交通壓力、保障交通運輸安全有著非常重要的作用。

車流量時間序列的預測準確度取決于是否選取了適當的預測模型，這里的預測模型是指通過數學方法來定量預測車流量數據的未來發展狀況。現有技術中對于車流量預測模型的選擇方面設置比較簡單粗暴，很容易產生多個不同的車流量時間序列應用同一個預測模型的情況，嚴重影響車流量數據的預測準確性。也有廠商為了改變這種單一模式，同時采用多個預測模型對同一車流量時間序列進行預測，再根據預測結果挑選出最符合實際情況的一項預測結果。但這樣做的缺點是非常消耗計算資源，影響預測效率，并且其所選擇的多個預測模型仍然是比較盲目的，有可能出現選擇的多個預測模型全都與待處理的車流量。時間序列不相匹配的情況。現有技術中缺乏行之有效的選擇最佳預測模型的車流量預測方案。

發明內容

本發明的目的是提供一種車流量時間序列的預測方法、裝置、計算機設備及計算機可讀存儲介質，以解決現有技術中存在的上述缺陷。

為實現上述目的，本發明提供一種車流量時間序列的預測方法，包括以下步驟：

響應于車流量預測指令，獲取待預測的歷史車流量時間序列；

將所述歷史車流量時間序列輸入分類模型以獲取對應的分類標簽，其中所述分類標簽用于唯一標識所述車流量時間序列適用的預測模型；

根據所述對應的分類標簽獲取目標預測模型；

將所述歷史車流量時間序列輸入所述預測模型，得到對應的預測車流量時間序列。

根據本發明提供的車流量時間序列的預測方法，其中，所述響應于數據預測指令，獲取待預測的歷史車流量時間序列的步驟之前，還包括：

獲取訓練時間序列；

獲取與所述訓練時間序列相匹配的目標預測模型，并記錄所述目標預測模型對應的分類標簽；

建立所述訓練時間序列與所述分類標簽之間的映射關系，根據所述映射關系進行機器學習得到所述分類模型。

根據本發明提供的車流量時間序列的預測方法，其中，所述獲取與所述訓練時間序列相匹配的目標預測模型的步驟包括：

提取所述訓練時間序列中的統計特征，基于所述統計特征為所述訓練時間序列分配候選預測集，所述候選預測及中包含用于對時間序列進行預測的一個或多個候選預測模型；

將所述訓練時間序列分別輸入所述候選預測集中的每一個候選預測模型，得到對應的擬合值；

將擬合值最優的候選預測模型作為目標預測模型。

根據本發明提供的的車流量時間序列的預測方法，其中，所述將所述歷史車流量時間序列輸入分類模型，獲取分類標簽的步驟包括：