一种交通状态预测模型构建方法及交通状态预测方法

技术特征：
1.一种交通状态预测模型构建方法，其特征在于，包括：获取第一数据、第二数据和第三数据，所述第一数据包括待预测路段的历史交通状态数据，所述第二数据包括所述待预测路段的上下游交叉口的历史交通状态数据，所述第三数据包括所述第一数据的特征及所述第二数据的特征，所述特征包含空间特征和/或时间特征；将所述第一数据、所述第二数据及所述第三数据进行融合，得到训练样本数据；基于所述训练样本数据构建交通状态预测模型，并筛选出相关联特征，所述相关联特征为重要度大于预设重要度的特征；基于所述相关联特征建立最终交通状态预测模型。2.如权利要求1所述的方法，其特征在于，基于所述训练样本数据构建交通状态预测模型，并筛选出相关联特征，具体包括：按照预设划分比例将所述训练样本数据划分成第一测试集及第一验证集；将所述第一验证集对应的特征设为决策属性，所述第一测试集对应的特征设为条件属性，基于预设损失函数，建立并训练所述交通状态预测模型；在训练过程中，计算所述特征的重要度；若所述重要度大于所述预设重要度，则选为相关联特征。3.如权利要求2所述的方法，其特征在于，计算所述特征的重要度，具体包括：获取每次分割时所述特征对所述交通状态预测模型提升的分数；计算所述分数的平方加权。4.如权利要求1所述的方法，其特征在于，基于所述相关联特征建立最终交通状态预测模型，具体包括：使用所述相关联特征建立初始交通状态预测模型；按照预设划分比例将所述训练样本数据划分成第二测试集及第二验证集；基于所述第二测试集、所述第二验证集及所述初始交通状态预测模型，训练得到最终交通状态预测模型。5.如权利要求2所述的方法，其特征在于，所述预设损失函数为平方损失函数；所述交通状态预测模型的目标函数如下：其中，y
t
为第t步的所述待预测路段对应的实际交通状态值，为第t-1步的通过所述交通状态预测模型得到的预测值，f
t
(x
t
)为变换函数，x
t
为属性，ω(f
i
)为第i棵树的正则化运算，γ为控制节点分裂的阈值，λ为l2正则化权重，ω为叶子的得分，m为叶子的个数。6.如权利要求1所述的方法，其特征在于，将所述第一数据、所述第二数据及所述第三数据进行融合，得到训练样本数据，包括：对所述第一数据和所述第二数据进行补全，得到补全后的第一数据和第二数据；将补全后的第一数据和第二数据，与所述第三数据进行融合，得到训练样本数据。
7.如权利要求6所述的方法，其特征在于，对所述第一数据和第二数据进行补全，具体包括：根据所述特征的属性对应分为连续变量或离散变量；根据每个特征的缺失数据总量及所述属性，将所述特征对应进行排序；若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值；和/或，若为离散变量，则用相邻时间段或所有时间段的众数初始化缺失数据的值。8.如权利要求7所述的方法，其特征在于，若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值，具体包括：每次用中位数初始化每个所述连续变量的所述缺失数据的值后，分别得到第一新数据集；计算每个所述第一新数据集与对应第一旧数据集之间的差值，并求和，得到第一和值；若所述第一和值小于预设差值，则停止补全；和/或，若为离散变量，则用相邻时间段或所有时间段的众数初始化缺失数据的值，具体包括：每次用众数初始化每个所述离散变量的所述缺失数据的值后，分别得到第二新数据集；计算每个所述第二新数据集与对应第二旧数据集之间的差值，并求和，得到第二和值；若所述第二和值小于预设差值，则停止补全。9.如权利要求8所述的方法，其特征在于，计算每个所述第一新数据集与对应第一旧数据集之间的差值，并求和，得到第一和值，具体包括：按照如下公式进行计算：其中，δn为第一和值，j为排序后的连续变量的编号，d
n
为第一新数据集的缺失连续变量值，d
o
为第一旧数据集的缺失连续变量值；和/或，计算每个所述第二新数据集与对应第二旧数据集之间的差值，并求和，得到第二和值，具体包括：按照如下公式进行计算：其中，δf为第二和值，j为排序后的连续变量的编号，i为排序后的离散变量的编号，x
n
为第二新数据集的缺失离散变量值，x
o
为第二旧数据集的缺失离散变量值，i为判定函数，若x
n
≠x
o
，则i取1，否则i取0，n
mis
为离散变量中缺失项总数。10.如权利要求1所述的方法，其特征在于，获取第一数据，具体包括：按照预设选取值获取所述待预测路段的历史时间段的交通状态数据，每个时间段的交通状态数据包含交通数据及对应的空间特征、时间特征，所述第一数据包括全部时间段的交通状态数据；其中，所述交通数据为传感器采集的数据，所述空间特征为所述待预测路段的交通状
态指标，所述时间特征为所述待预测路段的时间状态。11.如权利要求1所述的方法，其特征在于，获取第二数据，具体包括：按照预设选取值获取所述上下游交叉口每个方向中全部转向的历史时间段的交通状态数据，每个时间段的交通状态数据包含交通数据及对应的空间特征，所述第二数据包括全部时间段的交通状态数据；其中，所述交通数据为传感器采集的数据，所述空间特征为所述上下游交叉口的交通状态指标。12.一种交通状态预测方法，其特征在于，包括：获取第一数据、第二数据和第三数据，所述第一数据包括待预测路段的历史交通状态数据，所述第二数据包括所述待预测路段的上下游交叉口的历史交通状态数据，所述第三数据包括所述第一数据的特征及所述第二数据的特征，所述特征包含空间特征和/或时间特征；将所述第一数据、所述第二数据及所述第三数据进行融合，得到融合数据；利用交通状态预测模型，根据所述融合数据，获得待预测路段的交通状态预测结果；其中，所述交通状态预测模型是通过权利要求1-11任一项所述的方法训练得到的最终交通状态预测模型。13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至11任一项所述的方法或权利要求12所述的方法。

技术总结
本申请适用于智能交通技术领域，提供了一种交通状态预测模型构建方法及交通状态预测方法。模型构建方法包括：获取第一数据、第二数据和第三数据，第一数据包括待预测路段的历史交通状态数据，第二数据包括待预测路段的上下游交叉口的历史交通状态数据，第三数据包括第一数据的特征及第二数据的特征，特征包含空间特征和/或时间特征；将第一数据、第二数据及第三数据进行融合，得到训练样本数据；基于训练样本数据构建交通状态预测模型，并筛选出相关联特征，相关联特征为重要度大于预设重要度的特征；基于相关联特征建立最终交通状态预测模型，能够提高预测精度，保证了预测结果与实际交通情况相符，从而能精确预测双向交通流的情况。况。况。


技术研发人员：杨丽丽 孟繁宇 曾益萍 袁狄平 王倩倩
受保护的技术使用者：南方科技大学
技术研发日：2022.02.23
技术公布日：2022/6/7