[发明专利]一种交通流预测方法、装置及系统

权利要求书

1.一种交通流预测方法，其特征在于，包括：

S11：获取待预测道路卡口及与所述待预测道路卡口相关的各个相关道路卡口的交通流数据；

S12：采用预先建立的小波神经网络交通流预测模型对所述交通流数据进行处理得到所述待预测道路卡口的交通流预测结果；其中，所述小波神经网络交通流预测模型是基于多卡口协同模型训练而成的，其训练过程为：

S21：利用多卡口协同模型得到小波神经网络训练样本；

S22：采用小波神经网络对所述小波神经网络训练样本进行训练得到所述小波神经网络交通流预测模型；

所述多卡口协同模型是依据所述待预测道路卡口的历史交通流数据以及各个所述相关道路卡口的历史交通流数据进行建立的；

所述利用多卡口协同模型得到小波神经网络训练样本的过程具体为：

S211：分别获取各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据；

S212：依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型；

S213：依据所述最优多卡口协同模型得到最优历史交通流数据，并依据所述最优历史交通流数据得到小波神经网络训练样本；

所述依据各个所述相关道路卡口的历史交通流数据及所述待预测道路卡口的历史交通流数据建立多卡口协同模型，并得到最优多卡口协同模型的过程具体为：

S2120：获取第一预设个数的、与所述待预测道路卡口相关的历史交通流数据，并将其添加至多卡口协同模型中；

S2121：从各个相关道路卡口中选出一个相关道路卡口，并获取第二预设个数的、与所选出的相关道路卡口相关的第一历史交通流数据；

S2122：依据所述第一历史交通流数据及所述预测道路卡口的历史交通流数据计算出相应的相关道路卡口与所述待预测道路卡口的相关程度值；

S2123：判断所述相关程度值是否大于预设值，如果是，则将各个所述第一历史交通流数据添加至多卡口协同模型中，并进入S2124；否则，进入S2125；

S2124：判断所述多卡口协同模型中当前的历史交通流数据的总数是否达到预设个数，如果是，则将所述多卡口协同模型中当前的历史交通流数据作为训练样本训练小波神经网络，以得到第一小波神经网络交通流预测模型，并进入S2126；否则判断所述多卡口协同模型中当前的历史交通流数据的总数是否小于预设个数，如果是，则进入S2125，否则，返回S2120；

S2125：从剩余的各个所述相关道路卡口中选出另一个相关道路卡口，获取与所选出的相关道路卡口相关的第二历史交通流数据，并将所述第二历史交通流数据作为第一交通流数据，并返回S2122；

S2126：判断所述第一小波神经网络交通流预测模型的精度是否达到预设精度，如果是，则将所述多卡口协同模型作为最优多卡口协同模型；否则，将多协同卡口模型中的历史交通流数据清零，并返回S2120；

所述依据所述第一历史交通流数据及所述预测道路卡口的历史交通流数据得出相应的相关道路卡口与所述待预测道路卡口的相关程度值的过程具体为：

依据所述第一历史交通流数据、所述预测道路卡口的历史交通流数据以及第一计算关系式得到相应的相关道路卡口与所述待预测道路卡口的相关程度值；

所述第一计算关系式为CL^ab(t_k)＝∑c^a(t_j)c^b(t_j+t_k)，其中：

所述c^a(t_j)与c^b(t_j)分别表示t_j时段待预测道路卡口a的历史交通流数据和t_j时段相关道路卡口b的第一历史交通流数据，所述CL^ab(t_k)表示待预测道路卡口a在t_j时段的历史交通流数据与相关道路卡口b在t_j+t_k时段的第一历史交通流数据的相关程度值。