[发明专利]路况预测方法及装置

说明书

本申请提供一种路况预测方法及装置，涉及智能交通技术领域，可以实现更加准确的路况预测。该方法包括：获取待预测路链的训练集，训练集包括多个样本数据，样本数据包括特征数据和标签数据，特征数据用于反映待预测路链在第一时间段的特征，标签数据用于反映待预测路链在第二时间段的真实路况值；服务器根据训练集对路况预测模型进行训练，路况预测模型基于梯度提升决策树算法来构建；服务器根据训练完成的路况预测模型，确定待预测路链的预测路况值。本申请适用于城市路况预测的场景下。

技术领域

本申请属于智能交通技术领域，尤其涉及一种交通路况预测方法及装置。

背景技术

随着人均汽车保有量的持续快速增长，城市道路交通拥堵问题也日益严重，路况交通信息的快速准确的处理和预测成为城市规划和市民日常出行的关键问题。

传统交通路况信息预测方法，主要分为两种。第一种是通过交通信息中的车辆位置信息进行收集和预处理，通过非线性理论的方法于并行计算相结合进行预测和更新。第二种方法是将神经网络模型与并行计算结合起来，采用广义神经网络预测模型，通过设计一种并行节点间的通信策略，减少了算法的迭代次数，加快了神经网络模型的收敛速度，从而有效降低了神经网络模型的计算开销。这两种方法都是基于交通模式的路况预测模型，交通模式是指按照时间属性对路况进行聚类，根据时间属性去查找所属的类簇，然后映射出对应的交通模式。

然而，一方面，由于引起路况变化的因素有很多，基于交通模式的路况预测模型对影响因素的考虑不够全面。另一方面，现有技术需要将属于同一类簇的路况属性进行均值化，使数据不能够很好的表现个体差异性，导致最终在进行路况预测时不能很好的反应真实路况，无法缓解城市交通压力。

发明内容

本申请提供一种路况预测方法和装置，用于解决现阶段在进行路况预测时不能很好的反应真实的情况，无法缓解城市交通压力的问题。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供了一种路况预测方法，包括：服务器获取待预测路链的训练集，训练集包括多个样本数据，样本数据包括特征数据和标签数据，特征数据用于反映待预测路链在一个时间段的特征，标签数据用于反映特征数据对应的真实路况值；服务器根据训练集对路况预测模型进行训练，路况预测模型基于梯度提升决策树算法来构建；服务器根据训练好的路况预测模型，确定所述待预测路链的预测路况值。

基于上述技术方案，由于路况预测模型是基于梯度提升决策树来构建的，并且用于训练路况预测模型的训练集包括多个样本数据，因此本申请所提供的路况预测模型是基于大数据技术和机器学习技术的结合来实现的。基于该路况预测模型，服务器可以进行更准确地路况预测，从而给城市管理者(例如交警)提供更有效的路况预测信息，帮助城市管理者对道路进行有效的管理，进而达到缓解城市交通压力的目的。

一种可能的设计中，特征数据包括动态路况属性数据、时间属性数据、空间属性数据、外部因素属性数据、以及拓扑路链属性数据。动态路况属性数据用于反映待预测路链上的车辆行驶情况。时间属性数据用于反映所述待预测路链的特征数据对应的时间属性。空间属性数据包括以下一项或多项：待预测路链的道路等级、道路长度、道路宽度、坡度、弯道曲率、与交通信号灯的关系方位。外部因素属性数据用于反映在待预测路链上发生的事件。拓扑路链属性数据包括M个第一路链的特征数据，M个第一路链是对待预测路链的路况影响最大的M个路链，M为正整数。

一种可能的设计中，路况预测模型包括以下参数：