本技术介绍了一种创新的交通流信息预测技术,该技术利用深度互学算法来处理和分析来自边缘节点的目标路网交通数据和兴趣点信息,以实现对交通流的准确预测。该技术包括相应的装置和设备,旨在提高交通流预测的准确性和效率。
背景技术
随着城市化进程的加速和人口增长,机动车保有量持续上升,城市出行需求日益增加,城市交通拥堵问题日益凸显。构建智慧交通系统能够帮助交通管理者有效缓解交通道路拥堵问题,而实时准确的交通流信息预测是实现智慧交通系统的关键技术之一,在现代城市交通管理和规划中扮演着不可或缺的角色。国内外学者在交通流信息预测方向的研究涵盖了多种方法和技术,现有的交通流信息预测方法主要包括:基于统计学习的方法,如历史平均模型法、ARIMA模型等,基于机器学习的方法如支持向量机算法、随机森林算法,基于深度学习的方法,如循环神经网络、卷积神经网络等。
发明人在实现本发明的过程中,意识到现有技术至少存在如下技术问题:现有方式中一部分主要挖掘交通流数据的时间特性以进行预测,未能全面考虑到全局流量、区域流量间的相互关系对交通流信息预测的影响,使得交通流信息预测结果不够精准;另一部分能较为有效捕获时空相关特性的深度学习算法与模型大多参数量十分庞大、训练时间成本高昂,需要耗费大量算力资源,未能考虑到实际应用中对于算法与模型轻量化的需求,严重影响了交通流信息预测的实时性。
由此,现有方式中对交通流信息预测存在及时性和准确性不足的问题。
实现思路