本技术涉及数据处理，尤其涉及一种路况预测方法、装置、设备、存储介质及产品。
背景技术：
1、交通运输是现代社会的重要组成部分，而路网路况预测作为交通领域的一个重要技术，一直备受关注。路网路况预测具有重要的现实应用价值，可以有效指导交通管理和规划，提高交通效率，减少交通拥堵，保障道路交通的畅顺和安全。
2、相关技术中，通过在道路内设置人流监测设备，如传感器、摄像头等，实时获取道路数据。通过预测模型对获取的道路数据进行分析和处理，使用统计方法或指标来评估交通路况，例如，通过人流量、客流密度、热点区域等指标来评估道路的繁忙程度。
3、但是，现有方法中使用单一预测模型进行交通路况预测，无法充分利用多种数据源的信息，导致路况预测准确性不高。
技术实现思路
1、本技术实施例通过提供一种路况预测方法、装置、设备、存储介质及产品，旨在提高交通路况预测结果的准确性。
2、本技术实施例提供了一种路况预测方法，所述路况预测方法，包括：
3、获取历史时段对应的历史实际路况和历史预测路况；
4、确定所述历史实际路况和历史预测路况之间的误差；
5、当所述误差小于预设值时，基于所述历史实际路况和自回归积分滑动平均模型，确定当前时段对应的预测路况；
6、或者，当所述误差大于所述预设值时，基于所述历史实际路况和支持向量机预测模型，确定当前时段对应的预测路况。
7、可选地，所述路况预测方法，还包括：
8、根据预设等距节点确定柯思顿求积系数；
9、获取实际路况时间序列样本，以及，获取所述实际路况时间序列样本对应的预测路况时间序列样本；
10、基于所述柯思顿求积系数对所述实际路况时间序列样本中每一时刻对应的历史路况进行等距划分，得到划分后的实际路况时间序列样本，以及，基于所述柯思顿求积系数对所述预测路况时间序列样本中每一时刻对应的预测路况进行等距划分，得到划分后的预测路况时间序列样本；
11、基于所述实际路况时间序列样本和所述预测路况时间序列样本训练初始自回归积分滑动平均模型的自回归待估系数和移动平均待估系数，得到所述自回归积分滑动平均模型。
12、可选地，所述基于所述柯思顿求积系数对所述实际路况时间序列样本中每一时刻对应的历史路况进行等距划分，得到划分后的实际路况时间序列样本，以及，基于所述柯思顿求积系数对所述预测路况时间序列样本中每一时刻对应的预测路况进行等距划分，得到划分后的预测路况时间序列样本的步骤：
13、基于所述柯思顿求积系数，确定所述实际路况时间序列样本和所述预测路况时间序列样本中每个时刻所要划分得到的子时刻区间数量；
14、将每一时刻划分为所述子时刻区间数量的子时刻区间，并获取每个所述子时刻区间对应的历史路况和预测路况；
15、根据每个所述子时刻区间对应的历史路况，得到所述划分后的实际路况时间序列样本，以及根据每个所述子时刻区间对应的预测路况，得到所述划分后的预测路况时间序列样本。
16、可选地，所述获取历史时段对应的历史实际路况包括：
17、采集移动设备在历史时段内发出的信令数据，并根据所述信令数据，确定所述移动设备在所述历史时段对应的历史轨迹数据；
18、基于所述历史轨迹数据对异常基站位置进行纠偏；
19、以及，识别所述历史轨迹数据中的异常轨迹数据，对所述异常轨迹数据进行清洗操作，得到清洗后的历史轨迹数据；
20、从所述清洗后的历史轨迹数据中提取第一历史实际路况，并基于设定筛选规则对所述第一历史实际路况进行筛选操作，得到第二历史实际路况；
21、根据所述第二历史实际路况，得到所述历史时段对应的历史实际路况。
22、可选地，所述识别所述历史轨迹数据中的异常轨迹数据，对所述异常轨迹数据进行清洗操作，得到清洗后的历史轨迹数据的步骤包括：
23、根据所述历史轨迹数据，确定各个基站对应的基站位置；
24、确定各个基站对应的基站位置与公路上的点位置之间的最短距离；
25、当所述最短距离大于预设距离时对应的轨迹数据确定为异常轨迹数据；
26、将所述异常轨迹数据从所述历史轨迹数据中删除，得到清洗后的历史轨迹数据。
27、可选地，所述从所述清洗后的历史轨迹数据中提取第一历史实际路况，并基于设定筛选规则对所述第一历史实际路况进行筛选操作，得到第二历史实际路况的步骤包括：
28、从所述清洗后的历史轨迹数据中提取移动轨迹、移动速度和停留时长；
29、根据所述移动轨迹、所述移动速度和所述停留时长，得到所述第一历史实际路况；
30、根据所述第一历史实际路况依次筛选出非道路用户、高架桥或逆行用户，以及同车通行及多卡用户对应的轨迹数据；
31、将所述非道路用户、高架桥或逆行用户，以及同车通行及多卡用户对应的轨迹数据从所述第一历史实际路况对应的轨迹数据中删除，得到所述第二历史实际路况。
32、此外，为实现上述目的，本技术还提供了一种路况预测装置，包括：
33、获取模块，用于获取历史时段对应的历史实际路况和历史预测路况；
34、误差确定模块，用于确定所述历史实际路况和历史预测路况之间的误差；
35、第一路况预测模块，用于当所述误差小于预设值时，基于所述历史实际路况和自回归积分滑动平均模型，确定当前时段对应的预测路况；
36、第二路况预测模块，用于当所述误差大于所述预设值时，基于所述历史实际路况和支持向量机预测模型，确定当前时段对应的预测路况。
37、此外，为实现上述目的，本技术还提供了一种路况预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的路况预测程序，所述路况预测程序被所述处理器执行时实现上述的路况预测方法的步骤。
38、此外，为实现上述目的，本技术还提供了一种计算机可读存储介质，其上存储有路况预测程序，所述路况预测程序被处理器执行时实现上述的路况预测方法的步骤。
39、此外，为实现上述目的，本发明还提供一种计算机程序产品，所述计算机程序产品包括路况预测程序，所述路况预测程序被处理器执行时实现如上文所述的路况预测方法的步骤。
40、本技术实施例中提供的一种路况预测方法、装置、设备、存储介质及产品的技术方案，本技术通过获取历史时段对应的历史实际路况和历史预测路况，确定历史实际路况和历史预测路况之间的误差，当历史实际路况和历史预测路况之间的误差小于预设值时，采用自回归积分滑动平均模型和历史实际路况预测当前时段对应的预测路况；当历史实际路况和历史预测路况之间的误差大于预设值时，采用支持向量机预测模型和历史实际路况预测当前时间对应的预测路况。能够根据不同交通路段的特点和数据变化的情况选择匹配的预测模型以进行路况预测，提高预测系统的适应性和灵活性，提高交通路况预测效果。
1.一种路况预测方法，其特征在于，所述路况预测方法包括：
2.如权利要求1所述的路况预测方法，其特征在于，所述路况预测方法，还包括：
3.如权利要求2所述的路况预测方法，其特征在于，所述基于所述柯思顿求积系数对所述实际路况时间序列样本中每一时刻对应的历史路况进行等距划分，得到划分后的实际路况时间序列样本，以及，基于所述柯思顿求积系数对所述预测路况时间序列样本中每一时刻对应的预测路况进行等距划分，得到划分后的预测路况时间序列样本的步骤：
4.如权利要求1所述的路况预测方法，其特征在于，所述获取历史时段对应的历史实际路况包括：
5.如权利要求4所述的路况预测方法，其特征在于，所述识别所述历史轨迹数据中的异常轨迹数据，对所述异常轨迹数据进行清洗操作，得到清洗后的历史轨迹数据的步骤包括：
6.如权利要求4所述的路况预测方法，其特征在于，所述从所述清洗后的历史轨迹数据中提取第一历史实际路况，并基于设定筛选规则对所述第一历史实际路况进行筛选操作，得到第二历史实际路况的步骤包括：
7.一种路况预测装置，其特征在于，所述路况预测装置包括：
8.一种路况预测设备，其特征在于，所述路况预测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的路况预测程序，所述路况预测程序被所述处理器执行时实现如权利要求1-6中任一项所述的路况预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有路况预测程序，所述路况预测程序被处理器执行时实现权利要求1-6中任一项所述的路况预测方法的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括路况预测程序，所述路况预测程序被处理器执行时实现如权利要求1至6中任一项所述的路况预测方法的步骤。
