本申请实施例属于交通工程及智能规划，特别是涉及一种交通流量预测方法、装置、电子设备及存储介质。
背景技术：
1、道路交通流量的预测，对于实现道路交通的有效管理具有重要意义。通常，预测未来时段的交通流量，主要是基于道路当前实际的流量数据来进行的。示例性地，可以根据道路当前车流量的多少，预估接下来某个时段或时间点的车流量。如果使用训练好的神经网络对道路交通流量进行预测往往存在滞后性。这种预测道路交通流量的滞后性会导致城市交通整体流量预测的准确性较低。
技术实现思路
1、有鉴于此，本申请实施例提供了一种交通流量预测方法、装置、电子设备及存储介质，用以提高交通流量预测结果的准确性。
2、本申请实施例的第一方面提供了一种交通流量预测方法，包括：
3、获取历史时段的交通特征数据，所述交通特征数据包括所述历史时段内的时间特征数据以及至少一种非时间特征数据；
4、采用训练的交通流量预测模型对所述交通特征数据进行处理；其中，所述交通流量预测模型由至少三个不同类型的基模型和至少一个元模型堆叠构成，至少一个所述元模型的输入数据为至少三个所述基模型输出的预测数据，至少三个所述基模型的输入数据为所述交通特征数据，分别输入至少三个所述基模型的所述交通特征数据的特征类型不完全相同；
5、接收所述交通流量预测模型输出的交通流量预测结果，所述交通流量预测结果包括至少一个所述元模型输出的预测数据。
6、本申请实施例的第二方面提供了一种交通流量预测装置，包括：
7、获取模块，用于获取历史时段的交通特征数据，所述交通特征数据包括所述历史时段内的时间特征数据以及至少一种非时间特征数据；
8、处理模块，用于采用训练的交通流量预测模型对所述交通特征数据进行处理；其中，所述交通流量预测模型由至少三个不同类型的基模型和至少一个元模型堆叠构成，至少一个所述元模型的输入数据为至少三个所述基模型输出的预测数据，至少三个所述基模型的输入数据为所述交通特征数据，分别输入至少三个所述基模型的所述交通特征数据的特征类型不完全相同；
9、接收模块，用于接收所述交通流量预测模型输出的交通流量预测结果，所述交通流量预测结果包括至少一个所述元模型输出的预测数据。
10、本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的交通流量预测方法。
11、本申请实施例的第四方面提供了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，所述计算机程序被处理器执行时实现如上述第一方面所述的交通流量预测方法。
12、本申请实施例的第五方面提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述第一方面所述的交通流量预测方法。
13、与现有技术相比，本申请实施例具有以下有益效果：
14、本申请实施例，通过构建由至少三个不同类型的基模型和至少一个元模型堆叠形成的交通流量预测模型，可以在进行交通流量预测时，由各个基模型独立地对输入的交通特征数据进行处理，并得到相应的预测数据。在此基础上，通过元模型对多个基模型输出的预测数据进行融合处理，可以使得最终输出的交通流量预测结果能够充分反映不同类型的特征数据对于交通流量的影响，例如可以体现时间特征数据和非时间特征数据对交通流量的影响。本申请实施例还可以通过设置相应类型的基模型，解决使用训练好的神经网络对道路交通流量进行预测存在的滞后性的问题，提高交通流量预测结果的准确性。
1.一种交通流量预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述采用训练的交通流量预测模型对所述交通特征数据进行处理，包括：
3.根据权利要求2所述的方法，其特征在于，所述将具有所述特征类型的所述交通特征数据分别输入至对应的所述基模型中进行交通流量预测，包括：
4.根据权利要求3所述的方法，其特征在于，所述交通流量预测模型由至少三个基模型和一个元模型采用单层堆叠的形式构成，所述将每个所述基模型分别处理所述交通特征数据得到的预测数据输入至少一个所述元模型中进行融合处理，包括：
5.根据权利要求3所述的方法，其特征在于，所述交通流量预测模型由至少三个基模型和至少两层元模型采用多层堆叠的形式构成，多层堆叠的所述交通流量预测模型中每层所述元模型的数量包括至少一个，所述将每个所述基模型分别处理所述交通特征数据得到的预测数据输入至少一个所述元模型中进行融合处理，包括：
6.根据权利要求3至5任一项所述的方法，其特征在于，在将具有所述特征类型的所述交通特征数据分别输入至对应的所述基模型中进行交通流量预测之前，还包括：
7.根据权利要求1至5任一项所述的方法，其特征在于，在采用训练数据训练每个所述基模型时得到的预测数据将作为训练至少一个所述元模型时使用的输入数据；在采用所述交通特征数据进行交通流量预测时，数据在至少三个所述基模型和至少一个所述元模型间的流转顺序，与采用所述训练数据训练至少三个所述基模型和至少一个所述元模型的顺序相同；所述训练数据包括交通特征样本数据以及所述交通特征样本数据对应的交通流量标签，所述交通流量标签为所述交通特征样本数据所在时间窗的未来时刻的交通流量真值，所述交通流量真值用于在训练至少三个所述基模型和至少一个所述元模型时，评估所述基模型和所述元模型的误差。
8.根据权利要求1至5任一项所述的方法，其特征在于，所述至少一种非时间特征数据为路网特征数据、通勤特征数据和/或信号配时特征数据中的任意一种或多种。
9.一种交通流量预测装置，其特征在于，包括：
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的交通流量预测方法。
11.一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1-8任一项所述的交通流量预测方法。
