CN110910659B - 一种交通流量预测方法、装置、设备以及存储介质 - Google Patents
一种交通流量预测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN110910659B CN110910659B CN201911203515.0A CN201911203515A CN110910659B CN 110910659 B CN110910659 B CN 110910659B CN 201911203515 A CN201911203515 A CN 201911203515A CN 110910659 B CN110910659 B CN 110910659B
- Authority
- CN
- China
- Prior art keywords
- flow
- historical
- tensor
- traffic
- characteristic information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种交通流量预测方法、装置、设备及存储介质,涉及基于人工智能的智能交通管理技术,其中,该方法包括:获取基于目标区域的历史出入流量构建的历史出入流量张量,以及基于目标区域对的历史OD流量构建的历史OD流量张量;根据历史出入流量张量和历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;通过交通流量预测模型中的指示矩阵对历史出入流量特征信息和历史OD流量特征信息进行融合处理,该指示矩阵是根据目标区域与目标区域对之间的关联关系确定的;通过交通流量预测模型基于融合处理得到的信息,确定出入流量预测结果和/或OD流量预测结果。该方法有效地提升了交通流量预测的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种交通流量预测方法、装置、设备及存储介质。
背景技术
预测城市各区域的出入流量以及区域间的起终点(Origin Destination,OD)流量是交通规划管理的基础任务,也是智慧城市、智慧交通等领域的重要目标,在交通管理、城市规划、城市治理等多个领域中均具有极其重要的作用。
对于出入流量以及OD流量的预测实质上属于时空序列预测问题,即基于历史时期内的交通流量数据,对当前时刻的交通流量数据进行预测。目前常用于预测出入流量和OD流量的方法包括:传统的时间序列分析方法、利用经深度学习算法训练得到的时间序列模型进行预测、利用经深度学习算法训练得到的时空预测模型进行预测。
经发明人研究发现,上述方法普遍将出入流量预测和OD流量预测作为两个独立的预测任务,忽略了出入流量与OD流量之间的相关性,没有较好地利用二者之间的相关性辅助提升出入流量和OD流量预测的准确性。
发明内容
本申请实施例提供了一种基于人工智能的交通流量预测方法、装置、设备及存储介质,能够有效地提升交通流量预测的准确性。
有鉴于此,本申请第一方面提供了一种基于人工智能的交通流量预测方法,所述方法包括:
获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量;所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的,所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的;
根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;
基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的;
通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
本申请第二方面提供了一种基于人工智能的交通流量预测装置,所述装置包括:
获取模块,用于获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量;所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的,所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的;
特征提取模块,用于根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;
信息融合模块,用于基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的;
预测结果确定模块,用于通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
本申请第三方面提供了一种设备,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行上述第一方面所述的交通流量预测方法。
本申请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用于存储计算机程序,所述计算机程序用于执行上述第一方面所述的交通流量预测方法。
本申请第五方面提供了一种包括指令的计算机程序产品,当其在计算机上运行时,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的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例提供了一种交通流量预测方法,该方法将出入流量与OD流量之间的相关性融入到交通流量预测过程中,利用出入流量和OD流量二者之间的相关关系辅助提升交通流量预测的准确性。具体的,在本申请实施例提供的交通流量预测方法中,获取目标地理范围在待预测时刻之前的历史出入流量张量和历史OD流量张量,该历史出入流量张量是根据目标地理范围内目标区域的历史出入流量构建得到的,该历史OD流量张量是根据目标地理范围内目标区域对的历史OD流量构建得到的;然后利用交通流量预测模型对历史出入流量张量和历史OD流量张量进行处理,得到待预测时刻目标地理范围的出入流量预测结果和/或OD流量预测结果。为了在交通流量预测过程中融入出入流量与OD流量之间的相关性,本申请中的交通流量预测模型利用基于上述目标区域和目标区域对之间的地理位置关联关系构建的指示矩阵,对基于历史出入流量张量提取出的历史出入流量特征信息和基于历史OD流量张量提取出的历史OD流量特征信息进行融合处理;如此,实现对于出入流量与OD流量之间相关性的有效利用,能够在一定程度上提升交通流量预测结果的准确性。
附图说明
图1为本申请实施例提供的交通流量预测方法的应用场景示意图;
图2为本申请实施例提供的交通流量预测方法的流程示意图;
图3为本申请实施例提供的交通流量预测模型中特征提取层的结构示意图;
图4为本申请实施例提供的交通流量预测模型的结构示意图;
图5为本申请实施例提供的第一种交通流量预测装置的结构示意图;
图6为本申请实施例提供的第二种交通流量预测装置的结构示意图;
图7为本申请实施例提供的第三种交通流量预测装置的结构示意图;
图8为本申请实施例提供的第四种交通流量预测装置的结构示意图;
图9为本申请实施例提供的第五种交通流量预测装置的结构示意图;
图10为本申请实施例提供的第六种交通流量预测装置的结构示意图;
图11为本申请实施例提供的服务器的结构示意图;
图12为本申请实施例提供的终端设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的技术方案涉及人工智能领域的交通流量预测技术。
为了便于理解本申请实施例提供的交通流量预测方法,下面先对本申请中涉及的相关技术名词进行解释。
出入流量,包括在一定时间段内流出某区域的交通流量和流入该区域的交通流量,此处的交通流量具体可以包括人流量、车流量、移动设备流量等等,本申请在此不对出入流量具体对应的对象做任何限定。
OD流量,是指起终点区域之间的交通流量,即在一定时间段内从起点区域流向终点区域的交通流量,此处的交通流量具体可以包括人流量、车流量、移动设备流量等等,本申请在此也不对OD流量具体对应的对象做任何限定。
街区,是指由一定等级的道路围合而成的区域,具体可以为交通规划及管理领域中的交通小区,在交通管理、城市规划、城市治理等领域中常被作为研究分析的基本空间单元。
循环神经网络(RecurrentNeural Network,RNN),是一类以序列数据为输入,在序列的演进方向进行递归且所有节点按链式连接的递归神经网络。
图卷积神经网络(Graph Convolutional Network,GCN),是一种深度学习网络,可适用于处理非欧式空间的对象。
下面对本申请实施例提供的交通流量预测方法的核心技术思路进行介绍。
经本申请发明人研究发现,出入流量与OD流量之间具有特定的关联关系,具体的,从某起点区域流向各个终点区域的OD流量之和应当等于该起点区域的流出流量,从各个起点区域流向某终点区域的OD流量之和应当等于该终点区域的流入流量;出入流量的预测与OD流量的预测实质上应该是有机融合的整体。而相关技术目前普遍仅对出入流量单独进行预测,在交通流量预测的过程中没有较好地利用出入流量与OD流量之间的相关性,导致交通流量预测的准确性仍有待提高。
针对上述现有技术存在的问题,本申请实施例提供了一种交通流量预测方法,该方法将出入流量和OD流量的相关性融入到交通流量预测过程中,将出入流量预测任务与OD流量预测任务有机地结合起来,从而提升交通流量预测的准确性。
具体的,在本申请实施例提供的技术方案中,先获取基于目标地理范围内目标区域的历史出入流量构建得到的历史出入流量张量,以及基于目标地理范围内目标区域对的历史OD流量构建得到的历史OD流量张量;然后,通过预先训练得到的交通流量预测模型,根据上述历史出入流量张量和历史OD流量张量,实现对于目标地理范围的出入流量的预测和/或OD流量的预测。上述交通流量预测模型中设置有根据上述目标区域以及目标区域对之间的地理位置关联关系构建得到的指示矩阵,利用该指示矩阵对从历史出入流量张量中提取出的历史出入流量特征信息和从历史OD流量张量中提取出的历史OD流量特征信息进行融合处理,以实现出入流量特征信息与OD流量特征信息之间的有机融合,进而,基于融合处理后得到的信息确定出入流量预测结果和/或OD流量预测结果,将出入流量与OD流量的相关性融入交通流量的预测过程中,由此提升交通流量预测的准确性。
应理解,本申请实施例提供的交通流量预测方法具体可以应用于各种具备数据处理能力的设备,如终端设备、服务器等。其中,终端设备具体可以为计算机、个人数字助理(Personal DigitalAssitant,PDA)、平板电脑、智能手机等;服务器具体可以为应用服务器或Web服务器,实际部署时,该服务器可以为独立服务器,也可以为集群服务器。
为了便于理解本申请实施例提供的技术方案,下面以本申请实施例提供的交通流量预测方法应用于服务器为例,对本申请实施例提供的交通流量预测方法适用的应用场景进行介绍。
参见图1,图1为本申请实施例提供的交通流量预测方法的应用场景示意图。如图1所示,该应用场景中包括服务器110,服务器110用于执行本申请实施例提供的交通流量预测方法,其中运行有预先训练好的交通流量预测模型111,服务器110可以基于待预测时刻之前目标地理范围的历史出入流量张量和历史OD流量张量,确定待预测时刻目标地理范围的出入流量预测结果和/或OD流量预测结果。
具体的,当需要对目标地理范围内的出入流量和/或OD流量进行预测时,可以将待预测时刻之前目标地理范围内目标区域的历史出入流量以及目标地理范围内目标区域对的历史OD流量输入至服务器110;服务器110根据所接收的历史出入流量构建历史出入流量张量,根据所接收的历史OD流量构建历史OD流量张量。
进而,服务器110将其构建的历史出入流量张量输入和历史OD流量张量,输入预先训练好的交通流量预测模型111,通过交通流量预测模型111中的第一特征提取层1111,从历史出入流量张量中提取出历史出入流量特征信息,该历史出入流量特征信息具体可以为能够反映历史出入流量时空特征的张量,通过交通流量预测模型111中的第二特征提取层1112,从历史OD流量张量中提取出历史OD流量特征信息,该历史OD流量特征信息具体可以为能够反映历史OD流量时空特征的张量。然后,通过交通流量预测模型111中的指示矩阵1113,对上述历史出入流量特征信息和历史OD流量特征信息进行融合处理;具体的,可以基于指示矩阵1113将历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接该待融合历史出入流量特征信息和历史OD流量特征信息得到第一融合信息;和/或,可以基于指示矩阵1113将历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接该待融合历史OD流量特征信息和历史出入流量特征信息得到第二融合信息,如此实现出入流量预测任务与OD流量预测任务的有机融合。最终,通过交通流量预测模型111的输出层1114,基于融合处理后得到的第一融合信息和/或第二融合信息,确定目标地理范围的出入流量预测结果和/或OD流量预测结果。
由于交通流量预测模型111中的指示矩阵1113是基于待预测出入流量的目标区域与待预测OD流量的目标区域对之间的地理位置关联关系构建得到的,而目标区域与目标区域对之间的地理位置关联关系能够在一定程度上反映目标区域的出入流量与目标区域对的OD流量之间的关系,因此,利用指示矩阵1113对历史出入流量特征信息与历史OD流量特征信息进行融合,并基于融合后的信息确定出入流量预测结果和/或OD流量预测结果,实质上相当于将出入流量与OD流量之间的相关性融入到出入流量和/或OD流量的预测过程中,从而提升出入流量和/或OD流量预测的准确性。
应理解,图1所示的应用场景仅为示例,在实际应用中,本申请实施例提供的交通流量预测方法还可以应用于其他场景,在此不对本申请实施例提供的交通流量预测方法适用的应用场景做任何限定。
下面通过实施例对本申请提供的交通流量预测方法进行详细介绍。
参见图2,图2为本申请实施例提供的交通流量预测方法的流程示意图。为了便于描述,下述实施例以服务器作为执行主体为例进行介绍。如图2所示,该方法包括以下步骤:
步骤201:获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量。
当需要对待预测时刻目标地理范围内目标区域的出入流量进行预测,和/或需要对待预测时刻目标地理范围内目标区域对的OD流量进行预测时,服务器需要获取基于目标区域在待预测时刻之前的历史出入流量构建的历史出入流量张量,以及基于目标区域对在待预测时刻之前的历史OD流量构建的历史OD流量张量。
应理解,在实际应用中,服务器可以利用目标地理范围内目标区域的历史出入流量构建历史出入流量张量,利用目标地理范围内目标区域对的历史OD流量构建历史OD流量张量。服务器也可以从其他设备处获取已构建好的历史出入流量张量和历史OD流量张量。本申请在此不对服务器获取历史出入流量张量和历史OD流量张量的方式做任何限定。
可选的,为了保证通过本申请实施例提供的技术方案获得的预测结果与相关领域的实际预测需求更加贴切,本申请中目标地理范围内的区域可以是根据街区划分的,相应地,本申请中提及的目标区域实质上可以理解为目标街区,本申请中提及的目标区域对实质上可以理解为目标街区对。由于街区是实际交通管理任务中的基本单元,因此以街区作为基本研究单元,基于目标街区的出入流量构建历史出入流量张量,基于目标街区对的OD流量构建历史OD流量张量,能够保证最终基于这二者预测得到的出入流量预测结果和/或OD流量预测结果更具实用性,更符合相关领域的实际需求。
需要说明的是,上述目标区域的历史出入流量是在待预测时刻之前的若干个预设时段内的出入流量,例如,可以是目标区域在待预测时刻之前两个小时内的出入流量,也可以是前一天或者前多天内与待测时刻相对应的时刻内的出入流量等等,通常情况下,用于构建历史出入流量张量的各目标区域的历史出入流量所属于相同的时段。相类似地,上述目标区域对的历史OD流量也是在待预测时刻之前的若干个预设时段内的OD流量,例如,可以是目标区域对在待预测时刻之前两个小时内的OD流量,也可以是前一天或者前多天内与待预测时刻相对应的时刻内的OD流量等等,通常情况下,用于构建历史OD流量张量的各目标区域对的历史OD流量所属于相同的时段。
另外,用于构建历史出入流量张量的历史出入流量所属的时段,与用于构建历史OD流量张量的历史OD流量所属的时段,可以相同也可以不同。为了保证可以更好地利用出入流量和OD流量二者的相关性,通常情况下,需要保证用于构建历史出入流量张量的历史出入流量所属的时段与用于构建历史OD流量张量的历史OD流量所属的时段相同。
需要说明的是,单个预设时段内的历史出入流量张量具体可以为N*2大小的历史出入流量矩阵,N表示目标地理范围内待预测出入流量的目标区域的数目,N为大于或等于1的整数。历史出入流量矩阵中索引为[i,0]的元素可以表示第i个目标区域的历史入流量,索引为[i,1]的元素可以表示第i个目标区域的历史出流量;或者,历史出入流量矩阵中索引为[i,0]的元素可以表示第i个目标区域的历史出流量,索引为[i,1]的元素可以表示第i个目标区域的历史入流量。单个预设时段内的历史OD流量张量具体可以为M*1大小的历史OD流量矩阵,历史OD流量矩阵中第j个元素表示第j个目标区域的历史OD流量。可选的,为了保证后续预测出入流量和/或OD流量时可以参考更多维度的信息,服务器获取的历史出入流量张量具体可以包括与多种不同的采样周期分别对应的历史出入流量张量,获取的历史OD流量张量具体可以包括与多种不同的采样周期分别对应的历史OD流量张量。
假设服务器需要获取P(P为大于1的整数)种不同的采样周期各自对应的历史出入流量张量,则可以通过以下方式实现:获取目标地理范围内各目标区域在P种采样周期下的出入流量,针对P种采样周期中的每种采样周期,根据目标地理范围内各目标区域在该采样周期下的出入流量,构建得到该采样周期对应的历史出入流量张量。
例如,假设服务器需要获取三种采样周期分别对应的历史出入流量张量,这三种采样周期分别为以小时为采样周期、以天为采样周期和以周为采样周期。此时,服务器可以获取目标地理范围内各目标区域在若干个小时内的出入流量,进而基于各目标区域在若干个小时内的出入流量,构建目标地理范围以小时为采样周期的历史出入流量张量。服务器可以获取目标地理范围内各目标区域在若干天内的出入流量,进而基于各目标区域在若干天内的出入流量,构建目标地理范围以天为采样周期的历史出入流量张量。服务器可以获取目标地理范围内各目标区域在若干周内的出入流量,进而基于各目标区域在若干周内的出入流量,构建目标地理范围以周为采样周期的历史出入流量张量。
为了保证所获取的历史出入流量张量对于待预测时刻的出入流量和/或OD流量的预测更具参考价值,可以先根据待预测时刻确定每种采样周期下的第一目标时段,然后针对每种采样周期,获取各目标区域在该采样周期下的第一目标时段内的出入流量,基于此构建每种采样周期对应的历史出入流量张量。也就是说,上述P种采样周期中每种采样周期对应的历史出入流量张量,均是根据该采样周期下第一目标时段内各目标区域的出入流量构建得到的。
仍以服务器需要获取三种采样周期分别对应的历史出入流量张量,且这三种采样周期分别为以小时为采样周期、以天为采样周期和以周为采样周期为例。假设待预测时刻为周三上午8时,服务器获取以小时为采样周期的历史出入流量张量时,可以先确定周三上午6时和7时作为第一目标时段,然后基于各目标区域在周三上午6时和7时的出入流量,构建得到目标地理范围以小时为采样周期的历史出入流量张量。服务器获取以天为采样周期的历史出入流量张量时,可以先确定周一上午8时和周二上午8时作为第一目标时段,然后基于各目标区域在周一上午8时和周二上午8时的出入流量,构建得到目标地理范围以天为采样周期的历史出入流量张量。服务器获取以周为采样周期的历史出入流量张量时,可以先确定前一周的周三上午8时和前两周的周三上午8时作为第一目标时段,然后基于各目标区域在前一周的周三上午8时和前两周的周三上午8时的出入流量,构建得到目标地理范围以周为采样周期的历史出入流量张量。
应理解,在实际应用中,上述采样周期的周期长度以及P值均可以根据实际需求设定,本申请在此不对上述采样周期的周期长度和P值做具体限定。此外,每个采样周期下第一目标时段的选取方式也可以根据实际需求设定,本申请在此也不对上述第一目标时段的选取方式做任何限定。
假设服务器需要获取Q(Q为大于1的整数)种不同的采样周期各自对应的历史OD流量张量,则可以通过以下方式实现:获取目标地理范围内各目标区域对在Q种采样周期下的OD流量,针对Q种采样周期中的每种采样周期,根据目标地理范围内各目标区域对在该采样周期下的OD流量,构建得到该采样周期对应的历史OD流量张量。
例如,假设服务器需要获取三种采样周期分别对应的历史OD流量张量,这三种采样周期分别为以小时为采样周期、以天为采样周期和以周为采样周期。此时,服务器可以获取目标地理范围内各目标区域对在若干个小时内的OD流量,进而基于各目标区域对在若干个小时内的OD流量,构建目标地理范围以小时为采样周期的历史OD流量张量。服务器可以获取目标地理范围内各目标区域对在若干天内的OD流量,进而基于各目标区域对在若干天内的OD流量,构建目标地理范围以天为采样周期的历史OD流量张量。服务器可以获取目标地理范围内各目标区域对在若干周内的OD流量,进而基于各目标区域对在若干周内的OD流量,构建目标地理范围以周为采样周期的历史OD流量张量。
为了保证所获取的历史OD流量张量对于待预测时刻的出入流量和/或OD流量的预测更具参考价值,可以先根据待预测时刻确定每种采样周期下的第二目标时段,然后针对每种采样周期,获取各目标区域对在该采样周期下的第二目标时段内的OD流量,基于此构建每种采样周期对应的历史OD流量张量。也就是说,上述Q种采样周期中每种采样周期对应的历史OD流量张量,均是根据该采样周期下第二目标时段内各目标区域对的OD流量构建得到的。
仍以服务器需要获取三种采样周期分别对应的历史OD流量张量,且这三种采样周期分别为以小时为采样周期、以天为采样周期和以周为采样周期为例。假设待预测时刻为周三上午8时,服务器获取以小时为采样周期的历史OD流量张量时,可以先确定周三上午6时和7时作为第二目标时段,然后基于各目标区域对在周三上午6时和7时的OD流量,构建得到目标地理范围以小时为采样周期的历史OD流量张量。服务器获取以天为采样周期的历史OD流量张量时,可以先确定周一上午8时和周二上午8时作为第二目标时段,然后基于各目标区域对在周一上午8时和周二上午8时的OD流量,构建得到目标地理范围以天为采样周期的历史OD流量张量。服务器获取以周为采样周期的历史OD流量张量时,可以先确定前一周的周三上午8时和前两周的周三上午8时作为第二目标时段,然后基于各目标区域对在前一周的周三上午8时和前两周的周三上午8时的OD流量,构建得到目标地理范围以周为采样周期的历史OD流量张量。
应理解,在实际应用中,上述采样周期的周期长度以及Q值均可以根据实际需求设定,本申请在此不对上述采样周期的周期长度和Q值做任何限定。此外,每个采样周期下第二目标时段的选取方式也可以根据实际需求设定,本申请在此也不对上述第二目标时段的选取方式做任何限定。
当交通流量预测任务聚焦于对目标地理范围的交通流量进行全面预测时,若直接基于目标地理范围内全部区域对的历史OD流量进行处理,所需耗费的计算量将是巨大的,例如,假设目标地理范围内包括N个目标区域,相应地该目标地理范围包括N*N个目标区域对,若直接基于N*N个目标区域对的历史OD流量进行相关计算处理,所需耗费的计算量将是N2级别的;另外,当以街区作为基本研究单元时,目标地理范围内包括的街区数目通常是上万级别的,相应地目标地理范围内包括的街区对数目将是上亿级别的,基于上亿级别的街区对的交通流量进行相关计算处理,所需耗费的计算量更是难以承受。可见,这种遍历处理方式难以应用于对大规模交通单元的交通流量预测任务。
为了在满足对目标地理范围内的交通流量进行全面预测的需求的同时,减少因处理大量历史OD流量而耗费的计算资源,本申请可以通过以下方式确定上述目标区域对:
获取目标地理范围内各区域对在历史训练时段内的OD流量;进而,从目标地理范围内的各区域对中,选出在历史训练时段内的OD流量满足预设条件的区域对,作为目标区域对。预先对目标地理范围内的区域对进行筛选,筛选出的目标区域对的数目通常远远小于目标地理范围内实际包括的街区对的数目,由此可以使本申请提供的方案可以更好地应用于对大规模交通单元的交通流量预测任务,并且如此筛选出的目标区域对的OD流量通常对于目标地理范围内出入流量和/或OD流量的全面预测更有参考价值。
具体实现时,服务器可以获取目标地理范围内各区域对在历史训练时段内的平均OD流量。然后,可以从目标地理范围内的各区域对中,选出平均OD流量大于预设阈值的M个区域对作为目标区域对,例如选出平均每小时人流量大于1的区域对作为目标区域对;或者,也可以对目标地理范围内各区域对各自对应的平均OD流量进行降序排序,从中选取排序靠前的M个平均OD流量对应的区域对作为目标区域对。
应理解,在实际应用中,服务器除了可以参考历史训练时段内各区域对的平均OD流量选取目标区域对外,还可以参考历史训练时段内与OD流量相关的其他数据选取目标区域对,例如可以参考历史训练时段内各区域对的OD流量中位数、OD流量最小值、OD流量最大值等等,本申请在此不对选取目标区域对时参考的数据做任何限定。此外,上述历史训练时段和预设阈值均可以根据实际需求设定,本申请在此不对该历史训练时段和预设阈值做具体限定。
步骤202:根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息。
服务器获取到目标地理范围在待预测时刻之前的历史出入流量张量和历史OD流量张量后,将所获取的历史出入流量张量和历史OD流量张量输入预先训练好的交通流量预测模型;通过交通流量预测模型中的用于提取出入流量特征的结构,从历史出入流量张量中提取出历史出入流量特征信息,该历史出入流量特征信息具体可以为能够反映历史出入流量的时序特征或时空特征的信息;通过交通流量预测模型中用于提取OD流量特征信息的结构,从历史OD流量张量中提取出历史OD流量特征信息,该历史OD流量特征信息具体可以为能够反映历史OD流量的时序特征或时空特征的信息。
在一种可能的实现方式中,当本申请实施例提供的技术方案以街区作为基本研究单元时,即在服务器所获取的历史出入流量张量是根据目标地理范围内各目标街区的历史出入流量构建得到的,历史OD流量张量是根据目标地理范围内各目标街区对的历史OD流量构建得到的情况下,考虑到街区通常属于不规则的形状,因此,可以在交通流量预测模型中设置GCN,利用GCN提取历史出入流量特征信息和历史OD流量特征信息。
具体的,交通流量预测模型中可以包括第一GCN层和第二GCN层;通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息时,可以通过第一GCN层对历史出入流量张量进行处理得到历史出入流量时空张量,作为历史出入流量特征信息,可以通过第二GCN层对历史OD流量张量进行处理得到历史OD流量时空张量,作为历史OD流量特征信息。
需要说明的是,上述第一GCN层的层数和第二GCN层的层数为交通流量预测模型的超参数,可以根据实际需求设定。GCN层的处理公式如式(1)所示:
H(l)=σ(H(l-1)W(l)0+AH(l-1)W(l)1) (1)
其中,H(l)表示GCN层中第l层的输出,H(l-1)表示GCN层中第l-1层的输出,GCN层中第l-1层的输出即为GCN层中第l层的输入;W(l)0和W(l)1是GCN层中的模型参数张量,其会随着对模型的训练而不断更新;A是经归一化处理后的用于表征区域与区域之间关系的邻接矩阵,在第一GCN层中A的大小为N*N,在第二GCN层中A的大小为M*M;σ为激活函数。
构建第一GCN层中的邻接矩阵时,可以根据由N个目标街区两两组合得到的N*N个区域对在历史训练时段内的OD流量构建。具体的,可以先对N*N大小的邻接矩阵进行初始化处理,然后获取N*N个区域对在历史训练时段内的平均OD流量,相应地作为初始化后的邻接矩阵中的元素,例如,假设目标街区16到目标街区12在历史训练时段内的平均OD流量为5,则第一GCN层中初始化后的邻接矩阵E中E[16][12]=5。确定出邻接矩阵中各元素值后,对该邻接矩阵进行归一化处理得到适用于第一GCN层的邻接矩阵。
构建第二GCN层中的邻接矩阵时,可以根据由M个目标街区对两两组合得到的M*M个区域对组合确定邻接矩阵中的元素。具体的,可以先对M个目标街区对进行两两组合得到M*M个目标街区对组合,然后针对M*M个目标街区对组合中的每个目标街区对组合进行如下处理:判断该目标街区对组合中前一目标街区对包含的终点区域与后一目标街区对包含的起点区域是否相同,若是,则可以根据该目标街区对组合中前一目标街区对在历史训练时段内的OD流量,确定邻接矩阵中与该目标街区对组合对应的元素,若否,则直接确定邻接矩阵中与该目标街区对组合对应的元素为0。确定出邻接矩阵中各元素后,对该邻接矩阵进行归一化处理得到适用于第二GCN层的邻接矩阵。
需要说明的是,M*M大小的邻接矩阵中每个元素对应一个目标区域对组合,若一个目标区域对组合中前一目标区域对的终点区域与后一目标区域对的起点区域相同,则代表该目标区域对组合中前一目标区域对的OD流量会对后一目标区域对的OD流量产生影响,通常情况下,后一目标区域对的OD流量将与前一目标区域对的OD流量成正比关系,此时可以直接根据该目标区域对组合中前一目标区域对在历史训练时段内的平均OD流量,确定邻接矩阵中与该目标区域对组合对应的元素。例如,假设目标区域对E[38][18]=5(表示在历史训练时段内从区域38到区域18的平均OD流量为5),目标区域对E[6][18]=12(表示在历史训练时段内从区域6到区域18的平均OD流量为12),则邻接矩阵S中S[(38,18),(18,42)]=5,S[(6,18),(18,42)]=12。反之,若一个目标区域对组合中前一目标区域对的终点区域与后一目标区域对的起点区域不同,则代表该目标区域对组合中前一目标区域对的OD流量不会对后一目标区域对的OD流量产生影响,此时可以直接确定邻接矩阵中与该目标街区对组合对应的元素为0。
为了保证交通流量预测模型可以更好地从历史出入流量张量中提取出出入流量的时序特征信息,以及更好地从历史OD流量张量中提取出OD流量的时序特征信息,在本申请实施例提供的交通流量预测模型中,还可以在第一GCN层之前设置第一RNN层,在第二GCN层之前设置第二RNN层,以便分别利用第一RNN层和第二RNN层更好地提取出入流量的时序特征和OD流量的时序特征。
具体处理历史出入流量张量时,可以先通过第一RNN层对输入的历史出入流量张量进行处理得到历史出入流量时序张量。为了避免损失原始信息,将该历史出入流量时序张量与输入的历史出入流量张量拼接起来,例如,假设历史出入流量张量的大小为H*N*2(其中,H表示该历史出入流量张量所涉及的预设时段的数目),利用第一RNN层对历史出入流量张量进行处理将得到大小为N*T1的历史出入流量时序张量(其中,T1为第一RNN层的输出维度),将历史出入流量张量的第一个维度移到第三个维度,重塑形状(Reshape)得到大小为N*2*H的张量,再进一步Reshape得到大小为N*2H的二维张量,将历史出入流量时序张量与该二维张量在最后一个维度拼接起来,得到大小为N*(2H+T1)的张量。进而通过第一GCN层对拼接后的张量进行处理得到历史出入流量时空张量,作为历史出入流量特征信息。
相类似地,具体处理历史OD流量张量时,可以先通过第二RNN层对输入的历史OD流量张量进行处理得到历史OD流量时序张量。为了避免损失原始信息,将该历史OD流量时序张量与输入的历史OD流量张量拼接起来,例如,假设历史OD流量张量的大小为H*M*1(其中,H表示该历史OD流量张量所涉及的预设时段的数目),利用第二RNN层对历史OD流量张量进行处理将得到大小为M*T2的历史OD流量时序张量(其中,T2为第二RNN层的输出维度),将历史OD流量张量的第一个维度移到第三个维度,重塑形状(Reshape)得到大小为M*1*H的张量,再进一步Reshape得到大小为M*H的二维张量,将历史OD流量时序张量与该二维张量在最后一个维度拼接起来,得到大小为M*(H+T2)的张量。进而通过第二GCN层对拼接后的张量进行处理得到历史OD流量张量,作为历史OD流量特征信息。
需要说明的是,上述第一RNN层和第二RNN层具体可以标准的RNN网络结构,也可以采用长短期记忆网络(Long Short-Term Memory,LSTM)、门控循环单元(GatedRecurrentUnit,GRU)等结构,本申请在此不对第一RNN层和第二RNN层具体的网络结构做任何限定。
需要说明的是,在实际应用中,上述交通流量预测模型中用于提取出入流量特征信息的结构可以仅包括第一RNN层,用于提取OD流量特征信息的结构可以仅包括第二RNN层,此时,利用第一RNN层提取出的历史出入流量特征信息实质上为能够表征出入流量时序特征的信息,利用第二RNN层提取出的历史OD流量特征信息实质上为能够表征OD流量时序特征的信息。
此外,当本申请实施例提供的技术方案以其他规则形状(如人为划分的网格)作为基本研究单元时,上述交通流量预测模型可以利用第一RNN层和第一卷积神经网络(Convolutional Neural Networks,CNN)层提取历史出入流量特征信息,可以利用第一RNN层和第二CNN层提取历史OD流量特征信息。
可选的,当输入交通流量预测模型的历史出入流量张量包括P种采样周期分别对应的P个历史出入流量张量,历史OD流量张量包括Q种采样周期分别对应的Q个历史OD流量张量时,交通流量预测模型中可以相应地包括P个第一特征提取层和Q个第二特征提取层,这P个第一特征提取层与P种采样周期一一对应,这Q个第二特征提取层与Q种采样周期一一对应。
具体通过交通流量预测模型提取历史出入流量特征信息时,可以针对P种采样周期中的每种采样周期,通过与该采样周期对应的第一特征提取层对该采样周期对应的历史出入流量张量进行处理,得到该采样周期对应的子历史出入流量特征信息;进而,对P种采样周期各自对应的子历史出入流量特征信息进行融合处理,得到历史出入流量特征信息。
相类似地,具体通过交通流量预测模型提取历史OD流量特征信息时,可以针对Q种采样周期中的每种采样周期,通过与该采样周期对应的第二特征提取层对该采样周期对应的历史OD流量张量进行处理,得到该采样周期对应的子历史OD出入流量特征信息;进而,对Q种采样周期各自对应的子历史OD流量特征信息进行融合处理,得到历史OD流量特征信息。
需要说明的是,上述第一特征提取层具体可以包括第一RNN层和第一GCN层中的至少一个结构,上述第二特征提取层具体可以包括第二RNN层和第二GCN层中的至少一个结构。也就是说,当输入的历史出入流量张量包括多个时,针对其中的每个历史出入流量张量,均可以利用第一RNN层和/或第一GCN层提取对应的历史出入流量特征信息;当输入的历史OD流量张量包括多个时,针对其中的每个历史OD流量张量,均可以利用第二RNN层和/或第二GCN层提取对应的历史OD流量特征信息。
为了便于理解,下面以对应于历史出入流量张量的采样周期以及对应于历史OD流量张量的采样周期均包括以小时为采样周期、以天为采样周期和以周为采样周期为例,结合图3对交通流量预测模型提取历史出入流量特征信息的实现过程,以及提取历史OD流量特征信息的实现过程进行介绍。
如图3所示,交通流量预测模型的输入层310用于接收输入的历史出入流量张量和历史OD流量张量,输入层310所接收的历史出入流量张量包括以小时为采样周期的历史出入流量张量、以天为采样周期的历史出入流量张量和以周为采样周期的历史出入流量张量。对于以小时为采样周期的历史出入流量张量,交通流量预测模型可以利用第一特征提取层320对其进行时空特征提取处理,具体的,可以先利用第一特征提取层320中的第一RNN层321对以小时为采样周期的历史出入流量张量进行处理,得到历史出入流量时序张量,然后将该历史出入流量时序张量与以小时为采样周期的历史出入流量张量拼接起来,进而利用第一特征提取层320中的第一GCN层322对拼接后的张量进行处理,得到以小时为采样周期的历史出入流量特征信息。相类似地,可以分别利用第一特征提取层330和第一特征提取层340,对以天为采样周期的历史出入流量张量和以周为采样周期的历史出入流量张量进行处理,得到以天为采样周期的历史出入流量特征信息和以周为采样周期的历史出入流量特征信息。
输入层310所接收的历史OD流量张量包括以小时为采样周期的历史OD流量张量、以天为采样周期的历史OD流量张量和以周为采样周期的历史OD流量张量。对于以小时为采样周期的历史OD流量张量,交通流量预测模型可以利用第二特征提取层350对其进行时空特征提取处理,具体的,可以先利用第二特征提取层350中的第二RNN层351对以小时为采样周期的历史OD流量张量进行处理,得到历史OD流量时序张量,然后将该历史OD流量时序张量与以小时为采样周期的历史OD流量张量拼接起来,进而利用第二特征提取层350中的第二GCN层352对拼接后的张量进行处理,得到以小时为采样周期的历史OD流量特征信息。相类似地,可以分别利用第二特征提取层360和第二特征提取层370,对以天为采样周期的历史OD流量张量和以周为采样周期的历史OD流量张量进行处理,得到以天为采样周期的历史OD流量特征信息和以周为采样周期的历史OD流量特征信息。
可选的,为了能够更好的融合上述P种采样周期各自对应的子历史出入流量特征信息和上述Q种采样周期各自对应的子历史OD流量特征信息,即为了保证融合处理后得到的历史出入流量特征信息和历史OD流量特征信息具有更高的参考价值,在本申请实施例提供的交通流量预测模型中,还设置有外部特征层。该外部特征层用于获取待预测时刻的外部特征信息,并根据该外部特征信息确定P种采样周期各自对应的权重,根据该外部特征信息确定Q种采样周期各自对应的权重。
具体对P种采样周期各自对应的子历史出入流量特征信息进行融合处理时,可以利用外部特征层确定的P种采样周期各自对应的权重,对P种采样周期各自对应的子历史出入流量特征信息进行加权处理,得到历史出入流量特征信息。相类似地,具体对Q种采样周期各自对应的子历史OD流量特征信息进行融合处理时,可以利用外部特征层确定Q种采样周期各自对应的权重,对Q种采样周期各自对应的子历史OD流量特征信息进行加权处理,得到历史OD流量特征信息。
具体实现时,可以先获取待预测时刻的外部特征信息,例如可以获取待预测时刻的时间特征信息,如待预测时刻是在一天中的第几个小时、待预测时刻所属的日期是一周内的星期几、待预测时刻是否为节假日等等;此外,还可以获取待预测时刻的温度、风速、天气状态等信息作为外部特征信息,本申请在此不对所获取的外部特征信息做任何限定。然后可以通过独热(One-Hot)编码对所获取的外部特征信息进行处理,通过外部特征层中的全连接层对经One-Hot编码处理得到的数据进行处理,得到隐含有外部特征的张量,进而再通过外部特征层中的分类(Softmax)层,确定P种采样周期各自对应的权重和Q种采样周期各自对应的权重。
应理解,在实际应用中,若各历史出入流量张量与各历史OD流量张量对应的采样周期均相同,则可以仅设置一个Softmax层;若各历史出入流量张量与各历史OD流量张量对应的采样周期不同,则需要设置两个Softmax层,一个Softmax层用于确定各历史出入流量对应的P种采样周期各自对应的权重,另一个Softmax层用于确定各历史OD流量张量对应的Q种采样周期各自对应的权重。
本申请实施例中的外部特征层主要考虑的外部特征通常为待预测时刻的时间特征,其基本思想在于,考虑到不同待预测时刻在不同的采样周期下应当具备不同的权重,例如,分别以小时为采样周期、以天为采样周期和以周为采样周期的三类历史出入流量张量应当具备不同的参考权重,在一种场景下,周一上午10时的各类交通流量指标与一天前(即周日)上午10时、两天前(即周六)上午10时的交通流量指标的关联度可能较低,而与一周前(即上周一)上午10时的交通流量指标的关联度可能较高;在另一种场景下,节假日(如国庆节假期)的第一天中某一时刻的交通流量指标可能与一天前、一周前同一时刻的交通流量指标关联度较低,而与该天内前一小时、两小时的交通流量指标关联度较高。因此,本申请实施例中的交通流量预测模型借助外部特征层捕捉待预测时刻的时间特征信息,以为不同的采样周期确定合理的信息权重。
步骤203:基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的。
服务器通过交通流量预测模型提取出历史出入流量特征信息和历史OD流量特征信息后,即可利用交通流量预测模型中的指示矩阵对该历史出入流量特征信息和历史OD流量特征信息进行融合处理。
需要说明的是,指示矩阵I是预先定义的大小为N*M的矩阵,其是基于目标区域与目标区域对之间的地理位置关联关系构建得到的,具体可以表征输入的历史出入流量张量与历史OD流量张量之间的关系。例如,假设输入的历史OD流量矩阵中第51个元素对应于目标区域对(18,32),该目标区域对是指由区域18流向区域32的流量,那么可以将初始化后的指示矩阵I中的元素I[18][51]和元素I[32][51]设置为1,元素I[18][51]表征历史出入流量张量中第18行的元素与历史OD流量张量中第51个元素相关,元素I[32][51]表示历史出入流量张量中第32行的元素也与历史OD流量张量中第51个元素相关。以此类推,根据目标街区与目标街区对之间的关联关系,确定初始化后的指示矩阵中的各个元素。
具体通过指示矩阵对历史出入流量特征信息和历史OD流量特征信息进行融合处理时,可以通过以下方式中的至少一种来实现:
第一种方式,基于指示矩阵和历史出入流量特征信息计算得到待融合历史出入流量特征信息,将该待融合历史出入流量特征信息与历史OD流量特征信息拼接起来,得到第一融合信息。
对历史出入流量张量进行特征提取处理后得到的历史出入流量特征信息,具体是大小为N*HA的历史出入流量特征张量LA,HA是第一特征提取层中最后一层的输出大小,利用指示矩阵的转置矩阵与历史出入流量特征张量LA相乘,得到待融合历史出入流量特征信息对应的张量LA’,张量LA’的大小为M*HA,具体处理过程如式(2)所示:
LA’=I.T*LA (2)
其中,I表示指示矩阵,I.T表示指示矩阵的转置矩阵,LA’的大小为M*HA。
对历史OD流量张量进行特征提取处理后得到的历史OD流量特征信息,具体是大小为M*HB的历史OD流量特征张量LB,HB是第二特征提取层中最后一层的输出大小,将该历史OD流量特征张量LB与待融合历史出入流量特征信息对应的张量LA’在最后一个维度上做拼接,得到大小为M*(HA+HB)的张量OB,即为上述第一融合信息。
第二种方式,基于指示矩阵和历史OD流量特征信息计算得到待融合历史OD流量特征信息,将该待融合历史OD流量特征信息与历史出入流量特征信息拼接起来,得到第二融合信息。
对历史OD流量张量进行特征提取处理后得到的历史OD流量特征信息,具体是大小为M*HB的历史OD流量特征张量LB,HB是第二特征提取层中最后一层的输出大小,利用指示矩阵与该历史OD流量特征张量LB相乘,得到待融合历史OD流量特征信息对应的张量LB’,张量LB’的大小为N*HB,具体处理过程如式(3)所示:
LB’=I*LB (3)
对历史出入流量张量进行特征提取处理后得到的历史出入流量特征信息,具体是大小为N*HA的历史出入流量特征张量LA,HA是第一特征提取层中最后一层的输出大小,将该历史出入流量特征张量LA与待融合历史OD流量特征信息对应的张量LB’在最后一个维度上做拼接,得到大小为N*(HA+HB)的张量OA,即为上述第二融合信息。
需要说明的是,在实际应用中,交通流量预测模型可以仅执行上述第一种方式实现对于历史出入流量特征信息与历史OD流量特征信息的融合,得到第一融合信息;交通流量预测模型也可以仅执行上述第二种方式实现对于历史出入流量特征信息与历史OD流量特征信息的融合,得到第二融合信息;交通流量预测模型还可以同时执行上述第一种方式和第二种方式,实现对于历史出入流量特征信息与历史OD流量特征信息的融合,得到第一融合信息和第二融合信息。
步骤204:通过所述交通流量预测模型基于所述第一融合信息和/或第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
服务器通过交通流量预测模型中的指示矩阵,完成对于历史出入流量特征信息和历史OD流量特征信息的融合处理,得到第一融合信息和/或第二融合信息后,进一步通过交通流量预测模型基于融合处理得到的第一融合信息和/或第二融合信息,确定目标地理范围在待预测时刻的出入流量预测结果和/或OD流量预测结果,即确定目标地理范围内各目标区域在待预测时刻的出入流量,和/或确定目标地理范围内各目标区域对在待预测时刻的OD流量。
应理解,最终获得的出入流量预测结果应当是N*2大小的出入流量预测结果张量,其中的元素与输入交通流量预测模型的单个预设时段的历史出入流量张量中的元素一一对应,例如,假设单个预设时段的历史出入流量张量中索引为[i,0]的元素表示第i个目标区域的历史入流量,单个预设时段的历史出入流量张量中索引为[i,1]的元素表示第i个目标区域的历史出流量,相应地,出入流量预测结果张量中索引为[i,0]的元素表示第i个目标区域在待预测时刻的入流量,出入流量预测结果张量中索引为[i,1]的元素表示第i个目标区域在待预测时刻的出流量。
相类似地,最终获得的OD流量预测结果应当是M*1大小的OD流量预测结果张量,其中的元素与单个预设时段的输入交通流量预测模型的历史OD流量张量中的元素一一对应,例如,假设单个预设时段的历史OD流量张量中第j个元素表示第j个目标区域对的历史OD流量,相应地,OD流量预测结果张量中第j个元素表示第j个目标区域对在待预测时刻的OD流量。
具体实现时,在经融合处理得到第一融合信息和/或第二融合信息的基础上,可以通过交通流量预测模型中的第一全连接层,对第一融合信息或第二融合信息进行处理得到出入流量预测结果;可以通过交通流量预测模型中的第二全连接层,对第一融合信息或第二融合信息进行处理得到OD流量预测结果。
优选的,在经融合处理同时得到第一融合信息和第二融合信息,且需要确定出入流量预测结果和OD流量预测结果的情况下,可以利用第一全连接层对第一融合信息进行处理得到出入流量预测结果,利用第二全连接层对第二融合信息进行处理得到OD流量预测结果。
需要说明的是,在对本申请实施例中交通流量预测模型的训练过程中,可以采样L2 Loss作为损失含税,通过梯度学习算法或其他优化算法训练该交通流量预测模型,例如可以采用Adam算法作为交通流量预测模型的学习优化算法。
在上述本申请实施例提供的交通流量预测方法中,先获取基于目标地理范围内目标区域的历史出入流量构建得到的历史出入流量张量,以及基于目标地理范围内目标区域对的历史OD流量构建得到的历史OD流量张量;然后,通过预先训练得到的交通流量预测模型,根据上述历史出入流量张量和历史OD流量张量,实现对于目标地理范围的出入流量的预测和/或OD流量的预测。上述交通流量预测模型中设置有根据上述目标区域以及目标区域对之间的地理位置关联关系构建得到的指示矩阵,利用该指示矩阵对从历史出入流量张量中提取出的历史出入流量特征信息和从历史OD流量张量中提取出的历史OD流量特征信息进行融合处理,以实现出入流量特征信息与OD流量特征信息之间的有机融合,进而,基于融合处理后得到的信息确定出入流量预测结果和/或OD流量预测结果,将出入流量与OD流量的相关性融入交通流量的预测过程中,由此提升交通流量预测的准确性。
为了便于进一步理解本申请实施例提供的技术方案,下面以本申请实施例提供的技术方案以街区作为基本研究单元为例,结合图4所示的交通流量预测模型的结构,对本申请实施例提供的交通流量预测方法做整体示例性介绍。
假设目标地理范围内包括N个目标街区和M个目标街区对,现需要对待预测时刻t该目标地理范围内N个目标街区的出入流量和M个目标街区对的OD流量进行预测,针对单个历史预设时段,则需要构建大小为N*2的历史出入流量张量和大小为M*1的历史OD流量张量,作为交通流量预测模型的输入。对于N*2的历史出入流量张量,其中索引为[i,0]的元素代表第i个目标街区的历史入流量,索引为[i,1]的元素代表第i个目标街区的历史出流量。对于M*1的历史OD流量张量,其中第j个元素代表第j个目标街区对的历史OD流量。
需要说明的是,本实施例基于目标地理范围内街区对具有稀疏性(即目标地理范围内大量的区域对之间不会发生交通联系)这一理念,确定OD流量的预测目标应当聚焦于在历史训练时段内OD流量均值大于预设阈值的街区对,即选取目标地理范围内在历史训练时段的OD流量均值大于预设阈值的M个街区对作为目标街区对,通常情况下,M会远远小于目标地理范围内实际包括的街区对数目N*N,因此,可以避免基于大规模数据进行OD流量的预测,减少计算资源的开销。
在实施例提供的技术方案中,历史出入流量和历史OD流量的选取主要包括以下三种途径:1)以小时作为采集周期,选取目标街区在待预测时刻前一个小时、前两个小时内的出入流量,选取目标街区对在待预测时刻前一个小时、前两个小时内的OD流量;2)以天作为采集周期,选取目标街区在一天前与待预测时刻相同的时刻内、两天前与待预测时刻相同的时刻内的出入流量,选取目标街区对在一天前与待预测时刻相同的时刻内、两天前与待预测时刻相同的时刻内的OD流量;3)以周作为采集周期,选取目标街区在一周前与待预测时刻相同的时刻内、两周前与待预测时刻相同的时刻内的出入流量,选取目标街区对在一周前与待预测时刻相同的时刻内、两周前与待预测时刻相同的时刻内的OD流量。
基于不同采样周期下目标街区的历史出入流量,分别构建得到以小时为采样周期的历史出入流量张量411、以天为采样周期的历史出入流量张量412和以周为采样周期的历史出入流量张量413,作为交通流量预测模型中输入层410的输入。基于不同采样周期下目标街区对的历史OD流量,分别构建得到以小时为采样周期的历史OD流量张量414、以天为采样周期的历史OD流量张量415和以周为采样周期的历史OD流量张量416,作为交通流量预测模型中输入层410的输入。
对于输入层410中三种不同采样周期对应的历史出入流量张量,分别按时间维度展开,输入到RNN层420中的第一RNN层421、第一RNN层422和第一RNN层423中;对于输入层410中三种不同采样周期对应的历史OD流量张量,分别按时间维度展开,输入到RNN层420中的第二RNN层424、第二RNN层425和第二RNN层426中。为了避免原始信息的损失,RNN层420中每个第一RNN层最后一个状态的输出将与对应输入的历史出入流量张量拼接在一起,RNN层420中每个第二RNN层最后一个状态的输出将与对应输入的历史OD流量张量拼接在一起。
对于经上述拼接处理得到的不同采样周期对应的历史出入流量张量,交通流量预测模型将其分别输入GCN层430中的第一GCN层431、第一GCN层432和第一GCN层433;对于经上述拼接处理得到的不同采样周期对应的历史OD流量张量,交通流量预测模型将其分别输入GCN层430中的第二GCN层434、第二GCN层435和第二GCN层436。
GCN层430中各第一GCN层的层数与各第二GCN层的层数均是交通流量预测模型的超参数,每个GCN层的处理公式如式(1)所示:
H(l)=σ(H(l-1)W(l)0+AH(l-1)W(l)1) (1)
其中,H(l)表示GCN层中第l层的输出,H(l-1)表示GCN层中第l-1层的输出,GCN层中第l-1层的输出即为GCN层中第l层的输入;W(l)0和W(l)1是GCN层中的模型参数张量,其会随着对模型的训练而不断更新;A是经归一化处理后的用于表征区域与区域之间关系的邻接矩阵,在第一GCN层中A的大小为N*N,在第二GCN层中A的大小为M*M;σ为激活函数。
构建第一GCN层中的街区邻接矩阵时,可以利用N个目标街区两两组合得到的N*N个街区对的历史平均OD流量作为邻接矩阵中的元素。例如,初始化街区邻接矩阵是大小为N*N的二维矩阵E,若街区16到街区12的历史平均OD流量为5,则E[16][12]=5。在此基础上,对街区邻接矩阵E进行归一化处理,即可得到第一GCN层中的街区邻接矩阵。
构建第二GCN层中的OD邻接矩阵时,可以根据M个目标街区对两两组合得到的M*M个街区对组合确定OD邻接矩阵中的元素。例如,初始化OD邻接矩阵是大小为M*M的二维矩阵S,考察由街区18流向街区42的目标街区对(18,42)时,若已知历史平均OD流量矩阵E中E[38][18]=5、E[6][18]=12,则可定义S[(38,18),(18,42)]=5、S[(6,18),(18,42)]=12,以此类推。其核心思想是由起点A流向终点B的流量,对由起点B流向终点C的流量存在因果影响,因此基于历史平均OD流量矩阵E来确定这种影响程度的相对大小。在此基础上,对OD邻接矩阵S进行归一化处理,即可得到第二GCN层中的OD邻接矩阵。
经第一GCN层431、第一GCN层432和第一GCN层433处理后,得到3个对应不同采样周期的子历史出入流量时空张量,经第二GCN层434、第二GCN层435和第二GCN层436处理后,得到3个对应不同采样周期的子历史OD流量时空张量。利用外部特征层440生成的3个权重值,分别对3个对应不同采样周期的子历史出入流量时空张量进行加权融合处理,得到历史出入流量时空张量451,分别对3个对应不同采样周期的子历史OD流量时空张量进行加权融合处理,得到历史OD流量时空张量452。
在本实施例中,外部特征层440主要选取时间特征信息441作为外部特征信息,所选取的时间特征信息441可以包括:待预测时刻是在一天内的第几个小时、待预测时刻所属的日期是一周内的星期几、待预测时刻所属的日期是否为节假日等等。上述时间特征信息通过One-Hot编码处理后作为外部特征层440的输入,首先经过一层全连接层442得到隐含外部特征的张量,接着再经过一层Softmax层443得到3个权重值,分别代表以小时为采样周期、以天为采样周期和以周为采样周期的历史交通流量信息的权重。
为了融合上述历史出入流量时空张量451和历史OD流量时空张量452,交通流量预测模型中的信息融合与输出层450设置有信息融合模块453,其基于大小为N*M的指示矩阵实现信息融合处理,该指示矩阵的含义为指代历史出入流量矩阵与历史OD流量矩阵间的关系。例如,在历史OD流量矩阵中,第51个元素对应于目标街区对(18,32),其含义为由街区18流向街区32的流量,那么对于初始化指示矩阵I,可以定义其中I[18][51]=1和I[32][51]=1,以此类推,确定指示矩阵中各个元素。
信息融合模块453具体进行信息融合时,对于历史出入流量时空张量451(大小为N*HA的张量,HA为历史出入流量张量在GCN层最后一层的输出大小),可以利用指示矩阵I的转置矩阵I.T与其相乘,得到待融合历史出入流量张量,其大小为M*HA。将待融合历史出入流量张量与历史OD流量时空张量452(大小为M*HB的矩阵,HB为历史OD流量张量在GCN层最后一层的输出大小)在最后一个维度上做拼接,得到大小为M*(HA+HB)的第一融合张量454。
相反的,对于历史OD流量时空张量452,利用指示矩阵I与其相乘,得到待融合历史OD流量张量,其大小为N*HB。将待融合历史OD流量张量与历史出入流量时空张量451在最后一个维度上做拼接,得到大小为N*(HA+HB)的第二融合张量455。
第一融合张量454和第二融合张量455均代表融合了历史出入流量时空特征信息和历史OD流量时空特征信息的张量,进而,基于第一融合张量454通过第一全连接层456输出待预测时刻目标地理范围的出入流量预测结果,基于第二融合张量455通过第二全连接层457输出待预测时刻目标地理范围的OD流量预测结果。
发明人基于北京市的交通流量数据对本申请实施例提供的交通流量预测模型进行了实验,对比了传统的时间序列分析模型以及与一些具备代表性的可适用于不规则街区交通流量预测的深度学习模型,结果如表1所示:
表1
模型 | RMSE |
HA | 41.46 |
ARIMA | 39.70 |
STGCN | 31.01 |
DCRNN | 27.85 |
MVGCN | 27.12 |
本申请中的模型 | 24.47 |
其中,HA(History Average)是指基于历史平均值进行交通流量预测的模型,ARIMA(Autoregressive Integrated Moving Average)是差分移动回归模型,STGCN(Spatial Temporal Graph Convolutional Network)是时空卷积神经网络模型,DCRNN(Diffusion Convolutional Recurrent Neural Network)是扩散卷积递归神经网络模型,MVGCN(Multi-View Graph Convolutional Network)是多图图卷积神经网络模型。
通过对比可以发现,在均方根误差(Root Mean Square Error,RMSE)这一指标上,本申请提出的交通流量预测模型明显领先于其他模型。
在街区对OD流量的预测实验效果上,将传统的时间序列分析模型(此处选择的是效果较好的季节性差分移动自回归模型(Seasonal Autoregressive Integrated MovingAverage,SARIMA)作为Baseline)与本申请提出的交通流量预测模型进行对比,结果如表2所示:
表2
模型 | RMSE |
平均OD>=2,SARIMA | 25.03 |
平均OD>=2,本申请中的模型 | 4.91 |
平均OD>=50,SARIMA | 31.31 |
平均OD>=50,本申请中的模型 | 20.30 |
通过对比可以发现,本申请实施例提供的交通流量预测模型的预测效果领先于SARIMA,且预测的区域对的平均OD流量越小,领先的优势相对越明显,可见,本申请实施例提供的交通流量预测模型在捕捉时空相关性、周期相关性等方面具有明显的优势。
针对上文描述的交通流量预测方法,本申请还提供了对应的交通流量预测装置,以使上述交通流量预测方法在实际中得以应用和实现。
参见图5,图5是与上文图2所示的交通流量预测方法对应的一种交通流量预测装置500的结构示意图,该装置包括:
获取模块501,用于获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量;所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的,所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的;
特征提取模块502,用于根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;
信息融合模块503,用于基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的;
预测结果确定模块504,用于通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
可选的,在图5所示的交通流量预测装置的基础上,所述目标地理范围内的区域是根据街区划分的,所述目标区域为目标街区,所述目标区域对为目标街区对;所述交通流量预测模型包括:第一GCN层和第二GCN层。参见图6,图6为本申请实施例提供的另一种交通流量预测装置600的结构示意图,其中特征提取模块502包括:
第一特征提取子模块601,用于通过所述第一GCN层对所述历史出入流量张量进行处理得到历史出入流量时空张量,作为所述历史出入流量特征信息;
第二特征提取子模块602,用于通过所述第二GCN层对所述历史OD流量张量进行处理得到历史OD流量时空张量,作为所述历史OD流量特征信息。
可选的,在图6所示的交通流量预测装置的基础上,所述交通流量预测模型还包括:第一循环神经网络RNN层和第二RNN层;则所述出入流量特征提取子模块601具体用于:通过所述第一RNN层对所述历史出入流量张量进行处理得到历史出入流量时序张量;拼接所述历史出入流量时序张量和所述历史出入流量张量;通过所述第一GCN层对拼接后的张量进行处理得到所述历史出入流量时空张量,作为所述历史出入流量特征信息;
则所述OD流量特征提取子模块602具体用于:通过所述第二RNN层对所述历史OD流量张量进行处理得到历史OD流量时序张量;拼接所述历史OD流量时序张量和所述历史OD流量张量;通过所述第二GCN层对拼接后的张量进行处理得到历史OD流量时空张量,作为所述历史OD流量特征信息。
可选的,在图5所示的交通流量预测预测装置的基础上,所述目标区域的历史出入流量包括:P种采样周期下的出入流量,所述P为大于1的整数;所述目标区域对的历史OD流量包括:Q种采样周期下的OD流量,所述Q为大于1的整数。参见图7,图7为本申请实施例提供的另一种交通流量预测装置700的结构示意图,其中所述获取模块501包括:
第一获取子模块701,用于针对所述P种采样周期中的每种采样周期,根据该采样周期下的出入流量构建该采样周期对应的历史出入流量张量;
第二获取子模块702,用于针对所述Q种采样周期中的每种采样周期,根据该采样周期下的OD流量构建该采样周期对应的历史OD流量张量。
可选的,在图7所示的交通流量预测预测装置的基础上,所述P种采样周期中每种采样周期对应的历史出入流量张量,是根据该采样周期下第一目标时段内的出入流量构建的;所述第一目标时段是根据所述待预测时刻确定的;所述Q种采样周期中每种采样周期对应的历史OD流量张量,是根据该采样周期下第二目标时段内的OD流量构建的;所述第二目标时段是根据所述待预测时刻确定的。
可选的,在图7所示的交通流量预测装置的基础上,所述交通流量预测模型包括:P个第一特征提取层和Q个第二特征提取层,所述P个第一特征提取层与所述P种采样周期一一对应,所述Q个第二特征提取层与所述Q种采样周期一一对应。参见图8,图8为本申请实施例提供的另一种交通流量预测装置800的结构示意图,其中特征提取模块502包括:
第三特征提取子模块801,用于针对所述P种采样周期中的每种采样周期,通过与该采样周期对应的第一特征提取层对该采样周期对应的历史出入流量张量进行处理,得到该采样周期对应的子历史出入流量特征信息;
第一融合子模块802,用于对所述P种采样周期各自对应的子历史出入流量特征信息进行融合处理,得到所述历史出入流量特征信息;
第四特征提取子模块803,用于针对所述Q种采样周期中的每种采样周期,通过与该采样周期对应的第二特征提取层对该采样周期对应的历史OD流量张量进行处理,得到该采样周期对应的子历史OD流量特征信息;
第二融合子模块804,用于对所述Q种采样周期各自对应的子历史OD流量特征信息进行融合处理,得到所述历史OD流量特征信息。
可选的,在图8所示的交通流量预测装置的基础上,所述第一特征提取层包括:第一RNN层和第一GCN层中的至少一个;所述第二特征提取层包括:第二RNN层和第二GCN层中的至少一个。
可选的,在图8所示的交通流量预测装置的基础上,所述所述交通流量预测模型还包括:外部特征层,所述外部特征层用于获取所述待预测时刻的外部特征信息,并根据所述外部特征信息确定所述P种采样周期各自对应的权重,根据所述外部特征信息确定所述Q种采样周期各自对应的权重。
则所述第一融合子模块802具体用于:利用所述P种采样周期各自对应的权重对所述P种采样周期各自对应的子历史出入流量特征信息进行加权处理,得到所述历史出入流量特征信息;
则所述第二融合子模块804具体用于:利用所述Q种采样周期各自对应的权重对所述Q种采样周期各自对应的子历史OD流量特征信息进行加权处理,得到所述历史OD流量特征信息。
可选的,在图6所示的交通流量预测装置的基础上,参见图9,图9为本申请实施例提供的另一种交通流量预测装置900的结构示意图,其中特征提取模块502还包括:
组合子模块901,用于对所述目标地理范围内的目标区域对进行两两组合得到目标区域对组合;
邻接矩阵构建子模块902,用于若所述目标区域对组合中前一目标区域对包含的终点区域与后一目标区域对包含的起点区域相同,则根据所述目标区域对组合中前一区域对在历史训练时段内的OD流量,确定所述第二GCN层中邻接矩阵的元素。
可选的,在图5所示的交通流量预测装置的基础上,参见图10,图10为本申请实施例提供的另一种交通流量预测装置1000的结构示意图,该装置还包括:
历史数据获取模块1001,用于获取所述目标地理范围内各区域对在历史训练时段内的OD流量;
目标区域对筛选模块1002,用于从所述目标地理范围内的各区域对中,选出在所述历史训练时段内的OD流量满足预设条件的区域对,作为所述目标区域对。
可选的,在图5所示的交通流量预测装置的基础上,所述预测结果确定模块504具体用于:
通过所述交通流量预测模型中的第一全连接层,对所述第一融合信息或所述第二融合信息进行处理,得到所述出入流量预测结果;
和/或,通过所述交通流量预测模型中的第二全连接层,对所述第一融合信息或所述第二融合信息进行处理,得到所述OD流量预测结果。
在上述本申请实施例提供的交通流量预测装置中,先获取基于目标地理范围内目标区域的历史出入流量构建得到的历史出入流量张量,以及基于目标地理范围内目标区域对的历史OD流量构建得到的历史OD流量张量;然后,通过预先训练得到的交通流量预测模型,根据上述历史出入流量张量和历史OD流量张量,实现对于目标地理范围的出入流量的预测和/或OD流量的预测。上述交通流量预测模型中设置有根据上述目标区域以及目标区域对之间的地理位置关联关系构建得到的指示矩阵,利用该指示矩阵对从历史出入流量张量中提取出的历史出入流量特征信息和从历史OD流量张量中提取出的历史OD流量特征信息进行融合处理,以实现出入流量特征信息与OD流量特征信息之间的有机融合,进而,基于融合处理后得到的信息确定出入流量预测结果和/或OD流量预测结果,将出入流量与OD流量的相关性融入交通流量的预测过程中,由此提升交通流量预测的准确性。
本申请实施例还提供了一种用于预测交通流量的设备,该设备具体可以为服务器和终端设备,下面将从硬件实体化的角度对本申请实施例提供的服务器和终端设备进行介绍。
参见图11,图11为本申请实施例提供的一种服务器1100的结构示意图。该服务器1100可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(central processing units,CPU)1122(例如,一个或一个以上处理器)和存储器1132,一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储设备)。其中,存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1122可以设置为与存储介质1130通信,在服务器1100上执行存储介质1130中的一系列指令操作。
服务器1100还可以包括一个或一个以上电源1126,一个或一个以上有线或无线网络接口1150,一个或一个以上输入输出接口1158,和/或,一个或一个以上操作***1141,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图11所示的服务器结构。
其中,CPU 1122用于执行如下步骤:
获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量;所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的,所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的;
根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;
基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的;
通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
可选的,CPU 1122还可以用于执行本申请实施例提供的交通流量预测方法的任意一种实现方式的步骤。
参见图12,图12为本申请实施例提供的一种终端设备的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该终端可以为包括计算机、平板电脑、个人数字助理(英文全称:Personal DigitalAssistant,英文缩写:PDA)等任意终端设备,以终端为计算机为例:
图12示出的是与本申请实施例提供的终端相关的计算机的部分结构的框图。参考图12,计算机包括:射频(英文全称:Radio Frequency,英文缩写:RF)电路1210、存储器1220、输入单元1230、显示单元1240、传感器1250、音频电路1260、无线保真(英文全称:wireless fidelity,英文缩写:WiFi)模块1270、处理器1280、以及电源1290等部件。本领域技术人员可以理解,图12中示出的计算机结构并不构成对计算机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储器1220可用于存储软件程序以及模块,处理器1280通过运行存储在存储器1220的软件程序以及模块,从而执行计算机的各种功能应用以及数据处理。存储器1220可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器1220可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1280是计算机的控制中心,利用各种接口和线路连接整个计算机的各个部分,通过运行或执行存储在存储器1220内的软件程序和/或模块,以及调用存储在存储器1220内的数据,执行计算机的各种功能和处理数据,从而对计算机进行整体监控。可选的,处理器1280可包括一个或多个处理单元;优选的,处理器1280可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1280中。
在本申请实施例中,该终端所包括的处理器1280还具有以下功能:
获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量;所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的,所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的;
根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;
基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的;
通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
可选的,所述处理器1280还用于执行本申请实施例提供的交通流量预测方法的任意一种实现方式的步骤。
本申请实施例还提供一种计算机可读存储介质,用于存储计算机程序,该计算机程序用于执行前述各个实施例所述的一种交通流量预测方法中的任意一种实施方式。
本申请实施例还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行前述各个实施例所述的一种交通流量预测方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (15)
1.一种基于人工智能的交通流量预测方法,其特征在于,所述方法包括:
获取目标地理范围在待预测时刻之前的历史出入流量张量和历史OD流量张量;所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的,所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的,所述目标区域对包括两个不同的目标区域;
根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;
基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的,所述关联关系为地理位置关联关系;
通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
2.根据权利要求1所述的方法,其特征在于,所述目标地理范围内的区域是根据街区划分的,所述目标区域为目标街区,所述目标区域对为目标街区对;所述交通流量预测模型包括:第一GCN层和第二GCN层;则所述通过所述交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息,包括:
通过所述第一GCN层对所述历史出入流量张量进行处理得到历史出入流量时空张量,作为所述历史出入流量特征信息;通过所述第二GCN层对所述历史OD流量张量进行处理得到历史OD流量时空张量,作为所述历史OD流量特征信息。
3.根据权利要求2所述的方法,其特征在于,所述交通流量预测模型还包括:第一RNN层和第二RNN层;则所述通过所述交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息,包括:
通过所述第一RNN层对所述历史出入流量张量进行处理得到历史出入流量时序张量;拼接所述历史出入流量时序张量和所述历史出入流量张量;通过所述第一GCN层对拼接后的张量进行处理得到所述历史出入流量时空张量,作为所述历史出入流量特征信息;
通过所述第二RNN层对所述历史OD流量张量进行处理得到历史OD流量时序张量;拼接所述历史OD流量时序张量和所述历史OD流量张量;通过所述第二GCN层对拼接后的张量进行处理得到历史OD流量时空张量,作为所述历史OD流量特征信息。
4.根据权利要求1所述的方法,其特征在于,所述目标区域的历史出入流量包括:P种采样周期下的出入流量,所述P为大于1的整数;所述目标区域对的历史OD流量包括:Q种采样周期下的OD流量,所述Q为大于1的整数;则所述获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量,包括:
针对所述P种采样周期中的每种采样周期,根据该采样周期下的出入流量构建该采样周期对应的历史出入流量张量;
针对所述Q种采样周期中的每种采样周期,根据该采样周期下的OD流量构建该采样周期对应的历史OD流量张量。
5.根据权利要求4所述的方法,其特征在于,所述P种采样周期中每种采样周期对应的历史出入流量张量,是根据该采样周期下第一目标时段内的出入流量构建的;所述第一目标时段是根据所述待预测时刻确定的;
所述Q种采样周期中每种采样周期对应的历史OD流量张量,是根据该采样周期下第二目标时段内的OD流量构建的;所述第二目标时段是根据所述待预测时刻确定的。
6.根据权利要求4所述的方法,其特征在于,所述交通流量预测模型包括:P个第一特征提取层和Q个第二特征提取层,所述P个第一特征提取层与所述P种采样周期一一对应,所述Q个第二特征提取层与所述Q种采样周期一一对应;则所述通过所述交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息,包括:
针对所述P种采样周期中的每种采样周期,通过与该采样周期对应的第一特征提取层对该采样周期对应的历史出入流量张量进行处理,得到该采样周期对应的子历史出入流量特征信息;
对所述P种采样周期各自对应的子历史出入流量特征信息进行融合处理,得到所述历史出入流量特征信息;
针对所述Q种采样周期中的每种采样周期,通过与该采样周期对应的第二特征提取层对该采样周期对应的历史OD流量张量进行处理,得到该采样周期对应的子历史OD流量特征信息;
对所述Q种采样周期各自对应的子历史OD流量特征信息进行融合处理,得到所述历史OD流量特征信息。
7.根据权利要求6所述的方法,其特征在于,所述第一特征提取层包括:第一RNN层和第一GCN层中的至少一个;
所述第二特征提取层包括:第二RNN层和第二GCN层中的至少一个。
8.根据权利要求6所述的方法,其特征在于,所述交通流量预测模型还包括:外部特征层,所述外部特征层用于获取所述待预测时刻的外部特征信息,并根据所述外部特征信息确定所述P种采样周期各自对应的权重,根据所述外部特征信息确定所述Q种采样周期各自对应的权重;
则所述对所述P种采样周期各自对应的子历史出入流量特征信息进行融合处理,得到所述历史出入流量特征信息,包括:
利用所述P种采样周期各自对应的权重对所述P种采样周期各自对应的子历史出入流量特征信息进行加权处理,得到所述历史出入流量特征信息;
则所述对所述Q种采样周期各自对应的子历史OD流量特征信息进行融合处理,得到所述历史OD流量特征信息,包括:
利用所述Q种采样周期各自对应的权重对所述Q种采样周期各自对应的子历史OD流量特征信息进行加权处理,得到所述历史OD流量特征信息。
9.根据权利要求2或7所述的方法,其特征在于,通过以下方式确定所述第二GCN层中的邻接矩阵:
对所述目标地理范围内的目标区域对进行两两组合得到目标区域对组合;
若所述目标区域对组合中前一目标区域对包含的终点区域与后一目标区域对包含的起点区域相同,则根据所述目标区域对组合中前一区域对在历史训练时段内的OD流量,确定所述第二GCN层中邻接矩阵的元素。
10.根据权利要求1所述的方法,其特征在于,通过以下方式确定所述目标区域对:
获取所述目标地理范围内各区域对在历史训练时段内的OD流量;
从所述目标地理范围内的各区域对中,选出在所述历史训练时段内的OD流量满足预设条件的区域对,作为所述目标区域对。
11.根据权利要求1所述的方法,其特征在于,所述确定所述待预测时刻所述目标地理范围的出入流量预测结果,包括:
通过所述交通流量预测模型中的第一全连接层,对所述第一融合信息或所述第二融合信息进行处理,得到所述出入流量预测结果;
所述确定所述待预测时刻所述目标地理范围的OD流量预测结果,包括:
通过所述交通流量预测模型中的第二全连接层,对所述第一融合信息或所述第二融合信息进行处理,得到所述OD流量预测结果。
12.一种基于人工智能的交通流量预测装置,其特征在于,所述装置包括:
获取模块,用于获取目标地理范围在待预测时刻之前的历史出入流量张量和历史OD流量张量;所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的,所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的,所述目标区域对包括两个不同的目标区域;
特征提取模块,用于根据所述历史出入流量张量和所述历史OD流量张量,通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息;
信息融合模块,用于基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息,拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息;和/或,基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息,拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息;所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的,所述关联关系为地理位置关联关系;
预测结果确定模块,用于通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息,确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。
13.根据权利要求12所述的装置,其特征在于,所述目标地理范围内的区域是根据街区划分的,所述目标区域为目标街区,所述目标区域对为目标街区对;所述交通流量预测模型包括:第一GCN层和第二GCN层;则所述特征提取模块包括:
第一特征提取子模块,用于通过所述第一GCN层对所述历史出入流量张量进行处理得到历史出入流量时空张量,作为所述历史出入流量特征信息;
第二特征提取子模块,用于通过所述第二GCN层对所述历史OD流量张量进行处理得到历史OD流量时空张量,作为所述历史OD流量特征信息。
14.一种用于预测交通流量的设备,其特征在于,所述设备包括处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于根据所述计算机程序执行权利要求1至11中任一项所述的交通流量预测方法。
15.一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用于存储计算机程序,所述计算机程序用于执行权利要求1至11中任一项所述的交通流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911203515.0A CN110910659B (zh) | 2019-11-29 | 2019-11-29 | 一种交通流量预测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911203515.0A CN110910659B (zh) | 2019-11-29 | 2019-11-29 | 一种交通流量预测方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910659A CN110910659A (zh) | 2020-03-24 |
CN110910659B true CN110910659B (zh) | 2021-08-17 |
Family
ID=69821009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911203515.0A Active CN110910659B (zh) | 2019-11-29 | 2019-11-29 | 一种交通流量预测方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910659B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496305A (zh) * | 2020-04-03 | 2021-10-12 | 浙江大学 | 数据处理方法及装置 |
CN111612670B (zh) * | 2020-04-27 | 2024-03-15 | 清华大学 | 一种构建机动车排放清单的方法、装置和计算机设备 |
CN112488419B (zh) * | 2020-12-15 | 2023-02-10 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN112712695B (zh) * | 2020-12-30 | 2021-11-26 | 桂林电子科技大学 | 一种交通流预测方法、装置及存储介质 |
CN112767692A (zh) * | 2020-12-30 | 2021-05-07 | 兰州理工大学 | 基于SARIMA-GA-Elman组合模型的短时交通流量预测*** |
CN112633608B (zh) * | 2021-01-06 | 2022-04-12 | 南方科技大学 | 人流转移预测方法、装置、设备及存储介质 |
CN113011501B (zh) * | 2021-03-22 | 2022-05-24 | 广东海启星海洋科技有限公司 | 基于图卷积神经网络进行台风水位预测的方法及装置 |
CN113326449B (zh) * | 2021-05-27 | 2023-07-25 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
CN113590962B (zh) * | 2021-08-03 | 2023-07-25 | 合肥泰瑞数创科技有限公司 | 一种流量数据预测***、方法、计算机设备及介质 |
CN113744525A (zh) * | 2021-08-17 | 2021-12-03 | 东南大学 | 一种基于特征提取与深度学习的交通分布预测方法 |
CN114327840B (zh) * | 2022-03-11 | 2022-06-10 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
CN114579643A (zh) * | 2022-05-05 | 2022-06-03 | 国家***邮政业安全中心 | 快递业务量预测方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999026210A1 (de) * | 1997-11-18 | 1999-05-27 | DDG GESELLSCHAFT FüR VERKEHRSDATEN MBH | Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters und vorrichtung zum durchführen des verfahrens |
JP2004355537A (ja) * | 2003-05-30 | 2004-12-16 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び方法 |
CN108230698A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109598381A (zh) * | 2018-12-05 | 2019-04-09 | 武汉理工大学 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
-
2019
- 2019-11-29 CN CN201911203515.0A patent/CN110910659B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999026210A1 (de) * | 1997-11-18 | 1999-05-27 | DDG GESELLSCHAFT FüR VERKEHRSDATEN MBH | Verfahren zur prognose eines den zustand eines systems repräsentierenden parameters, insbesondere eines den zustand eines verkehrsnetzes repräsentierenden verkehrsparameters und vorrichtung zum durchführen des verfahrens |
JP2004355537A (ja) * | 2003-05-30 | 2004-12-16 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び方法 |
CN108230698A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109598381A (zh) * | 2018-12-05 | 2019-04-09 | 武汉理工大学 | 一种基于状态频率记忆神经网络的短时交通流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110910659A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910659B (zh) | 一种交通流量预测方法、装置、设备以及存储介质 | |
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
Li et al. | Autost: Efficient neural architecture search for spatio-temporal prediction | |
Wang et al. | Deep learning for real time crime forecasting | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测*** | |
CN113257016B (zh) | 一种交通信号控制方法、装置以及可读存储介质 | |
Zhang et al. | Multistep speed prediction on traffic networks: A graph convolutional sequence-to-sequence learning approach with attention mechanism | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
CN111242292A (zh) | 基于深度时空网络的od数据预测方法及*** | |
JP2021531523A (ja) | 画像処理方法、候補評価方法および関連装置 | |
CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
CN111444302A (zh) | 基于用户分类的移动性预测方法、***、装置 | |
Bansal et al. | Htfm: Hybrid traffic-flow forecasting model for intelligent vehicular ad hoc networks | |
CN115423162A (zh) | 一种车流量预测方法、装置、电子设备及存储介质 | |
Wang et al. | A novel time efficient machine learning-based traffic flow prediction method for large scale road network | |
He et al. | Forecasting nationwide passenger flows at city-level via a spatiotemporal deep learning approach | |
CN117195976A (zh) | 一种基于分层注意力的交通流量预测方法及*** | |
CN117037483A (zh) | 一种基于多头注意力机制的交通流预测方法 | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
Liu et al. | Acfm: A dynamic spatial-temporal network for traffic prediction | |
CN115691129A (zh) | 基于注意力的深度残差时空图卷积网络的交通流预测方法 | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM | |
Zhang et al. | Adaptive spatio-temporal convolutional network for traffic prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40022966 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |