CN111145541A - 交通流量数据预测方法、存储介质和计算机设备 - Google Patents

Abstract

本发明公开了一种交通流量数据预测方法，该预测方法包括：获取与待预测时刻相关的历史交通流量数据；利用训练好的空间特征提取网络提取所述历史交通流量数据的空间特征；将提取的空间特征输入到训练好的时序特征提取网络，所述时序特征提取网络包括第一长短期记忆神经网络和第二长短期记忆神经网络；所述第一长短期记忆神经网络输出长期时序特征，所述第二长短期记忆神经网络输出短期时序特征和拥堵特征；根据长期时序特征、短期时序特征和拥堵特征输出待预测时刻的交通流量数据。使用了基于有序神经元的长短期记忆神经网络，相较于传统的长短期记忆神经网络，其更能抓取突发事件所带来的影响，更适应多变的交通环境。

Description

交通流量数据预测方法、存储介质和计算机设备

技术领域

本发明属于信息技术领域，具体地讲，涉及交通流量预测模型的训练方法及预测方法、计算机可读存储介质、计算机设备。

背景技术

随着人民生活水平的提高和消费观念的改变，轿车已经成为了每个家庭的标准配置。同时，许多城市的交通网规划较早，没有为未来城市的发展预留道路规划空间。由于汽车数量的快速增长和旧城道路的规划不合理，交通堵塞几乎成为了每一个发展城市的顽疾。在每天的早晚高峰极度的交通拥堵降低了人们的生活体验。因此，合理的路径规划或者精确的错峰出行是拥堵城市人们的巨大需求。然而这些技术都依赖于对未来一段时间内的全局交通流量进行精确的预测。否则如果只依赖于当前的拥堵程度做路径规划，而不考虑汽车运行需要的时间，必然会导致一定的偏差。因此，提高交通流预测的精度极其重要。

预测交通流量是进行更深一步的路径规划等的一个基础操作。越精确的交通流预测可以给后续的步骤带来更好的效果。因此，交通流预测一直是一些研究学者所关心的问题。随着机器学习的发展，越来越多的人开始使用机器学习的工具对交通问题进行预测。长短期记忆神经网络(Long Short-Term Memory，简称LSTM)是最多被运用于处理一个点的时间方向的相关性的工具。CNN卷积神经网络和GCN图卷积神经网络是最多被用于处理空间维度的相关性信息的工具。也有人引入对时间序列方向的注意力机制。

在2019年AAAI，美国宾夕法尼亚州立大学的华人团队提出了一个基于LSTM长短期记忆神经网络和CNN的框架，对于交通流数据的预测达到了当时的最佳效果。

目前现有的技术，都是使用普通的LSTM去去对时间序列进行处理，来提取长短期网络在时间方向上的特征，进行训练。而一般的LSTM长短期记忆神经网络机制虽然可以取得一定的效果，但网络的结构并不能很好的适配交通数据的特性。交通流数据除了具有普遍的长短期依赖之外，某些时间的节点的车流对后期有巨大的影响。例如，若某地发生车祸，而该地的车流严重堵塞，那么该地的车流将会对后面很长一段时间的车流产生影响，但普通的LSTM对这种节点的特征提去能力不足。

发明内容

(一)本发明所要解决的技术问题

本发明解决的技术问题是：如何有效提取突发事件的节点特征，以提高交通流量预测的准确性。

(二)本发明所采用的技术方案

一种交通流量数据预测方法，所述交通流量数据预测方法包括：

获取与待预测时刻相关的历史交通流量数据；

利用训练好的空间特征提取网络提取所述历史交通流量数据的空间特征；

将提取的空间特征输入到训练好的时序特征提取网络，所述时序特征提取网络包括第一长短期记忆神经网络和第二长短期记忆神经网络；

所述第一长短期记忆神经网络输出长期时序特征，所述第二长短期记忆神经网络输出短期时序特征和拥堵特征；

根据长期时序特征、短期时序特征和拥堵特征输出待预测时刻的交通流量数据。

优选地，所述历史交通流量数据包括长期交通数据和短期交通数据，所述长期交通数据为所述待预测时刻的前m天的对应时间区段内的交通数据，其中所述对应时间区段为包含与所述待预测时刻相同时刻的区段；所述短期交通数据为与所述待预测时刻同一天且在所述待预测时刻之前的时间区段内的交通数据。

优选地，所述空间特征提取网络为自注意力卷积神经网络，所述自注意力卷积神经网络用于提取所述历史交通流量数据中的远距离空间特征和近距离空间特征。

优选地，所述自注意力卷积神经网络包括自注意力卷积层，所述自注意力卷积层用于提取所述历史交通流量数据中的远距离空间特征。

优选地，将前m天的每一天的对应时间区段内的交通数据一一对应地输入至每一个长短期记忆神经网络，以生成m个低阶长期时序特征；

将m个低阶长期时序特征输入至一个长短期记忆神经网络中，以生成高阶长期时序特征。

优选地，所述第二长短期记忆神经网络为基于有序神经元的长短期记忆神经网络，所述第二长短期记忆神经网络输出短期时序特征和拥堵特征的方法包括：

识别所述短期交通数据中的拥堵数据和非拥堵数据，其中所述拥堵数据表示所述待预测时刻之前的时间区段内由于突发事件而生成的突变数据；

将拥堵数据作为高层信息输入至所述第二长短期记忆神经网络的隐藏层中以生成拥堵特征，将非拥堵数据作为低层信息输入至所述第二长短期记忆神经网络的隐藏层中以生成短期时序特征。

优选地，根据长期时序特征、短期时序特征和拥堵特征输出待预测时刻的交通流量数据的方法包括：

利用全连接层融合长期时序特征、短期时序特征和拥堵特征得到融合特征，并通过全连接层将融合特征转化成网格形式的交通流量数据。

本发明还公开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交通流量数据预测程序，所述交通流量数据预测程序被处理器执行时实现上述的交通流量数据预测方法。

本发明还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的交通流量数据预测程序，所述交通流量数据预测程序被处理器执行时实现上述的交通流量数据预测方法。

(三)有益效果

本发明公开了一种交通流量数据预测方法，使用了基于有序神经元的长短期记忆神经网络，相较于传统的长短期记忆神经网络，基于有序神经元的长短期记忆神经网络，更能抓取突发事件所带来的影响，更适应多变的交通环境；使用基于自注意力机制的卷积神经网络，弥补了普通的卷积神经网络对远距离相关性特征提取能力不足的缺点。

附图说明

图1为本发明的实施例的交通流量数据预测方法的流程图；

图2为本发明的实施例的交通流量数据预测模型的结构框图；

图3为本发明的实施例的LSTM的神经元的结构示意图；

图4为本发明的实施例的基于有序神经元的LSTM的神经元的结构示意图；

图5为本发明的实施例的实验结果示意图；

图6为本发明的实施例的计算机设备的原理框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

交通流量的数据形式是序列的网格数据，为了针对这种形式数据的处理，我们因此需要一个既能对空间维度的信息的相关性进行处理，也要能对时间维度的信息进行处理。我们提出了一个能同时对空间维度，也能对时间维度进行处理的基于深度学习的交通流量预测模型，经过训练得到的交通流量预测模型可用于预测未来时刻的交通流量，该模型主要包括用于提取空间特征的卷积神经网络和用于提取时序特征的长短期记忆神经网络。

如背景技术所指出，现有技术中常规的长短期记忆神经网络(LSTM)并不能有效地提取某些突发节点的特征数据，例如若某地发生车祸，而该地的车流严重堵塞，那么该地的车流将会对后面很长一段时间的车流产生影响。但普通的长短期记忆神经网络对这种节点的特征提去能力不足。因此，我们引进了一个基于有序神经元的LSTM长短期记忆神经网络模型，来提高对这些特殊点的特征提取能力。

具体来说，如图1所示，本申请公开的一种交通流量数据预测方法包括如下步骤：

步骤S10：获取与待预测时刻相关的历史交通流量数据。

具体来说，所述历史交通流量数据包括长期交通数据和短期交通数据，其中所述长期交通数据为所述待预测时刻的前m天的对应时间区段内的交通数据，其中所述对应时间区段为包含与所述待预测时刻相同时刻的区段。所述短期交通数据为与所述待预测时刻同一天且在所述待预测时刻之前的时间区段内的交通数据。举例来说，待预测时刻为12月14日18时的交通流量数据，需要获取的短期交通数据为12月14日15时至17时的交通数据，即时间区段为15时至17时，当然时间区段的大小可自行设置，并不做限制。需要获取的长期交通数据为12月7日至12月13日每天16时至20时的交通流量数据，即获取前7天的交通数据。对应时间区段为16时至20时，其包含了与待预测时刻18时的相同时刻。需要说明的是，对应时间区段的大小可自行设置，例如对应时间区段可以待预测时刻为中心。另外这里的数值m的选取不做限定，可自行选择。

步骤S20：利用训练好的空间特征提取网络提取所述历史交通流量数据的空间特征。

现有技术中一般采用普通的卷积神经网络来提取空间特征，但是普通的卷积神经网络主要用于提取局部特征相关性，在交通数据的体现是提取近邻点的特征相关性，但是对于远距离点之间的相关性的提取能力较弱。如图2所示，为此本申请中的空间特征提取网络10采用自注意力卷积神经网络，引入自注意力机制，这样既能提取短距离空间特征，也能提取远距离空间特征。具体来说，自注意力卷积神经网络包括自注意力卷积层和若干普通的卷积层和池化层。自注意力卷积层设置于第一层，这样可以获取历史交通流量数据中的相隔较远的两点之间的空间相关性。

具体来说，自注意力卷积层的构造方法主要包括构造自注意力矩阵，归一化处理。对于输入的历史数据，我们选取一个时刻的数据。数据的形式为一张高为H，宽为W，维度为F的一个张量，记为X＝(H，W，F)。先将X矩阵进行降维，将H和W维度从二维降成一维，通过矩阵的拉直运算(vec)，写成一列的形式。X成为(HW，F)的二维矩阵。构造自注意力矩阵：

A＝XW_q(W_qX)^T，X∈R^HW×F，W_q，W_q∈R^F×d

d为可训练的参数矩阵对W的维数限制，用于控制训练参数的个数和自注意力的表达能力。随后再对自注意力矩阵进行softmax函数操作进行归一化。设得到的矩阵记为A。利用可训练的自注意力矩阵A，X和可训练矩阵W_v，我们即可构建基于自注意力的卷积层的网络结构：

O＝AXW_v

在通过自注意力卷积层，即可提取到输入的历史数据中距离较远的节点的相关性，即远距离空间特征，需要说明的是，本申请的自注意力卷积层既能提取距离较远的节点的相关性，也能提取近距离的节点的相关性。再结合普通的卷积层，可以更好地提取交通数据的特征。在网络结构的最后，使用全连接层进行特征压缩。

步骤S30：将提取的空间特征输入到训练好的时序特征提取网络，所述时序特征提取网络包括第一长短期记忆神经网络和第二长短期记忆神经网络。

具体地，长短期记忆神经网络(LSTM)是基于循环神经网络(recurrent neuralnetworks，RNN)的改进模型。传统RNN建立的模型难以处理长时依赖的问题，这是因为在训练的过程中容易发生梯度消失和梯度***。LSTM隐含层的基本单元是一个特殊的神经元结构而不再是一个传统的神经元节点。通过神经元结构中的输入门、输出门、遗忘门，分别实现信息的流入、流出以及对以前状态的更新。正是这种特殊的神经元结构，使得LSTM能够解决RNN存在的梯度消失或梯度***问题。

本申请的第一长短期记忆神经网络21采用普通的LSTM，用于处理长期交通数据，其神经元结构示意图如图3所示。其中每个LSTM的神经元结构中有三个门，分别是输入门、输出门和遗忘门，各个门的计算公式是

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

其中，符号

表示两个向量对应位置上的元素相乘，“σ”表示sigmoid函数，用作激活函数；f_t代表遗忘门，i_t代表遗忘门，o_t代表输出门；h_t-1表示上一时刻的历史信息，x_t表示当前时刻的信息，c_t表示神经元状态，

表示当前输入的单元状态。

第二长短期记忆神经网络采用基于有序神经元的LSTM，用于处理短期交通数据，其神经元结构示意图如图4所示。与普通的LSTM相比，基于有序神经元的LSTM的神经元结构中有五个门，分别是输入门、输出门、遗忘门、主遗忘门和主输入门，各个门的计算公式是

f_t＝σ(W_fx_t+U_fh_t-1+b_f)

i_t＝σ(W_ix_t+U_ih_t-1+b_i)

o_t＝σ(W_ox_t+U_oh_t-1+b_o)

符号

表示两个向量对应位置上的元素相乘，“σ”表示sigmoid函数，用作激活函数；f_t代表遗忘门，i_t代表遗忘门，o_t代表输出门，

表示主遗忘门，

表示主输入门；h_t-1表示上一时刻的历史信息，x_t表示当前时刻的信息，c_t表示神经元状态，

表示当前输入的单元状态。

表示向右的cumsum操作，

表示向左的cumsum操作。

基于有序神经元的LSTM的核心思想是区分高低层级的信息并分区间进行更新，其将神经元排序之后，通过位置的前后来表示信息层级的高低，然后在更新神经元时，先分别预测上一时刻的历史信息的层级和当前输入信息的层级，通过这两个层级来对神经元进行分区间更新。换个角度地讲，高层信息就可能保留相当长的距离，因为高层直接复制历史信息，导致历史信息可能不断被复制而不改变，而低层信息在每一步输入时都可能被更新，因为低层直接复制输入，而输入是不断改变的，所以就通过信息分级来嵌入了层级结构。更通俗地说就是分组更新，更高的组信息传得更远，即跨度更大，更低的组跨度更小，这些不同的跨度就形成了输入序列的层级结构。本申请正是利用其分层级更新的特点，使得短期交通数据中对后续交通会产生重要影响的数据特征能保存更久，以更加精确地预测出交通流量数据，具体步骤在下文描述。

步骤S40：所述第一长短期记忆神经网络输出长期时序特征，所述第二长短期记忆神经网络输出短期时序特征和拥堵特征。

具体来说，所述第一长短期记忆神经网络包括若干长短期记忆神经网络，所述第一长短期记忆神经网络输出长期时序特征的具体方法包括：

前m天的每一天的对应时间区段内的交通数据一一对应地输入至每一个长短期记忆神经网络，以生成m个低阶长期时序特征。在该部分设置一个注意力矩阵，通过计算和短期神经网络中预测值的相似性进行带权求和。接着将m个低阶长期时序特征输入至一个长短期记忆神经网络中，以生成高阶长期时序特征。

进一步地，所述第二长短期记忆神经网络输出短期时序特征和拥堵特征的方法包括：

识别所述短期交通数据中的拥堵数据和非拥堵数据，其中所述拥堵数据表示所述待预测时刻之前的时间区段内由于突发事件而生成的突变数据，例如，发生了交通事故等突发事件；

将拥堵数据作为高层信息输入至所述第二长短期记忆神经网络的隐藏层中以生成拥堵特征，将非拥堵数据作为低层信息输入至所述第二长短期记忆神经网络的隐藏层中以生成短期时序特征。根据上文的分析可知，拥堵数据会对后续时刻的交通产生重要影响，因此需要保存更长的时间而不被轻易更新，而非拥堵数据作为低层信息正常更新处理即可，这样可以适应更加多变的实际交通环境。

需要说明的，对于长期交通数据中存在的拥堵数据，其一般不会对待预测时刻的交通产生显著影响，例如在待预测时刻的前3天发生的交通事故，通常不会对待预测时刻的交通产生影响，因此采用普通的LSTM处理即可。而短期交通数据中存在的拥堵数据则会对待预测时刻产生明显影响，例如待预测时刻的前两小时发生的交通事故，通常会对待预测时刻的交通产生影响，因此需要利用本申请中的基于有序神经元的LSTM来提取拥堵数据，并使得其能传播地更久，从而更准确地预测交通情况。

步骤S50：根据长期时序特征、短期时序特征和拥堵特征输出待预测时刻的交通流量数据。

利用全连接层融合长期时序特征、短期时序特征和拥堵特征得到融合特征，并通过全连接层将融合特征转化成网格形式的交通流量数据。

为了证明本申请的预测方法相对于现有的预测方法具有更精确的预测效果，进行如下实验：

为了验证本申请的交通流量数据预测方法的效果，即评估本申请的交通流量预测模型的性能，我们选择了大型数据集，纽约市的出租车数据，评价指标为平均绝对百分比误差(MAPE)，平均绝对百分比误差越小，代表模型的预测精度越高。对比例包括目前业内用于交通预测的主流模型ARIMA，XGBoost，ConvLSTM和STDN。实验结果如图5所示，其中ST-AOCNet表示本申请的交通流量预测模型，Start表示的是在这个时间离开该网格，End表示的是在这个时间到达该网格。其中，这里的实验数据按照时间区间计算，每半个小时搜集一次数据，Start指半个小时内离开该网格的数据，End指半个小时内到达该网格的数据。根据实验结果可知，本申请的交通流量预测模型的MAPE值相对于现有主流模型的MAPE值更小，即申请的交通流量预测模型的精确度相对于现有主流模型的精确度更高。

根据实验结果可知，本申请的交通流量数据预测方法，使用了基于有序神经元的长短期记忆神经网络，相较于传统的长短期记忆神经网络，基于有序神经元的长短期记忆神经网络，更能抓取突发事件所带来的影响，更适应多变的交通环境；使用基于自注意力机制的卷积神经网络，弥补了普通的卷积神经网络对远距离相关性特征提取能力不足的缺点。

本申请还公开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交通流量数据预测程序，所述交通流量数据预测程序被处理器执行时实现上述的交通流量数据预测方法。

本申请还公开了一种计算机设备，在硬件层面，如图6所示，该终端包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有交通流量数据预测程序，所述交通流量数据预测程序被处理器执行时实现上述的交通流量数据预测方法。

计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。

Claims (9)

1.一种交通流量数据预测方法，其特征在于，所述交通流量数据预测方法包括：

获取与待预测时刻相关的历史交通流量数据；

利用训练好的空间特征提取网络提取所述历史交通流量数据的空间特征；

将提取的空间特征输入到训练好的时序特征提取网络，所述时序特征提取网络包括第一长短期记忆神经网络和第二长短期记忆神经网络；

所述第一长短期记忆神经网络输出长期时序特征，所述第二长短期记忆神经网络输出短期时序特征和拥堵特征；

根据长期时序特征、短期时序特征和拥堵特征输出待预测时刻的交通流量数据。

2.根据权利要求1所述的交通流量数据预测方法，其特征在于，所述历史交通流量数据包括长期交通数据和短期交通数据，所述长期交通数据为所述待预测时刻的前m天的对应时间区段内的交通数据，其中所述对应时间区段为包含与所述待预测时刻相同时刻的区段；所述短期交通数据为与所述待预测时刻同一天且在所述待预测时刻之前的时间区段内的交通数据。

3.根据权利要求2所述的交通流量数据预测方法，其特征在于，所述空间特征提取网络为自注意力卷积神经网络，所述自注意力卷积神经网络用于提取所述历史交通流量数据中的远距离空间特征和近距离空间特征。

4.根据权利要求3所述的交通流量数据预测方法，其特征在于，所述自注意力卷积神经网络包括自注意力卷积层，所述自注意力卷积层用于提取所述历史交通流量数据中的远距离空间特征。

5.根据权利要求2所述的交通流量数据预测方法，其特征在于，所述第一长短期记忆神经网络包括若干长短期记忆神经网络，所述第一长短期记忆神经网络输出长期时序特征的具体方法包括：

将前m天的每一天的对应时间区段内的交通数据一一对应地输入至每一个长短期记忆神经网络，以生成m个低阶长期时序特征；

将m个低阶长期时序特征输入至一个长短期记忆神经网络中，以生成高阶长期时序特征。

6.根据权利要求2所述的交通流量数据预测方法，其特征在于，所述第二长短期记忆神经网络为基于有序神经元的长短期记忆神经网络，所述第二长短期记忆神经网络输出短期时序特征和拥堵特征的方法包括：

识别所述短期交通数据中的拥堵数据和非拥堵数据，其中所述拥堵数据表示所述待预测时刻之前的时间区段内由于突发事件而生成的突变数据；

将拥堵数据作为高层信息输入至所述第二长短期记忆神经网络的隐藏层中以生成拥堵特征，将非拥堵数据作为低层信息输入至所述第二长短期记忆神经网络的隐藏层中以生成短期时序特征。

7.根据权利要求1所述的交通流量数据预测方法，其特征在于，根据长期时序特征、短期时序特征和拥堵特征输出待预测时刻的交通流量数据的方法包括：

利用全连接层融合长期时序特征、短期时序特征和拥堵特征得到融合特征，并通过全连接层将融合特征转化成网格形式的交通流量数据。

8.一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交通流量数据预测程序，所述交通流量数据预测程序被处理器执行时实现如权利要求1至7任一项所述的交通流量数据预测方法。

9.一种计算机设备，其特征在于，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的交通流量数据预测程序，所述交通流量数据预测程序被处理器执行时实现如权利要求1至7所述的交通流量数据预测方法。

Images