CN111968375B - 交通流量的预测方法、装置、可读存储介质及电子设备 - Google Patents
交通流量的预测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN111968375B CN111968375B CN202010880552.1A CN202010880552A CN111968375B CN 111968375 B CN111968375 B CN 111968375B CN 202010880552 A CN202010880552 A CN 202010880552A CN 111968375 B CN111968375 B CN 111968375B
- Authority
- CN
- China
- Prior art keywords
- time
- predicted
- prediction
- road
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 178
- 238000000605 extraction Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 23
- 230000009466 transformation Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 230000000306 recurrent effect Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000002123 temporal effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了交通流量的预测方法、装置、可读存储介质及电子设备,基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及环境预测信息,确定待预测路段的周期时间偏移量;基于周期时间偏移量和待预测时间段,确定当前预测时间窗口,以及历史时间窗口;基于待预测路段所在路网区域的路网信息、当前预测时间窗口、历史预测时间窗口以及路网区域的历史交通数据,构建待预测路段的动态时空特征矩阵;将动态时空特征矩阵输入至训练好的交通流量预测模型中,得到待预测路段在待预测时间段的预测交通流量。这样,利用动态时空特征矩阵对交通流量进行预测,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
Description
技术领域
本申请涉及交通预测技术领域,具体而言,涉及交通流量的预测方法、装置、可读存储介质及电子设备。
背景技术
随着交通设施的逐步完善,汽车保有量与道路里程数地不断增加,道路正在面临着严峻的交通拥堵问题,构建智能交通***能有效缓解交通拥堵问题,而交通流量预测是其中的重要组成部分,交通流量是反映交通道路运行状态的主要参数之一,提前对相关路段的交通流量进行预测,并采取相应的疏通措施,将有效缓解拥堵情况,以提高交通路网的运输能力。
现阶段,对交通流量的预测大多依赖于设置在交通路网各处的摄像头、传感器等采集设备,实时采集道路的多类交通数据,通过采集的交通数据对道路的交通流量进行预测,但是交通数据在进行预测时,会受其本身的空间特征以及时间特征,以及其他因素的影响,仅通过实时采集到的交通数据对交通流量进行预测,会存在预测不稳定以及准确率较低的情况。
发明内容
有鉴于此,本申请的目的在于提供一种交通流量的预测方法、装置、可读存储介质及电子设备,结合待预测时间段以及待预测路段的属性,确定与待预测时间段相关联的多个预测时间窗口,进而生成包含多时间跨度的交通数据动态时空特征矩阵,利用动态时空特征矩阵对交通流量进行预测,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
本申请实施例还提供了一种交通流量的预测,所述预测方法包括:
基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量;
基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;
基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;
将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量;
其中,所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段,所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段,以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。
进一步的,所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期,以及在所述多个历史预测周期之前的、相邻的、包括多个历史预测周期的统计周期,其中,所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。
进一步的,所述基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵,包括:
基于所述路网区域的路网信息,确定所述待预测路段的道路空间路网邻接矩阵;
基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的初步时空特征矩阵;
获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度,以及针对所述路网区域中的每条道路,在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度;
基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵,确定所述待预测路段的动态时空特征矩阵。
进一步的,通过以下步骤确定所述道路流量贡献度:
基于所述道路空间路网邻接矩阵和所述路网区域的历史交通数据,确定所述待预测路段的空间特征矩阵;
将所述空间特征矩阵输入至训练好的空间注意力模型中,得到所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度。
进一步的,通过以下步骤确定所述时间流量贡献度:
针对所述路网区域中的每条道路,基于所述路网区域的历史交通数据和所述预测周期中的多个时间节点,构建该道路在所述当前预测周期或者在所述历史预测周期的时序特征矩阵;
将所述时序特征矩阵输入至训练好的时间注意力模型中,得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
进一步的,所述将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量,包括:
将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列;
将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时间特征序列相同维度的第一变换时序特征序列;
加和所述第一变换时序特征序列与所述时间特征序列,并将得到的特征序列输入至全连接层,确定最后的输出结果;
基于所述输出结果,确定出待预测路段在待预测时间段的交通流量。
进一步的,所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列,包括:
在预测时间窗口中每个时间节点处,提取待预测路段的空间特征,得到该时间节点处的子空间特征;
将得到的多个子空间特征,按照对应的时间节点的时序拼接,得到所述空间特征序列。
进一步的,所述将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列,包括:
针对空间特征序列中的每个空间节点,将该空间节点处的空间特征序列输入至循环神经网络中,得到第一预测特征序列;
将所述第一预测特征序列输入至循环神经网络中,得到第二预测特征序列;
将所述第二预测特征序列作为第一预测特征序列输入至循环神经网络中,继续进行特征提取,直至预设次数后停止特征提取,得到子时间特征序列;
将确定出的多个子时间特征序列,按照对应的空间节点进行拼接,得到时间特征序列。
进一步的,在所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列之后,所述预测方法还包括:
对所述空间特征序列在每个空间节点处进行时空特征提取,得到时空特征序列;
基于所述时空特征序列,得到时空高维输出特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时空高维输出特征序列相同维度的第二变换时序特征序列;
将所述第二变换时序特征序列与所述时空高维输出特征序列进行残差拼接,得到拼接特征序列;
将所述拼接特征序列输入至卷积神经网络,确定拼接输出结果;
基于所述拼接输出结果,确定出待预测路段在待预测时间段的交通流量。
进一步的,所述对所述空间特征在每个节点处进行时空特征提取,得到时空特征序列,包括:
针对每个空间节点,将该空间节点的空间特征序列输入至一维卷积神经网络,得到该空间节点在上一时间节点的第一中间状态序列以及第二中间状态序列;
将所述空间特征序列、所述第一中间状态序列以及述第二中间状态序列输入至长短期记忆人工神经网络,将输出的最后一个时刻输出的第一状态序列以及第二状态序列,作为时空特征序列。
进一步的,所述基于所述时空特征序列,得到时空高维输出特征序列,包括:
展开所述第一中间状态序列以及所述第二中间状态序列,得到每个时间节点对应的子第一中间状态序列以及子第二中间状态序列;
针对每个时间节点,基于该时间节点的上一个时间节点对应的子第一中间状态序列、子第二中间状态序列以及与该时间节点的子第一中间状态序列维度相同的初始数组,进行多步预测,得到每个时间节点上的预测特征向量;
将得到的多个预测特征向量,按照时序拼接,得到所述时空高维输出特征序列。
进一步的,通过以下步骤训练所述交通流量预测模型:
获取同一路段的多个样本时间段,以及每一个样本时间段对应的实际交通流量;
针对每一个样本时间段,确定该样本时间段对应的样本动态时空特征矩阵,并将该样本动态时空特征矩阵输入至构建好的深度学习网络中,得到该样本时间段的预测交通流量;
针对每一个样本时间段,确定该样本时间段对应的预测交通流量与实际交通流量之间的偏差值;
若存在样本时间段对应的偏差值大于预设偏差阈值,调整所述深度学习网络中的参数,直至每个样本时间段对应的偏差值小于或者等于预设偏差阈值,确定所述深度学习网络训练完毕,并将训练完毕的所述深度学习网络确定为训练好的所述交通流量预测模型。
本申请实施例还提供了一种交通流量的预测装置,所述预测装置包括:
偏移量确定模块,用于基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量;
时间窗口确定模块,用于基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;
特征矩阵构建模块,用于基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;
第一流量预测模块,用于将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量;
其中,所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段,所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段,以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。
进一步的,所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期,以及在所述多个历史预测周期之前的、相邻的、包括多个历史预测周期的统计周期,其中,所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。
进一步的,所述特征矩阵构建模块在用于基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵时,所述特征矩阵构建模块用于:
基于所述路网区域的路网信息,确定所述待预测路段的道路空间路网邻接矩阵;
基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的初步时空特征矩阵;
获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度,以及针对所述路网区域中的每条道路,在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度;
基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵,确定所述待预测路段的动态时空特征矩阵。
进一步的,所述预测装置还包括第一贡献度确定模块,所述第一贡献度确定模块用于:
基于所述道路空间路网邻接矩阵和所述路网区域的历史交通数据,确定所述待预测路段的空间特征矩阵;
将所述空间特征矩阵输入至训练好的空间注意力模型中,得到所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度。
进一步的,所述预测装置还包括第二贡献度确定模块,所述第二贡献度确定模块用于:
针对所述路网区域中的每条道路,基于所述路网区域的历史交通数据和所述预测周期中的多个时间节点,构建该道路在所述当前预测周期或者在所述历史预测周期的时序特征矩阵;
将所述时序特征矩阵输入至训练好的时间注意力模型中,得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
进一步的,所述第一流量预测模块在用于将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量时,所述第一流量预测模块用于:
将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列;
将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时间特征序列相同维度的第一变换时序特征序列;
加和所述第一变换时序特征序列与所述时间特征序列,并将得到的特征序列输入至全连接层,确定最后的输出结果;
基于所述输出结果,确定出待预测路段在待预测时间段的交通流量。
进一步的,所述第一流量预测模块在用于将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列时,所述第一流量预测模块用于:
在预测时间窗口中每个时间节点处,提取待预测路段的空间特征,得到该时间节点处的子空间特征;
将得到的多个子空间特征,按照对应的时间节点的时序拼接,得到所述空间特征序列。
进一步的,所述第一流量预测模块在用于将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列时,所述第一流量预测模块用于:
针对空间特征序列中的每个空间节点,将该空间节点处的空间特征序列输入至循环神经网络中,得到第一预测特征序列;
将所述第一预测特征序列输入至循环神经网络中,得到第二预测特征序列;
将所述第二预测特征序列作为第一预测特征序列输入至循环神经网络中,继续进行特征提取,直至预设次数后停止特征提取,得到子时间特征序列;
将确定出的多个子时间特征序列,按照对应的空间节点进行拼接,得到时间特征序列。
进一步的,所述预测装置还包括第二流量预测模块,所述第二流量预测模块用于:
对所述空间特征序列在每个空间节点处进行时空特征提取,得到时空特征序列;
基于所述时空特征序列,得到时空高维输出特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时空高维输出特征序列相同维度的第二变换时序特征序列;
将所述第二变换时序特征序列与所述时空高维输出特征序列进行残差拼接,得到拼接特征序列;
将所述拼接特征序列输入至卷积神经网络,确定拼接输出结果;
基于所述拼接输出结果,确定出待预测路段在待预测时间段的交通流量。
进一步的,所述第二流量预测模块在用于对所述空间特征在每个节点处进行时空特征提取,得到时空特征序列时,所述第二流量预测模块用于:
针对每个空间节点,将该空间节点的空间特征序列输入至一维卷积神经网络,得到该空间节点在上一时间节点的第一中间状态序列以及第二中间状态序列;
将所述空间特征序列、所述第一中间状态序列以及述第二中间状态序列输入至长短期记忆人工神经网络,将输出的最后一个时刻输出的第一状态序列以及第二状态序列,作为时空特征序列。
进一步的,所述第二流量预测模块在用于基于所述时空特征序列,得到时空高维输出特征序列时,所述第二流量预测模块用于:
展开所述第一中间状态序列以及所述第二中间状态序列,得到每个时间节点对应的子第一中间状态序列以及子第二中间状态序列;
针对每个时间节点,基于该时间节点的上一个时间节点对应的子第一中间状态序列、子第二中间状态序列以及与该时间节点的子第一中间状态序列维度相同的初始数组,进行多步预测,得到每个时间节点上的预测特征向量;
将得到的多个预测特征向量,按照时序拼接,得到所述时空高维输出特征序列。
进一步的,所述预测装置还包括模型训练模块,所述模型训练模块用于通过以下步骤训练所述交通流量预测模型:
获取同一路段的多个样本时间段,以及每一个样本时间段对应的实际交通流量;
针对每一个样本时间段,确定该样本时间段对应的样本动态时空特征矩阵,并将该样本动态时空特征矩阵输入至构建好的深度学习网络中,得到该样本时间段的预测交通流量;
针对每一个样本时间段,确定该样本时间段对应的预测交通流量与实际交通流量之间的偏差值;
若存在样本时间段对应的偏差值大于预设偏差阈值,调整所述深度学习网络中的参数,直至每个样本时间段对应的偏差值小于或者等于预设偏差阈值,确定所述深度学习网络训练完毕,并将训练完毕的所述深度学习网络确定为训练好的所述交通流量预测模型。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的交通流量的预测方法的步骤。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述的交通流量的预测方法的步骤。
本申请实施例提供的交通流量的预测方法、装置、可读存储介质及电子设备,基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量;基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;基于所述路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量。
这样,通过获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定周期时间偏移量,根据待预测时间段以及周期时间偏移量,确定出当前预测时间窗口,以及历史时间窗口,从而根据待预测路段所在路网区域的路网信息、当前预测时间窗口以及路网区域的历史交通数据,构建待预测路段的动态时空特征矩阵,将动态时空特征矩阵输入至训练好的交通流量预测模型中,得到待预测时间段的预测交通流量,进而,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种交通流量的预测方法的流程图;
图2为时间窗口示意图;
图3为本申请另一实施例提供的一种交通流量的预测方法的流程图;
图4为交通流量预测模型的处理过程示意图;
图5为本申请实施例所提供的一种交通流量的预测装置的结构示意图之一;
图6为本申请实施例所提供的一种交通流量的预测装置的结构示意图之二;
图7为本申请实施例所提供的一种交通流量的预测装置的结构示意图之三;
图8为本申请实施例所提供的一种交通流量的预测装置的结构示意图之四;
图9为本申请实施例所提供的一种交通流量的预测装置的结构示意图之五;
图10为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“预测待预测路段的交通流量”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕根据多个时间窗口以及路网信息对待预测路段的交通流量的进行描述,但是应该理解,这仅是一个示例性实施例。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
本申请的一个方面涉及一种交通流量的预测***。该***可以通过结合待预测时间段以及待预测路段的属性,确定与待预测时间段相关联的多个预测时间窗口,进而生成包含多时间跨度的交通数据动态时空特征矩阵,利用动态时空特征矩阵对交通流量进行预测,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
值得注意的是,在本申请提出申请之前,对交通流量的预测大多依赖于设置在交通路网各处的摄像头、传感器等采集设备,实时采集道路的多类交通数据,通过采集的交通数据对道路的交通流量进行预测,但是交通数据在进行预测时,会受其本身的空间特征以及时间特征,以及其他因素的影响,仅通过实时采集到的交通数据对交通流量进行预测,会存在预测不稳定以及准确率较低的情况。
然而,本申请提供的交通流量的预测,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
请参阅图1,图1为本申请实施例所提供的一种交通流量的预测方法的流程图。如图1中所示,本申请实施例提供的交通流量的预测方法,包括:
S101、基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量。
其中,待预测时间段的时间属性信息可以是指待预测时间段在一天中所处的时间段的交通流量特性,可以是对一个时间段的时间特性的描述,例如,早上7:00-9:00一般是上班上学的人员的出行时间,这段时间被称为早高峰,因此,待预测时间段的时间属性信息可以是早高峰等。
其中,待预测路段的道路属性信息,可以包括待预测路段在交通路网中所处的位置,一段路上的交通流量与该段道路所处的位置具有一定的关联关系,一般来说,位于市中心的道路的交通流量是大于位于郊区的道路在相同时间段的交通流量的;待预测路段的道路属性信息还可以包括待预测路段本身的道路建设,比如,待预测路段的宽窄,以及待预测路段同一方向同一路段的车道数量等。
其中,待预测时间段的环境预测信息可以指的是在待预测时间段的天气环境,例如,根据天气预报可知在待预测时间段内的降水概率较大,那么,待预测时间段的环境预测信息就是降雨等;还可以指的是待预测时间段的相邻时间段的交通情况变化,可能对待预测时间段的环境产生的影响,例如在邻近待预测时间段时,在待预测路段出现了交通事故,那么这个交通事故会对待预测时间段的交通流量产生一定影响,应该纳入考虑范围。
这里,周期时间偏移量是用来扩大待预测时间段的时间范围的,以此来更准确地确定待预测时间段的交通流量,在确定周期时间偏移量时,待预测时间段的时间属性信息、道路属性信息以及环境预测信息均会对待预测时间段的周期时间偏移量产生一定影响。
例如,一段位于市中心的道路,待预测时间段处于出行高峰并且在待预测时间段的环境是晴天,可以得知待预测时间段以及待预测路段上的交通流量是比较大的,较为临近的时间段就可以对待预测路段进行预测,那么与之对应的周期时间偏移量也较小。
S102、基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口。
该步骤中,根据步骤S101确定出的周期时间偏移量和待检测时间段,确定出当前预测周期的当前预测窗口,以及和当前预测周期相关联的,在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口。
其中,所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期,以及在所述多个历史预测周期之前的、多个相邻的、包括多个历史预测周期的统计周期,其中,所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。
其中,所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段,所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段,以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。
这里,统计周期可以是一天、一周或是一个月等,历史时间窗口可以是一天前的相同时间段、一周前的统计时间段以及一个月前的相同时间段;还可以是过去N周内的相同时间段,或是过去N月内的相同时间段。
请参阅图2,图2为时间窗口示意图,如图2所示,tc表示当前时刻,S为周期时间偏移量,Tp表示当前时刻待预测的时间窗口长度,以当前时间预测时间窗口为1小时为例,假设当前待预测时间段为2020/04/165:00-6:00pm,TH表示相邻的历史时间窗口,可以是当前时刻过去两个小时,那么TH可以为2020/04/163:00-5:00pm;统计周期内的历史时间窗口可以为日周期Tds,假设周期时间偏移量S设置为1小时,那么Tds可以为过去一天的历史时间段Tds12020/04/154:00-7:00pm;还可以为过去两天的历史时间段Tds22020/04/144:00-7:00pm;统计周期内的历史时间窗口还可以为周周期Tws,假设周期时间偏移量S设置为1小时,那么Tws可以为过去一周的历史时间段Tws12020/04/094:00-7:00pm;还可以为过去两周的历史时间段Tws22020/04/024:00-7:00pm等。
S103、基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵。
该步骤中,根据路网区域的路网信息,步骤S102确定出来的当前预测窗口、历史预测时间窗口以及路网区域的历史交通数据,构建待预测路段的动态时空特征矩阵。
这里,路网区域的历史交通数据是指带有时间信息的历史交通数据,可以包括车流、流量以及异常事故等,对于历史交通数据的获取可以是通过设置在路网区域内的摄像头、传感器等采集设备采集。
这里,在形成动态时空特征矩阵时需要将同一道路对应的不同时间节点的历史交通数据放在同一道路下,形成多维的动态时空特征矩阵。
这里,动态时空特征矩阵的特征维度可以为(Batch_Size,Node_Length,Feature,TimeStep),Batch_Size为每次输入的批样本量,Node_Length为路网区域的时空节点数量,Feature为输入的特征维度,TimeStep为当前预测时间窗口以及历史时间窗口之和。
S104、将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量。
该步骤中,将步骤S103确定出的动态时空特征矩阵输入至训练好的交通流量预测模型中,预测出待预测路段在待预测时间段的预测交通流量。
本申请实施例提供的交通流量的预测方法,基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量;基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;基于所述路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量。
这样,通过获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定周期时间偏移量,根据待预测时间段以及周期时间偏移量,确定出当前预测时间窗口,以及历史时间窗口,从而根据待预测路段所在路网区域的路网信息、当前预测时间窗口以及路网区域的历史交通数据,构建待预测路段的动态时空特征矩阵,将动态时空特征矩阵输入至训练好的交通流量预测模型中,得到待预测时间段的预测交通流量,进而,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
请参阅图3,图3为本申请另一实施例提供的一种交通流量的预测方法的流程图。如图3中所示,本申请实施例提供的交通流量的预测方法,包括:
S301、基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量。
S302、基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口。
S303、基于所述路网区域的路网信息,确定所述待预测路段的道路空间路网邻接矩阵。
这里,路网信息包括多个节点,以及每个节点之间的连接关系,每个节点可以认为是采集交通数据的传感器(传感器所在位置)。
这里,形成道路空间路网邻接矩阵的数据可以是从公开数据集PEMSD4和PEMSD8中获取采样间隔为5分钟,包含时间信息的车流量、平均车速、平均车道占用率三个维度特征的数据,也可是其他维度下的数据。在此不做具体限定。
S304、基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的初步时空特征矩阵。
该步骤中,根据步骤S301确定出的道路空间路网邻接矩阵、当前预测时间窗口、历史预测时间窗口,将路网区域的历史交通数据按照空间顺序以及时间顺序,关联到道路空间路网邻接矩阵中,构建待预测路段的初步时空特征矩阵。
这里,将路网区域的历史交通数据按照对应的当前预测时间窗口/历史预测窗口的时间顺序,生成带有时间信息的历史交通数据,针对于同一道路位置处的历史交通数据按照时间顺序排序,将排序后的多个历史交通数据关联到道路空间路网邻接矩阵对应的道路位置处,确定初步时空特征矩阵。
这里,在道路空间路网邻接矩阵的每个道路位置处都会关联有多个历史交通数据,将每个位置处的历史交通数据按照时间顺序排序关联至相应位置处,得到既包括空间特征又包括时间特征的初步时空特征矩阵。
S305、获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度,以及针对所述路网区域中的每条道路,在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
该步骤中,确定在路网区域中每条道路对于待预测路段预测时的流量贡献度,以及针对于路网区域中的每条道路,在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
这里,道路流量贡献度以及时间流量贡献度,均是指的对应的道路、时间段对待预测时间段以及待预测路段的流量预测结果的影响程度。
这里,周期时间偏移量会随着不同待预测路段的变化而变化,在不同的预测时间窗口中,属性信息存在差异的路段,对交通流量的预测结果的影响是不同的,例如,交通主干道(通行量大)相对辅路干道(通行量小)对预测结果的影响更大,在预测过程中应更加关注主干道的流量变化。
这里,对于相同的路段,在不同时间段对交通流量的预测结果的影响也是不同的,针对于上述示例中的同一主干道,通常最邻近的时间段的交通流量对当前预测结果影响最大。
S306、基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵,确定所述待预测路段的动态时空特征矩阵。
该步骤中,根据步骤S305确定出的道路流量贡献度、时间流量贡献度和初步时空特征矩阵。
S307、将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量。
其中,S301、S302、以及S307的描述可以参照S101、S102以及S104的描述,并且能达到相同的技术效果,对此不做赘述。
进一步的,通过以下步骤确定所述道路流量贡献度:基于所述道路空间路网邻接矩阵和所述路网区域的历史交通数据,确定所述待预测路段的空间特征矩阵;将所述空间特征矩阵输入至训练好的空间注意力模型中,得到所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度。
该步骤中,根据倒落空间路网邻接矩阵和路网区域的历史交通数据,提取待预测路段的空间特征矩阵,并将空间特征矩阵输入至预先训练好的空间注意力模型中,得到每条道路相对于待预测路段的道路流量贡献度。
这里,将待预测路段的空间特征矩阵输入至空间注意力模型中,得到路网区域内每条道路的道路流量贡献度,实际上就是分配每条道路相对其他道路对预测结果的贡献度权重的过程。
进一步的,通过以下步骤确定所述时间流量贡献度:针对所述路网区域中的每条道路,基于所述路网区域的历史交通数据和所述预测周期中的多个时间节点,构建该道路在所述当前预测周期或者在所述历史预测周期的时序特征矩阵;将所述时序特征矩阵输入至训练好的时间注意力模型中,得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
该步骤中,对于路网区域内的每条道路,根据路网区域的历史交通数据和预测周期中的多个时间节点,构建该道路在当前预测周期或者历史预测周期的时序特征矩阵,将构建完成的时序特征矩阵输入至训练好的时间注意力模型中,得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
这里,将时序特征矩阵输入至时间注意力模型中,得到时间流量贡献度,实际上是分配单条道路的时间窗口中,每个时间节点相对其他时间节点对预测结果的贡献度权重。
进一步的,步骤S307包括:将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列;将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列;将所述动态时空特征矩阵经过卷积神经网络,得到与所述时间特征序列相同维度的第一变换时序特征序列;加和所述第一变换时序特征序列与所述时间特征序列,并将得到的特征序列输入至全连接层,确定最后的输出结果;基于所述输出结果,确定出待预测路段在待预测时间段的交通流量。
该步骤中,将确定的动态时空特征矩阵输入至交通流量预测模型中的空间特征提取网络中,提取出待预测路段对应的空间特征序列,并将空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到待预测路段对应的时间特征序列;并将动态时空特征矩阵输入至交通流量预测模型中的卷积神经网络,确定出第一变换时序特征序列,拼接第一变换时序特征序列以及时间特征序列,得到特征序列,并将得到的特征序列输入至交通流量预测模型中的全连接层,得到输出结果,根据输出结果,确定出待预测路段在待预测时间段的交通流量。
请参阅图4,图4为交通流量预测模型的处理过程示意图,如图4中所示,将动态时空特征矩阵410输入至注意力模块420,经过注意力模块420确定周期时间偏移量与贡献度(道路流量贡献度以及时间流量贡献度);在确定出周期时间偏移量与贡献度后,输入至关联特征确定模块430,在关联特征确定模块430中确定出动态时空特征矩阵410中交通流量数据之间的时空关联特征,在经过关联特征确定模块430后,再输入至时空序列预测模块440中进行多步预测,其中,时空序列预测模块440的处理过程与关联特征确定模块430的处理过程对称,经过时空序列预测模块440后,再经过特征融合模块450,在特征融合模块450中将多步预测的高维特征进行特征融合输出,确定出待预测路段在待预测时间段的交通流量。
其中,在关联特征确定模块430可以对动态时空特征矩阵进行空间特征提取以及时间特征提取,对动态时空特征矩阵进行空间特征提取的可以是图卷积神经网络(GCN),在提取空间特征时,是将动态时空特征矩阵的最初时间节点至最邻近时间节点均输入至空间特征提取网络,在每个时间节点处均进行空间特征的提取。
对动态时空特征矩阵进行时间特征提取的可以是长短期记忆网络(LSTM/GRU),需要根据动态时空特征矩阵中每个空间节点的时序信息,提取每个空间节点的时间特征序列还可以是通过卷积长短期记忆网络模型(ConvLSTM-1D)进一步提取每个空间节点的时空关联性信息。
这里,针对于上述示例中的动态时空特征矩阵的特征维度,经过卷积神经网络,得到与所述时间特征序列相同维度的第一变换时序特征序列,第一变换时序特征序列的维度可以为(Batch,Node_Length,Pre_TimeStep,Hidden_Size),其中Pre_TimeStep指预测的时间段长度,Hidden_Size为经过GRU模型后原始特征维度Out_Feature变为隐藏单元维度的大小,Node_Length为空间节点的数量。
这里,针对于上述示例,经过全连接层将最后的Hidden_Size维度输出为流量预测的维度,即为(Batch,Node_Length,Pre_TimeStep,Pre_Feature),Pre_Feature指最后模型输出的特征维度。
进一步的,所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列,包括:在预测时间窗口中每个时间节点处,提取待预测路段的空间特征,得到该时间节点处的子空间特征;将得到的多个子空间特征,按照对应的时间节点的时序拼接,得到所述空间特征序列。
该步骤中,在每个时间节点处,提取待预测路段的空间特征,确定在每个时间节点处的子空间特征,并按照对应的时间节点的顺序,将得到的多个子空间特征进行拼接,得到空间特征序列。
这里,在进行空间特征序列拼接时,需要将各个子空间序列/统一成同一序列格式进行拼接,其中,同一序列格式表示是序列之间的维度相同,每个维度下的数据是隶属同一时间维度的。
这里,针对于上述示例中的动态时空特征矩阵的特征维度,每个时间节点上的空间特征序列得维度可以为(Batch,Node_Length,Out_Feature),其中Out_Feature为经过图卷积网络后的输出维度。
进一步的,所述将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列,包括:针对空间特征序列中的每个空间节点,将该空间节点处的空间特征序列输入至循环神经网络中,得到第一预测特征序列;将所述第一预测特征序列输入至循环神经网络中,得到第二预测特征序列;将所述第二预测特征序列作为第一预测特征序列输入至循环神经网络中,继续进行特征提取,直至预设次数后停止特征提取,得到子时间特征序列;将确定出的多个子时间特征序列,按照对应的空间节点进行拼接,得到时间特征序列。
该步骤中,针对空间特征序列中的每个空间节点,将该空间节点处的空间特征序列输入至时间特征提取网络中,得到第一预测特征序列,重复时间特征提取网络特征提取的过程,直至该空间节点处的时序信息提取完毕,得到子时间特征序列,并将得到的多个子时间特征序列,按照对应的空间节点进行拼接,得到时间特征序列。
这里,所述时间特征提取网络可以是循环神经网络。
这里,在进行时间特征序列的拼接时,需要将子时间序列统一成同一序列格式进行拼接,其中,同一序列格式表示是序列之间的维度相同,每个维度下的数据是隶属同一空间维度的。
这里,针对于上述示例中的动态时空特征矩阵的特征维度,输入至循环神经网络的每个空间节点的特征维度可以为(Batch,Out_Feature,TimeStep)。
这里,针对于上述示例中的动态时空特征矩阵的特征维度,经过循环神经网络输出后的,将每个空间节点进行拼接的提取时序特征后的特征维度可以为(Batch,Pre_TimeStep,Hidden_Size,Node_Length),其中Pre_TimeStep指预测的时间段长度,Hidden_Size为经过GRU模型后原始特征维度Out_Feature转化成的隐藏单元维度的大小,Node_Length为空间节点的数量。
进一步的,在所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列之后,所述预测方法还包括:对所述空间特征序列在每个空间节点处进行时空特征提取,得到时空特征序列;基于所述时空特征序列,得到时空高维输出特征序列;将所述动态时空特征矩阵经过卷积神经网络,得到与所述时空高维输出特征序列相同维度的第二变换时序特征序列;将所述第二变换时序特征序列与所述时空高维输出特征序列进行残差拼接,得到拼接特征序列;将所述拼接特征序列输入至卷积神经网络,确定拼接输出结果;基于所述拼接输出结果,确定出待预测路段在待预测时间段的交通流量。
该步骤中,在空间特征序列的每个空间节点处进行时空特征提取,得到时空特征序列,基于确定出的时空特征序列,得到时空高维输出特征序列;并将原始的动态时空特征矩阵经过卷积神经网络,得到和时空高维输出特征序列维数相同的第二变换时序特征序列,将第二变换时序特征序列与时空高维输出特征序列进行残差拼接,得到拼接特征序列,将所述拼接特征序列输入至卷积神经网络,确定拼接输出结果,并基于所述拼接输出结果,确定出待预测路段在待预测时间段的交通流量。
这里,可以通过ConvLSTM-1D模型提取每个空间节点的时序信息,保证每个时间节点能同时提取时空特征,解决时空关联性问题。其中,ConvLSTM-1D将ConvLSTM中的卷积替换为一维卷积,该操作是为了匹配输入的维度,便于模型的后续操作。
这里,在输出时空高维输出特征序列后,需要同时确定每个时间节点关联的上一个时间节点的时序信息。
这里,将所述拼接特征序列输入至卷积神经网络,确定拼接输出结果,利用残差连接将动态多组件的残差信息R与predictor的时空高维输出特征F(X)结果进行结合F(X)+R,加快模型的训练同时一定程度上防止过拟合,最后利用CNN确保将整合的信息与预测目标的维度和形状相同。
具体地,将动态多组件的结果(Batch_Size,Node_Length,TimeStep,Feature)经过卷积网络变换到与Predictor输出相同的维度即(Batch,TimeStep,Node_Length,Hidden_Size),将残差变换的结果R与predictor的时空高维输出特征F(X)进行残差连接,则得到输出的维度为(Batch,TimeStep,Node_Length,Hidden_Size)。将上一步经过残差连接的结果利用CNN卷积得到最后的输出结果。即将上一步输出(Batch,TimeStep,Node_Length,Hidden_Size),经过CNN后将最后TimeStep和Hidden_Size维度输出为流量预测的维度,经过维度变换操作后,最终为(Batch,Node_Length,Pre_TimeStep,Pre_Feature),Pre_Feature指最后模型输出的特征维度。
进一步的,所述对所述空间特征在每个节点处进行时空特征提取,得到时空特征序列,包括:针对每个空间节点,将该空间节点的空间特征序列输入至一维卷积神经网络,得到该空间节点在上一时间节点的第一中间状态序列以及第二中间状态序列;将所述空间特征序列、所述第一中间状态序列以及述第二中间状态序列输入至长短期记忆人工神经网络,将输出的最后一个时刻输出的第一状态序列以及第二状态序列,作为时空特征序列。
该步骤中,针对空间特征序列中的每个空间节点,将该空间节点处的空间特征序列输入至一维卷积神经网络,得到第一中间状态序列以及第二中间状态序列,并将得到的第一中间状态序列、第二中间状态序列以及空间特征序列输入至长短期记忆人工神经网络,得到时空特征序列。
这里,第一中间状态序列为与该时间节点关联的上一时间节点的隐藏状态,第二中间状态序列为与该时间节点关联的上一时间节点的细胞记忆状态。
这里,对于动态时空特征矩阵中包含的各个时间节点均提取了时间和空间特征,对于每个空间节点来说,对应的时空特征序列均是该空间节点上最后一个时间节点上输出的隐藏状态以及细胞记忆状态,并将这两者作为提取时序后的时空关联特征。
进一步的,所述基于所述时空特征序列,得到时空高维输出特征序列包括:展开所述第一中间状态序列以及所述第二中间状态序列,得到每个时间节点对应的子第一中间状态序列以及子第二中间状态序列;针对每个时间节点,基于该时间节点的上一个时间节点对应的子第一中间状态序列、子第二中间状态序列以及与该时间节点的子第一中间状态序列维度相同的初始数组,进行多步预测,得到每个时间节点上的预测特征向量;将得到的多个预测特征向量,按照时序拼接,得到所述时空高维输出特征序列。
该步骤中,展开第一中间状态序列以及第二中间状态序列,得到每个时间节点对应的子第一中间状态序列以及子第二中间状态序列;针对每个时间节点,基于该时间节点的上一个时间节点对应的子第一中间状态序列,子第二中间状态序列以及与该时间节点的子第一中间状态序列维度相同的初始数组,进行多次预测,得到每个时间节点上的预测特征向量,将得到的多个预测特征向量,按照对应的时间节点的顺序进行拼接,得到时空高维度输出特征序列。
这里,初始数组可以是全0初始数组。
这里,假设预测的序列长度为P,那么预测的序列的表达式可以为:其中,表示多步预测的特征向量,最终将其按时序维度进行拼接,得到的输出维度为(Batch,Pre_TimeStep,Node_Length,Hidden_Size),其中Pre_TimeStep指预测的时序长度,Hidden_Size为经过ConvLSTM-1D模型后输出的特征维度,Node_Length为节点的数量。并将该结果再利用1*1的CNN卷积得到输出的高维特征向量,最终的输出维度为(Batch,TimeStep,Node_Length,Hidden_Size),TimeStep为动态多组件的时序长度,输出这个维度是为了保证后续的残差连接能够顺利操作。
进一步的,针对于不同的时序提取处理过程,在得到输出结果时的输入过程是不同的,针对于循环卷积网络GRU来说,在进行下一时刻的输出结果预测时,是根据上一时刻的输出结果结合之前输出结果一起确定下一时刻的输出结果,对于多个时刻的输出结果的预测,是针对于一个时刻接着一个时刻的循环预测的过程;针对于ConvLSTM-1D模型来说,对于多个时刻的输出结果的预测,是通过多个历史时刻输出结果,直接预测出多个预测时刻的预测输出结果。
进一步的,通过以下步骤训练所述交通流量预测模型:获取同一路段的多个样本时间段,以及每一个样本时间段对应的实际交通流量;
针对每一个样本时间段,确定该样本时间段对应的样本动态时空特征矩阵,并将该样本动态时空特征矩阵输入至构建好的深度学习网络中,得到该样本时间段的预测交通流量;针对每一个样本时间段,确定该样本时间段对应的预测交通流量与实际交通流量之间的偏差值;若存在样本时间段对应的偏差值大于预设偏差阈值,调整所述深度学习网络中的参数,直至每个样本时间段对应的偏差值小于或者等于预设偏差阈值,确定所述深度学习网络训练完毕,并将训练完毕的所述深度学习网络确定为训练好的所述交通流量预测模型。
该步骤中,获取同一路段的多个样本时间段,以及每一个样本时间段对应的实际交通流量;针对每一个样本时间段,确定该样本时间段对应的样本动态时空特征矩阵,并将该样本动态时空特征矩阵输入至构建好的深度学习网络中,得到与该样本时间段对应的预测交通流量;在确定完每一个样本时间段的预测交通流量后,确定该每一个样本时间段的预测交通流量与实际交通流量之间的偏差值,若存在样本时间段对应的偏差值大于预设偏差阈值,调整深度学习网络中的参数,直至每个样本时间段对应的偏差值小于或者等于预设偏差阈值,确定所述深度学习网络训练完毕,得到训练好的交通流量预测模型。
这里,样本时间段可以是来自于同一路段,也可以是来自于不同路段的样本数据。
这里,在对模型参数进行调整过程中,可以是根据预测交通流量与实际流量交通流量之间进行均方误差求差,计算二者之间的偏差值。
本申请实施例提供的交通流量的预测方法,基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量;基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;基于所述路网区域的路网信息,确定所述待预测路段的道路空间路网邻接矩阵;基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的初步时空特征矩阵;获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度,以及针对所述路网区域中的每条道路,在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度;基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵,确定所述待预测路段的动态时空特征矩阵;将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量。
这样,通过获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定周期时间偏移量,根据待预测时间段以及周期时间偏移量,确定出当前预测时间窗口,以及历史时间窗口,从而根据待预测路段所在路网区域的路网信息、当前预测时间窗口以及路网区域的历史交通数据,并结合相应的贡献度,构建待预测路段的动态时空特征矩阵,将动态时空特征矩阵输入至训练好的交通流量预测模型中,得到待预测时间段的预测交通流量,进而,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
请参阅图5至图9,图5为本申请实施例所提供的一种交通流量的预测装置的结构示意图之一,图6为本申请实施例所提供的一种交通流量的预测装置的结构示意图之二,图7为本申请实施例所提供的一种交通流量的预测装置的结构示意图之三,图8为本申请实施例所提供的一种交通流量的预测装置的结构示意图之四,图9为本申请实施例所提供的一种交通流量的预测装置的结构示意图之五。如图5中所示,所述预测装置500包括:
偏移量确定模块510,用于基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量;
时间窗口确定模块520,用于基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;
特征矩阵构建模块530,用于基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;
第一流量预测模块540,用于将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量;
其中,所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段,所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段,以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。
进一步的,如图6所示,所述预测装置500还包括第一贡献度确定模块550,所述第一贡献度确定模块550用于:
基于所述道路空间路网邻接矩阵和所述路网区域的历史交通数据,确定所述待预测路段的空间特征矩阵;
将所述空间特征矩阵输入至训练好的空间注意力模型中,得到所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度。
进一步的,如图7所示,所述预测装置500还包括第二贡献度确定模块560,所述第二贡献度确定模块560用于:
针对所述路网区域中的每条道路,基于所述路网区域的历史交通数据和所述预测周期中的多个时间节点,构建该道路在所述当前预测周期或者在所述历史预测周期的时序特征矩阵;
将所述时序特征矩阵输入至训练好的时间注意力模型中,得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
进一步的,如图8所示,所述预测装置500还包括第二流量预测模块570,所述第二流量预测模块570用于:
对所述空间特征序列在每个空间节点处进行时空特征提取,得到时空特征序列;
基于所述时空特征序列,得到时空高维输出特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时空高维输出特征序列相同维度的第二变换时序特征序列;
将所述第二变换时序特征序列与所述时空高维输出特征序列进行残差拼接,得到拼接特征序列;
将所述拼接特征序列输入至卷积神经网络,确定拼接输出结果;
基于所述拼接输出结果,确定出待预测路段在待预测时间段的交通流量。
进一步的,如图9所示,所述预测装置500还包括模型训练模块580,所述模型训练模块580用于通过以下步骤训练所述交通流量预测模型:
获取同一路段的多个样本时间段,以及每一个样本时间段对应的实际交通流量;
针对每一个样本时间段,确定该样本时间段对应的样本动态时空特征矩阵,并将该样本动态时空特征矩阵输入至构建好的深度学习网络中,得到该样本时间段的预测交通流量;
针对每一个样本时间段,确定该样本时间段对应的预测交通流量与实际交通流量之间的偏差值;
若存在样本时间段对应的偏差值大于预设偏差阈值,调整所述深度学习网络中的参数,直至每个样本时间段对应的偏差值小于或者等于预设偏差阈值,确定所述深度学习网络训练完毕,并将训练完毕的所述深度学习网络确定为训练好的所述交通流量预测模型。
进一步的,所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期,以及在所述多个历史预测周期之前的、相邻的、包括多个历史预测周期的统计周期,其中,所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。
进一步的,所述特征矩阵构建模块530在用于基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵时,所述特征矩阵构建模块530用于:
基于所述路网区域的路网信息,确定所述待预测路段的道路空间路网邻接矩阵;
基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的初步时空特征矩阵;
获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度,以及针对所述路网区域中的每条道路,在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度;
基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵,确定所述待预测路段的动态时空特征矩阵。
进一步的,所述第一流量预测模块540在用于将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量时,所述第一流量预测模块540用于:
将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列;
将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时间特征序列相同维度的第一变换时序特征序列;
加和所述第一变换时序特征序列与所述时间特征序列,并将得到的特征序列输入至全连接层,确定最后的输出结果;
基于所述输出结果,确定出待预测路段在待预测时间段的交通流量。
进一步的,所述第一流量预测模块540在用于将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列时,所述第一流量预测模块540用于:
在预测时间窗口中每个时间节点处,提取待预测路段的空间特征,得到该时间节点处的子空间特征;
将得到的多个子空间特征,按照对应的时间节点的时序拼接,得到所述空间特征序列。
进一步的,所述第一流量预测模块540在用于将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列时,所述第一流量预测模块540用于:
针对空间特征序列中的每个空间节点,将该空间节点处的空间特征序列输入至循环神经网络中,得到第一预测特征序列;
将所述第一预测特征序列输入至循环神经网络中,得到第二预测特征序列;
将所述第二预测特征序列作为第一预测特征序列输入至循环神经网络中,继续进行特征提取,直至预设次数后停止特征提取,得到子时间特征序列;
将确定出的多个子时间特征序列,按照对应的空间节点进行拼接,得到时间特征序列。
进一步的,所述第二流量预测模块570在用于对所述空间特征在每个节点处进行时空特征提取,得到时空特征序列时,所述第二流量预测模块570用于:
针对每个空间节点,将该空间节点的空间特征序列输入至一维卷积神经网络,得到该空间节点在上一时间节点的第一中间状态序列以及第二中间状态序列;
将所述空间特征序列、所述第一中间状态序列以及述第二中间状态序列输入至长短期记忆人工神经网络,将输出的最后一个时刻输出的第一状态序列以及第二状态序列,作为时空特征序列。
进一步的,所述第二流量预测模块570在用于基于所述时空特征序列,得到时空高维输出特征序列时,所述第二流量预测模块570用于:
展开所述第一中间状态序列以及所述第二中间状态序列,得到每个时间节点对应的子第一中间状态序列以及子第二中间状态序列;
针对每个时间节点,基于该时间节点的上一个时间节点对应的子第一中间状态序列、子第二中间状态序列以及与该时间节点的子第一中间状态序列维度相同的初始数组,进行多步预测,得到每个时间节点上的预测特征向量;
将得到的多个预测特征向量,按照时序拼接,得到所述时空高维输出特征序列。
本申请实施例提供的交通流量的预测装置,基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量;基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量。
这样,通过获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定周期时间偏移量,根据待预测时间段以及周期时间偏移量,确定出当前预测时间窗口,以及历史时间窗口,从而根据待预测路段所在路网区域的路网信息、当前预测时间窗口以及路网区域的历史交通数据,构建待预测路段的动态时空特征矩阵,将动态时空特征矩阵输入至训练好的交通流量预测模型中,得到待预测时间段的预测交通流量,进而,可以为交通流量预测提供更全面的参考数据,有助于提高交通流量预测的准确性。
请参阅图10,图10为本申请实施例所提供的一种电子设备的结构示意图。如图10中所示,所述电子设备1000包括处理器1010、存储器1020和总线1030。
所述存储器1020存储有所述处理器1010可执行的机器可读指令,当电子设备1000运行时,所述处理器1010与所述存储器1020之间通过总线1030通信,所述机器可读指令被所述处理器1010执行时,可以执行如上述图1以及图3所示方法实施例中的交通流量的预测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图3所示方法实施例中的交通流量的预测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
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。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,又例如,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通信接口,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。
所述功能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,可以存储在一个处理器可执行的非易失的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(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种交通流量的预测方法,其特征在于,所述预测方法包括:
基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量,所述周期时间偏移量用于扩大待预测时间段的时间范围;
基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;
基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;
将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量;
其中,所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段,所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段,以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。
2.根据权利要求1所述的预测方法,其特征在于,所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期,以及在所述多个历史预测周期之前的、相邻的、包括多个历史预测周期的统计周期,其中,所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。
3.根据权利要求1所述的预测方法,其特征在于,基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵,包括:
基于所述路网区域的路网信息,确定所述待预测路段的道路空间路网邻接矩阵;
基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的初步时空特征矩阵;
获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度,以及针对所述路网区域中的每条道路,在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度;
基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵,确定所述待预测路段的动态时空特征矩阵。
4.根据权利要求3所述的预测方法,其特征在于,通过以下步骤确定所述道路流量贡献度:
基于所述道路空间路网邻接矩阵和所述路网区域的历史交通数据,确定所述待预测路段的空间特征矩阵;
将所述空间特征矩阵输入至训练好的空间注意力模型中,得到所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度。
5.根据权利要求3所述的预测方法,其特征在于,通过以下步骤确定所述时间流量贡献度:
针对所述路网区域中的每条道路,基于所述路网区域的历史交通数据和所述预测周期中的多个时间节点,构建该道路在所述当前预测周期或者在所述历史预测周期的时序特征矩阵;
将所述时序特征矩阵输入至训练好的时间注意力模型中,得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点,相对于所述待预测时间段的时间流量贡献度。
6.根据权利要求1所述的预测方法,其特征在于,所述将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量,包括:
将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列;
将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时间特征序列相同维度的第一变换时序特征序列;
加和所述第一变换时序特征序列与所述时间特征序列,并将得到的特征序列输入至全连接层,确定最后的输出结果;
基于所述输出结果,确定出待预测路段在待预测时间段的交通流量。
7.根据权利要求6所述的预测方法,其特征在于,所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列,包括:
在预测时间窗口中每个时间节点处,提取待预测路段的空间特征,得到该时间节点处的子空间特征;
将得到的多个子空间特征,按照对应的时间节点的时序拼接,得到所述空间特征序列。
8.根据权利要求6所述的预测方法,其特征在于,所述将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中,得到所述待预测路段对应的时间特征序列,包括:
针对空间特征序列中的每个空间节点,将该空间节点处的空间特征序列输入至循环神经网络中,得到第一预测特征序列;
将所述第一预测特征序列输入至循环神经网络中,得到第二预测特征序列;
将所述第二预测特征序列作为第一预测特征序列输入至循环神经网络中,继续进行特征提取,直至预设次数后停止特征提取,得到子时间特征序列;
将确定出的多个子时间特征序列,按照对应的空间节点进行拼接,得到时间特征序列。
9.根据权利要求6所述的预测方法,其特征在于,在所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中,得到所述待预测路段对应的空间特征序列之后,所述预测方法还包括:
对所述空间特征序列在每个空间节点处进行时空特征提取,得到时空特征序列;
基于所述时空特征序列,得到时空高维输出特征序列;
将所述动态时空特征矩阵经过卷积神经网络,得到与所述时空高维输出特征序列相同维度的第二变换时序特征序列;
将所述第二变换时序特征序列与所述时空高维输出特征序列进行残差拼接,得到拼接特征序列;
将所述拼接特征序列输入至卷积神经网络,确定拼接输出结果;
基于所述拼接输出结果,确定出待预测路段在待预测时间段的交通流量。
10.根据权利要求9所述的预测方法,其特征在于,所述对所述空间特征在每个节点处进行时空特征提取,得到时空特征序列,包括:
针对每个空间节点,将该空间节点的空间特征序列输入至一维卷积神经网络,得到该空间节点在上一时间节点的第一中间状态序列以及第二中间状态序列;
将所述空间特征序列、所述第一中间状态序列以及述第二中间状态序列输入至长短期记忆人工神经网络,将输出的最后一个时刻输出的第一状态序列以及第二状态序列,作为时空特征序列。
11.根据权利要求10所述的预测方法,其特征在于,所述基于所述时空特征序列,得到时空高维输出特征序列,包括:
展开所述第一中间状态序列以及所述第二中间状态序列,得到每个时间节点对应的子第一中间状态序列以及子第二中间状态序列;
针对每个时间节点,基于该时间节点的上一个时间节点对应的子第一中间状态序列、子第二中间状态序列以及与该时间节点的子第一中间状态序列维度相同的初始数组,进行多步预测,得到每个时间节点上的预测特征向量;
将得到的多个预测特征向量,按照时序拼接,得到所述时空高维输出特征序列。
12.根据权利要求1所述的预测方法,其特征在于,通过以下步骤训练所述交通流量预测模型:
获取同一路段的多个样本时间段,以及每一个样本时间段对应的实际交通流量;
针对每一个样本时间段,确定该样本时间段对应的样本动态时空特征矩阵,并将该样本动态时空特征矩阵输入至构建好的深度学习网络中,得到该样本时间段的预测交通流量;
针对每一个样本时间段,确定该样本时间段对应的预测交通流量与实际交通流量之间的偏差值;
若存在样本时间段对应的偏差值大于预设偏差阈值,调整所述深度学习网络中的参数,直至每个样本时间段对应的偏差值小于或者等于预设偏差阈值,确定所述深度学习网络训练完毕,并将训练完毕的所述深度学习网络确定为训练好的所述交通流量预测模型。
13.一种交通流量的预测装置,其特征在于,所述预测装置包括:
偏移量确定模块,用于基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息,确定所述待预测路段的周期时间偏移量,所述周期时间偏移量用于扩大待预测时间段的时间范围;
时间窗口确定模块,用于基于所述周期时间偏移量和所述待预测时间段,确定在当前预测周期中的当前预测时间窗口,以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口;
特征矩阵构建模块,用于基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据,构建所述待预测路段的动态时空特征矩阵;
第一流量预测模块,用于将所述动态时空特征矩阵输入至训练好的交通流量预测模型中,得到所述待预测路段在所述待预测时间段的预测交通流量;
其中,所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段,所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段,以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。
14.根据权利要求13所述的预测装置,其特征在于,所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期,以及在所述多个历史预测周期之前的、相邻的、包括多个历史预测周期的统计周期,其中,所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。
15.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至12任一所述交通流量的预测方法的步骤。
16.一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上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至12任一所述交通流量的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010880552.1A CN111968375B (zh) | 2020-08-27 | 2020-08-27 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010880552.1A CN111968375B (zh) | 2020-08-27 | 2020-08-27 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968375A CN111968375A (zh) | 2020-11-20 |
CN111968375B true CN111968375B (zh) | 2021-08-10 |
Family
ID=73399686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010880552.1A Active CN111968375B (zh) | 2020-08-27 | 2020-08-27 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968375B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
CN112668797B (zh) * | 2020-12-31 | 2023-06-16 | 中山大学 | 一种长短期交通预测方法 |
CN112863180B (zh) * | 2021-01-11 | 2022-05-06 | 腾讯大地通途(北京)科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
CN112907971B (zh) * | 2021-02-04 | 2022-06-10 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
CN114973640B (zh) * | 2021-02-24 | 2024-06-14 | 阿里巴巴集团控股有限公司 | 交通流量的预测方法、装置及*** |
CN112965888B (zh) * | 2021-03-03 | 2023-01-24 | 山东英信计算机技术有限公司 | 一种基于深度学习预测任务量的方法、***、设备及介质 |
CN113159428A (zh) * | 2021-04-26 | 2021-07-23 | 青岛大学 | 交通流量预测方法、电子设备及存储介质 |
CN113256681B (zh) * | 2021-05-26 | 2022-05-13 | 北京易航远智科技有限公司 | 基于时空注意力机制的行人轨迹预测方法 |
CN113762595B (zh) * | 2021-07-26 | 2022-11-15 | 清华大学 | 通行时间预测模型训练方法、通行时间预测方法及设备 |
CN113689694B (zh) * | 2021-07-28 | 2023-06-02 | 山东中创软件商用中间件股份有限公司 | 一种车流量预测方法、装置、设备及可读存储介质 |
CN113761020B (zh) * | 2021-07-30 | 2023-06-13 | 北京交通大学 | 一种城市轨道交通异常大客流实时预测方法 |
CN114419878B (zh) * | 2021-12-22 | 2023-04-07 | 银江技术股份有限公司 | 城市路网全域交通状态预测的方法、电子装置和存储介质 |
CN114500295A (zh) * | 2022-01-18 | 2022-05-13 | 上海丰蕾信息科技有限公司 | 一种流量传输方法、装置、存储介质及终端 |
CN114550444B (zh) * | 2022-01-24 | 2024-03-15 | 广东省城乡规划设计研究院科技集团股份有限公司 | 一种基于神经网络的服务区车流量预测方法和装置 |
CN114550453B (zh) * | 2022-02-23 | 2023-09-26 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114926980B (zh) * | 2022-04-22 | 2023-04-14 | 阿里巴巴(中国)有限公司 | 交通数据挖掘方法、装置、电子设备及计算机程序产品 |
CN115063975B (zh) * | 2022-06-09 | 2023-07-11 | 长安大学 | 短时交通流数据预测方法、***、计算机设备及存储介质 |
CN115081717B (zh) * | 2022-06-27 | 2023-03-24 | 北京建筑大学 | 融合注意力机制和图神经网络的轨道交通客流预测方法 |
CN115225546B (zh) * | 2022-07-22 | 2023-11-28 | 北京天融信网络安全技术有限公司 | 一种网络流量的预测方法、装置及设备 |
CN115440038B (zh) * | 2022-08-31 | 2023-11-03 | 青岛海信网络科技股份有限公司 | 一种交通信息确定方法以及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8791837B2 (en) * | 2012-04-25 | 2014-07-29 | International Business Machines Corporation | Control of traffic signal due to obstructed view |
CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
CN108922183A (zh) * | 2018-07-17 | 2018-11-30 | 重庆大学 | 一种时空关联度与svr结合的高速公路短时流量预测方法 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3496969A4 (en) * | 2016-08-10 | 2020-09-16 | Xevo Inc. | PROCEDURE AND SYSTEM FOR PROVIDING INFORMATION ON COLLECTED AND STORED METADATA WITH A DERIVED ATTENTION MODEL |
CN110675623B (zh) * | 2019-09-06 | 2020-12-01 | 中国科学院自动化研究所 | 基于混合深度学习的短时交通流量预测方法、***、装置 |
CN110782663B (zh) * | 2019-09-30 | 2021-09-24 | 电子科技大学 | 一种结合时空特性的路网交通流量短时预测方法 |
CN110827543B (zh) * | 2019-11-11 | 2022-02-18 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
CN111489013A (zh) * | 2020-03-11 | 2020-08-04 | 北京交通大学 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
-
2020
- 2020-08-27 CN CN202010880552.1A patent/CN111968375B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8791837B2 (en) * | 2012-04-25 | 2014-07-29 | International Business Machines Corporation | Control of traffic signal due to obstructed view |
CN108922183A (zh) * | 2018-07-17 | 2018-11-30 | 重庆大学 | 一种时空关联度与svr结合的高速公路短时流量预测方法 |
CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
CN110570651A (zh) * | 2019-07-15 | 2019-12-13 | 浙江工业大学 | 一种基于深度学习的路网交通态势预测方法及*** |
Non-Patent Citations (1)
Title |
---|
ST-Attn:Spatial-Temporal Attention Mechanism for Multi-step Citywide Crowd Flow Prediction;Yirong Zhou;《2019 International Conference on Data Mining Workshops》;20200113;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111968375A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968375B (zh) | 交通流量的预测方法、装置、可读存储介质及电子设备 | |
Hocaoglu et al. | A novel hybrid (Mycielski-Markov) model for hourly solar radiation forecasting | |
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN110009046B (zh) | 一种基于大数据的城市社区安全预测方法 | |
CN114120652A (zh) | 一种基于动态图神经网络的交通流量预测方法 | |
EP4016412A1 (en) | Traffic prediction | |
CN115440032A (zh) | 一种长短期公共交通流量预测方法 | |
CN114529081B (zh) | 一种时空联合的交通流量预测方法及装置 | |
CN107766636A (zh) | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 | |
CN110570035A (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测*** | |
CN116092294A (zh) | 一种基于Transformer与图注意力网络的高速公路交通流量预测方法 | |
Wang et al. | A traffic prediction model based on multiple factors | |
CN116523104A (zh) | 基于情景感知和深度学习的异常群体流量预测方法及装置 | |
Doğan | Short-term traffic flow prediction using artificial intelligence with periodic clustering and elected set | |
Xu et al. | Dynamic spatiotemporal graph wavelet network for traffic flow prediction | |
CN116434569A (zh) | 基于stnr模型的交通流量预测方法及*** | |
Lin et al. | Network-wide multi-step traffic volume prediction using graph convolutional gated recurrent neural network | |
CN116091964A (zh) | 高位视频场景解析方法以及*** | |
CN115616408A (zh) | 电池热管理数据处理方法及*** | |
CN115600744A (zh) | 一种基于手机数据的共享时空注意力卷积网络人口数量预测方法 | |
CN113256986B (zh) | 交通分析方法、相关设备及可读存储介质 | |
CN112633579A (zh) | 一种基于域对抗的交通流迁移预测方法 | |
AYAR et al. | Long-term traffic flow estimation: a hybrid approach using location-basedtraffic characteristic |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |