CN114973640B - 交通流量的预测方法、装置及*** - Google Patents
交通流量的预测方法、装置及*** Download PDFInfo
- Publication number
- CN114973640B CN114973640B CN202110206150.8A CN202110206150A CN114973640B CN 114973640 B CN114973640 B CN 114973640B CN 202110206150 A CN202110206150 A CN 202110206150A CN 114973640 B CN114973640 B CN 114973640B
- Authority
- CN
- China
- Prior art keywords
- traffic
- road
- matrix
- traffic flow
- track
- 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 51
- 239000011159 matrix material Substances 0.000 claims abstract description 193
- 238000012546 transfer Methods 0.000 claims abstract description 153
- 238000006243 chemical reaction Methods 0.000 claims abstract description 105
- 238000011144 upstream manufacturing Methods 0.000 claims description 70
- 230000007704 transition Effects 0.000 claims description 66
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 13
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 abstract description 8
- 239000003981 vehicle Substances 0.000 description 62
- 238000010586 diagram Methods 0.000 description 15
- 238000003062 neural network model Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000280 densification Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- G08G1/065—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)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通流量的预测方法、装置及***。其中,该方法包括:获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;根据交通转化状态和邻域交通状态预测未来的交通流量。本发明解决了现有技术中在对交通流量进行预测时,对非周期***通预测准确度较低的技术问题。
Description
技术领域
本发明涉及智能交通领域,具体而言,涉及一种交通流量的预测方法、装置及***。
背景技术
交通领域将道路交通分为两部分:周期***通和非周期***通,其中周期***通通常由交通出行需求的周期性变化导致,如早晚高峰通勤;而非周期***通是由一些意外事件导致,如地铁***故障,道路交通事故等。相关技术中,通过从历史训练数据存在的规律中学习时空交通相关性,实现对未来车辆交通状况的预测,例如预测未来的交通流量、速度、密度等,稳健而准确的交通预测对于交通控制和路线规划等许多交通服务是必要的,然而,相关预测方案仅能预测周期***通状态,由于对历史上相似规律的观测数据不足,使得非周期***通预测的准确度较低。
针对上述现有技术中在对交通流量进行预测时,对非周期***通预测准确度较低的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种交通流量的预测方法、装置及***,以至少解决现有技术中在对交通流量进行预测时,对非周期***通预测准确度较低的技术问题。
根据本发明实施例的一个方面,提供了一种交通流量的预测方法,包括:获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;根据交通转化状态和邻域交通状态预测未来的交通流量。
根据本发明实施例的另一方面,还提供了一种交通流量的预测装置,包括:获取模块,用于获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;交通转化状态确定模块,用于根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;邻域交通状态确定模块,用于根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;预测模块,用于根据交通转化状态和邻域交通状态预测未来的交通流量。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述任意一项的交通流量的预测方法。
根据本发明实施例的另一方面,还提供了一种处理器,上述处理器用于运行程序,其中,程序运行时执行上述任意一项的交通流量的预测方法。
根据本发明实施例的另一方面,还提供了一种交通流量的预测***,其特征在于,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;根据交通转化状态和邻域交通状态预测未来的交通流量。
在本发明实施例中,获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,根据交通转化状态和邻域交通状态预测未来的交通流量,由于轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵可以表征出交通流量从一个道路段至另一个道路段的转移关系,以及上游路段的交通流量对下游路段的交通流量的影响,本方案通过历史行驶轨迹可以预测出未来的交通流量,因此可实现对突发***通状态的准确预测(例如,交通事故导致的堵车),进而提高了对未来车辆交通状况的预测结果的准确程度,尤其是大幅提高了非周期***通的预测结果的准确程度,解决了现有技术中在对交通流量进行预测时,对非周期***通预测准确度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了一种用于实现交通流量的预测方法的计算设备的硬件结构框图示意图;
图2是根据本发明实施例的一种交通流量的预测方法的流程图;
图3a是历史时间段T内第0时刻-第t时刻的历史轨迹示意图;
图3b为根据本发明实施例的预设路网内的邻接道路示意图;
图3c提供了在预设路网中根据车辆在上游路段的行驶轨迹推断下游路段的概率分布的示意图;
图4是根据本发明实施例的一种交通流量的预测方法的示意图;
图5是根据本发明实施例的一种交通流量的预测装置的示意图;
图6根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本发明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。
实施例1
根据本发明实施例,还提供了一种交通流量的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算设备或者类似的运算装置中执行。图1示出了一种用于实现交通流量的预测方法的计算设备(或移动设备)的硬件结构框图。如图1所示,计算设备10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的交通流量的预测方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的漏洞检测方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备10的通信供应商提供的无线网络。在一个实例中,传输模块106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备10(或移动设备)的用户界面进行交互。
在上述运行环境下,本申请提供了如图2所示的交通流量的预测方法。图2是根据本发明实施例一的交通流量的预测方法的流程图,如图2所示,该方法包括如下步骤:
步骤S201,获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系。
预设路网为需要进行交通流量预测的道路范围,预设路网范围可以包括多条相互邻接或者不邻接的道路段,其中,相互邻接的道路表示具有共同连接点的道路段,不邻接的道路段表示没有连接关系的道路段,例如,图3b为预设路网的邻接道路示意图,如图3b所示,预设路网范围中至少包括道路段i和道路段j,道路段i和道路段j通过连接点相连接,使得车辆可以从道路段i驶入道路段j,则道路段i和道路段j为邻接的道路段。
具体的,轨迹转移矩阵中的元素用于表示上游路段至下游路段的转移概率,该转移概率用于表征从上游路段行驶至某一下游路段的车流量与上游路段的车流量的比值。例如,图3c提供了在路网中根据车辆在上游路段的行驶轨迹推断下游路段的概率分布的示意图,如图3c所示,车辆在上游路段i行驶至分叉路口时,前方存在三条下游路段:下游路段k,下游路段l以及下游路段j,可以基于车辆在上游路段i至三条下游路段的历史行驶轨迹的数据,推算出在t时间段内由上游路段i行驶至下游路段k的转移概率Pt,i,k,由上游路段i行驶至下游路段l的转移概率Pt,i,l,以及由上游路段i行驶至下游路段j的转移概率Pt,i,j,则上述轨迹转移矩阵中可以包含转移概率Pt,i,k,转移概率Pt,i,l以及转移概率Pt,i,j。转移概率Pt,i,k,转移概率Pt,i,l以及转移概率Pt,i,j可以在宏观上表征车流量从上游路段i行驶至下游路段j、k和l的转移比例。
在一种可选的实施例中,在历史时间段T内的轨迹转移矩阵P可以为:
P∈RT×|V|×|V|;
进一步的,将历史时间T以固定时间间隔划分为t个时间段,则第t个时刻(即第t个时间段对应的历史轨迹的采集时间)的轨迹转移矩阵Pt为:
Pt∈R|V|×|V|;
其中,V={vi}i=1,2,......M,M为预设路网内的道路段的数量,vi表示预设路网中的某一道路段,轨迹转移矩阵Pt中的每一个元素表示车辆从预设路网内道路段i转移至道路段j的概率。
上述历史轨迹数据为在历史的一段时间内车辆在预设路网内的道路段行驶的估计数据,可以包括各道路段内的交通流量,也可以包括车辆在不同道路段行驶的轨迹。历史轨迹数据可以通过不同车辆行驶至同一路段的行驶轨迹数据,以及同一车辆行驶至预设路网内不同路段的行驶轨迹数据获得。在一种可选的实施例中,在历史的一段时间内,可以每个间隔一段时间记录一次汽车的轨迹数据,图3a为历史时间段T内以固定时间间隔所获取的第0时刻-第t时刻的历史轨迹示意图,如图3a所示,历史轨迹数据图a、b、c和d分别为在历史时间段T内的不同时刻,对同一车辆以固定的时间间隔记录获得的预设路网内的行驶轨迹,历史轨迹数据图a-d分别对应了不同的上游路段和下游路段的组合。具体的,历史轨迹数据图3a可以为第1时刻记录的历史轨迹数据图,历史轨迹数据图3b可以为第2时刻下记录的历史轨迹数据图,历史轨迹数据图3c可以为第3时刻下记录的历史轨迹数据图,上述固定的时间间隔可以根据采样需求设定,例如,固定的时间间隔可以为15分钟,即上述第1时刻、第2时刻和第3时刻之间的时间间隔为15分钟。
在一种可选的实施例中,历史轨迹数据X可以通过矩阵的形式表征:
X∈RT×|V|;
其中,T为统计历史轨迹数据的总的历史时间,上述矩阵X中的每一个元素表示在某个时间段内某一道路段的交通流量。进一步的,将历史时间T以固定时间间隔划分为t个时间段,第t个时刻的历史轨迹数据Xt为:
Xt∈R|V|;
其中,t=1,2,……T。
加权道路邻接矩阵通过使用矩阵的形式来表示道路的邻接关系,加权道路邻接矩阵的构成与预设路网中道路段的结构有关,具体的,加权道路邻接矩阵与预设路网中每两个道路段是否相邻以及两个道路段中点间的距离长短有关。在一种可选的实施例中,矩阵中可以使用1表示两个道路段之间相邻,使用0表示两个道路段不相邻。加权道路邻接矩阵A可以通过如下矩阵表征:
A∈[0,1]M×M;
其中,加权道路邻接矩阵A为M×M的矩阵,M为预设路网内的道路段的数量,如果预设路网内道路段i和道路段j具有邻接关系,则在矩阵A的第i行和第j列记为1,如果预设路网内道路段i和道路段j不相邻,则在矩阵A的第i行和第j列记为0,i=1,2,3……M,j=1,2,3……M。
需要说明的是,轨迹转移矩阵和历史轨迹数据均为与历史时间有关,而加权道路邻接矩阵仅与预设路网中的道路关系和长短有关,与历史时间无关。
步骤S202,根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量。
交通转化状态与上述的历史时间T内的历史轨迹数据和上述转移概率有关,每次轨迹转移可以为车辆从预设路网中的一个道路段移动到另一道路段。例如,已获得具有固定时间间隔的时间段的历史时间T内的历史轨迹数据Xt,在第t个时刻内,车辆从道路段i行驶至道路段j,相当于发生了一次从道路段i至道路段j的轨迹转移,交通转化状态则可以表征在完成该次轨迹转移后作为车辆目的地的道路段j的交通流量。
在一种可选的实施例中,交通转化状态通过矩阵的形式表征,具体的,图4为根据本申请实施例的一种交通流量的预测方法的示意图,如图4所示,基于轨迹转移矩阵P和历史轨迹数据的矩阵X,通过图卷积神经网络模型(即GCNS模型)获得历史时间段T内第t个时刻交通转化状态矩阵Dt,交通转化状态矩阵中的每一个元素可以表征出每次轨迹转移后对应作为目的地的道路段的交通流量。如图4所示,在第t个时刻对应的时间段内,车辆可能发生了多次轨迹转移(例如,从道路段i行驶至道路段j,再行驶至道路段k等),车辆的轨迹可以认为是在道路段i的基础上向***扩大,交通转化状态Dt可以表征出多次轨迹转移后对道路段i向***扩大的所有道路段的交通流量的影响。
步骤S203,根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量。
邻接路段的交通流量可以为邻接路段的总交通流量,例如,道路段i至道路段j为邻接路段,则邻接路段的交通流量包含了道路段i的交通流量和道路段j的交通流量。
邻域交通状态可以通过第t个时刻下邻接路段的交通流量表征出邻接路段车辆转移的速度,进而表征出邻接路段区域内交通流量的速度状态。例如,如果邻接路段的交通流量很大,则说明邻接路段的交通行驶速度缓慢;反之,邻接路段的交通流量小,则说明邻接路段的交通行驶速度较快。
在一种可选的实施例中,邻域交通状态可以通过矩阵的形式表征,具体的,如图4所示,基于加权道路邻接矩阵A和每个时间段下的历史轨迹数据的矩阵X,通过图卷积神经网络模型(即GCNS模型)获得邻域交通状态矩阵St,邻域交通状态矩阵中的每一个元素可以表征出每个时间段下各邻接路段的交通流量。
步骤S204,根据交通转化状态和邻域交通状态预测未来的交通流量。
在获取了历史时间T下t个时间段内的交通转化状态和邻域交通状态,可以预测出未来的t+1时间段内的交通流量,未来的交通流量包含了周期性的交通流量和非周期性的交通流量。
在一种可选的实施例中,图4为根据本申请实施例的一种交通流量的预测方法的示意图,如图4所示,获取历史时间T内的轨迹转移矩阵P、历史轨迹数据X和加权道路邻接矩阵A,将历史时间T按照固定时间间隔分成t个时间段(包含0-t个时间段),提取得到每个时间段内的轨迹转移矩阵Pt和历史轨迹数据Xt,将多个轨迹转移矩阵Pt和多个历史轨迹数据Xt输入图卷积神经网络模型41,得到与每个时间段对应的交通转化状态Dt,将加权道路邻接矩阵A和多个历史轨迹数据Xt输入图卷积神经网络模型42,得到与每个时间段对应的邻域交通状态St,基于交通转化状态Dt和邻域交通状态St得到0-t个时间段内的预测的交通流量,进一步基于0-t个时间段内的预测的交通流量,预测出未来的t+1时间段内的交通流量。基于本申请实施例的交通流量的预测方法,可以比相关技术的交通流量预测结果的预测误差减少5%以上,尤其对于非周期***通流量的预测结果,预测误差可减少14%,提高了对交通流量预测的准确度。
本实施例中,获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量,根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量,根据交通转化状态和邻域交通状态预测未来的交通流量。轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵可以表征出交通流量从一个道路段至另一个道路段的转移关系,以及上游路段的交通流量对下游路段的交通流量的影响,相关技术中仅获取各路段的历史交通流量数据,根据历史交通流量数据仅能预测出周期性的交通流量,而本方案是根据车辆的行驶轨迹预测出未来的交通流量,实现对突发***通状态的准确预测(例如,交通事故导致的堵车),进而提高了对未来车辆交通状况的预测结果的准确程度,尤其是大幅提高了非周期***通的预测结果的准确程度,解决了现有技术中在对交通流量进行预测时,对非周期***通预测准确度较低的技术问题。
作为一种可选的实施例,获取预设路网范围内的轨迹转移矩阵,包括:从历史轨迹数据中提取预设时间间隔内车辆从上游路段转入每个下游路段的数量;根据数量确定由上游路段转移至每个下游路段的转移概率;基于预设路网范围内多个路段之间的转移概率确定轨迹转移矩阵。
预设时间间隔为将历史时间段T分成的具有固定时长的每个时间段的时间长度,预设时间间隔可以根据对历史轨迹数据观测采样的间隔需求确定。例如,历史轨迹数据为过去1天内的车辆轨迹数据,则可以设置预设时间间隔为15分钟,即每15分提取一次历史轨迹数据。
具体的,历史轨迹数据可以包括历史时间段T内车辆在各道路段的行驶的轨迹信息,历史时间段T按照预设时间间隔分为t个时间段,第t个时刻为第t个时间段的数据提取时间。在第t个时刻,一辆车在预设路网内的轨迹P(τ|t)可以表示为:
其中,v1,v2,…,vI表示该辆车在第t个时刻内所行驶过的道路段。
基于每辆车的行驶轨迹,可以获得在第t个时刻,从某一个上游路段转入与该上游路段邻接的每个下游路段的车辆数量,根据每个下游路段转入的车辆数量与上游路段中总车辆数的关系可以计算获得由上游路段转移至每个下游路段的转移概率。
例如,在预设路网中,上游路段i具有三条下游路段(下游路段k,下游路段l以及下游路段j),在第t个时间段内,车辆A的轨迹中包含从道路段vi行驶至道路段vj),车辆B的轨迹中包含从道路段vi行驶至道路段vj,车辆C的轨迹中包含从道路段vi行驶至道路段vk,在第t个时间段内,从上游路段vi转入下游路段vj的车辆数量为2,从上游路段vi转入下游路段vk的车辆数量为1,从上游路段vi转入下游路段v1的车辆数量为0,则上游路段vi行驶至下游路段vk的转移概率Pt,i,k为1/3,由上游路段vi行驶至下游路段vl的转移概率Pt,i,l为0,以及由上游路段vi行驶至下游路段vj的转移概率Pt,i,j为2/3,所获得的Pt,i,k、Pt,i,j、Pt,i,l为构成轨迹转移矩阵Pt的元素。
作为一种可选的实施例,根据数量确定由上游路段转移至每个下游路段的转移概率,包括:对预设时间间隔内车辆从上游路段转入每个下游路段的数量进行扩增,以对轨迹转移矩阵进行稠密化处理;确定扩增后的预设时间间隔内车辆从上游路段转入每个下游路段的数量与预设时间间隔内上游路段中所有车辆的数量之比为由上游路段转移至每个下游路段的转移概率。
构建的轨迹转移矩阵Pt∈R|V|×|V|中,如果某个上游路段对应的下游路段没有车辆驶入,则对应的转移概率为0,如果轨迹转移矩阵中存在较多的0,导致轨迹转移矩阵过于稀疏,通过对上游路段转入每个下游路段的数量进行扩增,可以避免轨迹转移矩阵中存在元素0。
在一种可选的实施例中,可以在转移概率计算公式中,在驶入下游路段的车辆数量上加1,以完成对上游路段转入每个下游路段的数量扩增后,在t时间段内由上游路段vi行驶至下游路段vj的转移概率计算公式可以为:
其中,#veh icles(vi→vj|t)表示第t时刻从上游路段vi行驶至下游路段vj的车辆数量,#veh icles(vi|t)表示上游路段vi的车辆总数量,N(vi)表示上游路段vi所对应的所有下游路段的集合。
作为一种可选的实施例,根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,包括:获取第一图传播参数,其中,第一图传播参数用于表征轨迹转移矩阵和历史轨迹数据进行图传播时的最大轨迹转移次数;将轨迹转移矩阵和历史轨迹数据输入至第一图神经网络,根据第一图传播参数进行图传播,得到交通转化状态。
上述第一图神经网络可以为图卷积神经网络模型,第一图传播参数可以为转化状态跳数(demand hop),第一图传播参数可以用于控制轨迹转移中车辆在预设路网内可能的最远目的地。第一图传播参数可以根据历史数据确定,例如,可以确定历史数据中在15分钟内车辆的平均轨迹转移次数或最大轨迹转移次数为上述第一图传播参数。
在一种可选的实施例中,可以使用如下简化后的图卷积神经网络模型,作为上述第一图神经网络:
Graphprop(X,A;K):=[X||AX||A2X||...||AKX||];
其中,K为图卷积神经网络模型中的跳数,A为加权道路邻接矩阵,X为历史轨迹数据。
在一种可选的实施例中,如图4所示,历史时间T的轨迹转移矩阵P包括t个时刻的t个轨迹转移矩阵(第t个时刻对应轨迹转移矩阵Pt),历史轨迹数据X包括t个时刻的t个历史轨迹数据(第t个时刻对应历史轨迹数据Xt)。第一图神经网络为图4中的图卷积神经网络模型41,将轨迹转移矩阵P和历史流量矩阵X输入图卷积神经网络模型41中,输出时间段T内0-t个时刻下,第t个时刻的交通转化状态矩阵Dt:
Dt∈R|V|×(d+1);
其中,d为第一图传播参数,V={vi}i=1,2,......M,M为预设路网内的道路段的数量,vi表示预设路网中的某一道路段。第一图传播参数可以表征第t个时刻内车辆在预设路网中的轨迹转移的最大次数,例如,如图4所示,图卷积神经网络模型41中,第t-1个时刻的行驶轨迹411与第t个时刻的行驶轨迹412相比,在d次的轨迹转移下,第t个时刻的行驶轨迹412所形成的范围大于第t-1个时刻的行驶轨迹411所形成的轨迹范围,因此,第一图传播参数d取值越大,车辆在第t个时刻对应的预设时间段内的转移次数越多,车辆在预设路网内可能形成的轨迹范围越大(即可到达更远的目的地)。
作为一种可选的实施例,将轨迹转移矩阵和历史轨迹数据输入至第一图神经网络,根据第一图传播参数进行图传播,得到交通转化状态,包括:将指定时刻的轨迹转移矩阵的转置的n次方与指定时刻的历史轨迹数据相乘,得到指定时刻下第n次轨迹转移后的交通转化状态中间值,其中,n小于等于最大轨迹转移次数;将指定时刻的历史轨迹数据与指定时刻下每次轨迹转移后的交通转化状态中间值相连,得到指定时刻下的交通转化状态。
具体的,指定时刻可以为上述历史时间T内的第1个时刻至第t个时刻中的任意一个时刻,则指定时刻的历史轨迹数据可以为第t个时刻对应的历史轨迹数据Xt,指定时刻的轨迹转移矩阵为第t个时刻对应轨迹转移矩阵Pt,交通转化状态矩阵Dt的计算公式可以为:
其中,表示轨迹转移矩阵Pt的转置矩阵,||表示矩阵的连接,/> 分别为n取值为1,2……d时对应的交通转化状态中间值。
作为一种可选的实施例,根据加权道路邻接矩阵和历史轨迹数据确定的邻域交通状态,包括:获取第二图传播参数,其中,第二图传播参数用于表征加权道路邻接矩阵和历史轨迹数据进行图传播时的最大转移范围;将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络,根据第二图传播参数进行图传播,得到指定时刻下的邻域交通状态。
上述第二图神经网络可以为图卷积神经网络模型,第二图传播参数可以为邻域状态跳数(status hop)。指定时刻可以为上述历史时间T内的第0个时刻至第t个时刻中的任意一个时刻。
在一种可选的实施例中,邻域交通状态可以采用矩阵形式表征,如图4所示,第二图神经网络为图卷积神经网络模型42,加权道路邻接矩阵A在历史时间T内相同,指定时刻的历史轨迹数据可以为第t个时刻的历史轨迹数据Xt,将加权道路邻接矩阵A和历史轨迹数据Xt输入至图卷积神经网络模型42,图卷积神经网络模型42输出第t个时刻的邻域交通状态矩阵St:
其中,s为第二图传播参数,V={vi}i=1,2,......M,M为预设路网内的道路段的数量,vi表示预设路网中的某一道路段,如图4所示,第二图传播参数s可以表征第t个时刻内车辆在预设路网中所能到达的最远的邻接路段范围,例如,如图4所示,图卷积神经网络模型42中,第t-1个时刻的行驶轨迹421可以表征经过s次轨迹转移后车辆可到达指定的道路段的范围(即在该范围内的车辆经s或者小于s次转移可到达指定的道路段),第t个时刻的行驶轨迹422表征在经过s次轨迹转移后所到达的指定邻接道路段,即图4中第t-1个时刻的行驶轨迹421中圆圈范围内的车辆在s次轨迹转移后可以到达第t个时刻的行驶轨迹422中所指向的道路段,因此,第二图传播参数s的取值越大,以指定邻接道路段为目的地的车辆所在初始位置的范围就越大。
作为一种可选的实施例,将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络,根据第二图传播参数进行图传播,得到指定时刻下的邻域交通状态,包括:将指定时刻的加权道路邻接矩阵的转置的m次方与指定时刻的历史轨迹数据相乘,得到指定时刻下m路段的交通转化状态中间值,其中,m小于等于最大转移范围;将指定时刻的历史轨迹数据与指定时刻下每个m路段的交通转化状态中间值相连,得到指定时刻下的邻域交通状态。
具体的,第t个时刻的邻域交通状态矩阵St可以通过如下公式获得:
其中,为加权道路邻接矩阵A的归一化矩阵,/>分别为m取值为1,2……s时所对应的交通转化状态中间值。
作为一种可选的实施例,根据交通转化状态和邻域交通状态预测未来的交通流量,包括:通过注意力机制,基于指定时刻的邻域交通状态对指定时刻下每次轨迹转移得到的交通转化状态进行加权,得到指定时刻预测的待预测时刻的交通流量,其中,邻域交通状态为注意力机制中的查询参数,交通转化状态为注意力机制中的值,注意力机制中的键参数为预设值;按照预设的时间间隔从预设的初始时刻至待预测时刻的前一时刻之间确定多个指定时刻;通过全连接层对多个指定时刻预测得到的待预测时刻的交通流量进行融合处理,得到最终预测的待预测时刻的交通流量。
指定时刻可以为上述历史时间T内的第0个时刻至第t个时刻中的任意一个时刻。指定时刻预测的待预测时刻的交通流量中,待预测时刻为第0个时刻至第t个时刻,上述最终预测的待预测时刻的交通流量,待预测时刻为第t个时刻后的第t+1个时刻。
注意力机制模型可以为:
Attention(Q,K,V):=softmax(QKT)V;
其中,Q为查询参数,K为键参数,V为注意力机制中的值。
具体的,如图4所示,通过注意力机制43基于第t个时刻邻域交通状态St对第t个时刻交通转化状态Dt加权,即对不同远处的转化状态跳数d进行加权求平均值,可以为将交通转化状态Dt作为上述注意力机制模型的值V,将邻域交通状态St作为上述注意力机制模型的查询参数Q,根据上述注意力机制模型,得到历史时间T内预测的交通流量H,预测的交通流量H包含第0个时刻至第t个时刻预测的t+1时刻的交通流量,第t个时刻的预测交通流量Ht为:
其中,键参数权重值α∈[0,1]|V|×(d+1)。
如图4所示,将第0个时刻至第t个时刻的预测交通流量H输入全连接层44,全连接层44对第0个时刻至第t个时刻的预测交通流量H进行多步骤融合处理(Multi-stepfusion),输出预测的第t+1个时刻的交通流量yv:
yv:=Xt+1,v=FulyConnected(H:,v;Θ)=ΘTH:,v;
其中,矩阵Xt+1,v中的元素表示未来的第t+1时刻路网内道路段v的预测交通流量。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例,还提供了一种用于实施上述交通流量的预测方法的装置,图5为根据本发明实施例2的交通流量的预测装置的示意图,如图5所示,该装置500包括:
获取模块51,用于获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;交通转化状态确定模块52,用于根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;邻域交通状态确定模块53,用于根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;预测模块54,用于根据交通转化状态和邻域交通状态预测未来的交通流量。
此处需要说明的是,上述获取模块51、交通转化状态确定模块52、邻域交通状态确定模块53和预测模块54对应于实施例1中的步骤S201至步骤S202,4个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算设备10中。
作为一种可选的实施例,上述获取模块包括:提取子模块,用于从历史轨迹数据中提取预设时间间隔内车辆从上游路段转入每个下游路段的数量;转移概率确定子模块,用于根据数量确定由上游路段转移至每个下游路段的转移概率;轨迹转移矩阵确定子模块,用于基于预设路网范围内多个路段之间的转移概率确定轨迹转移矩阵。
作为一种可选的实施例,转移概率确定子模块,包括:扩增子模块,用于对预设时间间隔内车辆从上游路段转入每个下游路段的数量进行扩增,以对轨迹转移矩阵进行稠密化处理;确定子模块,用于确定扩增后的预设时间间隔内车辆从上游路段转入每个下游路段的数量与预设时间间隔内上游路段中所有车辆的数量之比为由上游路段转移至每个下游路段的转移概率。
作为一种可选的实施例,交通转化状态确定模块包括:第一参数获取子模块,用于获取第一图传播参数,其中,第一图传播参数用于表征轨迹转移矩阵和历史轨迹数据进行图传播时的最大轨迹转移次数;第一输入子模块,用于将轨迹转移矩阵和历史轨迹数据输入至第一图神经网络,根据第一图传播参数进行图传播,得到交通转化状态。
作为一种可选的实施例,第一输入子模块包括:交通转化状态中间值获取子模块,用于将指定时刻的轨迹转移矩阵的转置的n次方与指定时刻的历史轨迹数据相乘,得到指定时刻下第n次轨迹转移后的交通转化状态中间值,其中,n小于等于最大轨迹转移次数;第一相连子模块,用于将指定时刻的历史轨迹数据与指定时刻下每次轨迹转移后的交通转化状态中间值相连,得到指定时刻下的交通转化状态。
作为一种可选的实施例,邻域交通状态确定模块,包括:第二参数获取子模块,用于获取第二图传播参数,其中,第二图传播参数用于表征加权道路邻接矩阵和历史轨迹数据进行图传播时的最大转移范围;第二输入子模块,用于将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络,根据第二图传播参数进行图传播,得到指定时刻下的邻域交通状态。
作为一种可选的实施例,第二输入子模块,包括:交通转化状态中间值获取子模块,用于将指定时刻的加权道路邻接矩阵的转置的m次方与指定时刻的历史轨迹数据相乘,指定时刻下m路段的交通转化状态中间值,其中,m小于等于最大转移范围;第二相连子模块,用于将指定时刻的历史轨迹数据与指定时刻下每个m路段轨的交通转化状态中间值相连,得到指定时刻下的邻域交通状态。
作为一种可选的实施例,预测模块包括:加权子模块,用于通过注意力机制,基于指定时刻的邻域交通状态对指定时刻下每次轨迹转移得到的交通转化状态进行加权,得到指定时刻预测的待预测时刻的交通流量,其中,邻域交通状态为注意力机制中的查询参数,交通转化状态为注意力机制中的值,注意力机制中的键参数为预设值;指定时刻确定子模块,用于按照预设的时间间隔从预设的初始时刻至待预测时刻的前一时刻之间确定多个指定时刻;融合子模块,用于通过全连接层对多个指定时刻预测得到的待预测时刻的交通流量进行融合处理,得到最终预测的待预测时刻的交通流量。
实施例3
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例一所提供的交通流量的预测方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算设备群中的任意一个计算设备中,或者位于移动终端群中的任意一个移动终端中。
存储介质可以为计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述交通流量的预测方法。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;根据交通转化状态和邻域交通状态预测未来的交通流量。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:获取预设路网范围内的轨迹转移矩阵,包括:从历史轨迹数据中提取预设时间间隔内车辆从上游路段转入每个下游路段的数量;根据数量确定由上游路段转移至每个下游路段的转移概率;基于预设路网范围内多个路段之间的转移概率确定轨迹转移矩阵。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:根据数量确定由上游路段转移至每个下游路段的转移概率,包括:对预设时间间隔内车辆从上游路段转入每个下游路段的数量进行扩增,以对轨迹转移矩阵进行稠密化处理;确定扩增后的预设时间间隔内车辆从上游路段转入每个下游路段的数量与预设时间间隔内上游路段中所有车辆的数量之比为由上游路段转移至每个下游路段的转移概率。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,包括:获取第一图传播参数,其中,第一图传播参数用于表征轨迹转移矩阵和历史轨迹数据进行图传播时的最大轨迹转移次数;将轨迹转移矩阵和历史轨迹数据输入至第一图神经网络,根据第一图传播参数进行图传播,得到交通转化状态。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:将轨迹转移矩阵和历史轨迹数据输入至第一图神经网络,根据第一图传播参数进行图传播,得到交通转化状态,包括:将指定时刻的轨迹转移矩阵的转置的n次方与指定时刻的历史轨迹数据相乘,得到指定时刻下第n次轨迹转移后的交通转化状态中间值,其中,n小于等于最大轨迹转移次数;将指定时刻的历史轨迹数据与指定时刻下每次轨迹转移后的交通转化状态中间值相连,得到指定时刻下的交通转化状态。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:根据加权道路邻接矩阵和历史轨迹数据确定的邻域交通状态,包括:获取第二图传播参数,其中,第二图传播参数用于表征加权道路邻接矩阵和历史轨迹数据进行图传播时的最大转移范围;将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络,根据第二图传播参数进行图传播,得到指定时刻下的邻域交通状态。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络,根据第二图传播参数进行图传播,得到指定时刻下的邻域交通状态,包括:将指定时刻的加权道路邻接矩阵的转置的m次方与指定时刻的历史轨迹数据相乘,得到指定时刻下m路段的交通转化状态中间值,其中,m小于等于最大转移范围;将指定时刻的历史轨迹数据与指定时刻下每个m路段的交通转化状态中间值相连,得到指定时刻下的邻域交通状态。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:根据交通转化状态和邻域交通状态预测未来的交通流量,包括:通过注意力机制,基于指定时刻的邻域交通状态对指定时刻下每次轨迹转移得到的交通转化状态进行加权,得到指定时刻预测的待预测时刻的交通流量,其中,邻域交通状态为注意力机制中的查询参数,交通转化状态为注意力机制中的值,注意力机制中的键参数为预设值;按照预设的时间间隔从预设的初始时刻至待预测时刻的前一时刻之间确定多个指定时刻;通过全连接层对多个指定时刻预测得到的待预测时刻的交通流量进行融合处理,得到最终预测的待预测时刻的交通流量。
实施例4
根据本申请实施例,还提供了一种计算机终端的实施例,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行应用程序的视频的处理方法中以下步骤的程序代码:获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;根据交通转化状态和邻域交通状态预测未来的交通流量。
可选地,图6是根据本申请实施例6的一种计算机终端的结构框图,如图6所示,该计算机终端700可以包括:一个或多个(图中仅示出一个)处理器702、存储器704、以及外设接口706。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的视频插帧方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的视频的处理方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端700。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器用于运行程序,可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;根据交通转化状态和邻域交通状态预测未来的交通流量。
本领域普通技术人员可以理解,图6所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌声电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图6其并不对上述电子装置的结构造成限定。例如,计算机终端700还可包括比图6中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图6所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例5
根据本申请实施例,还提供了一种交通流量的预测***,上述***包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,轨迹转移矩阵用于表示预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,加权道路邻接矩阵用于表示预设路网范围内的道路之间的邻接关系;根据轨迹转移矩阵和历史轨迹数据确定交通转化状态,其中,交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;根据加权道路邻接矩阵和历史轨迹数据确定邻域交通状态,其中,邻域交通状态用于表示邻接路段的交通流量;根据交通转化状态和邻域交通状态预测未来的交通流量。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,在本发明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,本发明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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (12)
1.一种交通流量的预测方法,其特征在于,包括:
获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,所述轨迹转移矩阵用于表示所述预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,所述加权道路邻接矩阵用于表示所述预设路网范围内的道路之间的邻接关系;
根据所述轨迹转移矩阵和所述历史轨迹数据确定交通转化状态,其中,所述交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;
根据所述加权道路邻接矩阵和所述历史轨迹数据确定邻域交通状态,其中,所述邻域交通状态用于表示邻接路段的交通流量;
根据所述交通转化状态和所述邻域交通状态预测未来的交通流量。
2.根据权利要求1所述的方法,其特征在于,获取预设路网范围内的轨迹转移矩阵,包括:
从所述历史轨迹数据中提取预设时间间隔内车辆从上游路段转入每个下游路段的数量;
根据所述数量确定由所述上游路段转移至所述每个下游路段的转移概率;
基于所述预设路网范围内多个路段之间的转移概率确定所述轨迹转移矩阵。
3.根据权利要求2所述的方法,其特征在于,根据所述数量确定由所述上游路段转移至所述每个下游路段的转移概率,包括:
对所述预设时间间隔内车辆从上游路段转入每个下游路段的数量进行扩增,以对所述轨迹转移矩阵进行稠密化处理;
确定扩增后的所述预设时间间隔内车辆从上游路段转入每个下游路段的数量与所述预设时间间隔内所述上游路段中所有车辆的数量之比为由所述上游路段转移至所述每个下游路段的转移概率。
4.根据权利要求1所述的方法,其特征在于,根据所述轨迹转移矩阵和所述历史轨迹数据确定交通转化状态,包括:
获取第一图传播参数,其中,所述第一图传播参数用于表征所述轨迹转移矩阵和所述历史轨迹数据进行图传播时的最大轨迹转移次数;
将所述轨迹转移矩阵和所述历史轨迹数据输入至第一图神经网络,根据所述第一图传播参数进行图传播,得到所述交通转化状态。
5.根据权利要求4所述的方法,其特征在于,将所述轨迹转移矩阵和所述历史轨迹数据输入至第一图神经网络,根据所述第一图传播参数进行图传播,得到所述交通转化状态,包括:
将指定时刻的轨迹转移矩阵的转置的n次方与所述指定时刻的历史轨迹数据相乘,得到所述指定时刻下第n次轨迹转移后的交通转化状态中间值,其中,n小于等于所述最大轨迹转移次数;
将指定时刻的历史轨迹数据与所述指定时刻下每次轨迹转移后的交通转化状态中间值相连,得到所述指定时刻下的交通转化状态。
6.根据权利要求1所述的方法,其特征在于,根据所述加权道路邻接矩阵和所述历史轨迹数据确定的邻域交通状态,包括:
获取第二图传播参数,其中,所述第二图传播参数用于表征所述加权道路邻接矩阵和所述历史轨迹数据进行图传播时的最大转移范围;
将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络,根据所述第二图传播参数进行图传播,得到所述指定时刻下的邻域交通状态。
7.根据权利要求6所述的方法,其特征在于,将指定时刻的加权道路邻接矩阵和指定时刻的历史轨迹数据输入至第二图神经网络,根据所述第二图传播参数进行图传播,得到所述指定时刻下的邻域交通状态,包括:
将指定时刻的加权道路邻接矩阵的转置的m次方与所述指定时刻的历史轨迹数据相乘,所述指定时刻下m路段的交通转化状态中间值,其中,m小于等于所述最大转移范围;
将指定时刻的历史轨迹数据与所述指定时刻下每个m路段轨的交通转化状态中间值相连,得到所述指定时刻下的邻域交通状态。
8.根据权利要求1所述的方法,其特征在于,根据所述交通转化状态和所述邻域交通状态预测未来的交通流量,包括:
通过注意力机制,基于指定时刻的邻域交通状态对所述指定时刻下每次轨迹转移得到的交通转化状态进行加权,得到所述指定时刻预测的待预测时刻的交通流量,其中,所述邻域交通状态为所述注意力机制中的查询参数,所述交通转化状态为所述注意力机制中的值,所述注意力机制中的键参数为预设值;
按照预设的时间间隔从预设的初始时刻至所述待预测时刻的前一时刻之间确定多个指定时刻;
通过全连接层对所述多个指定时刻预测得到的待预测时刻的交通流量进行融合处理,得到最终预测的所述待预测时刻的交通流量。
9.一种交通流量的预测装置,其特征在于,包括:
获取模块,用于获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,所述轨迹转移矩阵用于表示所述预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,所述加权道路邻接矩阵用于表示所述预设路网范围内的道路之间的邻接关系;
交通转化状态确定模块,用于根据所述轨迹转移矩阵和所述历史轨迹数据确定交通转化状态,其中,所述交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;
邻域交通状态确定模块,用于根据所述加权道路邻接矩阵和所述历史轨迹数据确定邻域交通状态,其中,所述邻域交通状态用于表示邻接路段的交通流量;
预测模块,用于根据所述交通转化状态和所述邻域交通状态预测未来的交通流量。
10.一种计算机可读存储介质,其特征在于,计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的交通流量的预测方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的交通流量的预测方法。
12.一种交通流量的预测***,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
获取预设路网范围内的轨迹转移矩阵、历史轨迹数据和加权道路邻接矩阵,其中,所述轨迹转移矩阵用于表示所述预设路网范围内相邻路段中上游路段与下游路段之间的转移概率,所述加权道路邻接矩阵用于表示所述预设路网范围内的道路之间的邻接关系;
根据所述轨迹转移矩阵和所述历史轨迹数据确定交通转化状态,其中,所述交通转化状态用于表示交通流量在进行多次轨迹转移时每次轨迹转移后对应的交通流量;
根据所述加权道路邻接矩阵和所述历史轨迹数据确定邻域交通状态,其中,所述邻域交通状态用于表示邻接路段的交通流量;
根据所述交通转化状态和所述邻域交通状态预测未来的交通流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110206150.8A CN114973640B (zh) | 2021-02-24 | 2021-02-24 | 交通流量的预测方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110206150.8A CN114973640B (zh) | 2021-02-24 | 2021-02-24 | 交通流量的预测方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973640A CN114973640A (zh) | 2022-08-30 |
CN114973640B true CN114973640B (zh) | 2024-06-14 |
Family
ID=82973124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110206150.8A Active CN114973640B (zh) | 2021-02-24 | 2021-02-24 | 交通流量的预测方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973640B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830855B (zh) * | 2022-11-11 | 2024-04-09 | 南京理工大学 | 一种基于双状态划分的高速公路路段通行时间预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993980A (zh) * | 2019-02-21 | 2019-07-09 | 平安科技(深圳)有限公司 | 交通流量预测方法、装置、计算机设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4003828B2 (ja) * | 2002-03-29 | 2007-11-07 | 富士通エフ・アイ・ピー株式会社 | 道路制御方法および道路制御システム並びに記録媒体 |
CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和*** |
CN105788249B (zh) * | 2014-12-16 | 2018-09-28 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN107180530B (zh) * | 2017-05-22 | 2019-09-06 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
CN108875998A (zh) * | 2018-04-20 | 2018-11-23 | 北京智行者科技有限公司 | 一种自动驾驶车辆规划方法和*** |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
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 |
CN111968375B (zh) * | 2020-08-27 | 2021-08-10 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN112017436B (zh) * | 2020-09-09 | 2021-09-28 | 中国科学院自动化研究所 | 城市市内交通旅行时间的预测方法及*** |
-
2021
- 2021-02-24 CN CN202110206150.8A patent/CN114973640B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993980A (zh) * | 2019-02-21 | 2019-07-09 | 平安科技(深圳)有限公司 | 交通流量预测方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114973640A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
US10352719B2 (en) | Parking space navigation method, parking space management method, mobile terminal, and server | |
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN110070239B (zh) | 一种基于a星搜索和深度学习的个性化路线推荐方法 | |
CN105224992A (zh) | 对等待乘客数进行预测的方法和***以及评价方法和*** | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN103632542A (zh) | 交通信息处理方法、装置和相应设备 | |
CN111625989B (zh) | 一种基于a3c-sru的智能车汇入车流方法及*** | |
CN110118567A (zh) | 出行方式推荐方法及装置 | |
CN114973640B (zh) | 交通流量的预测方法、装置及*** | |
CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及*** | |
CN115049152A (zh) | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 | |
US20240046785A1 (en) | System and method for predicting road traffic speed | |
CN113762578A (zh) | 流量预测模型的训练方法、装置和电子设备 | |
CN114639233A (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN115359662B (zh) | 车道拥堵预测方法及装置 | |
CN115140091A (zh) | 自动驾驶决策方法、装置、车辆及存储介质 | |
CN110827563B (zh) | 一种基于最可靠路径的停车诱导***及方法 | |
CN113252054B (zh) | 一种导航方法和导航*** | |
CN110164127B (zh) | 一种车流量预测的方法、装置及服务器 | |
CN114997454A (zh) | 地铁交通***的流量预测方法及装置 | |
CN112561166A (zh) | 车辆的调度方法和装置、存储介质、电子装置 |
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 |