CN116244281B - 车道交通流量数据补全及其模型训练方法、装置 - Google Patents
车道交通流量数据补全及其模型训练方法、装置 Download PDFInfo
- Publication number
- CN116244281B CN116244281B CN202211705577.3A CN202211705577A CN116244281B CN 116244281 B CN116244281 B CN 116244281B CN 202211705577 A CN202211705577 A CN 202211705577A CN 116244281 B CN116244281 B CN 116244281B
- Authority
- CN
- China
- Prior art keywords
- lane
- traffic flow
- representation
- flow data
- data
- 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 118
- 230000000295 complement effect Effects 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 title claims description 45
- 238000009826 distribution Methods 0.000 claims abstract description 60
- 230000002457 bidirectional effect Effects 0.000 claims description 47
- 230000004927 fusion Effects 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 28
- 238000007499 fusion processing Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims 1
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 56
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车道交通流量数据补全方法及其装置,涉及人工智能、智能交通及深度学习等领域。具体实现方案为:获取交叉路口内车道的属性信息和车道在第一时间段内观测到的交通流量数据;根据该属性信息和车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示;根据车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示;根据车道交通流量全局分布的嵌入表示,获取车道交通流量时间关系表示;根据车道交通流量综合空间表示和车道交通流量时间关系表示,对交叉路口的车道交通流量之中缺失数据进行补全操作。本申请可以对城市多车道的交通流量的缺失数据进行补全,有效提高交通流量数据补全的准确性。
Description
技术领域
本申请涉及数据处理领域,尤其涉及人工智能、智能交通及深度学习等领域,特别涉及一种车道交通流量数据补全方法、车道交通流量数据补全模型的训练方法、装置、电子设备和存储介质,可应用于城市多路***通流量数据补全应用场景。
背景技术
随着互联网技术和交通信息化的快速发展,交通数据的规模越来越大,在智能交通***中,完整有效的交通数据对交通管理来说意义重大。但是实际中采集交通数据时,由于一些不可避免的事件的发生(如设备损坏、恶劣天气等),会导致数据采集中断,造成部分数据的缺失,这降低了数据集的有效性,制约了智能交通建设的发展。针对这类问题,研究中提出了基于观测收集到的交通流量数据对缺失的数据进行补全的各类方法。对缺失的交通数据进行有效的补全,在理论和实际层面具有重要的研究意义,有利于交通流量预测和智能交通管理等下游应用,然而交通数据的补全具有非常大的挑战性。
发明内容
本申请提供了一种车道交通流量数据补全方法、车道交通流量数据补全模型的训练方法、装置、电子设备以及存储介质。
根据本申请的第一方面,提供了一种车道交通流量数据补全方法,包括:
获取交叉路口内车道的属性信息和所述车道在第一时间段内观测到的交通流量数据;
根据所述车道的属性信息和所述车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示;
根据所述车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示;
基于预先训练好的双向长短期记忆人工神经网络LSTM模型对所述车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示根据所述车道交通流量全局分布的嵌入表示,获取车道交通流量时间关系表示;
根据所述车道交通流量综合空间表示和所述车道交通流量时间关系表示,对所述交叉路口的车道交通流量之中缺失数据进行补全操作。
根据本申请的第二方面,提供了一种车道交通流量数据补全模型的训练方法,所述车道交通流量数据补全模型包括多种空间关系融合模块、预先训练好的自编码模块和双向长短期记忆人工神经网络LSTM模块,其中,所述方法包括:
获取交叉路口内车道的属性信息和所述车道在第三时间段内观测到的交通流量数据;
将所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据输入至所述多种空间关系融合模块,获得车道交通流量综合空间表示;
将所述车道在第三时间段内观测到的交通流量数据输入至所述自编码模块,获得车道交通流量全局分布的嵌入表示;
将所述车道交通流量综合空间表示和所述车道交通流量全局分布的嵌入表示输入至所述双向LSTM模块,获得所述双向LSTM模块输出的所述交叉路口的车道交通流量数据;
根据所述车道在第三时间段内观测到的交通流量数据、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算模型损失值;
根据所述模型损失值,训练所述车道交通流量数据补全模型。
根据本申请的第三方面,提供了另一种车道交通流量数据补全方法,包括:
获取交叉路口内车道的属性信息和所述车道在第四时间段内观测到的交通流量数据;
将所述车道的属性信息和所述车道在第四时间段内观测到的交通流量数据输入至预先训练好的车道交通流量数据补全模型;其中,所述车道交通流量数据补全模型通过如本申请第二方面所述的方法训练得到的;
获取所述车道交通流量数据补全模型输出的车道交通流量数据;所述车道交通流量数据包括车道交通流量观测存在的数据和缺失数据估计值。
根据本申请的第四方面,提供了一种车道交通流量数据补全装置,包括:
第一获取模块,用于获取交叉路口内车道的属性信息和所述车道在第一时间段内观测到的交通流量数据;
生成模块,用于根据所述车道的属性信息和所述车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示;
第二获取模块,用于根据所述车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示;
第三获取模块,用于基于预先训练好的双向长短期记忆人工神经网络LSTM模型对所述车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示根据所述车道交通流量全局分布的嵌入表示,获取车道交通流量时间关系表示;
补全模块,用于根据所述车道交通流量综合空间表示和所述车道交通流量时间关系表示,对所述交叉路口的车道交通流量之中缺失数据进行补全操作。
根据本申请的第五方面,提供了一种车道交通流量数据补全模型的训练装置,所述车道交通流量数据补全模型包括多种空间关系融合模块、预先训练好的自编码模块和双向长短期记忆人工神经网络LSTM模块,其中,所述装置包括:
第一获取模块,用于获取交叉路口内车道的属性信息和所述车道在第三时间段内观测到的交通流量数据;
第二获取模块,用于将所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据输入至所述多种空间关系融合模块,获得车道交通流量综合空间表示;
第三获取模块,用于将所述车道在第三时间段内观测到的交通流量数据输入至所述自编码模块,获得车道交通流量全局分布的嵌入表示;
第四获取模块,用于将所述车道交通流量综合空间表示和所述车道交通流量全局分布的嵌入表示输入至所述双向LSTM模块,获得所述双向LSTM模块输出的所述交叉路口的车道交通流量数据;
计算模块,用于根据所述车道在第三时间段内观测到的交通流量数据、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算模型损失值;
训练模块,用于根据所述模型损失值,训练所述车道交通流量数据补全模型。
根据本申请的第六方面,提供了另一种车道交通流量数据补全装置,包括:
第一获取模块,用于获取交叉路口内车道的属性信息和所述车道在第四时间段内观测到的交通流量数据;
输入模块,用于将所述车道的属性信息和所述车道在第四时间段内观测到的交通流量数据输入至预先训练好的车道交通流量数据补全模型;其中,所述车道交通流量数据补全模型通过如前述第五方面所述的装置训练得到的;
第二获取模块,用于获取所述车道交通流量数据补全模型输出的车道交通流量数据;所述车道交通流量数据包括车道交通流量观测存在的数据和缺失数据估计值。
根据本申请的第七方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面所述的方法,或者能够执行前述第二方面所述的方法,或者能够执行前述第三方面所述的方法。
根据本申请的第八方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的方法,或者使所述计算机执行前述第二方面所述的方法,或者使所述计算机执行前述第三方面所述的方法。
根据本申请的第九方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现前述第一方面所述方法的步骤,或者实现前述第二方面所述方法的步骤,或者实现前述第三方面所述的步骤。
根据本申请的技术解决了如何融合车道流量的复杂时空关联性,对城市多车道的交通流量的缺失数据进行补全,从而提高后续智能交通管理的准确性和效率。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例所提供的一种车道交通流量数据补全方法的流程图;
图2为本申请实施例所提供的另一种车道交通流量数据补全方法的流程图;
图3为本申请实施例所提供的又一种车道交通流量数据补全方法的流程图;
图4为本申请实施例所提供的一种自编码模型的训练方法的流程图;
图5为本申请实施例所提供的一种车道交通流量数据补全模型的结构流程示意图;
图6为本申请实施例所提供的一种车道交通流量数据补全模型的训练方法的流程图;
图7为本申请实施例所提供的另一种车道交通流量数据补全方法的流程图;
图8为本申请实施例所提供的一种车道交通流量数据补全装置的结构框图;
图9为本申请实施例所提供的另一种车道交通流量数据补全装置的结构框图;
图10为本申请实施例所提供的一种车道交通流量数据补全模型的训练装置的结构框图;
图11为本申请实施例所提供的又一种车道交通流量数据补全装置的结构框图;
图12为本申请实施例所提供的一种电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
随着互联网技术和交通信息化的快速发展,交通数据的规模越来越大,在智能交通***中,完整有效的交通数据对交通管理来说意义重大。但是实际中采集交通数据时,由于一些不可避免的事件的发生(如设备损坏、恶劣天气等),会导致数据采集中断,造成部分数据的缺失,这降低了数据集的有效性,制约了智能交通建设的发展。针对这类问题,研究中提出了基于观测收集到的交通流量数据对缺失的数据进行补全的各类方法。对缺失的交通数据进行有效的补全,在理论和实际层面具有重要的研究意义,有利于交通流量预测和智能交通管理等下游应用,然而交通数据的补全具有非常大的挑战性。
相关技术中,主要能实现对一段时间内的交通流量数据进行补全,使用的方法主要可分为以下三种:传统的插值方法;基于矩阵和张量分解的方法;基于深度学习的方法。
第一种传统的插值方法:
一些传统的统计方法被首先提出可用于该交通流量补全问题,例如基于历史数据和观测到的周期性特点找到相邻时间点的数据进行线性插值,例如线形插值和ARIMA(差分整合移动平均自回归,Autoregressive Integrated Moving Average)。另一类相似的方法除了利用时间上的相似性,同时利用空间上的相似性找到邻近道路在同一时刻的观测值进行插值补全,这一类方法主要涉及到KNN(K-Nearest Neighbor,K最邻近)的方法。
第二种基于矩阵和张量分解的方法:
为了提高补全的效率和准确性,又有新的研究提出了利用矩阵和张量分解的方法用于交通流量补全的问题。在矩阵分解的方法中,将交通流量数据映射到一个矩阵中,每一行代表了一条道路在不同时刻的交通流量观测值。矩阵和张量分解的方法主要被用于发现交通流量数据一些内在的空间或时间上的联系从而对缺失数据进行补全。
第三种基于深度学习的方法:
近年来机器学习的方法也被广泛用于交通流量补全问题,通过构建机器学习模型来学习观测到的交通流量数据中内在的非线性的时空关联性。深度学习模型的构建方式决定了学习的方式,模型可针对时间关联性进行构建也可针对空间联系性进行构建,因此深度学习模型构建方式是模型效果的重要关键。
然而,上述三种方法存在各自的缺点。第一种的传统插值方法,过于依赖主观的和明显的时空关联性,容易忽略数据中内在的一些联系从而增加了估计的误差。第二种的基于矩阵和张量分解的方法,未能充分地利用道路间的空间关联性。第三种的基于深度学习的方法,未能有针对性地构建对车道级别城市交通流量补全问题以充分体现其时空复杂性的模型。
基于上述问题,本申请提出了一种针对车道级别交通流量数据补全的方法,通过融合车道间的多种空间关系,从而获得一种车道间的综合表示方式以充分体现车道交通流量的空间关联性,然后学习同一车道在不同时间点的交通流量间的时间相关性并与之前得到的空间关联性融合得到补全的数据。为进一步提高模型效果,加入了所有车道在一段时间内的交通流量的全局分布信息用以应对数据稀疏问题。
下面参考附图描述本申请实施例的车道交通流量数据补全方法、车道交通流量数据补全模型的训练方法、装置、电子设备和存储介质。
图1为本申请实施例所提供的一种车道交通流量数据补全方法的流程图。需要说明的是,本申请实施例的车道交通流量数据补全方法可由电子设备执行。如图1所示,该车道交通流量数据补全方法可以包括但不限于如下步骤。
在步骤101中,获取交叉路口内车道的属性信息和车道在第一时间段内观测到的交通流量数据。
可选地,可以获取交叉路口内所有车道的属性信息和所有车道在第一时间段内观测到的交通流量数据。其中,车道在第一时间段内观测到的交通流量数据可理解为:通过车道上的视觉设备(如摄像头)在第一时间段内观测到的交通流量数据。车道上的视觉设备观测到交通流量数据时,将观测到的交通流量数据发送给电子设备,以便电子设备对车道的交通流量数据中缺失数据进行补全操作和/或其他后续操作。
其中,在本申请的一些实施例中,车道的属性信息可包括但不限于车道的行车方向及车道的地理位置信息等。在一种实现方式中,可以获取交叉路口内所有车道的行车方向、所有车道的地理位置信息以及所有车道在第一时间段内观测到的交通流量数据。其中,可以用矩阵X={x1,x2,…,xT}来表示所有车道在第一时间段T内观测到的交通流量数据,其中向量表示所有车道在t时刻的观测到的交通流量数据,N表示车道数量,所有的时间间隔都是相同的。
在步骤102中,根据车道的属性信息和车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示。
举例而言,以车道的属性信息包括车道的行车方向及地理位置信息为例,可以根据交叉路口内所有车道的行车方向及地理位置信息、以及所有车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示。
其中,在一种实现方式中,所述车道交通流量综合空间表示为基于车道多种空间关系矩阵融合得到的。在另一种实现方式中,所述车道交通流量综合空间表示是采用注意力机制在不同时间动态融合车道多种空间关系矩阵得到的。其中,在本申请的一些实施例中,车道间的多种空间关系可包括但不限于可达关系、相邻关系和相似关系等。
在步骤103中,根据车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示。
可选地,可以通过自编码技术对交叉路口内所有车道在第一时间段内观测到的交通流量数据进行编码,以获得所有车道在第一时间段内的交通流量全局分布的嵌入表示。
在步骤104中,根据车道交通流量全局分布的嵌入表示,获取车道交通流量时间关系表示。
可选地,采用预先训练好的双向长短期记忆人工神经网络LSTM模型对车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示。其中,该双向LSTM模型已经学习到车道交通流量中的时间关联性,这样,利用该双向LSTM模型可以获得车道交通流量时间关系表示。
在步骤105中,根据车道交通流量综合空间表示和车道交通流量时间关系表示,对交叉路口的车道交通流量之中缺失数据进行补全操作。
在一种实现方式中,可以将车道交通流量综合空间表示和车道交通流量时间关系表示进行融合处理,将融合处理后得到的数据确定为交叉路口的车道交通流量数据,其中该车道交通流量数据中包括观测存在的数据和缺失数据估计值,从而实现了针对细颗粒度车道流量的城市交通数据补全操作。另外,本申请有效地融合了数据中的非线性时空关联性,并非单一地针对其中的一个方面,从而可以使车道的交通流量数据中的缺失部分进行补全,有效地提高了交通流量数据补全的准确性。此外,本申请融合了时空关联信息,做到了同时有效的利用两个方面的关联性,针对连续缺失和同时缺失问题都能够有效地对缺失数据进行准确估计。
通过实施本申请实施例,通过融合车道间的多种空间关系,从而获得一种车道间的综合表示方式以充分体现车道交通流量的空间关联性,然后学习同一车道在不同时间点的交通流量间的时间相关性并与之前得到的空间关联性融合得到补全的数据。为进一步提高模型效果,加入了所有车道在一段时间内的交通流量的全局分布信息用以应对数据稀疏问题。由此,本申请解决了如何融合车道流量的复杂时空关联性,对城市多车道的交通流量的缺失数据进行补全,从而提高后续智能交通管理的准确性和效率。
为了可以针对性解决车道级别的交通流量缺失问题,可以融合多种车道间的空间关联性以充分利用车道间复杂的空间关联信息。在本申请的实施例中,如图2所示,该车道交通流量数据补全方法可以包括但不限于如下步骤。
在步骤201中,获取交叉路口内车道的属性信息和车道在第一时间段内观测到的交通流量数据。
可选地,步骤201可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
在步骤202中,根据车道的属性信息和车道在第一时间段内观测到的交通流量数据,生成车道多种空间关系矩阵。
其中,在本申请的实施例中,车道的属性信息包括车道的行车方向及地理位置信息。车道多种空间关系矩阵可包括车道的可达关系邻接矩阵、相邻关系矩阵和相似关系矩阵。
在一种实现方式中,可以根据车道的行车方向确定两条位于相邻十字路口的车道是否存在直接可达关系,根据车道间的可达关系建立车道的可达关系邻接矩阵,该矩阵中第i行第j列元素可以表示为:
其中,li和lj分别表示两条不同的车道。
可以根据车道的地理位置信息计算两两之间的几何距离,给定一个距离阈值∈,当车道间的距离小于该阈值则认为车道之间存在相邻关系并构建相邻关系矩阵,该矩阵中第i行第j列元素可以表示为:
其中,dist(li,lj)表示车道li到车道lj之间的几何距离。
可以根据车道观测到的交通流量数据算出两两之间的相似距离,对每一条车道取相似性距离最高的k条车道与之相连,认为相连的车道间具有相似关系并构建相似关系矩阵,该矩阵中第i行第j列元素可表示为:
在步骤203中,基于车道多种空间关系矩阵,生成车道交通流量综合空间表示。
在一种实现方式中,基于图卷积操作聚合多阶空间关系对车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;对多个基于单一空间关系的车道交通流量表示进行融合处理,以生成车道交通流量综合空间表示。
可选地,基于每一种单一的空间关系,可以通过图卷积的方式聚合多阶空间关系来获得基于单一空间关系的车道交通流量的表示方法,该方法可以用公式表示为:
其中,k值表示阶数,表示可训练的参数矩阵,xt为所有车道在t时刻观测到的交通流量数据,σ表示激活函数,A(k)表示单一的空间关系矩阵。
也就是说,可以将上述公式(1)中的A(k)分别替换成可达关系邻接矩阵、相邻关系矩阵和相似关系矩阵,这样利用公式(1)即可计算得到基于可达关系邻接矩阵的车道交通流量表示、基于相邻关系矩阵的车道交通流量表示和基于相似关系矩阵的车道交通流量表示。然后,可以将基于可达关系邻接矩阵的车道交通流量表示、基于相邻关系矩阵的车道交通流量表示和基于相似关系矩阵的车道交通流量表示进行融合处理,以得到车道交通流量综合空间表示。
可选地,在一种可能的实现方式中,采用注意力机制对多个基于单一空间关系的车道交通流量表示进行融合处理,以生成车道交通流量综合空间表示。为了融合车道的多种空间关系,本申请可以采用注意力机制在不同时间动态融合多种车道空间关系(如可达关系、相邻关系和相似关系),这种融合方法可以表示为:
其中,分别表示通过不同车道空间关系获得的车道交通流量,Wα可训练的参数矩阵,αt表示注意力参数,/>为最终获得的车道交通流量综合空间表示。
可选地,本申请还可以采用其他融合处理方式,比如加权求和的方式进行融合处理,在此不做具体限定。
在步骤204中,根据车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示。
可选地,步骤204可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
在步骤205中,根据车道交通流量全局分布的嵌入表示,获取车道交通流量时间关系表示。
可选地,步骤205可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
在步骤206中,根据车道交通流量综合空间表示和车道交通流量时间关系表示,对交叉路口的车道交通流量之中缺失数据进行补全操作。
可选地,步骤206可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
通过实施本申请实施例,针对细粒度的车道级别的交通流量能更好地利用车道间复杂的空间关联性,通过融合多种车道间的空间关联性,充分利用了车道间复杂的空间关联信息对车道级别的交通流量缺失问题进行针对性解决。
为获得所有车道在一段时间内的交通流量全局分布,本申请可以通过引入一个预训练的自编码模型来获取全局分布的信息。在本申请的一些实施例中,如图3所示,该车道交通流量数据补全方法可以包括但不限于如下步骤。
在步骤301中,获取交叉路口内车道的属性信息和所述车道在第一时间段内观测到的交通流量数据。
可选地,步骤301可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
在步骤302中,根据车道的属性信息和车道在第一时间段内观测到的交通流量数据,生成车道多种空间关系矩阵。
可选地,步骤302可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
在步骤303中,基于车道多种空间关系矩阵,生成车道交通流量综合空间表示。
可选地,步骤303可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
在步骤304中,对车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码。
在一种实现方式中,基于预先训练好的自编码模型对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码。
其中,该自编码模型是预先训练的,可以通过自编码学习交通流量全局部分。在本申请的一些实施例中,如图4所示,自编码模型的训练方法可以包括以下步骤:
步骤401,获取交叉路口内车道在第二时间段内观测到的交通流量数据;其中,第二时间段的时间早于第一时间段的时间。
步骤402,将车道在第二时间段内观测到的交通流量数据输入至自编码学习模型;自编码学习模型包括编码器和解码器。
步骤403,获得编码器对车道在第二时间段内观测到的交通流量数据依次进行多次编码后输出的编码信息。
在一种实现方式中,编码器的公式表示如下:
其中,X表示所有车道在一段时间(如第二时间段)内观测到的交通流量,We,1和We,2表示可训练的参数矩阵,be,1和be,2表示可训练的偏差向量。
可选地,将车道在第二时间段内观测到的交通流量数据X输入至自编码学习模型,以获得编码器对车道在第二时间段内观测到的交通流量数据依次进行多次编码后输出的编码信息ze。
步骤404,将编码器输出的编码信息输入至解码器,获得解码器对编码信息依次进行多次解码后输出的车道交通流量重构数据;其中,编码器的编码次数与解码器的解码次数相同。
在一种实现方式中,解码器的公式表示如下:
其中,Wd,1和Wd,2表示可训练的参数矩阵,bd,1和bd,2表示可训练的偏差向量,zd表示经过自编码后获得的重构后的所有车道交通流量,可重写作Xr=zd,即车道交通流量重构数据。
步骤405,获取交叉路口的车道交通流量观测数据位置信息;其中,车道交通流量观测数据位置信息包括车道交通流量观测存在的数据和缺失数据的位置信息。
可选地,由于采集的车道交通流量数据中存在数据缺失的问题,所以为了提高模型的训练效果,可以结合车道交通流量观测数据位置信息来计算损失值。为此,在本步骤中,可以获取交叉路口的车道交通流量观测数据位置信息,以便后续利用该获取交叉路口的车道交通流量观测数据位置信息计算损失值。在本申请的实施例中,可以用矩阵来表示车道交通流量观测存在的数据和缺失数据的位置,其中元素mti=1表示在xti(第i车道在t时刻)观测到数据不存在缺失,若缺失则表示为mti=0。
步骤406,根据车道在第二时间段内观测到的交通流量数据、车道交通流量重构数据和车道交通流量观测数据位置信息,计算损失值。
可选地,可以利用预设的损失函数,根据车道在第二时间段内观测到的交通流量数据、车道交通流量重构数据和车道交通流量观测数据位置信息,计算损失值。其中,在本申请的实施例中,该损失函数的公式如下表示:
其中,|| ||1表示一阶范式,⊙表示hardmard(阿达马)乘积,M表示车道交通流量观测数据位置信息,Xr表示车道交通流量重构数据,X表示所有车道在一段时间(如第二时间段)内观测到的交通流量。
步骤407,根据损失值,训练自编码学习模型,并将训练好的自编码学习模型之中编码器确定为自编码模型。
可选地,在训练过程中可以通过最小化上述损失函数以训练该自编码学习模型。将训练好的自编码学习模型之中编码器确定为自编码模型。
由此,通过上述步骤401-步骤407可以训练得到自编码模型,以便利用自编码模型可以自编码学习交通流量全局分布。
在步骤305中,基于预设函数对车道交通流量编码进行处理,得到车道交通流量全局分布的嵌入表示。
其中,在本申请的一些实施例中,该预设函数可以是平均函数。例如,可以对车道交通流量全局分布的嵌入表示方法为:he=g(ze)。其中,g()表示一个函数,在本申请实施例中可以选取平均函数。
在步骤306中,根据车道交通流量全局分布的嵌入表示,获取车道交通流量时间关系表示。
在一种实现方式中,基于预先训练好的LSTM(Bi-directional Long-Short-Term-Memory,双向长短期记忆)人工神经网络模型对车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示。为了学习车道交通流量中的时间关联性,本申请基于双向LSTM模型来学习。首先,以获得的车道交通流量全局分布的嵌入表示来初始化双向LSTM模型中的初始隐状态h0。为解决车道交通流量补全问题,本申请对常规双向LSTM模型中改变了的一些模型单元,例如改变了模型中的每一步输入,首先基于前一步更新获得的隐状态做一次线性运算以获得当前步的时间关系估值,该过程表示为:
其中,为单向的LSTM中的时间关系估值,Wx为参数矩阵,bx为偏差向量,ht-1为t-1时刻的隐状态。
以上的计算公式只获取了单向的LSTM中的时间关系估值,接下来将双向LSTM获得的时间关系估值结合,得到双向LSTM的时间关系估值,该过程表示为:
其中,为t时刻,第一方向的车道交通流量时间关系估值;/>为t时刻,第二方向的车道交通流量时间关系估值;/>为t时刻的车道交通流量时间关系表示。
然后,将时间关系估值与该时间步的空间关系估值融合通过以下的公式
其中,βt表示一个可训练的参数向量,由于存在数据缺失的问题,有时在当前步缺少输入的数据,可以将与当前的输入xt融合获得新的输入/>用以更新LSTM的隐状态ht,这个过程可表示为:
/>
其中,mt为t时刻,所有车道的交通流量观测数据位置信息,γt是时间延迟系数,用以控制数据连续缺失带来的影响,当数据连续缺失时可以减小连续缺失对隐状态更新带来的影响,它的计算方式表示为:
γt=exp{-max(0,Wγδt+bγ)}
其中Wγ和bγ表示可训练参数,δt表示当前时间步之前连续缺失数据的时间长度。
由此,可以通过上述预先训练好的双向LSTM模型对车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示。
在步骤307中,根据车道交通流量综合空间表示和车道交通流量时间关系表示,对交叉路口的车道交通流量之中缺失数据进行补全操作。
可选地,将车道交通流量综合空间表示和车道交通流量时间关系表示进行融合处理,将融合处理后得到的数据确定为交叉路口的车道交通流量数据,车道交通流量数据中包括观测存在的数据和缺失数据估计值。在一种实现方式中,将通过上述公式(3)将时间关系估值与该时间步的空间关系估值进行融合,以得到当前时间步的车道交通流量数据。
通过实施本申请实施例,通过引入一个预训练的自编码模型来获取全局分布的信息,可以获得所有车道在一段时间内的交通流量全局分布,通过引入所有车道在一段时间内的交通流量的全局分布信息用以应对数据稀疏问题,从而可以进一步提高交通流量数据补全的准确性,能够解决连续缺失或者大面积同时缺失的问题。
本申请还提出了一种车道交通流量数据补全模型的训练方法。通过训练车道交通流量数据补全模型,以便利用训练好的车道交通流量数据补全模型实现车道级别的交通流量数据补全。在本申请的实施例中,如图5所示,车道交通流量数据补全模型可包括多种空间关系融合模块、预先训练好的自编码模块和双向LSTM模块。如图6所示,该车道交通流量数据补全模型的训练方法可包括但不限于以下步骤。
在步骤601中,获取交叉路口内车道的属性信息和车道在第三时间段内观测到的交通流量数据。
可选地,步骤601可以分布采用本申请的各实施例中的任一种实现方式实现,本申请实施例并不对此作出限定,也不再赘述。
在步骤602中,将车道的属性信息和车道在第三时间段内观测到的交通流量数据输入至多种空间关系融合模块,获得车道交通流量综合空间表示。
在一种实现方式中,将车道的属性信息和车道在第三时间段内观测到的交通流量数据输入至多种空间关系融合模块;基于多种空间关系融合模块对车道的属性信息和车道在第三时间段内观测到的交通流量数据进行计算处理,得到车道多种空间关系矩阵;基于多种空间关系融合模块,采用图卷积操作聚合多阶空间关系对车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;基于多种空间关系融合模块对多个基于单一空间关系的车道交通流量表示进行融合处理,生成车道交通流量综合空间表示。
其中,在本申请的实施例中,车道的属性信息包括车道的行车方向及地理位置信息。车道多种空间关系矩阵可包括车道的可达关系邻接矩阵、相邻关系矩阵和相似关系矩阵。
在一种实现方式中,可以根据车道的行车方向确定两条位于相邻十字路口的车道是否存在直接可达关系,根据车道间的可达关系建立车道的可达关系邻接矩阵,该矩阵中第i行第j列元素可以表示为:
其中,li和lj分别表示两条不同的车道。
可以根据车道的地理位置信息计算两两之间的几何距离,给定一个距离阈值,当车道间的距离小于该阈值则认为车道之间存在相邻关系并构建相邻关系矩阵,该矩阵中第i行第j列元素可以表示为:
其中,dist(li,lj)表示车道li到车道lj之间的几何距离。
可以根据车道观测到的交通流量数据算出两两之间的相似距离,对每一条车道取相似性距离最高的k条车道与之相连,认为相连的车道间具有相似关系并构建相似关系矩阵,该矩阵中第i行第j列元素可表示为:
可选地,基于每一种单一的空间关系,可以通过图卷积的方式聚合多阶空间关系来获得基于单一空间关系的车道交通流量的表示方法,该方法可以用公式表示为:
其中,k值表示阶数,表示可训练的参数矩阵,xt为所有车道在t时刻观测到的交通流量数据,σ表示激活函数,A(k)表示单一的空间关系矩阵。
也就是说,可以将上述公式(1)中的A(k)分别替换成可达关系邻接矩阵、相邻关系矩阵和相似关系矩阵,这样利用公式(1)即可计算得到基于可达关系邻接矩阵的车道交通流量表示、基于相邻关系矩阵的车道交通流量表示和基于相似关系矩阵的车道交通流量表示。然后,可以将基于可达关系邻接矩阵的车道交通流量表示、基于相邻关系矩阵的车道交通流量表示和基于相似关系矩阵的车道交通流量表示进行融合处理,以得到车道交通流量综合空间表示。
在一种可选地实现方式中,基于多种空间关系融合模块,采用注意力机制对多个基于单一空间关系的车道交通流量表示进行融合处理,以生成车道交通流量综合空间表示。为了融合车道的多种空间关系,本申请可以采用注意力机制在不同时间动态融合多种车道空间关系(如可达关系、相邻关系和相似关系),这种融合方法可以表示为:
其中,分别表示通过不同车道空间关系获得的车道交通流量,Wα可训练的参数矩阵,αt表示注意力参数,/>为最终获得的车道交通流量综合空间表示。
在步骤603中,将车道在第三时间段内观测到的交通流量数据输入至自编码模块,获得车道交通流量全局分布的嵌入表示。
在一种实现方式中,基于预先训练好的自编码模型对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码。基于预设函数对车道交通流量编码进行处理,得到车道交通流量全局分布的嵌入表示。其中,自编码模型是预先训练好的模型,该自编码模型的训练方式可参照上述图4所示实施例的描述,在此不再赘述。
在步骤604中,将车道交通流量综合空间表示和车道交通流量全局分布的嵌入表示输入至双向LSTM模块,获得双向LSTM模块输出的交叉路口的车道交通流量数据。
在一种实现方式中,将车道交通流量全局分布的嵌入表示输入至双向LSTM模块,获得第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值;基于双向LSTM模块对第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值进行处理,获得车道交通流量时间关系表示;将车道交通流量综合空间表示输入至双向LSTM模块,基于双向LSTM模块将车道交通流量时间关系表示和车道交通流量综合空间表示进行融合处理,获得双向LSTM模块输出的交叉路口的车道交通流量数据。
在步骤605中,根据车道在第三时间段内观测到的交通流量数据、车道交通流量综合空间表示和交叉路口的车道交通流量数据,计算模型损失值。
在一种实现方式中,根据车道在第三时间段内观测到的交通流量数据、第一方向的车道交通流量时间关系估值、车道交通流量综合空间表示和交叉路口的车道交通流量数据,计算双向LSTM模块之中第一方向的第一损失值;根据车道在第三时间段内观测到的交通流量数据、第二方向的车道交通流量时间关系估值、车道交通流量综合空间表示和交叉路口的车道交通流量数据,计算双向LSTM模块之中第二方向的第二损失值;根据第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值,计算第三损失值;根据第一损失值、第二损失值和第三损失值,计算模型损失值。
为了学习车道交通流量中的时间关联性,本申请基于双向LSTM来学习。首先,以获得的车道交通流量全局分布的嵌入表示来初始化双向LSTM模块中的初始隐状态h0。为解决车道交通流量补全问题,本申请对常规双向LSTM模块中改变了的一些模型单元,例如改变了模块中的每一步输入,首先基于前一步更新获得的隐状态做一次线性运算以获得当前步的时间关系估值,该过程表示为:
其中,为单向的LSTM中的时间关系估值,Wx为参数矩阵,bx为偏差向量,ht-1为t-1时刻的隐状态。
以上的计算公式只获取了单向的LSTM中的时间关系估值,接下来将双向LSTM获得的时间关系估值结合,得到双向LSTM的时间关系估值,该过程表示为:
其中,为t时刻,第一方向的车道交通流量时间关系估值;/>为t时刻,第二方向的车道交通流量时间关系估值;/>为t时刻的车道交通流量时间关系表示。/>
然后,将时间关系估值与该时间步的空间关系估值融合通过以下的公式
其中,βt表示一个可训练的参数向量,由于存在数据缺失的问题,有时在当前步缺少输入的数据,可以将与当前的输入xt融合获得新的输入/>用以更新LSTM的隐状态ht,这个过程可表示为:
其中,mt为t时刻,所有车道的交通流量观测数据位置信息,γt是时间延迟系数,用以控制数据连续缺失带来的影响,当数据连续缺失时可以减小连续缺失对隐状态更新带来的影响,它的计算方式表示为:
γt=exp{-max(0,Wγδt+bγ)}
其中Wγ和bγ表示可训练参数,δt表示当前时间步之前连续缺失数据的时间长度。
对于单一方向的LSTM,可以通过最小化以下的损失函数来训练:
其中,表示一个一阶范式损失函数,对给定xt和yt的情况下进一步表示为:
可以利用上述式(5)计算和/>
为进一步统一双向LSTM模块中不同方向获得的时间估计值,本申请提出一个新的损失函数以减小两个估计值之间的差距,该损失函数定义为:
最终的模型损失函数定义为:
其中,和/>分别表示双向LSTM中的两个方向的损失函数,根据上面单向LSTM模型的损失函数可以获得,即利用上述式(4)和式(5)可以分别计算出两个方向的损失值/>和(即上述第一损失值和第二损失值)。利用上述式(6)计算第三损失值,并利用上述式(7)计算模型损失值。
在步骤606中,根据模型损失值,训练车道交通流量数据补全模型。
可选地,通过最小化模型损失函数来训练车道交通流量数据补全模型,以此来获得对缺失数据的估计值。
通过实施本申请实施例,通过融合车道间的多种空间关系:包括可达关系,相邻关系和相似关系等,从而获得一种车道间的综合表示方式充分体现车道交通流量的空间关联性,然后学习同一车道在不同时间点的交通流量间的时间相关性并与之前得到的空间关联性融合得到补全的数据。为进一步提高模型效果,加入了所有车道在一段时间内的交通流量的全局分布信息用以应对数据稀疏问题。
本申请还提出了另一种车道交通流量数据补全方法,可以利用前述实施例所述的车道交通流量数据补全模型实现车道级别的交通流量数据补全。如图7所示,该车道交通流量数据补全方法可以包括但不限于以下步骤。
在步骤701中,获取交叉路口内车道的属性信息和车道在第四时间段内观测到的交通流量数据。
在步骤702中,将车道的属性信息和车道在第四时间段内观测到的交通流量数据输入至预先训练好的车道交通流量数据补全模型。
其中,在本申请的实施例中,车道交通流量数据补全模型通过本申请任一实施例所述的训练方法训练得到的。其中,车道交通流量数据补全模型的输入为车道的属性信息和车道在一段时间内观测到的交通流量数据,车道交通流量数据补全模型的输出为车道交通流量数据
在步骤703中,获取车道交通流量数据补全模型输出的车道交通流量数据;车道交通流量数据包括车道交通流量观测存在的数据和缺失数据估计值。
通过实施本申请实施例,可以通过预先训练好的车道交通流量数据补全模型,实现车道级别的交通流量数据补全,从而可以有效地提高交通流量数据补全的准确性,并能够解决连续缺失或者大面积同时缺失的问题。
为了实现上述实施例,本申请还提出了一种车道交通流量数据补全装置。图8为本申请实施例所提供的一种车道交通流量数据补全装置的结构框图。如图8所示,该车道交通流量数据补全装置可以包括:第一获取模块801、生成模块802、第二获取模块803、第三获取模块804和补全模块805。
其中,第一获取模块801用于获取交叉路口内车道的属性信息和车道在第一时间段内观测到的交通流量数据。
生成模块802用于根据车道的属性信息和车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示。在一种实现方式中,生成模块802包括:第一生成单元,用于根据车道的属性信息和车道在第一时间段内观测到的交通流量数据,生成车道多种空间关系矩阵;第二生成单元,用于基于车道多种空间关系矩阵,生成车道交通流量综合空间表示。
在一种可能的实现方式中,第二生成单元具体用于:基于图卷积操作聚合多阶空间关系对车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;对多个基于单一空间关系的车道交通流量表示进行融合处理,以生成车道交通流量综合空间表示。
在一种可能的实现方式中,第二生成单元具体用于:采用注意力机制对多个基于单一空间关系的车道交通流量表示进行融合处理,以生成车道交通流量综合空间表示。
第二获取模块803用于根据车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示。
在一种实现方式中,第二获取模块803具体用于:对车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码;基于预设函数对车道交通流量编码进行处理,得到车道交通流量全局分布的嵌入表示。
在一种可能的实现方式中,第二获取模块803具体用于:基于预先训练好的自编码模型对车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码。
第三获取模块804用于根据车道交通流量全局分布的嵌入表示,获取车道交通流量时间关系表示。在一种实现方式中,第三获取模块804具体用于:基于预先训练好的双向长短期记忆人工神经网络LSTM模型对车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示。
补全模块805用于根据车道交通流量综合空间表示和车道交通流量时间关系表示,对交叉路口的车道交通流量之中缺失数据进行补全操作。在一种实现方式中,补全模块805具体用于:将车道交通流量综合空间表示和车道交通流量时间关系表示进行融合处理,将融合处理后得到的数据确定为交叉路口的车道交通流量数据,车道交通流量数据中包括观测存在的数据和缺失数据估计值。
在本申请的一些实施例中,如图9所示,该车道交通流量数据补全装置还可包括:预训练模块906。预训练模块906用于预先训练自编码模型;其中,预训练模块906具体用于:获取交叉路口内车道在第二时间段内观测到的交通流量数据;其中,第二时间段的时间早于第一时间段的时间;将车道在第二时间段内观测到的交通流量数据输入至自编码学习模型;自编码学习模型包括编码器和解码器;获得编码器对车道在第二时间段内观测到的交通流量数据依次进行多次编码后输出的编码信息;将编码器输出的编码信息输入至解码器,获得解码器对编码信息依次进行多次解码后输出的车道交通流量重构数据;其中,编码器的编码次数与解码器的解码次数相同;获取交叉路口的车道交通流量观测数据位置信息;其中,车道交通流量观测数据位置信息包括车道交通流量观测存在的数据和缺失数据的位置信息;根据车道在第二时间段内观测到的交通流量数据、车道交通流量重构数据和车道交通流量观测数据位置信息,计算损失值;根据损失值,训练自编码学习模型,并将训练好的自编码学习模型之中编码器确定为自编码模型。
其中,图9中901-905和图8中801-805具有相同功能和结构。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请还提出了一种车道交通流量数据补全模型的训练装置。在本申请的实施例中,所述车道交通流量数据补全模型包括多种空间关系融合模块、预先训练好的自编码模块和双向长短期记忆人工神经网络LSTM模块,其中,如图10所示,该车道交通流量数据补全模型的训练装置可包括:第一获取模块1001、第二获取模块1002、第三获取模块1003、第四获取模块1004、计算模块1005和训练模块1006。
其中,第一获取模块1001用于获取交叉路口内车道的属性信息和车道在第三时间段内观测到的交通流量数据。
第二获取模块1002用于将车道的属性信息和车道在第三时间段内观测到的交通流量数据输入至多种空间关系融合模块,获得车道交通流量综合空间表示。在一种实现方式中,第二获取模块1002具体用于:将车道的属性信息和车道在第三时间段内观测到的交通流量数据输入至多种空间关系融合模块;基于多种空间关系融合模块对车道的属性信息和车道在第三时间段内观测到的交通流量数据进行计算处理,得到车道多种空间关系矩阵;基于多种空间关系融合模块,采用图卷积操作聚合多阶空间关系对车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;基于多种空间关系融合模块对多个基于单一空间关系的车道交通流量表示进行融合处理,生成车道交通流量综合空间表示。
在一种可能的实现方式中,第二获取模块1002具体用于:基于多种空间关系融合模块,采用注意力机制对多个基于单一空间关系的车道交通流量表示进行融合处理,以生成车道交通流量综合空间表示。
第三获取模块1003用于将车道在第三时间段内观测到的交通流量数据输入至自编码模块,获得车道交通流量全局分布的嵌入表示。
第四获取模块1004用于将车道交通流量综合空间表示和车道交通流量全局分布的嵌入表示输入至双向LSTM模块,获得双向LSTM模块输出的交叉路口的车道交通流量数据。
在一种实现方式中,第四获取模块1004具体用于:将车道交通流量全局分布的嵌入表示输入至双向LSTM模块,获得第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值;基于双向LSTM模块对第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值进行处理,获得车道交通流量时间关系表示;将车道交通流量综合空间表示输入至双向LSTM模块,基于双向LSTM模块将车道交通流量时间关系表示和车道交通流量综合空间表示进行融合处理,获得双向LSTM模块输出的交叉路口的车道交通流量数据。
计算模块1005用于根据车道在第三时间段内观测到的交通流量数据、车道交通流量综合空间表示和交叉路口的车道交通流量数据,计算模型损失值。
在一种实现方式中,计算模块1005具体用于:根据车道在第三时间段内观测到的交通流量数据、第一方向的车道交通流量时间关系估值、车道交通流量综合空间表示和交叉路口的车道交通流量数据,计算双向LSTM模块之中第一方向的第一损失值;根据车道在第三时间段内观测到的交通流量数据、第二方向的车道交通流量时间关系估值、车道交通流量综合空间表示和交叉路口的车道交通流量数据,计算双向LSTM模块之中第二方向的第二损失值;根据第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值,计算第三损失值;根据第一损失值、第二损失值和第三损失值,计算模型损失值。
训练模块1006用于根据模型损失值,训练车道交通流量数据补全模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
为了实现上述实施例,本申请还提出了另一种车道交通流量数据补全装置。如图11所示,该车道交通流量数据补全装置可以包括:第一获取模块1101、输入模块1102和第二获取模块1103。其中,第一获取模块1101用于获取交叉路口内车道的属性信息和车道在第四时间段内观测到的交通流量数据。
输入模块1102用于将车道的属性信息和车道在第四时间段内观测到的交通流量数据输入至预先训练好的车道交通流量数据补全模型;其中,车道交通流量数据补全模型通过前述任一实施例的训练装置训练得到的。
第二获取模块1103用于获取车道交通流量数据补全模型输出的车道交通流量数据;车道交通流量数据包括车道交通流量观测存在的数据和缺失数据估计值。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图12所示,是根据本申请实施例的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图12所示,该电子设备包括:一个或多个处理器1201、存储器1202,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图12中以一个处理器1201为例。
存储器1202即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的车道交通流量数据补全方法和/或车道交通流量数据补全模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的任一实施例所述的方法。
存储器1202作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的车道交通流量数据补全方法和/或车道交通流量数据补全模型的训练方法对应的程序指令/模块。处理器1201通过运行存储在存储器1202中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的车道交通流量数据补全方法和/或车道交通流量数据补全模型的训练方法。
存储器1202可以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***、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器1202可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1202可选包括相对于处理器1201远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
电子设备还可以包括:输入装置1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接,图12中以通过总线连接为例。
输入装置1203可接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1204可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
根据本申请实施例的技术方案,融合了多种车道间的空间关联性,充分利用了车道间复杂的空间关联信息对车道级别的交通流量缺失问题进行针对性解决;另外,融合了时空关联信息,做到了同时有效的利用两个方面的关联性能够针对连续缺失和同时缺失问题都能够有效地对缺失数据进行准确估计。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (28)
1.一种车道交通流量数据补全方法,包括:
获取交叉路口内车道的属性信息和所述车道在第一时间段内观测到的交通流量数据;
根据所述车道的属性信息和所述车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示;
根据所述车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示;
基于预先训练好的双向长短期记忆人工神经网络LSTM模型对所述车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示;
根据所述车道交通流量综合空间表示和所述车道交通流量时间关系表示,对所述交叉路口的车道交通流量之中缺失数据进行补全操作;
其中,所述根据所述车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示,包括:
对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码;
基于预设函数对所述车道交通流量编码进行处理,得到所述车道交通流量全局分布的嵌入表示。
2.如权利要求1所述的方法,其中,所述根据所述车道的属性信息和所述车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示,包括:
根据所述车道的属性信息和所述车道在第一时间段内观测到的交通流量数据,生成车道多种空间关系矩阵;
基于所述车道多种空间关系矩阵,生成所述车道交通流量综合空间表示。
3.如权利要求2所述的方法,其中,所述基于所述车道多种空间关系矩阵,生成所述车道交通流量综合空间表示,包括:
基于图卷积操作聚合多阶空间关系对所述车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;
对所述多个基于单一空间关系的车道交通流量表示进行融合处理,以生成所述车道交通流量综合空间表示。
4.如权利要求3所述的方法,其中,所述对所述多个基于单一空间关系的车道交通流量表示进行融合处理,以生成所述车道交通流量综合空间表示,包括:
采用注意力机制对所述多个基于单一空间关系的车道交通流量表示进行融合处理,以生成所述车道交通流量综合空间表示。
5.如权利要求1所述的方法,其中,所述对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码,包括:
基于预先训练好的自编码模型对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码。
6.如权利要求5所述的方法,其中,所述自编码模型通过以下方式预先训练得到的:
获取所述交叉路口内车道在第二时间段内观测到的交通流量数据;其中,所述第二时间段的时间早于所述第一时间段的时间;
将所述车道在第二时间段内观测到的交通流量数据输入至自编码学习模型;所述自编码学习模型包括编码器和解码器;
获得所述编码器对所述车道在第二时间段内观测到的交通流量数据依次进行多次编码后输出的编码信息;
将所述编码器输出的编码信息输入至所述解码器,获得所述解码器对所述编码信息依次进行多次解码后输出的车道交通流量重构数据;其中,所述编码器的编码次数与解码器的解码次数相同;
获取所述交叉路口的车道交通流量观测数据位置信息;其中,所述车道交通流量观测数据位置信息包括车道交通流量观测存在的数据和缺失数据的位置信息;
根据所述车道在第二时间段内观测到的交通流量数据、所述车道交通流量重构数据和所述车道交通流量观测数据位置信息,计算损失值;
根据所述损失值,训练所述自编码学习模型,并将训练好的所述自编码学习模型之中所述编码器确定为所述自编码模型。
7.如权利要求1所述的方法,其中,所述根据所述车道交通流量综合空间表示和所述车道交通流量时间关系表示,对所述交叉路口的车道交通流量之中缺失数据进行补全操作,包括:
将所述车道交通流量综合空间表示和所述车道交通流量时间关系表示进行融合处理,将融合处理后得到的数据确定为所述交叉路口的车道交通流量数据,所述车道交通流量数据中包括观测存在的数据和缺失数据估计值。
8.一种车道交通流量数据补全模型的训练方法,所述车道交通流量数据补全模型包括多种空间关系融合模块、预先训练好的自编码模块和双向长短期记忆人工神经网络LSTM模块,其中,所述方法包括:
获取交叉路口内车道的属性信息和所述车道在第三时间段内观测到的交通流量数据;
将所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据输入至所述多种空间关系融合模块,获得车道交通流量综合空间表示;
将所述车道在第三时间段内观测到的交通流量数据输入至所述自编码模块,获得车道交通流量全局分布的嵌入表示,其中,对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码,基于预设函数对所述车道交通流量编码进行处理,得到所述车道交通流量全局分布的嵌入表示;
将所述车道交通流量综合空间表示和所述车道交通流量全局分布的嵌入表示输入至所述双向LSTM模块,获得所述双向LSTM模块输出的所述交叉路口的车道交通流量数据;
根据所述车道在第三时间段内观测到的交通流量数据、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算模型损失值;
根据所述模型损失值,训练所述车道交通流量数据补全模型。
9.如权利要求8所述的方法,其中,所述将所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据输入至所述多种空间关系融合模块,获得车道交通流量综合空间表示,包括:
将所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据输入至所述多种空间关系融合模块;
基于所述多种空间关系融合模块对所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据进行计算处理,得到车道多种空间关系矩阵;
基于所述多种空间关系融合模块,采用图卷积操作聚合多阶空间关系对所述车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;
基于所述多种空间关系融合模块对所述多个基于单一空间关系的车道交通流量表示进行融合处理,生成所述车道交通流量综合空间表示。
10.如权利要求9所述的方法,其中,所述基于所述多种空间关系融合模块对所述多个基于单一空间关系的车道交通流量表示进行融合处理,生成所述车道交通流量综合空间表示,包括:
基于所述多种空间关系融合模块,采用注意力机制对所述多个基于单一空间关系的车道交通流量表示进行融合处理,以生成所述车道交通流量综合空间表示。
11.如权利要求8所述的方法,其中,所述将所述车道交通流量综合空间表示和所述车道交通流量全局分布的嵌入表示输入至所述双向LSTM模块,获得所述双向LSTM模块输出的所述交叉路口的车道交通流量数据,包括:
将所述车道交通流量全局分布的嵌入表示输入至所述双向LSTM模块,获得第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值;
基于所述双向LSTM模块对所述第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值进行处理,获得车道交通流量时间关系表示;
将所述车道交通流量综合空间表示输入至所述双向LSTM模块,基于所述双向LSTM模块将所述车道交通流量时间关系表示和所述车道交通流量综合空间表示进行融合处理,获得所述双向LSTM模块输出的所述交叉路口的车道交通流量数据。
12.如权利要求11所述的方法,其中,所述根据所述车道在第三时间段内观测到的交通流量数据、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算模型损失值,包括:
根据所述车道在第三时间段内观测到的交通流量数据、所述第一方向的车道交通流量时间关系估值、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算所述双向LSTM模块之中所述第一方向的第一损失值;
根据所述车道在第三时间段内观测到的交通流量数据、所述第二方向的车道交通流量时间关系估值、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算所述双向LSTM模块之中所述第二方向的第二损失值;
根据所述第一方向的车道交通流量时间关系估值和所述第二方向的车道交通流量时间关系估值,计算第三损失值;
根据所述第一损失值、所述第二损失值和所述第三损失值,计算所述模型损失值。
13.一种车道交通流量数据补全方法,包括:
获取交叉路口内车道的属性信息和所述车道在第四时间段内观测到的交通流量数据;
将所述车道的属性信息和所述车道在第四时间段内观测到的交通流量数据输入至预先训练好的车道交通流量数据补全模型;其中,所述车道交通流量数据补全模型通过如权利要求8至12中任一项所述的方法训练得到的;
获取所述车道交通流量数据补全模型输出的车道交通流量数据;所述车道交通流量数据包括车道交通流量观测存在的数据和缺失数据估计值。
14.一种车道交通流量数据补全装置,包括:
第一获取模块,用于获取交叉路口内车道的属性信息和所述车道在第一时间段内观测到的交通流量数据;
生成模块,用于根据所述车道的属性信息和所述车道在第一时间段内观测到的交通流量数据,生成车道交通流量综合空间表示;
第二获取模块,用于根据所述车道在第一时间段内观测到的交通流量数据,获取车道交通流量全局分布的嵌入表示;
第三获取模块,用于基于预先训练好的双向长短期记忆人工神经网络LSTM模型对所述车道交通流量全局分布的嵌入表示进行时间序列预测,获得车道交通流量时间关系表示;
补全模块,用于根据所述车道交通流量综合空间表示和所述车道交通流量时间关系表示,对所述交叉路口的车道交通流量之中缺失数据进行补全操作;
其中,所述第二获取模块具体用于:
对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码;
基于预设函数对所述车道交通流量编码进行处理,得到所述车道交通流量全局分布的嵌入表示。
15.如权利要求14所述的装置,其中,所述生成模块包括:
第一生成单元,用于根据所述车道的属性信息和所述车道在第一时间段内观测到的交通流量数据,生成车道多种空间关系矩阵;
第二生成单元,用于基于所述车道多种空间关系矩阵,生成所述车道交通流量综合空间表示。
16.如权利要求15所述的装置,其中,所述第二生成单元具体用于:
基于图卷积操作聚合多阶空间关系对所述车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;
对所述多个基于单一空间关系的车道交通流量表示进行融合处理,以生成所述车道交通流量综合空间表示。
17.如权利要求16所述的装置,其中,所述第二生成单元具体用于:
采用注意力机制对所述多个基于单一空间关系的车道交通流量表示进行融合处理,以生成所述车道交通流量综合空间表示。
18.如权利要求14所述的装置,其中,所述第二获取模块具体用于:
基于预先训练好的自编码模型对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码。
19.如权利要求18所述的装置,还包括:
预训练模块,用于预先训练所述自编码模型;其中,所述预训练模块具体用于:
获取所述交叉路口内车道在第二时间段内观测到的交通流量数据;其中,所述第二时间段的时间早于所述第一时间段的时间;
将所述车道在第二时间段内观测到的交通流量数据输入至自编码学习模型;所述自编码学习模型包括编码器和解码器;
获得所述编码器对所述车道在第二时间段内观测到的交通流量数据依次进行多次编码后输出的编码信息;
将所述编码器输出的编码信息输入至所述解码器,获得所述解码器对所述编码信息依次进行多次解码后输出的车道交通流量重构数据;其中,所述编码器的编码次数与解码器的解码次数相同;
获取所述交叉路口的车道交通流量观测数据位置信息;其中,所述车道交通流量观测数据位置信息包括车道交通流量观测存在的数据和缺失数据的位置信息;
根据所述车道在第二时间段内观测到的交通流量数据、所述车道交通流量重构数据和所述车道交通流量观测数据位置信息,计算损失值;
根据所述损失值,训练所述自编码学习模型,并将训练好的所述自编码学习模型之中所述编码器确定为所述自编码模型。
20.如权利要求14所述的装置,其中,所述补全模块具体用于:
将所述车道交通流量综合空间表示和所述车道交通流量时间关系表示进行融合处理,将融合处理后得到的数据确定为所述交叉路口的车道交通流量数据,所述车道交通流量数据中包括观测存在的数据和缺失数据估计值。
21.一种车道交通流量数据补全模型的训练装置,所述车道交通流量数据补全模型包括多种空间关系融合模块、预先训练好的自编码模块和双向长短期记忆人工神经网络LSTM模块,其中,所述装置包括:
第一获取模块,用于获取交叉路口内车道的属性信息和所述车道在第三时间段内观测到的交通流量数据;
第二获取模块,用于将所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据输入至所述多种空间关系融合模块,获得车道交通流量综合空间表示;
第三获取模块,用于将所述车道在第三时间段内观测到的交通流量数据输入至所述自编码模块,获得车道交通流量全局分布的嵌入表示,其中,对所述车道在第一时间段内观测到的交通流量数据进行编码处理,得到车道交通流量编码,基于预设函数对所述车道交通流量编码进行处理,得到所述车道交通流量全局分布的嵌入表示;
第四获取模块,用于将所述车道交通流量综合空间表示和所述车道交通流量全局分布的嵌入表示输入至所述双向LSTM模块,获得所述双向LSTM模块输出的所述交叉路口的车道交通流量数据;
计算模块,用于根据所述车道在第三时间段内观测到的交通流量数据、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算模型损失值;
训练模块,用于根据所述模型损失值,训练所述车道交通流量数据补全模型。
22.如权利要求21所述的装置,其中,所述第二获取模块具体用于:
将所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据输入至所述多种空间关系融合模块;
基于所述多种空间关系融合模块对所述车道的属性信息和所述车道在第三时间段内观测到的交通流量数据进行计算处理,得到车道多种空间关系矩阵;
基于所述多种空间关系融合模块,采用图卷积操作聚合多阶空间关系对所述车道多种空间关系矩阵分别进行处理,以得到多个基于单一空间关系的车道交通流量表示;
基于所述多种空间关系融合模块对所述多个基于单一空间关系的车道交通流量表示进行融合处理,生成所述车道交通流量综合空间表示。
23.如权利要求22所述的装置,其中,所述第二获取模块具体用于:
基于所述多种空间关系融合模块,采用注意力机制对所述多个基于单一空间关系的车道交通流量表示进行融合处理,以生成所述车道交通流量综合空间表示。
24.如权利要求21所述的装置,其中,所述第四获取模块具体用于:
将所述车道交通流量全局分布的嵌入表示输入至所述双向LSTM模块,获得第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值;
基于所述双向LSTM模块对所述第一方向的车道交通流量时间关系估值和第二方向的车道交通流量时间关系估值进行处理,获得车道交通流量时间关系表示;
将所述车道交通流量综合空间表示输入至所述双向LSTM模块,基于所述双向LSTM模块将所述车道交通流量时间关系表示和所述车道交通流量综合空间表示进行融合处理,获得所述双向LSTM模块输出的所述交叉路口的车道交通流量数据。
25.如权利要求24所述的装置,其中,所述计算模块具体用于:
根据所述车道在第三时间段内观测到的交通流量数据、所述第一方向的车道交通流量时间关系估值、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算所述双向LSTM模块之中所述第一方向的第一损失值;
根据所述车道在第三时间段内观测到的交通流量数据、所述第二方向的车道交通流量时间关系估值、所述车道交通流量综合空间表示和所述交叉路口的车道交通流量数据,计算所述双向LSTM模块之中所述第二方向的第二损失值;
根据所述第一方向的车道交通流量时间关系估值和所述第二方向的车道交通流量时间关系估值,计算第三损失值;
根据所述第一损失值、所述第二损失值和所述第三损失值,计算所述模型损失值。
26.一种车道交通流量数据补全装置,包括:
第一获取模块,用于获取交叉路口内车道的属性信息和所述车道在第四时间段内观测到的交通流量数据;
输入模块,用于将所述车道的属性信息和所述车道在第四时间段内观测到的交通流量数据输入至预先训练好的车道交通流量数据补全模型;其中,所述车道交通流量数据补全模型通过如权利要求21至25中任一项所述的装置训练得到的;
第二获取模块,用于获取所述车道交通流量数据补全模型输出的车道交通流量数据;所述车道交通流量数据包括车道交通流量观测存在的数据和缺失数据估计值。
27.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法,或者能够执行权利要求8至12中任一项所述的方法,或者能够执行权利要求13所述的方法。
28.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的方法,或者使所述计算机执行权利要求8至12中任一项所述的方法,或者使所述计算机执行权利要求13所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230037873A KR20230048259A (ko) | 2022-09-28 | 2023-03-23 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022111950106 | 2022-09-28 | ||
CN202211195010.6A CN115563093A (zh) | 2022-09-28 | 2022-09-28 | 车道交通流量数据补全及其模型训练方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116244281A CN116244281A (zh) | 2023-06-09 |
CN116244281B true CN116244281B (zh) | 2023-11-21 |
Family
ID=84743962
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211195010.6A Pending CN115563093A (zh) | 2022-09-28 | 2022-09-28 | 车道交通流量数据补全及其模型训练方法、装置 |
CN202211705577.3A Active CN116244281B (zh) | 2022-09-28 | 2022-12-28 | 车道交通流量数据补全及其模型训练方法、装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211195010.6A Pending CN115563093A (zh) | 2022-09-28 | 2022-09-28 | 车道交通流量数据补全及其模型训练方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115563093A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN113094357A (zh) * | 2021-04-23 | 2021-07-09 | 大连理工大学 | 一种基于时空注意力机制的交通缺失数据补全方法 |
CN113129585A (zh) * | 2021-03-05 | 2021-07-16 | 浙江工业大学 | 基于重构交通网络的图聚合机制的道路交通流预测方法 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
CN114154622A (zh) * | 2021-12-06 | 2022-03-08 | 江苏中威软件技术有限公司 | 交通运行体系流量数据采集缺失补全的算法模型 |
CN114445252A (zh) * | 2021-11-15 | 2022-05-06 | 南方科技大学 | 数据补全方法、装置、电子设备及存储介质 |
WO2022129421A1 (en) * | 2020-12-18 | 2022-06-23 | Imec Vzw | Traffic prediction |
CN114819360A (zh) * | 2022-04-29 | 2022-07-29 | 嘉兴学院 | 一种交通流量预测方法、装置及设备 |
CN114944057A (zh) * | 2022-04-21 | 2022-08-26 | 中山大学 | 一种路网交通流量数据的修复方法与*** |
-
2022
- 2022-09-28 CN CN202211195010.6A patent/CN115563093A/zh active Pending
- 2022-12-28 CN CN202211705577.3A patent/CN116244281B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070715A (zh) * | 2019-04-29 | 2019-07-30 | 浙江工业大学 | 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法 |
CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
WO2022129421A1 (en) * | 2020-12-18 | 2022-06-23 | Imec Vzw | Traffic prediction |
CN112988723A (zh) * | 2021-02-09 | 2021-06-18 | 北京工业大学 | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 |
CN113129585A (zh) * | 2021-03-05 | 2021-07-16 | 浙江工业大学 | 基于重构交通网络的图聚合机制的道路交通流预测方法 |
CN113094357A (zh) * | 2021-04-23 | 2021-07-09 | 大连理工大学 | 一种基于时空注意力机制的交通缺失数据补全方法 |
CN113240182A (zh) * | 2021-05-19 | 2021-08-10 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
CN114445252A (zh) * | 2021-11-15 | 2022-05-06 | 南方科技大学 | 数据补全方法、装置、电子设备及存储介质 |
CN114154622A (zh) * | 2021-12-06 | 2022-03-08 | 江苏中威软件技术有限公司 | 交通运行体系流量数据采集缺失补全的算法模型 |
CN114944057A (zh) * | 2022-04-21 | 2022-08-26 | 中山大学 | 一种路网交通流量数据的修复方法与*** |
CN114819360A (zh) * | 2022-04-29 | 2022-07-29 | 嘉兴学院 | 一种交通流量预测方法、装置及设备 |
Non-Patent Citations (5)
Title |
---|
A tensor train approach for internet traffic data completion;Zhiyuan Zhang 等;Annals of Operations Research;1-19 * |
Traffic Data Reconstruction via Adaptive Spatial-Temporal Correlation;Yang Wang 等;IEEE Tractions on Intelligent Transportation System;1531-1534 * |
基于对称残差U型网络的路网交通流量数据修复;代亮 等;交通运输***工程与信息(第05期);93-99 * |
融合多视图注意力机制的城市交通流量补全;康雁 等;计算机科学;177-184 * |
高速路网交通流预测分析方法的研究与实现;陈健;中国优秀硕士学位论文全文数据库 工程科技II辑(第1期);C034-1268 * |
Also Published As
Publication number | Publication date |
---|---|
CN116244281A (zh) | 2023-06-09 |
CN115563093A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230154327A1 (en) | Route planning method, apparatus, device and computer storage medium | |
KR20230048259A (ko) | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 | |
Hessel et al. | On inductive biases in deep reinforcement learning | |
CN114780739B (zh) | 基于时间图卷积网络的时序知识图谱补全方法及*** | |
CN112686281A (zh) | 基于时空注意力和多级lstm信息表达的车辆轨迹预测方法 | |
CN110633797A (zh) | 网络模型结构的搜索方法、装置以及电子设备 | |
US11593384B2 (en) | Parking lot free parking space predicting method, apparatus, electronic device and storage medium | |
CN111000492B (zh) | 基于知识图谱的智能扫地机行为决策方法及智能扫地机 | |
CN112863180A (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
CN111982138B (zh) | 预测模型获取及路径规划方法、装置及存储介质 | |
CN111582030A (zh) | 红绿灯的识别方法、装置、电子设备和计算机存储介质 | |
CN110309537A (zh) | 一种飞行器的智能健康预测方法及*** | |
US20210239480A1 (en) | Method and apparatus for building route time consumption estimation model, and method and apparatus for estimating route time consumption | |
CN110569973A (zh) | 网络结构的搜索方法、装置以及电子设备 | |
CN116244281B (zh) | 车道交通流量数据补全及其模型训练方法、装置 | |
CN112819497B (zh) | 转化率预测方法、装置、设备和存储介质 | |
CN111782709A (zh) | 异常数据确定方法和装置 | |
Chen et al. | Goal-Guided and Interaction-Aware State Refinement Graph Attention Network for Multi-Agent Trajectory Prediction | |
CN114399901B (zh) | 一种控制交通***的方法和设备 | |
Zuo et al. | Incremental dense reconstruction from monocular video with guided sparse feature volume fusion | |
Wang et al. | Short-term Traffic Flow Prediction Based on Spatiotemporal and Periodic Feature Fusion. | |
CN111753037B (zh) | 信息表征方法、装置、电子设备及存储介质 | |
Xu et al. | TraffNet: Learning Causality of Traffic Generation for What-if Prediction | |
CN115620514A (zh) | 一种基于自适应广义PageRank图神经网络的交通流预测方法 | |
Du et al. | Digital Twin Graph: Automated Domain-Agnostic Construction, Fusion, and Simulation of IoT-Enabled World |
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 |