CN110570651A - 一种基于深度学习的路网交通态势预测方法及系统 - Google Patents

Abstract

一种基于深度学习的路网交通态势预测方法，包括以下步骤：S1、获取多源交通数据和路网静态配置信息，构建交通流参数模型；所述的多源交通数，包括互联网路段速度数据、检测器流量数据和信号机控制方案数据；所述的路网静态配置信息包括路网空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号和车道功能；S2、分析路网拥堵相关性，构建基本预测组团；S3、构造基于双阶段注意力机制的深度学习交通态势预测模型；S4、构建交通态势预测系统。本发明预测精度和可移植性较好。

Description

一种基于深度学习的路网交通态势预测方法及系统

技术领域

本发明涉及智能交通工程领域，尤其涉及一种基于深度学习的路网交通态势预测方法及系统。

背景技术

智能交通系统(ITS)的主要目标是实现交通控制和交通诱导的智能化，而可靠的交通态势预测是两者能否有效实现的决定因素。即利用当前的交通数据和历史交通规律，构造可靠的预测模型，对下一时刻路网的交通流参数(速度、流量等)进行预测。预测的结果可作为交通管理部门调整交通控制方案的依据，保障交通系统稳定、高效运转；同时，可提醒车辆及时调整行驶路线，减少市民的出行延误。

城市路网复杂的道路结构和交通系统具有的高度非线性，使得传统的预测模型难以有效学习路网交通具有的时空关联性，其预测精度和可移植性普遍较差。因此，一种可靠的、可移植的交通态势预测方法，是大数据时代城市交通智能控制亟待解决的难题。

近年来，越来越多的学者开始关注深度学习。研究表明，以数据驱动的深度学习模型能够很好的解决大量数据处理所带来的时效性以及准确性的问题，同时能够有效地提取数据之间的复杂特征。但如何将路网复杂的拓扑结构和多种来源的交通数据进行融合，转化为既充分描述城市交通流特性且保留路网时空关联特征的数据，是基于深度学习进行交通态势预测面临的一大难题。

发明内容

为了克服现有路网交通预测方式的预测精度和可移植性较差的不足，本发明提供一种基于深度学习的路网交通态势预测方法，采用多源交通数据融合的方式，结合轨迹数据、固定检测器数据以及信号机控制方案等，构建多元交通流参数模型。然后采用拥堵相关性分析法，找出预测对象在不同时间段交通流特征相似的道路，构建预测组团。并基于时间和空间双层注意力机制的改进LSTM深度学习模型，对路网交通隐含的复杂时空关联特征进行学习，构建多元交通流参数短时预测模型。

本发明解决其技术问题所采用的技术方案是：

一种基于深度学习的路网交通态势预测方法，包括以下步骤：

S1、获取多源交通数据和路网静态配置信息，构建交通流参数模型；

S2、分析路网拥堵相关性，构建基本预测组团；

S3、构造基于双阶段注意力机制的深度学习交通态势预测模型；

S4、构建交通态势预测系统。

进一步，所述步骤S1中，构建交通流参数模型包括以下步骤：

S1.1获取多源交通数据，进行预处理；

S1.2根据路段空间地理位置信息，建立不同交通数据之间的静态关联信息表；

S1.3统一多源交通数据的时间粒度，构建多元交通流参数模型。

再进一步，所述步骤S1.1中，所述的多源交通数，包括互联网路段速度数据、检测器流量数据和信号机控制方案数据；所述的路网静态配置信息包括路网空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号和车道功能；获取多源交通数据，并进行预处理的过程为：通过数据接口，实时订阅多源交通数据，并对异常数据进行过滤和修补。

更进一步，所述步骤S1.2中，构建不同交通数据之间的静态关联信息表的过程为：

基于GIS地理空间技术对互联网车辆速度数据进行线到线的位置匹配，将其与路网地理信息关联匹配；

根据地磁检测器数据的设备地理信息和路段的地理信息，基于GIS地理空间技术进行点到线的位置匹配，构建包含检测器设备编号、路段编号、路段名称、车道编号和车道功能信息的静态配置表；

进一步，所述步骤S1.3中，统一多源交通数据的时间粒度的过程为：

提取各路口信号控制方案周期开始和结束时间，构造信号控制周期时间序列C:

C＝{C₁,C₂,…,C_n}

遍历时间序列中的每个时间切片C_i，统计路口各方向进口道路段落入时间切片的速度平均值和流量和值，得到统一时间粒度的交通流参数模型：

C_i:{cycle,p_a,p_b,...,p_g,v_i1,v_i2,...,v_ij,vo_i1,vo_i2,...,vo_ij}

其中，cycle为信号机控制周期，p_a,p_b,...,p_g分别为信号机A-G相位的绿信比，v_ij和vo_ij分别为路口C_i时段j号路段的车辆平均速度和流量；

将统一时间粒度后的多源交通数据通过静态关联信息表与路网静态信息进行匹配，得到各路段由流量、速度、信号控制周期、信号控制相位时长等信息构成的多元交通流参数模型。

再进一步，所述的步骤S2中，分析路网拥堵相关性是指当前路段发生拥堵时，其周边路段交通数据变化与其本身的相似性；路段的拥堵相关性越高，说明路段之间的交通流特征相似度越高，将相关性较高的路段交通数据作为预测模型的输入，可提高预测结果的准确性，包括以下步骤：

S2.1确定预测路段和潜在拥堵相关区域；

S2.2计算预测路段及拥堵相关区域路段的拥堵相关性；

S2.3取拥堵相关性排名前Num的路段，构造预测组团。

进一步，所述步骤S2.1中，根据拥堵交通波的传导特征，与拥堵路段邻近的路口，具有较强的拥堵相关性；因此，定义潜在拥堵相关区域为一个以预测路段下游路口为中心，半径为R的圆形区域，落入区域内的路段为潜在拥堵相关路段。

进一步，所述步骤S2.2，路段之间的拥堵相关性由皮尔逊相关系数法进行计算，过程如下：

获取预测路段车辆速度数据，截取该路段发生拥堵前后的一段时间，构建预测对象拥堵时段列表TC：

TC＝{tc₁,...,tc_i,...,tc_total}

其中，tc_i为预测路段第i个拥堵时间片段，total为拥堵时间片段总数量；

采用皮尔逊相关系数法，遍历所有拥堵时段，分别计算预测路段与潜在拥堵相关路段在拥堵时段内的拥堵相关系数，公式如下：

其中，ρ(V_pi,V_mi)为预测路段与编号m的潜在拥堵相关路段在拥堵时段tc_i的拥堵相关系数，V_pi为预测路段在该拥堵时段内的速度数据，V_mi为编号为m的潜在拥堵相关路段相同时间段的速度数据，cov(V_pi,V_mi)为V_pi和V_mi的协方差，σ_Vpi，σ_Vmi分别为V_pi和V_mi的标准差；

考虑路段在不同性质时段发生拥堵时，其与周边路段的速度相关性有明显的差异，将拥堵时间片段相关系数计算结果按照工作日、节假日以及早晚高峰进行划分并取平均值，得到预测路段与潜在拥堵相关区域内所有路段不同时段的相关系数：

其中，T为指定时段，N为拥堵时段列表TC中被T包含的时段数量，ρ_T(V_p,V_m)为指定时段预测路段与m号潜在拥堵相关路段的平均拥堵相关系数。

进一步，所述步骤S2.3中，取拥堵相关性排名前Num的路段构造预测组团，过程为：根据拥堵相关性计算结果，对不同时段的路段拥堵相关指数进行排名，取排名前Num的路段构造预测组团；所述的预测组团是指与当前路段拥堵相关性较高的Num条路段组成的集合，Num的值视模型训练效率和预测精度而定。

所述步骤S3中，构造基于双阶段注意力机制的深度学习交通态势预测模型，包括以下步骤：

S3.1、根据预测组团构造数据集，并按比例分割为训练集和测试集；

S3.2、构建基于编码器和解码器模式的双阶段注意机制的深度学习预测模型；

S3.3、采用随机梯度下降方法训练模型

进一步，所述步骤S3.1中，根据预测组团构造数据集，并按比例分割为训练集和测试集，过程为：

获取预测路段每个周期的控制方案、流量以及速度数据，并匹配预测组团中其他路段最近一个周期的流量、速度数据，构成一行训练数据。模型的输出为预测路段下一个周期的速度及流量。

进一步，所述步骤S3.2中，构建基于编码器和解码器模式的双阶段注意机制的深度学习预测模型，过程为：

编码器和解码器模型是一种应用于序列数据到序列数据映射问题的模型，又称为编码-解码模型，该模型能够根据T个周期的交通数据时间序列，预测下一周期目标对象的速度和流量值。

每个周期的输入数据长度均为n,则第t个周期数据x_t为：

x_t＝(x_1,t…,x_k,t…,x_n,t)

T个周期的输入数据为：

X＝(x₁…,x_t…,x_T)

同时，采用梯度下降算法训练神经网络，将T个周期的预测对象实际数据作为输入，以计算预测偏差，如：

Y＝(y₁…,y_t…,y_T)

其中,y_t为第t个周期的预测对象实际值；

模型的训练目的是得到预测对象与当前输入数据的非线性映射关系F：

首先利用注意力机制对输入数据进行注意力分配，由于交通数据具有空间地理信息属性，这一步可理解为对交通数据进行空间维度上的权重分配，令网络学习到哪些路段对预测准确性更加重要，令：

其中，x^k为T个周期第k个元素的时间序列，[h_t-1；s_t-1]是t-1时刻LSTM层的隐含状态h_t-1和单元状态s_t-1的级联函数，均是需要学习的矩阵参数，m是隐含层的维度，是分配在t时刻第k个输入特征的注意力权重。分配注意力后的输入为：

编码器采用LSTM层，则h_t和h_t-1,之间的映射关系f₁为：

将分配了空间权重的交通数据输入到LSTM层进行编码。LSTM层包括遗忘门f_t，输入门i_t和输出门o_t，LSTM单元在t时刻具有s_t的单元状态和h_t的隐含状态。其状态更新公式如下：

h_t＝o_t⊙tanh(s_t)

其中，是t-1时刻隐含状态h_t-1和当前输入的级联函数，其中 都是需要学习的参数，σ和⊙分别代表sigmoid函数和矩阵元素乘法。

LSTM的三扇门结构，使得其能够保存长期的数据，有效克服了深度学习中常见的梯度消失的问题并能捕获时间序列数据的长期依赖特征；

通过LSTM层，将原始交通数据编码后，构建另外一层LSTM解码器对其进行解码，Encoder-Decoder模型虽然能够巧妙解决序列到序列的映射问题，但随着输入时间序列数据的增长，数据稀释导致其准确度会越来越低。

为了克服这个问题，采用另外一层attention(注意力层)对编码后的隐含状态序列H进行权重分配，使得网络学习到哪些时刻的隐含状态对模型预测结果准确性更加重要。

H＝(h₁…,h_t…,h_T)

其中，是t-1时刻LSTM层的隐含状态d_t-1和单元状态r_t-1的级联函数，是需要学习的矩阵参数，m是隐含层的维度，是t时刻第i个隐含状态的注意力权重。

分配注意力后，对隐含状态加权求和，得到包含所有时间序列信息的向量c_t：

之后将其与给定预测目标Y连接：

其中，[y_t；c_t]是上一预测目标y_t和当前向量c_t的级联函数。用于更新解码器隐藏状态：

第二层LSTM的单元状态更新过程如下：

d_t＝o′_t⊙tanh(s_t′)

其中，是前一个隐藏状态d_t-1和前一个目标函数的的级联函数，

是需要学习的参数；

模型的目的是得到输入和预测目标之间的映射函数F，用一个非线性映射建立和隐含状态d_T以及中间向量c_T之间的关系:

其中，[d_T；c_T]是编码层隐藏状态d_T和矢量c_T的级联函数，参数W_y和b_w是编码器隐藏状态形态的映射，该线性函数的权重和偏置b_v决定了最终的预测结果

进一步，所述步骤S3.3中，采用随机梯度下降方法训练模型，过程为：

将训练数据进行小批量分组，令分组的大小为S，初始学习率为α₀。训练过程中，学习率根据训练轮次epoch动态调整，令：

损失函数选择传统的均方误差(MSE)，模型的训练目标是令MSE最小：

其中，N是训练的样本量，是预测结果中第i组数据，是实际结果中第i组数据。并采用随机梯度下降(SGD)方法实现误差反向传播，对模型进行训练。相对于传统的批量梯度下降方法，随机梯度下降方法具有更快的更新速度。

所述步骤S4、构建交通态势预测系统，包括以下步骤：

S4.1构建路网预测模型集群；

S4.2对路网交通态势进行多步预测；

进一步，所述步骤S4.1中，采集至少一个月的区域交通数据，计算拥堵相关性以确定各路段的预测组团形态，之后按照步骤S3中的方法构造数据集，训练得到路网区域所有路段的交通态势预测模型集群M；

M＝{M₁…,M_i…,M_N}

其中，N为区域内可构建预测模型的路段数量，i为路段编号,M_i为第i条路段的预测模型。

进一步，所述步骤S4.2中，采集实时交通数据，按照预测模型的要求构建各路段的数据集S，并按照路段编号分组；

S＝{S₁…,S_i…,S_N}

采用Mapreduce框架对模型进行批量并行预测，得到各路段的单步预测结果Y₁。

Y_i1＝map(M_i,S_i)

Y₁＝{Y₁₁…,Y_i1…,Y_N1}

其中，map为预测函数，参数为预测模型和对应的数据集,Y_i1为第i条路段的单步预测结果；

假设各路口控制方案数据不变，将预测结果Y₁作为输入重新构建数据集并进行预测，重复m次，得到区域路段交通态势的m步预测结果集合Y；

Y_j＝{Y_1j…,Y_ij…,Y_Nj}

Y＝{Y₁…,Y_j…,Y_m}

其中，Y_j为第j步预测结果，Y_ij为第i条路段第j步预测结果；

根据速度和流量值，构建路段交通态势判断标准:

其中，V为路段平峰速度均值，F为路段周期流量最大值；

根据以上标准，将预测结果Y中的速度和流量值转换成对应的交通态势，对预测交通状态由缓行变为拥堵的路段进行识别和预警，为交管部门实施信号优化和交通诱导提供数据支持。

一种基于深度学习的路网交通态势预测系统，包括：

数据获取及处理模块，用于获取交通态势预测相关数据，对数据进行预处理、静态关联处理、时间粒度统一处理；

预测组团构建模块，用于识别与待预测路段拥堵具有一定相关性的相关路段；

交通态势预测模型，用于构建深度学习预测模型，并根据预测组团的相关数据，训练生成与待预测路段对应的交通态势预测模型；

交通态势预测模块，用于获取所有待预测路段待预测时间，获取对应的交通态势预测模型集群，进行批量并行预测。

本发明的有益效果主要表现在：

1、克服了传统交通态势预测模型可移植性差的问题。基于拥堵相关性分析的预测组团生成方法不依赖路网的拓扑结构，通过定位与预测对象具有强拥堵关联性的路段来构建预测模型。

2、克服了传统交通态势预测模型精度不足，难以多步预测的问题。构建具有双层注意力机制的深度学习预测模型，对路网交通对象的时空关联性进行学习，提高了模型的预测精度，使得交通态势多步预测结果更加准确。

3、实现交通拥堵事件的提前预警。构建路网拥堵预测模型集群，对即将发生拥堵的路段提前预警，为城市交通信号控制和车辆诱导提供数据支持。

附图说明

图1是基于深度学习的路网交通态势预测方法流程图。

图2是预测组团示意图。

图3是深度学习模型结构示意图。

图4是交通态势预测系统结构图。

图5是基于深度学习的路网交通态势预测系统示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图5，一种基于深度学习的路网交通态势预测方法，包括以下步骤：

S1、获取多源交通数据和路网静态配置信息，构建交通流参数模型；所述的获取多源交通数据，包括互联网路段速度数据(高德地图API、百度地图API)，检测器流量数据(SCATS检测器)，信号机控制方案数据；所述的路网静态配置信息，包括路网空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号、车道功能等；

S2、分析路网拥堵相关性，构建基本预测组团；

S3、构造基于双阶段注意力机制的深度学习交通态势预测模型；

S4、构建交通态势预测系统。

进一步，所述步骤S1中，构建交通流参数模型包括以下步骤：

S1.1获取多源交通数据，进行预处理；

S1.2根据路段空间地理位置信息，建立不同交通数据之间的静态关联信息表；

S1.3统一多源交通数据的时间粒度，构建多元交通流参数模型。

再进一步，所述步骤S1.1中，获取多源交通数据进行预处理的过程为：通过数据接口，实时订阅多源交通数据，并对异常数据进行过滤和修补。

更进一步，所述步骤S1.2中，构建不同交通数据之间的静态关联信息表的过程为：

基于GIS地理空间技术对互联网车辆速度数据进行线到线的位置匹配，将其与路网地理信息关联匹配；

根据地磁检测器数据的设备地理信息和路段的地理信息，基于GIS地理空间技术进行点到线的位置匹配，构建包含检测器设备编号、路段编号、路段名称、车道编号和车道功能信息的静态配置表；

进一步，所述步骤S1.3中，统一多源交通数据的时间粒度的过程为：

提取各路口信号控制方案周期开始和结束时间，构造信号控制周期时间序列C:

C＝{C₁,C₂,…,C_n}

遍历时间序列中的每个时间切片C_i，统计路口各方向进口道路段落入时间切片的速度平均值和流量和值，得到统一时间粒度的交通流参数模型：

C_i:{cycle,p_a,p_b,...,p_g,v_i1,v_i2,...,v_ij,vo_i1,vo_i2,...,vo_ij}

其中，cycle为信号机控制周期，p_a,p_b,...,p_g分别为信号机A-G相位的绿信比，v_ij和vo_ij分别为路口Ci时段j号路段的车辆平均速度和流量；

将统一时间粒度后的多源交通数据通过静态关联信息表与路网静态信息进行匹配，得到各路段由流量、速度、信号控制周期、信号控制相位时长等信息构成的多元交通流参数模型。

再进一步，所述的步骤S2中，分析路网拥堵相关性是指当前路段发生拥堵时，其周边路段交通数据变化与其本身的相似性；路段的拥堵相关性越高，说明路段之间的交通流特征相似度越高，将相关性较高的路段交通数据作为预测模型的输入，可提高预测结果的准确性，包括以下步骤：

S2.1确定预测路段和潜在拥堵相关路段；

S2.2计算预测路段及拥堵相关区域路段的拥堵相关性；

S2.3取拥堵相关性排名前Num的路段，构造预测组团。

进一步，所述步骤S2.1中，根据拥堵交通波的传导特征，与拥堵路段邻近的路口，具有较强的拥堵相关性；因此，潜在拥堵相关路段的获取方法：一个以预测路段下游路口为中心，半径为R的圆形区域，落入区域内的路段为潜在拥堵相关路段。或者，与预测路段存在上下游连接关系的NR个相关路段。

进一步，所述步骤S2.2，路段之间的拥堵相关性由皮尔逊相关系数法进行计算，过程如下：

获取车辆速度数据，截取预测路段发生拥堵前后的一段时间，构建预测对象拥堵时段列表TC：

TC＝{tc₁,...,tc_i,...,tc_total}

其中，tc_i为预测路段第i个拥堵时间片段，total为拥堵时间片段总数量；

采用皮尔逊相关系数法，遍历所有拥堵时段，分别计算预测路段与潜在拥堵相关路段在拥堵时段内的拥堵相关系数，公式如下：

其中，ρ(V_pi,V_mi)为预测路段与编号m的潜在拥堵相关路段在拥堵时段tc_i的拥堵相关系数，V_pi为预测路段在该拥堵时段内的速度数据，V_mi为编号为m的潜在拥堵相关路段相同时间段的速度数据，cov(V_pi,V_mi)为V_pi和V_mi的协方差，σ_Vpi，σ_Vmi分别为V_pi和V_mi的标准差；

考虑路段在不同性质时段发生拥堵时，其与周边路段的速度相关性有明显的差异，将拥堵时间片段相关系数计算结果按照工作日、节假日以及早晚高峰进行划分并取平均值，得到预测路段与潜在拥堵相关区域内所有路段不同时段的相关系数：

其中，T为指定时段，N为拥堵时段列表TC中被T包含的时段数量，ρ_T(V_p,V_m)为指定时段预测路段与m号潜在拥堵相关路段的平均拥堵相关系数。

进一步，所述步骤S2.3中，取拥堵相关性排名前Num的路段构造预测组团，过程为：根据拥堵相关性计算结果，对不同路段拥堵相关指数进行排名，取排名前Num的路段构造预测组团；所述的预测组团是指与当前路段拥堵相关性较高的Num条路段组成的集合，Num的值视模型训练效率和预测精度而定。

所述步骤S3中，构造基于双阶段注意力机制的深度学习交通态势预测模型，包括以下步骤：

S3.1、根据预测组团构造数据集，并按比例分割为训练集和测试集；

S3.2、构建基于Encoder-Decoder(编码器-解码器)模式的双阶段注意机制的深度学习预测模型；

S3.3、采用随机梯度下降方法训练模型

进一步，所述步骤S3.1中，根据预测组团构造数据集，并按比例分割为训练集和测试集，过程为：

获取预测路段每个周期的控制方案、流量以及速度数据，并匹配预测组团中其他路段最近一个周期的流量、速度数据，构成一行训练数据。模型的输出为预测路段下一个周期的速度及流量。

进一步，所述步骤S3.2中，构建基于Encoder-Decoder(编码器-解码器)模式的双阶段注意机制的深度学习预测模型，过程为：

构造基于Encoder-Decoder模式的双阶段注意机制的多层神经网络模型。

Encoder-Decoder模型是一种应用于序列数据到序列数据映射问题的模型，又称为编码-解码模型，该模型能够根据T个周期的交通数据时间序列，预测下一周期目标对象的速度和流量值，深度学习模型结构见附图3。每个周期的输入数据长度均为n,则第t个周期数据x_t为：

x_t＝(x_1,t…,x_k,t…,x_n,t)

T个周期的输入数据为：

X＝(x₁…,x_t…,x_T)

同时，采用梯度下降算法训练神经网络，将T个周期的预测对象实际数据作为输入，以计算预测偏差，如：

Y＝(y₁…,y_t…,y_T)

其中,y_t为第t个周期的预测对象实际值；

模型的训练目的是得到预测对象与当前输入数据的非线性映射关系F：

首先利用注意力机制对输入数据进行注意力分配，由于交通数据具有空间地理信息属性，这一步可理解为对交通数据进行空间维度上的权重分配，令网络学习到哪些路段对预测准确性更加重要，令：

其中，x^k为T个周期第k个元素的时间序列，[h_t-1；s_t-1]是t-1时刻LSTM层的隐含状态h_t-1和单元状态s_t-1的级联函数，均是需要学习的矩阵参数，m是隐含层的维度，是分配在t时刻第k个输入特征的注意力权重。分配注意力后的输入为：

编码器采用LSTM层，则h_t和h_t-1,之间的映射关系f₁为：

将分配了空间权重的交通数据输入到LSTM层进行编码。LSTM层包括遗忘门f_t，输入门i_t和输出门o_t，LSTM单元在t时刻具有s_t的单元状态和h_t的隐含状态。其状态更新公式如下：

h_t＝o_t⊙tanh(s_t)

其中，是t-1时刻隐含状态h_t-1和当前输入的级联函数，其中都是需要学习的参数，σ和⊙分别代表sigmoid函数和矩阵元素乘法。

LSTM的三扇门结构，使得其能够保存长期的数据，有效克服了深度学习中常见的梯度消失的问题并能捕获时间序列数据的长期依赖特征；

通过LSTM层，将原始交通数据编码后，构建另外一层LSTM解码器对其进行解码，Encoder-Decoder模型虽然能够巧妙解决序列到序列的映射问题，但随着输入时间序列数据的增长，数据稀释导致其准确度会越来越低。

为了克服这个问题，采用另外一层attention(注意力层)对编码后的隐含状态序列H进行权重分配，使得网络学习到哪些时刻的隐含状态对模型预测结果准确性更加重要。

H＝(h₁…,h_t…,h_T)

其中，是t-1时刻LSTM层的隐含状态d_t-1和单元状态r_t-1的级联函数，是需要学习的矩阵参数，m是隐含层的维度，是t时刻第i个隐含状态的注意力权重。

分配注意力后，对隐含状态加权求和，得到包含所有时间序列信息的向量c_t：

之后将其与给定预测目标Y连接：

其中，[y_t；c_t]是上一预测目标y_t和当前向量c_t的级联函数。用于更新解码器隐藏状态：

第二层LSTM的单元状态更新过程如下：

d_t＝o′_t⊙tanh(s′_t)

其中，是前一个隐藏状态d_t-1和前一个目标函数的的级联函数，

是需要学习的参数；

模型的目的是得到输入和预测目标之间的映射函数F，用一个非线性映射建立和隐含状态d_T以及中间向量c_T之间的关系:

其中，[d_T；c_T]是编码层隐藏状态d_T和矢量c_T的级联函数，参数W_y和b_w是编码器隐藏状态形态的映射，该线性函数的权重和偏置b_v决定了最终的预测结果

进一步，所述步骤S3.3中，采用随机梯度下降方法训练模型，过程为：

a、将训练数据进行小批量分组，令分组的大小为S，初始学习率为α₀。训练过程中，学习率根据训练轮次epoch动态调整，令：

b、损失函数选择传统的均方误差(MSE)，模型的训练目标是令MSE最小：

其中，N是训练的样本量，是预测结果中第i组数据，是实际结果中第i组数据。并采用随机梯度下降(SGD)方法实现误差反向传播，对模型进行训练。相对于传统的批量梯度下降方法，随机梯度下降方法具有更快的更新速度。

所述步骤S4、构建交通态势预测系统，包括以下步骤：

S4.1构建路网预测模型集群；

S4.2对路网交通态势进行多步预测；

进一步，所述步骤S4.1中，采集至少一个月的区域交通数据，计算拥堵相关性以确定各路段的预测组团形态，之后按照步骤S3中的方法构造数据集，训练得到路网区域所有路段的交通态势预测模型集群M；

M＝{M₁…,M_i…,M_N}

其中，N为区域内可构建预测模型的路段数量，i为路段编号,M_i为第i条路段的预测模型。

进一步，所述步骤S4.2中，采集实时交通数据，按照预测模型的要求构建各路段的数据集S，并按照路段编号分组；

S＝{S₁…,S_i…,S_N}

采用Mapreduce框架对模型进行批量并行预测，得到各路段的单步预测结果Y₁。

Y_i1＝map(M_i,S_i)

Y₁＝{Y₁₁…,Y_i1…,Y_N1}

其中，map为预测函数，参数为预测模型和对应的数据集,Y_i1为第i条路段的单步预测结果；

假设各路口控制方案数据不变，将预测结果Y₁作为输入重新构建数据集并进行预测，重复m次，得到区域路段交通态势的m步预测结果集合Y；

Y_j＝{Y_1j…,Y_ij…,Y_Nj}

Y＝{Y₁…,Y_j…,Y_m}

其中，Y_j为第j步预测结果，Y_ij为第i条路段第j步预测结果；

根据速度和流量值，构建路段交通态势判断标准:

其中，V为路段平峰速度均值，F为路段周期流量最大值；

根据以上标准，将预测结果Y中的速度和流量值转换成对应的交通态势，对预测交通状态由缓行变为拥堵的路段进行识别和预警，为交管部门实施信号优化和交通诱导提供数据支持。

参照图5，一种基于深度学习的路网交通态势预测系统，包括：

数据获取及处理模块，用于获取交通态势预测相关数据，对数据进行预处理、静态关联处理、时间粒度统一处理；

预测组团构建模块，用于识别与待预测路段拥堵具有一定相关性的相关路段；

交通态势预测模型，用于构建深度学习预测模型，并根据预测组团的相关数据，训练生成与待预测路段对应的交通态势预测模型；

交通态势预测模块，用于获取所有待预测路段待预测时间，获取对应的交通态势预测模型集群，进行批量并行预测。

其中，数据获取及处理模块包括数据获取单元、交通流参数模型，交通流参数模型包括预处理组件、静态关联组件、时间粒度组件，

数据获取单元，获取交通态势预测相关数据，包括互联网路段速度数据(高德地图API、百度地图API)，检测器流量数据(SCATS检测器)，信号机控制方案数据；所述的路网静态配置信息，包括路网空间地理位置信息、路口编号、路段等级、路段长度、路段编号、车道编号、车道功能等；

预处理组件，对数据进行预处理，包括但不限于：异常数据过滤，异常数据修补，缺失数据补偿，重复数据删除，数据格式统一，数据标准统一等；

静态关联组件，根据数据静态配置表将数据进行静态关联，包括但不限于：将速度、流量、设备等数据匹配关联到路网空间地理位置、路口、路段等信息，将速度、流量等数据与信号机控制方案数据进行匹配关联，将车道信息与路段信息进行匹配关联；

时间粒度组件，以每个信号控制周期时间切片为单元，将交通态势预测相关数据与时间切片进行匹配，得到统一时间粒度的交通流参数模型；

预测组团构建模块包括潜在拥堵相关路段识别单元、路段相关性分析单元、预测组团构造单元，

潜在拥堵相关路段识别单元，识别与待预测路段存在一定拥堵交通波传导特性的其他路段作为潜在拥堵相关路段；

路段相关性分析单元，分析量化待预测路段与潜在拥堵相关路段的拥堵相关性；

预测组团构造单元，根据待预测路段与潜在拥堵相关路段的拥堵相关性量化值的大小，选择满足要求的数个潜在拥堵相关路段，构成预测组团；

交通态势预测模型包括训练数据集构造单元、深度学习算法模型构建单元、模型训练单元，

训练数据集构造单元，根据预测组团构造数据集，并按比例分割为训练集和测试集；

深度学习算法模型构建单元，构建基于编码器和解码器模式的双阶段注意机制的深度学习预测模型；

模型训练单元，采用随机梯度下降方法训练模型；

交通态势预测模块包括预测需求获取单元、交通态势预测模型集群、批量并行预测单元，

预测需求获取单元，获取路网区域所有待预测路段待预测时段；

交通态势预测模型集群，获取与所有待预测路段待预测时段相关的历史交通数据，训练获取路网区域所有路段的交通态势预测模型集群；

批量并行预测单元，采集实时交通数据，采用Mapreduce框架对模型进行批量并行预测。

Claims (10)

1.一种基于深度学习的路网交通态势预测方法，其特征在于，所述方法包括以下步骤：

S1、获取多源交通数据和路网静态配置信息，构建交通流参数模型；

S2、分析路网拥堵相关性，构建基本预测组团；

S3、构造基于双阶段注意力机制的深度学习交通态势预测模型；

S4、构建交通态势预测系统。

2.如权利要求1所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述步骤S1中，构建交通流参数模型包括以下步骤：

S1.1获取多源交通数据，进行预处理；

S1.2根据路段空间地理位置信息，建立不同交通数据之间的静态关联信息表；

S1.3统一多源交通数据的时间粒度，构建多元交通流参数模型。

3.如权利要求2所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述步骤S1.3中，统一多源交通数据的时间粒度的过程为：

提取各路口信号控制方案周期开始和结束时间，构造信号控制周期时间序列C：

C＝{C₁，C₂，…，C_n}

遍历时间序列中的每个时间切片C_i，统计路口各方向进口道路段落入时间切片的速度平均值和流量和值，得到统一时间粒度的交通流参数模型：

C_i：{cycle，p_a，p_b，...，p_g，v_i1，v_i2，...，v_ij，v_Oi1，v_Oi2，...，v_Oij}

其中，cycle为信号机控制周期，p_a，p_b，...，p_g分别为信号机A-G相位的绿信比，v_ij和v_Oij分别为路口C_i时段i号路段的车辆平均速度和流量；

将统一时间粒度后的多源交通数据通过静态关联信息表与路网静态信息进行匹配，得到各路段由流量、速度、信号控制周期、信号控制相位时长等信息构成的多元交通流参数模型。

4.如权利要求1～3之一所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述的步骤S2包括以下步骤：

S2.1确定预测路段和潜在拥堵相关路段；

S2.2计算预测路段及拥堵相关路段的拥堵相关性；

S2.3取拥堵相关性排名前Num的路段，构造预测组团。

5.如权利要求4所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述步骤S2.1中，所述潜在拥堵相关路段获取方法：一个以预测路段下游路口为中心，半径为R的圆形区域，落入区域内的路段为潜在拥堵相关路段；

所述步骤S2.2，路段之间的拥堵相关性由皮尔逊相关系数法进行计算，过程如下：

获取预测路段车辆速度数据，截取该路段发生拥堵前后的一段时间，构建预测对象拥堵时段列表TC：

TC＝{tc₁，...，tc_i，...，tc_total}

其中，tc_i为预测路段第i个拥堵时间片段，total为拥堵时间片段总数量；

采用皮尔逊相关系数法，遍历所有拥堵时段，分别计算预测路段与潜在拥堵相关路段在拥堵时段内的拥堵相关系数，公式如下：

其中，ρ(V_pi，V_mi)为预测路段与编号m的潜在拥堵相关路段在拥堵时段tc_i的拥堵相关系数，V_pi为预测路段在该拥堵时段内的速度数据，V_mi为编号为m的潜在拥堵相关路段相同时间段的速度数据，cov(V_pi，V_mi)为V_pi和V_mi的协方差，σ_Vpi，σ_Vmi分别为V_pi和V_mi的标准差；

考虑路段在不同性质时段发生拥堵时，其与周边路段的速度相关性有明显的差异，将拥堵时间片段相关系数计算结果按照工作日、节假日以及早晚高峰进行划分并取平均值，得到预测路段与潜在拥堵相关区域内所有路段不同时段的相关系数：

其中，T为指定时段，N为拥堵时段列表TC中被T包含的时段数量，ρ_T(V_p，V_m)为指定时段预测路段与m号潜在拥堵相关路段的平均拥堵相关系数。

6.如权利要求1～3之一所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述步骤S3中，构造基于双阶段注意力机制的深度学习交通态势预测模型，包括以下步骤：

S3.1、根据预测组团构造数据集，并按比例分割为训练集和测试集；

S3.2、构建基于编码器和解码器模式的双阶段注意机制的深度学习预测模型；

S3.3、采用随机梯度下降方法训练模型。

7.如权利要求6所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述步骤S3.2过程为：

编码器和解码器模型是一种应用于序列数据到序列数据映射问题的模型，又称为编码-解码模型，该模型能够根据T个周期的交通数据时间序列，预测下一周期目标对象的速度和流量值；

每个周期的输入数据长度均为n，则第t个周期数据x_t为：

x_t＝(x_1，t...，x_k，t...，x_n，t)

T个周期的输入数据为：

X＝(x₁…，x_t…，x_T)

同时，采用梯度下降算法训练神经网络，将T个周期的预测对象实际数据作为输入，以计算预测偏差，如：

Y＝(y₁…，y_t…，y_T)

其中，y_t为第t个周期的预测对象实际值；

模型的训练目的是得到预测对象与当前输入数据的非线性映射关系F：

首先利用注意力机制对输入数据进行注意力分配令：

其中，x^k为T个周期第k个元素的时间序列，[h_t-1；s_t-1]是t-1时刻LSTM层的隐含状态h_t-1和单元状态s_t-1的级联函数，均是需要学习的矩阵参数，m是隐含层的维度，是分配在t时刻第k个输入特征的注意力权重，分配注意力后的输入为：

编码器采用LSTM层，则h_t和h_t-1，之间的映射关系f₁为：

将分配了空间权重的交通数据输入到LSTM层进行编码，LSTM层包括遗忘门f_t，输入门i_t和输出门o_t，LSTM单元在t时刻具有s_t的单元状态和h_t的隐含状态，其状态更新公式如下：

h_t＝o_t⊙tanh(s_t)

其中，是t-1时刻隐含状态h_t-1和当前输入的级联函数，其中都是需要学习的参数，σ和⊙分别代表sigmoid函数和矩阵元素乘法；

通过LSTM层，将原始交通数据编码后，构建另外一层LSTM解码器对其进行解码，采用另外一层attention注意力层对编码后的隐含状态序列H进行权重分配，使得网络学习到哪些时刻的隐含状态对模型预测结果准确性更加重要；

H＝(h₁…，h_t…，h_T)

其中，是t-1时刻LSTM层的隐含状态d_t-1和单元状态r_t-1的级联函数，是需要学习的矩阵参数，m是隐含层的维度，是t时刻第i个隐含状态的注意力权重；

分配注意力后，对隐含状态加权求和，得到包含所有时间序列信息的向量c_t：

之后将其与给定预测目标Y连接：

其中，[y_t；c_t]是上一预测目标y_t和当前向量c_t的级联函数，用于更新解码器隐藏状态：

第二层LSTM的单元状态更新过程如下：

d_t＝o′_t⊙tanh(s′_t)

其中，是前一个隐藏状态d_t-1和前一个目标函数的的级联函数，是需要学习的参数；

模型的目的是得到输入和预测目标之间的映射函数F，用一个非线性映射建立和隐含状态d_T以及中间向量c_T之间的关系：

其中，[d_T；c_T]是编码层隐藏状态d_T和矢量c_T的级联函数，参数W_y和b_w是编码器隐藏状态形态的映射，该线性函数的权重和偏置b_v决定了最终的预测结果

8.如权利要求1～3之一所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述步骤S4、构建交通态势预测系统，包括以下步骤：

S4.1构建路网预测模型集群；

S4.2对路网交通态势进行多步预测。

9.如权利要求8所述的一种基于深度学习的路网交通态势预测方法，其特征在于，所述步骤S4.1中，获取路网区域所有待预测路段待预测时段，获取与所有待预测路段待预测时段相关的历史交通数据，训练获取路网区域所有路段的交通态势预测模型集群M；

M＝{M₁…，M_i…，M_N}

其中，N为区域内可构建预测模型的路段数量，i为路段编号，M_i为第i条路段的预测模型；所述步骤S4.2中，采集实时交通数据，按照预测模型的要求构建各路段的数据集S，并按照路段编号分组；

S＝{S₁…，S_i…，S_N}

采用Mapreduce框架对模型进行批量并行预测，得到各路段的单步预测结果Y₁；

Y_i1＝map(M_i，S_i)

Y₁＝{Y₁₁…，Y_i1…，Y_N1}

其中，map为预测函数，参数为预测模型和对应的数据集，Y_i1为第i条路段的单步预测结果；

假设各路口控制方案数据不变，将预测结果Y₁作为输入重新构建数据集并进行预测，重复m次，得到区域路段交通态势的m步预测结果集合Y；

Y_j＝{Y_1j…，Y_ij…，Y_Nj}

Y＝{Y₁…，Y_j…，Y_m}

其中，Y_j为第j步预测结果，Y_ij为第i条路段第j步预测结果。

10.一种基于深度学习的路网交通态势预测系统，其特征在于，所述系统包括：

数据获取及处理模块，用于获取交通态势预测相关数据，对数据进行预处理、静态关联处理、时间粒度统一处理；

预测组团构建模块，用于识别与待预测路段拥堵具有一定相关性的相关路段；

交通态势预测模型，用于构建深度学习预测模型，并根据预测组团的相关数据，训练生成与待预测路段对应的交通态势预测模型；

交通态势预测模块，用于获取所有待预测路段待预测时间，获取对应的交通态势预测模型集群，进行批量并行预测。