CN110929962A - 一种基于深度学习的交通流量预测方法及装置 - Google Patents

一种基于深度学习的交通流量预测方法及装置 Download PDF

Info

Publication number
CN110929962A
CN110929962A CN201911289190.2A CN201911289190A CN110929962A CN 110929962 A CN110929962 A CN 110929962A CN 201911289190 A CN201911289190 A CN 201911289190A CN 110929962 A CN110929962 A CN 110929962A
Authority
CN
China
Prior art keywords
traffic flow
prediction
flow
space
traffic
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.)
Pending
Application number
CN201911289190.2A
Other languages
English (en)
Inventor
叶洁瑕
赵娟娟
须成忠
叶可江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911289190.2A priority Critical patent/CN110929962A/zh
Publication of CN110929962A publication Critical patent/CN110929962A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及时空数据挖掘或智慧交通领域，具体涉及基于深度学习的交通流量预测方法及装置。该方法及装置通过接收用户终端发送的流量预测请求；然后，响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；基于交通流量信息获取时空特征信息；将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；向用户终端输出流量预测结果，便于更全面地从时空相关角度考虑了整个路网交通流量的时空特征对目标节点的交通流量的影响，本发明基于深度学习的交通流量预测方法及装置能够提高预测公路网络的交通流量的准确度。

Description

一种基于深度学习的交通流量预测方法及装置
技术领域
本发明涉及时空数据挖掘或智慧交通领域，具体而言，涉及一种基于深度学习的交通流量预测方法及装置。
背景技术
交通领域的互联互通是实现城市群的人流、物流、信息流、资金流互联互通的基础。畅通的都市圈公路网络是都市圈的基础设施建设重中之重。交通流量预测问题对构建一个智能公路网络至关重要。为了提高公路网络的运行能力，提高人们的出行效率，减少公路交通事故，需要能提前对公路交通流量进行准确的预测，并据此对车流进行疏导。
另一方面，随着大量公路网络的建成和投入使用，公路网络中部署了各种采集交通信息的设备，如摄像头，传感器等。这些传感设备分布于交通网络的各处，全天无间断地采集车流量，车的速度，路面状况等，产生了大量带有位置信息的时间序列交通数据，为公路流量预测提供了丰富的数据源。
公路交通流量预测是时空数据预测领域中的一个代表性分支。各种形态的交通数据位于公路网络中不同的地理位置，并且随着时间的变化而变。从这些复杂的，非线性的时空数据中识别出背后隐藏的时空模式，有效地提取数据中的时空相关性，对公路网络中的交通流量预测至关重要。
目前，在交通中的时空数据预测上较为常用的方法有自回归模型，差分整合移动平均自回归模型，线性回归模型等。这类模型用于处理时间序列数据，主要用于提取数据中的线性特征，对非线性特征的学习能力非常有限。
近年来，随着机器学习的兴起，深度学习在计算机视觉，自然语言处理等多个领域取得了巨大的成功。越来越多的研究者将深度学习应用在交通网络的时空数据预测上，而传统的时间序列类模型只能处理呈现线性变化的，相对平稳的时间序列数据，而当数据中的非线性特征明显以及波动较大时，此类模型的性能表现较差。传统的机器学习方法虽然能够对更复杂的数据进行建模，但它们的预测效果很大程度上依赖于特征工程，而良好的特征工程需要丰富的先验知识和大量的实验。另一方面，它们也很难同时挖掘数据中的时空相关性。深度学习方法中，已有研究者将交通网络划分为规则的网格结构，使用卷积神经网络有效地提取其空间特征。而公路网络并非规则的网格结构，它本质上更接近非欧几里得距离的图结构，因而卷积神经网络无法应用于图结构的交通网络，导致公路网络的交通流量的预测准确率低。
发明内容
本发明实施例提供了一种基于深度学习的交通流量预测方法及装置，以至少解决现有交通流量预测方法的预测准确率不高的技术问题。
根据本发明的一实施例，提供了一种基于深度学习的交通流量预测方法，包括以下步骤：
接收用户终端发送的流量预测请求，流量预测请求至少携带有目标节点标识；
响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；
基于交通流量信息获取时空特征信息；
将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；
向用户终端输出流量预测结果。
进一步地，响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息的步骤包括：
基于设置在目标路网的各个节点的传感器采集交通流量信息。
进一步地，交通流量信息包括节点区域信息和历史流量数据，基于交通流量信息获取时空特征信息的步骤包括：
在历史流量数据中，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列；
根据节点区域信息，基于最短路径算法计算其余节点到目标节点标识对应的目标节点的最短路径长度；
根据最短路径长度划分空间矩阵；
将目标节点流量序列、其余节点流量序列以及空间矩阵作为时空特征信息。
进一步地，根据最短路径长度划分空间矩阵的步骤包括：
将所有最短路径长度按照由小到大的顺序组合成路径向量集；
按照预设的划分方式将路径向量集进行分段操作，得到分段向量集；
对每个分段向量集中的向量进行排列组合，得到分段向量对应的空间矩阵。
进一步地，该方法还包括：
构建原始卷积模型；
将多个流量训练样本使用随机梯度下降优化算法对原始卷积模型进行训练。
进一步地，构建原始卷积模型的步骤包括：
创建时间组件和空间组件，并基于全连接神经网络对时间组件和空间组件进行融合操作，得到原始卷积模型。
进一步地，将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果的步骤包括：
将目标节点流量序列输入时间组件中进行数据处理，得到时间组件预测向量；
将其余节点流量序列和空间矩阵输入空间组件中进行数据处理，得到空间组件预测向量；
将时间组件预测向量和空间组件预测向量，输入全连接神经网络中进行融合得到目标节点的目标预测值；
将目标预测值作为流量预测结果。
根据本发明的另一实施例，提供了一种基于深度学习的交通流量预测装置，包括：
请求接收模块，用于接收用户终端发送的流量预测请求，流量预测请求至少携带有目标节点标识；
信息获取模块，用于响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；
特征获取模块，用于基于交通流量信息获取时空特征信息；
特征预测模块，用于将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；
结果输出模块，用于向用户终端输出流量预测结果。
进一步地，特征获取模块包括：
序列获取单元，用于在历史流量数据中，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列；
路径计算单元，用于根据节点区域信息，基于最短路径算法计算其余节点到目标节点标识对应的目标节点的最短路径长度；
矩阵划分单元，用于根据最短路径长度划分空间矩阵；
特征输出单元，用于将目标节点流量序列、其余节点流量序列以及空间矩阵作为时空特征信息。
进一步地，矩阵划分单元包括：
向量获取子单元，用于将所有最短路径长度按照有小到大的顺序组合成路径向量集；
向量分段子单元，用于按照预设的划分方式将路径向量集进行分段操作，得到分段向量集；
向量排列子单元，用于对每个分段向量集中的向量进行排列组合，得到分段向量对应的空间矩阵。
本发明实施例中的基于深度学习的交通流量预测方法及装置，通过接收用户终端发送的流量预测请求；然后，响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；基于交通流量信息获取时空特征信息；将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；向用户终端输出流量预测结果，便于更全面地从时空相关角度考虑了整个路网交通流量的时空特征对目标节点的交通流量的影响，本发明基于深度学习的交通流量预测方法及装置能够提高预测公路网络的交通流量的准确度。
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为本发明基于深度学习的交通流量预测方法的流程图；
图2为本发明基于深度学习的交通流量预测方法的步骤S2的一优选流程图；
图3为本发明基于深度学习的交通流量预测方法的步骤S303的一优选流程图；
图4为本发明基于深度学习的交通流量预测方法的构建模型的一流程图；
图5为本发明基于深度学习的交通流量预测方法的步骤S4的一优选流程图；
图6为本发明基于深度学习的交通流量预测装置的示意图；
图7为本发明基于深度学习的交通流量预测方法的序列计算公式的一示意图附图；
图8为本发明基于深度学习的交通流量预测方法的时间组件进行数据处理的一实施例附图；
图9为本发明基于深度学习的交通流量预测方法的空间组件进行数据处理的一实施例附图；
图10为本发明基于深度学习的交通流量预测方法的全连接神经网络进行组件融合和预测的一实施例附图。
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、系统、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
根据本发明一实施例，提供了一种基于深度学习的交通流量预测方法，参见图1，包括以下步骤：
S1：接收用户终端发送的流量预测请求，流量预测请求至少携带有目标节点标识。
在本实施例中，用户终端具体可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备；流量预测请求是根据用户终端选择或输入的信息生成的；目标节点标识是用于标识目标节点，具体可以是字母、数字编号等，此处不作具体限制。
具体地，当接收到用户终端根据实际应用需求发出的流量预测请求时，则可以直接获取流量预测请求中携带的目标节点标识，便于后续根据该目标节点标识快速获取进行流量预测所需的数据。
S2：响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息。
在本实施例中，目标路网是目标节点标识所在的公路网络，本实施例将该目标路网定义为一张有向有权图，路网中收集交通流量信息的每个传感器所在区域即图上的一个节点；交通流量信息是目标路网采集到的交通流量的时序数据和交通网络的图结构。
具体地，响应步骤S1中获取到的流量预测请求，然后，根据流量预测请求中携带的目标节点标识，通过目标路网中的各个传感器获取目标路网的交通流量信息，便于后续对该交通流量信息进行数据处理，保证交通流量预测的全面性和准确性。
S3：基于交通流量信息获取时空特征信息。
具体地，由于可以将影响目标节点的交通流量的因素归纳为两类，其中，一类是来自目标节点自身过去的交通流量对该节点未来交通流量的影响，其中，这些影响被划分为邻近性影响，周期性影响和趋势性影响；另一类是来自目标路网中其余节点对目标节点的未来交通流量影响，其中，其余所有节点被划分为邻近节点，中间节点，和边缘节点；因此，为了表征这两类因素，本实施例通过定义三种时间序列以及三种空间矩阵，从步骤S2中获取的交通流量信息中提取该目标路网中的时空特征信息。
其中，三种时间序列包括邻近时间序列、周期时间序列和趋势时间序列；三种空间矩阵包括邻近矩阵、中间矩阵和边缘矩阵。
进一步地，针对第一类因素，本实施例通过目标节点被预测时间段t的前P个时间段的交通流量序列表征邻近性；用前D天同一个时间段的交通流量序列表征周期性，用前W周同一天(比如同为星期一)同一个时间段的交通流量序列表征趋势性。针对第二类因素，本发明用最短路径算法计算出其余所有节点的到目标节点的最短距离，并据此距离将其余所有节点划分入近邻地带，中间地带，边缘地带三类，并为每类地带定义相应的空间矩阵来表征这种空间结构。
S4：将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果。
具体地，由于可以将影响公路网络上目标节点的下一个时间段交通流量的因素划分为两类。一类是来自目标节点自身的历史交通流量影响，另一类是来自周围其余节点的历史交通流量影响，因此，本实施例通过构建的时空图卷积模型的时间组件处理来自目标节点自身的历史交通流量影响，通过构建时空图卷积模型的空间组件处理来自周围其余节点的历史交通流量影响，然后，将两个组件输出的数据进行融合处理，以得到流量预测结果。
S5：向用户终端输出流量预测结果。
具体地，向用户终端输出流量预测结果具体可以通过报告、及时信息或者邮件的形式向用户终端输出流量预测结果，也可以是其他形式，此处不作具体限制。
本发明实施例中的基于深度学习的交通流量预测方法，通过接收用户终端发送的流量预测请求；然后，响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；基于交通流量信息获取时空特征信息，便于更全面地从时空相关角度考虑了整个路网交通流量的时空特征对目标节点的交通流量的影响，以保证进行交通流量预测的全面性；将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；向用户终端输出流量预测结果，能够时空特征信息进行准确分析和深度处理，以保证进行交通流量预测的准确性，本发明基于深度学习的交通流量预测方法及装置能够提高预测公路网络的交通流量的准确度。
作为优选的技术方案中，响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息的步骤包括：基于设置在目标路网的各个节点的传感器采集交通流量信息。
具体地，由于本实施例将目标路网定义为有向有权图G＝(V,E,A)，路网中每个传感器所在的区域即图中的每个节点。其中，V∈R是图的节点集，代表路网中所有传感器所在的区域，共N个；E是图的边集，两个节点之间有边代表相应的传感器区域之间有公路相连；A∈RN×N是图的邻接矩阵，A中第i行第j列的元素代表从区域i到区域j的距离(单位为时间)；又因为目标路网中每个传感器都在不断地产生交通流量数据，因此，本实施例可以通过设置在目标路网的各个节点的传感器将这些交通流量数据有向化，以快速准确地获取到交通流量信息，在一定程度上保证后续进行交通预测的准确性。
作为优选的技术方案中，参见图2，交通流量信息包括节点区域信息和历史流量数据，基于交通流量信息获取时空特征信息的步骤包括：
S301：在历史流量数据中，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列。
在本实施例中，历史流量数据是节点的时间序列特征，进而由步骤S3可知三种时间序列包括邻近时间序列、周期时间序列和趋势时间序列，因此，本实施例通过将每天划分为K个时间段，F为每个节点在每个时间段能收集到的特征个数。
进一步地，根据步骤S2的优选的技术方案中可知，目标路网中每个传感器都在不断地产生交通流量数据，因此可以假设目标路网中每个节点在每个时间段都会产生M个交通流量特征，本实施例记第i个节点在时间段t中产生的第j个特征的值为
Figure BDA0002317378540000111
记第i个节点在时间段t中产生的所有特征的值为
Figure BDA0002317378540000112
记整个路网在时间段t中所产生的所有特征的值为Xt∈RN×F。
进一步地，参见图7所示，本实施例通过使用整个目标路网在时间段t前的P个时间段的M个交通流量特征预测未来某个目标节点k在时间段t的M个交通流量特征，因此，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列可通过序列计算公式(1)来计算，其中，序列计算公式(1)如下所示：
Figure BDA0002317378540000113
进一步地，获取与目标节点标识对应的目标节点流量序列具体包括如下步骤：
(1)获取邻近时间序列；
在本实施例中，可以理解的是，目标路网中某个节点的某个时间段t的交通流量会受到该节点当天在t之前的时间段的交通流量影响。例如某个路段在早上8点钟发生交通堵塞，那么可以理解为在它之后几个小时内的交通流量比起平时都会骤减。因此，本实施例将这种同一天前面时间段交通流量的影响称为邻近性影响，将时间t的前P个时间段的交通流量序列定义为邻近时间序列，即xrecent＝[x(t-P),...,x(t-1)]∈RP×F。
(2)获取周期时间序列；
具体地，由于出行模式具有一定的连续性和规律性，因而目标路网中每个节点近期每天同一时间段的交通流模式可能相似。例如连续好几天每天早上8点都出现了交通拥挤的情况。因此，本实施例将这种前面几天同一时间段内的交通流量的相似性称之为周期性影响，将前D天同一个时间段t的交通流量序列定义为周期时间序列，即xperiodic＝[x(t-D*K),...,x(t-K)]∈RD×F。
(3)获取趋势时间序列；
具体地，当城市的规划和人口的迁移时，会导致公路网络流量模式的变化。例如某公路旁边出现了越来越多的商业项目，该路段的人流和车流量越来越多，因而导致该路段的每周同一天同一个时间段的交通流量逐步增长。因此，本实施例将这种前面几周同一天的同一个时间段内交通流量的长期趋势变化称之为趋势性影响，将前W周同一天(比如同为星期一)的时间段t的交通流量序列定义为趋势时间序列，即xtrend＝[x(t-K*7*W),...,x(t-K*7)]∈RW×F。
进一步地，获取与其余节点对应的其余节点流量序列具体包括：由于目标节点在时间段t的交通流量不仅受到本节点的历史交通流量影响，而且受到其他节点的历史交通流量影响，且路段之间是连通的，因而路段之间的客流会相互影响，而且影响可能存在滞后性。例如，路段A早上9点出现大量车流，这股车流在9点流动到与A相邻的路段B，在9点半流动到与B相连的路段C。因此本实施例将其余节点的历史交通流影响称为其余节点邻近影响，定义所有节点在时刻t前的P个时刻的交通流量为邻近性时间序列为Xrecent＝[X(t-P),...,X(t-1)]∈RN×P×F。
S302：根据节点区域信息，基于最短路径算法计算其余节点到目标节点标识对应的目标节点的最短路径长度。
在本实施例中，节点区域信息是将目标路网定义为一张有向有权图，该目标路网中收集交通流量信息的每个传感器所在区域的具体信息。
具体地，因为目标路网是连通的，所以一个特定节点的交通流量不仅跟自身的历史交通流量相关，而且跟目标路网中其他节点的历史流量相关。而且由于其余节点对目标节点的影响源于它们的连接方式，所以目标路网的结构也会影响预测。可以理解的是，跟目标节点不同距离的节点的交通流量对目标节点的影响强度是不同的，但本实施例并不能简单地认为距离越近影响越强，距离越远影响越大，例如，因为距离近而选择步行方式出行，走的是人行道而不是公路；因为距离远而选择机动车出行，走的是公路；但在直观反映中，距离非常远，其车流量的相互影响较弱。因此，这种情况下，其余节点的交通流量对目标节点的交通流量影响是呈现橄榄球形的，即中间大两边小。同时本实施例假设，到目标结点距离相似的节点对当前结点的影响也是相似的。因而，本实施例根据距离将所有其余节点划分为邻近地带，中间地带，边缘地带三类，并定义相应的空间矩阵，即邻近矩阵，中间矩阵和边缘矩阵来表征这三种空间结构。
进一步地，本实施例使用最短路径算法计算所有其余节点到目标节点的最短路径，其中，最短路径长度的单位是时间。
S303：根据最短路径长度划分空间矩阵。
具体地，根据最短路径长度划分空间矩阵具体可以是根据预先设置的划分方式进行划分得到空间矩阵，也可以按照向量机的方法将最短路径长度进行划分，或者是采用其他划分方法进行划分，此处不作具体限制。
S304：将目标节点流量序列、其余节点流量序列以及空间矩阵作为时空特征信息。
具体地，将在步骤S301中获取到的目标节点流量序列、其余节点流量序列，以及在步骤S303中获取到空间矩阵，作为时空特征信息，便于后续根据该时空特征信息进行进一步地交通流量预测，在一定程度上保证交通流量预测的准确性。
本实施例，通过在历史流量数据中，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列，然后，根据节点区域信息，基于最短路径算法计算其余节点到目标节点标识对应的目标节点的最短路径长度，进而根据最短路径长度划分空间矩阵，并将目标节点流量序列、其余节点流量序列以及空间矩阵作为时空特征信息，能够保证对交通流量的时间特征和空间特征的准确获取，能够在一定程度上保证交通流量预测的准确性和全面性。
作为优选的技术方案中，参见图3，根据最短路径长度划分空间矩阵的步骤包括：
S3031：将所有最短路径长度按照由小到大的顺序组合成路径向量集。
具体地，本实施例，按照由小到大的顺序，将在步骤S302中获取到的所有最短路径的长度记为L＝{lj|j∈(1,...,n)}，即路径向量集，其中，n是节点的个数，lj是第j个节点到目标节点的最短路径长度。
S3032：按照预设的划分方式将路径向量集进行分段操作，得到分段向量集。
具体地，根据步骤S3031中的路径向量集L＝{lj|j∈(1,...,n)}，本实施例将最长的最短路径长度记为Lmax＝arg max(L)。
进一步地，按照预设的划分方式将路径向量集进行分段操作，本实施例具体是通过将Lmax平均划分为三段，分别是
Figure BDA0002317378540000151
和
Figure BDA0002317378540000152
S3033：对每个分段向量集中的向量进行排列组合，得到分段向量对应的空间矩阵。
具体地，当一个节点到目标节点O的最短路径的距离
Figure BDA0002317378540000153
那么它被称为O的邻近性节点；本实施例用一个n维向量Vo＝[1,0,1,...,1]n×1代表目标节点O的所有邻近节点。其中，第i个元素voi＝1表示节点i是节点O的邻近节点。而voi＝0表示节点不是节点O的邻近节点，由于每个节点都有一个n维向量，因此所有节点的排列成邻近地带的空间矩阵Snear∈RN×N，该空间矩阵(2)如下所示：
Figure BDA0002317378540000154
可以理解的是，若某节点的到目标节点O的最短路径长度
Figure BDA0002317378540000155
则该节点被称为目标节点O的中间节点，所有节点的中间节点的集合形成中间地带，定义中间地带的空间矩阵。若
Figure BDA0002317378540000156
则该节点被称为目标节点O的边缘节点，所有节点的边缘节点集合形成边缘地带，定义边缘地带的空间矩阵为。
本实施例，通过将所有最短路径长度按照由小到大的顺序组合成路径向量集，进而，按照预设的划分方式将路径向量集进行分段操作，得到分段向量集，对每个分段向量集中的向量进行排列组合，得到分段向量对应的空间矩阵，能够保证对交通流量的空间特征的准确获取，能够在一定程度上保证交通流量预测的准确性。
作为优选的技术方案中，参见图4，该方法还包括：
S6：构建原始卷积模型；
具体地，构建原始卷积模型具体可以是基于深度学习设计卷积模型，该原始卷积模型包括长短期记忆神经网络(LSTM)、图卷积神经网络以及全连接神经网络，还可以根据实际应用需求进行设置，此处不作具体限制。
S7：将多个流量训练样本使用随机梯度下降优化算法对原始卷积模型进行训练。
具体地，将多个流量训练样本使用随机梯度下降优化算法对原始卷积模型进行训练具体可以是通过将多个随机流量训练样本输入原始卷积模型进行预测，得到流量训练预测值，同时通过获取流量训练真实值，然后，通过计算流量训练预测值和流量训练真实值之间的差距loss，通过不断训练原始卷积模型，缩小流量训练预测值和流量训练真实值之间的差距，找到最优的模型。
在本实施例中，通过构建原始卷积模型，并将多个流量训练样本使用随机梯度下降优化算法对原始卷积模型进行训练，以获取最优模型作为时空图卷积模型，能够保证对交通流量数据的准确预测。
作为优选的技术方案中，构建原始卷积模型的步骤包括：创建时间组件和空间组件，并基于全连接神经网络对时间组件和空间组件进行融合操作，得到原始卷积模型。
具体地，由于可以将影响目标路网上目标节点的下一个时间段交通流量的因素划分为两类。一类是来自目标节点自身的历史交通流量影响，另一类是来自周围节点的历史交通流量影响，因此，本实施例通过构建时间组件处理来自目标节点自身的历史交通流量影响；构建空间组件处理来自周围节点的历史交通流量影响；进一步地，利用全连接神经网络对时间组件和空间组件进行融合操作，得到原始卷积模型，能够保证对时空特征信息地精确处理，以提高进行交通流量预测的准确性。
作为优选的技术方案中，参见图5，将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果的步骤包括：
S401：将目标节点流量序列输入时间组件中进行数据处理，得到时间组件预测向量。
具体地，参见图8，本实施例的时间组件由三个并列的长短期记忆神经网络(LSTM)构成，分别负责提取目标节点的历史交通流量中的邻近性影响，周期性影响，趋势性影响。
进一步地，如图8所示，根据步骤S301可知，
Figure BDA0002317378540000171
是目标节点的邻近时间序列，
Figure BDA0002317378540000172
是目标节点的周期时间序列，
Figure BDA0002317378540000173
是目标节点的趋势时间序列,它们都是P行F列的矩阵。将它们分别输入三个长短记忆神经网络后，分别得到三个1行F列的矩阵，即
Figure BDA0002317378540000174
以及
Figure BDA0002317378540000175
这三个矩阵再经过一个全连接神经网络，得到时间组件的输出
Figure BDA0002317378540000176
它是一个F维的向量。
其中，长短期记忆网络是一种时间递归神经网络，适合处理和预测时间序列中间隔和延迟相对较长的重要事件。
S402：将其余节点流量序列和空间矩阵输入空间组件中进行数据处理，得到空间组件预测向量。
具体地，参见图9，在本实施例的空间组件由三个并列的时空块组成，每个时空块分别负责提取邻近地带，中间地带和边缘地带的历史交通流量对目标节点的当前交通流量的影响。每个时空块均由一个图卷积神经网络和长短记忆神经网络组合而成，其中图卷积神经网络负责提取目标节点的周围节点的空间特征，而长短记忆神经网络负责提取周围节点的历史交通流中的时间特征。
进一步地，如图9所示，根据步骤S301至步骤S303可知，
Figure BDA0002317378540000181
是全网络的邻近时间序列，是一个三维时空矩阵，维度是(N，P，F)；
Figure BDA0002317378540000182
是表征邻近地带的空间矩阵，是一个二维的空间矩阵，维度是(N，N)；它们一起作为图卷积神经网络的输入，输出
Figure BDA0002317378540000183
一个二维的时间矩阵，维度是(P，F)，聚合了邻近地带相同时刻的交通流特征。本实施例将
Figure BDA0002317378540000184
输入长短期记忆网络，聚合过去P个时刻的交通流量，得到
Figure BDA0002317378540000185
一个二维的矩阵，维度是(1，F)。
需要说明的是，上述是邻近地带的时空块数据处理过程，同理，中间地带的时空块的输入是
Figure BDA0002317378540000186
和
Figure BDA0002317378540000187
输出是
Figure BDA0002317378540000188
边缘地带时空块的输入是
Figure BDA0002317378540000189
和
Figure BDA00023173785400001810
输出是
Figure BDA00023173785400001811
三个时空块的输出经过一个全连接神经网络，最终输出
Figure BDA00023173785400001812
一个F维的向量。
其中，图卷积神经网络能在拓扑图(如社交网络，地铁网络)上有效地提取空间特征来进行深度学习。
S403：将时间组件预测向量和空间组件预测向量，输入全连接神经网络中进行融合得到目标节点的目标预测值。
具体地，参见图10，根据步骤S401中时间组件的输出是
Figure BDA0002317378540000191
以及步骤S402中空间组件的输出是
Figure BDA0002317378540000192
本实施例用一个全连接神经网络融合两个组件的输出，得到目标节点的目标预测值，然后，可以获取目标
Figure BDA0002317378540000193
真实值为xt，然后可以计算目标预测值和目标真实值之间的差距loss，以完善模型。
S404：将目标预测值作为流量预测结果。
具体地，将在步骤S403中获取到的目标预测值作为流量预测结果，并与目标节点标识对应保存在数据库中，以便于后续将该流量预测结果快速准确地输出至用户终端。
在本实施例中，通过将目标节点流量序列输入时间组件中进行数据处理，得到时间组件预测向量，以及将其余节点流量序列和空间矩阵输入空间组件中进行数据处理，得到空间组件预测向量，然后，将时间组件预测向量和空间组件预测向量，输入全连接神经网络中进行融合得到目标节点的目标预测值，并将目标预测值作为流量预测结果，能够准确分析时空特征信息，深度挖掘目标路网的时空模式，进而更准确地预测的交通流量。
实施例2
根据本发明的另一实施例，提供了一种基于深度学习的交通流量预测装置，参见图6，包括：
请求接收模块601，用于接收用户终端发送的流量预测请求，流量预测请求至少携带有目标节点标识；
在本实施例中，用户终端具体可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备；流量预测请求是根据用户终端选择或输入的信息生成的；目标节点标识是用于标识目标节点，具体可以是字母、数字编号等，此处不作具体限制。
具体地，当接收到用户终端根据实际应用需求发出的流量预测请求时，则可以直接获取流量预测请求中携带的目标节点标识，便于后续根据该目标节点标识快速获取进行流量预测所需的数据。
信息获取模块602，用于响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；
在本实施例中，目标路网是目标节点标识所在的公路网络，本实施例将该目标路网定义为一张有向有权图，路网中收集交通流量信息的每个传感器所在区域即图上的一个节点；交通流量信息是目标路网采集到的交通流量的时序数据和交通网络的图结构。
具体地，响应步骤S1中获取到的流量预测请求，然后，根据流量预测请求中携带的目标节点标识，通过目标路网中的各个传感器获取目标路网的交通流量信息，便于后续对该交通流量信息进行数据处理，保证交通流量预测的全面性和准确性。
特征获取模块603，用于基于交通流量信息获取时空特征信息；
具体地，由于可以将影响目标节点的交通流量的因素归纳为两类，其中，一类是来自目标节点自身过去的交通流量对该节点未来交通流量的影响，其中，这些影响被划分为邻近性影响，周期性影响和趋势性影响；另一类是来自目标路网中其余节点对目标节点的未来交通流量影响，其中，其余所有节点被划分为邻近节点，中间节点，和边缘节点；因此，为了表征这两类因素，本实施例通过定义三种时间序列以及三种空间矩阵，从步骤S2中获取的交通流量信息中提取该目标路网中的时空特征信息。
其中，三种时间序列包括邻近时间序列、周期时间序列和趋势时间序列；三种空间矩阵包括邻近矩阵、中间矩阵和边缘矩阵。
进一步地，针对第一类因素，本实施例通过目标节点被预测时间段t的前P个时间段的交通流量序列表征邻近性；用前D天同一个时间段的交通流量序列表征周期性，用前W周同一天(比如同为星期一)同一个时间段的交通流量序列表征趋势性。针对第二类因素，本发明用最短路径算法计算出其余所有节点的到目标节点的最短距离，并据此距离将其余所有节点划分入近邻地带，中间地带，边缘地带三类，并为每类地带定义相应的空间矩阵来表征这种空间结构。
特征预测模块604，用于将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；
具体地，由于可以将影响公路网络上目标节点的下一个时间段交通流量的因素划分为两类。一类是来自目标节点自身的历史交通流量影响，另一类是来自周围其余节点的历史交通流量影响，因此，本实施例通过构建的时空图卷积模型的时间组件处理来自目标节点自身的历史交通流量影响，通过构建时空图卷积模型的空间组件处理来自周围其余节点的历史交通流量影响，然后，将两个组件输出的数据进行融合处理，以得到流量预测结果。
结果输出模块605，用于向用户终端输出流量预测结果。
具体地，向用户终端输出流量预测结果具体可以通过报告、及时信息或者邮件的形式向用户终端输出流量预测结果，也可以是其他形式，此处不作具体限制。
本发明实施例中的基于深度学习的交通流量预测方法，通过接收用户终端发送的流量预测请求；然后，响应流量预测请求，并获取与目标节点标识相对应的目标路网的交通流量信息；基于交通流量信息获取时空特征信息，便于更全面地从时空相关角度考虑了整个路网交通流量的时空特征对目标节点的交通流量的影响，以保证进行交通流量预测的全面性；将时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；向用户终端输出流量预测结果，能够时空特征信息进行准确分析和深度处理，以保证进行交通流量预测的准确性，本发明基于深度学习的交通流量预测方法及装置能够提高预测公路网络的交通流量的准确度。
作为优选的技术方案中，信息获取模块602包括：基于设置在目标路网的各个节点的传感器采集交通流量信息。
具体地，由于本实施例将目标路网定义为有向有权图G＝(V,E,A)，路网中每个传感器所在的区域即图中的每个节点。其中，V∈R是图的节点集，代表路网中所有传感器所在的区域，共N个；E是图的边集，两个节点之间有边代表相应的传感器区域之间有公路相连；A∈RN×N是图的邻接矩阵，A中第i行第j列的元素代表从区域i到区域j的距离(单位为时间)；又因为目标路网中每个传感器都在不断地产生交通流量数据，因此，本实施例可以通过设置在目标路网的各个节点的传感器将这些交通流量数据有向化，以快速准确地获取到交通流量信息，在一定程度上保证后续进行交通预测的准确性。
作为优选的技术方案中，特征获取模块603包括：
序列获取单元6031，用于在历史流量数据中，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列；
在本实施例中，历史流量数据是节点的时间序列特征，进而由步骤S3可知三种时间序列包括邻近时间序列、周期时间序列和趋势时间序列，因此，本实施例通过将每天划分为K个时间段，F为每个节点在每个时间段能收集到的特征个数。
进一步地，根据信息获取模块602的优选的技术方案中可知，目标路网中每个传感器都在不断地产生交通流量数据，因此可以假设目标路网中每个节点在每个时间段都会产生M个交通流量特征，本实施例记第i个节点在时间段t中产生的第j个特征的值为
Figure BDA0002317378540000231
记第i个节点在时间段t中产生的所有特征的值为
Figure BDA0002317378540000232
记整个路网在时间段t中所产生的所有特征的值为Xt∈RN×F。
进一步地，参见图7所示，本实施例通过使用整个目标路网在时间段t前的P个时间段的M个交通流量特征预测未来某个目标节点k在时间段t的M个交通流量特征，因此，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列可通过序列计算公式(1)来计算，其中，序列计算公式(1)如下所示：
Figure BDA0002317378540000233
进一步地，获取与目标节点标识对应的目标节点流量序列具体包括如下步骤：
(1)获取邻近时间序列；
在本实施例中，可以理解的是，目标路网中某个节点的某个时间段t的交通流量会受到该节点当天在t之前的时间段的交通流量影响。例如某个路段在早上8点钟发生交通堵塞，那么可以理解为在它之后几个小时内的交通流量比起平时都会骤减。因此，本实施例将这种同一天前面时间段交通流量的影响称为邻近性影响，将时间t的前P个时间段的交通流量序列定义为邻近时间序列，即xrecent＝[x(t-P),...,x(t-1)]∈RP×F。
(2)获取周期时间序列；
具体地，由于出行模式具有一定的连续性和规律性，因而目标路网中每个节点近期每天同一时间段的交通流模式可能相似。例如连续好几天每天早上8点都出现了交通拥挤的情况。因此，本实施例将这种前面几天同一时间段内的交通流量的相似性称之为周期性影响，将前D天同一个时间段t的交通流量序列定义为周期时间序列，即xperiodic＝[x(t-D*K),...,x(t-K)]∈RD×F。
(3)获取趋势时间序列；
具体地，当城市的规划和人口的迁移时，会导致公路网络流量模式的变化。例如某公路旁边出现了越来越多的商业项目，该路段的人流和车流量越来越多，因而导致该路段的每周同一天同一个时间段的交通流量逐步增长。因此，本实施例将这种前面几周同一天的同一个时间段内交通流量的长期趋势变化称之为趋势性影响，将前W周同一天(比如同为星期一)的时间段t的交通流量序列定义为趋势时间序列，即xtrend＝[x(t-K*7*W),...,x(t-K*7)]∈RW×F。
进一步地，获取与其余节点对应的其余节点流量序列具体包括：由于目标节点在时间段t的交通流量不仅受到本节点的历史交通流量影响，而且受到其他节点的历史交通流量影响，且路段之间是连通的，因而路段之间的客流会相互影响，而且影响可能存在滞后性。例如，路段A早上9点出现大量车流，这股车流在9点流动到与A相邻的路段B，在9点半流动到与B相连的路段C。因此本实施例将其余节点的历史交通流影响称为其余节点邻近影响，定义所有节点在时刻t前的P个时刻的交通流量为邻近性时间序列为Xrecent＝[X(t-P),...,X(t-1)]∈RN×P×F。
路径计算单元6032，用于根据节点区域信息，基于最短路径算法计算其余节点到目标节点标识对应的目标节点的最短路径长度；
在本实施例中，节点区域信息是将目标路网定义为一张有向有权图，该目标路网中收集交通流量信息的每个传感器所在区域的具体信息。
具体地，因为目标路网是连通的，所以一个特定节点的交通流量不仅跟自身的历史交通流量相关，而且跟目标路网中其他节点的历史流量相关。而且由于其余节点对目标节点的影响源于它们的连接方式，所以目标路网的结构也会影响预测。可以理解的是，跟目标节点不同距离的节点的交通流量对目标节点的影响强度是不同的，但本实施例并不能简单地认为距离越近影响越强，距离越远影响越大，例如，因为距离近而选择步行方式出行，走的是人行道而不是公路；因为距离远而选择机动车出行，走的是公路；但在直观反映中，距离非常远，其车流量的相互影响较弱。因此，这种情况下，其余节点的交通流量对目标节点的交通流量影响是呈现橄榄球形的，即中间大两边小。同时本实施例假设，到目标结点距离相似的节点对当前结点的影响也是相似的。因而，本实施例根据距离将所有其余节点划分为邻近地带，中间地带，边缘地带三类，并定义相应的空间矩阵，即邻近矩阵，中间矩阵和边缘矩阵来表征这三种空间结构。
进一步地，本实施例使用最短路径算法计算所有其余节点到目标节点的最短路径，其中，最短路径长度的单位是时间。
矩阵划分单元6033，用于根据最短路径长度划分空间矩阵；
具体地，根据最短路径长度划分空间矩阵具体可以是根据预先设置的划分方式进行划分得到空间矩阵，也可以按照向量机的方法将最短路径长度进行划分，或者是采用其他划分方法进行划分，此处不作具体限制。
特征输出单元6034，用于将目标节点流量序列、其余节点流量序列以及空间矩阵作为时空特征信息。
具体地，将在序列获取单元6031中获取到的目标节点流量序列、其余节点流量序列，以及在矩阵划分单元6033中获取到空间矩阵，作为时空特征信息，便于后续根据该时空特征信息进行进一步地交通流量预测，在一定程度上保证交通流量预测的准确性。
本实施例，通过在历史流量数据中，获取与目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列，然后，根据节点区域信息，基于最短路径算法计算其余节点到目标节点标识对应的目标节点的最短路径长度，进而根据最短路径长度划分空间矩阵，并将目标节点流量序列、其余节点流量序列以及空间矩阵作为时空特征信息，能够保证对交通流量的时间特征和空间特征的准确获取，能够在一定程度上保证交通流量预测的准确性和全面性。
作为优选的技术方案中，矩阵划分单元6033包括：
向量获取子单元60331，用于将所有最短路径长度按照由小到大的顺序组合成路径向量集；
具体地，本实施例，按照由小到大的顺序，将在步骤S302中获取到的所有最短路径的长度记为L＝{lj|j∈(1,...,n)}，即路径向量集，其中，n是节点的个数，lj是第j个节点到目标节点的最短路径长度。
向量分段子单元60332，用于按照预设的划分方式将路径向量集进行分段操作，得到分段向量集；
具体地，根据向量获取子单元60331中的路径向量集L＝{lj|j∈(1,...,n)}，本实施例将最长的最短路径长度记为Lmax＝argmax(L)。
进一步地，按照预设的划分方式将路径向量集进行分段操作，本实施例具体是通过将Lmax平均划分为三段，分别是
Figure BDA0002317378540000271
和
Figure BDA0002317378540000272
向量排列子单元60333，用于对每个分段向量集中的向量进行排列组合，得到分段向量对应的空间矩阵。
具体地，当一个节点到目标节点O的最短路径的距离
Figure BDA0002317378540000273
那么它被称为O的邻近性节点；本实施例用一个n维向量Vo＝[1,0,1,...,1]n×1代表目标节点O的所有邻近节点。其中，第i个元素voi＝1表示节点i是节点O的邻近节点。而voi＝0表示节点不是节点O的邻近节点，由于每个节点都有一个n维向量，因此所有节点的排列成邻近地带的空间矩阵Snear∈RN×N，该空间矩阵(2)如下所示：
Figure BDA0002317378540000281
可以理解的是，若某节点的到目标节点O的最短路径长度
Figure BDA0002317378540000282
则该节点被称为目标节点O的中间节点，所有节点的中间节点的集合形成中间地带，定义中间地带的空间矩阵。若
Figure BDA0002317378540000283
则该节点被称为目标节点O的边缘节点，所有节点的边缘节点集合形成边缘地带，定义边缘地带的空间矩阵为。
本实施例，通过将所有最短路径长度按照由小到大的顺序组合成路径向量集，进而，按照预设的划分方式将路径向量集进行分段操作，得到分段向量集，对每个分段向量集中的向量进行排列组合，得到分段向量对应的空间矩阵，能够保证对交通流量的空间特征的准确获取，能够在一定程度上保证交通流量预测的准确性。
作为优选的技术方案中，该装置还包括：
模型构建模块606，用于构建原始卷积模型；
具体地，构建原始卷积模型具体可以是基于深度学习设计卷积模型，该原始卷积模型包括长短期记忆神经网络(LSTM)、图卷积神经网络以及全连接神经网络，还可以根据实际应用需求进行设置，此处不作具体限制。
模型训练模块607，用于将多个流量训练样本使用随机梯度下降优化算法对原始卷积模型进行训练。
具体地，将多个流量训练样本使用随机梯度下降优化算法对原始卷积模型进行训练具体可以是通过将多个随机流量训练样本输入原始卷积模型进行预测，得到流量训练预测值，同时通过获取流量训练真实值，然后，通过计算流量训练预测值和流量训练真实值之间的差距loss，通过不断训练原始卷积模型，缩小流量训练预测值和流量训练真实值之间的差距，找到最优的模型。
在本实施例中，通过构建原始卷积模型，并将多个流量训练样本使用随机梯度下降优化算法对原始卷积模型进行训练，以获取最优模型作为时空图卷积模型，能够保证对交通流量数据的准确预测。
作为优选的技术方案中，模型构建模块606包括：模型创建单元，用于创建时间组件和空间组件，并基于全连接神经网络对时间组件和空间组件进行融合操作，得到原始卷积模型。
具体地，由于可以将影响目标路网上目标节点的下一个时间段交通流量的因素划分为两类。一类是来自目标节点自身的历史交通流量影响，另一类是来自周围节点的历史交通流量影响，因此，本实施例通过构建时间组件处理来自目标节点自身的历史交通流量影响；构建空间组件处理来自周围节点的历史交通流量影响；进一步地，利用全连接神经网络对时间组件和空间组件进行融合操作，得到原始卷积模型，能够保证对时空特征信息地精确处理，以提高进行交通流量预测的准确性。
作为优选的技术方案中，特征预测模块604包括：
时间处理单元6041，用于将目标节点流量序列输入时间组件中进行数据处理，得到时间组件预测向量；
具体地，参见图8，本实施例的时间组件由三个并列的长短期记忆神经网络(LSTM)构成，分别负责提取目标节点的历史交通流量中的邻近性影响，周期性影响，趋势性影响。
进一步地，如图8所示，根据序列获取单元6031可知，
Figure BDA0002317378540000301
是目标节点的邻近时间序列，
Figure BDA0002317378540000302
是目标节点的周期时间序列，
Figure BDA0002317378540000303
是目标节点的趋势时间序列,它们都是P行F列的矩阵。将它们分别输入三个长短记忆神经网络后，分别得到三个1行F列的矩阵，即
Figure BDA0002317378540000304
以及
Figure BDA0002317378540000305
这三个矩阵再经过一个全连接神经网络，得到时间组件的输出
Figure BDA0002317378540000306
它是一个F维的向量。
其中，长短期记忆网络是一种时间递归神经网络，适合处理和预测时间序列中间隔和延迟相对较长的重要事件。
空间处理单元6042，用于将其余节点流量序列和空间矩阵输入空间组件中进行数据处理，得到空间组件预测向量；
具体地，参见图9，在本实施例的空间组件由三个并列的时空块组成，每个时空块分别负责提取邻近地带，中间地带和边缘地带的历史交通流量对目标节点的当前交通流量的影响。每个时空块均由一个图卷积神经网络和长短记忆神经网络组合而成，其中图卷积神经网络负责提取目标节点的周围节点的空间特征，而长短记忆神经网络负责提取周围节点的历史交通流中的时间特征。
进一步地，如图9所示，根据序列获取单元6031至矩阵划分单元6033可知，
Figure BDA0002317378540000307
是全网络的邻近时间序列，是一个三维时空矩阵，维度是(N，P，F)；
Figure BDA0002317378540000308
是表征邻近地带的空间矩阵，是一个二维的空间矩阵，维度是(N，N)；它们一起作为图卷积神经网络的输入，输出
Figure BDA0002317378540000309
一个二维的时间矩阵，维度是(P，F)，聚合了邻近地带相同时刻的交通流特征。本实施例将
Figure BDA0002317378540000311
输入长短期记忆网络，聚合过去P个时刻的交通流量，得到
Figure BDA0002317378540000312
一个二维的矩阵，维度是(1，F)。
需要说明的是，上述是邻近地带的时空块数据处理过程，同理，中间地带的时空块的输入是
Figure BDA0002317378540000313
和
Figure BDA0002317378540000314
输出是
Figure BDA0002317378540000315
边缘地带时空块的输入是
Figure BDA0002317378540000316
和
Figure BDA0002317378540000317
输出是
Figure BDA0002317378540000318
三个时空块的输出经过一个全连接神经网络，最终输出
Figure BDA0002317378540000319
一个F维的向量。
其中，图卷积神经网络能在拓扑图(如社交网络，地铁网络)上有效地提取空间特征来进行深度学习。
向量融合单元6043，用于将时间组件预测向量和空间组件预测向量，输入全连接神经网络中进行融合得到目标节点的目标预测值；
具体地，参见图10，根据时间处理单元6041中时间组件的输出是
Figure BDA00023173785400003110
以及空间处理单元6042中空间组件的输出是
Figure BDA00023173785400003111
本实施例用一个全连接神经网络融合两个组件的输出，得到目标节点的目标预测值，然后，可以获取目标
Figure BDA00023173785400003112
真实值为xt，然后可以计算目标预测值和目标真实值之间的差距loss，以完善模型。
预测获取单元6044，用于将目标预测值作为流量预测结果。
具体地，将在向量融合单元6043中获取到的目标预测值作为流量预测结果，并与目标节点标识对应保存在数据库中，以便于后续将该流量预测结果快速准确地输出至用户终端。
在本实施例中，通过将目标节点流量序列输入时间组件中进行数据处理，得到时间组件预测向量，以及将其余节点流量序列和空间矩阵输入空间组件中进行数据处理，得到空间组件预测向量，然后，将时间组件预测向量和空间组件预测向量，输入全连接神经网络中进行融合得到目标节点的目标预测值，并将目标预测值作为流量预测结果，能够准确分析时空特征信息，深度挖掘目标路网的时空模式，进而更准确地预测的交通流量。
与现有的交通流量预测方法相比，本发明基于深度学习的交通流量预测方法及装置的优点在于：
1.精确提取交通流量信息中的时空特征信息，能够对交通流量预测的全面性和准确性；
2.时空图卷积模型能够快速有效地提取时空特征信息来进行深度学习；
3.整体通过结合交通流量的时序数据和交通网络的图结构，分析交通数据中的时空相关性，同时提取时空特征信息，利用时空图卷积模型挖掘网络中的时空模式，从而更准确地预测交通流量。
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，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以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系统，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。
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。
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 (10)

1.一种基于深度学习的交通流量预测方法，其特征在于，包括以下步骤：
接收用户终端发送的流量预测请求，所述流量预测请求至少携带有目标节点标识；
响应所述流量预测请求，并获取与所述目标节点标识相对应的目标路网的交通流量信息；
基于所述交通流量信息获取时空特征信息；
将所述时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；
向所述用户终端输出所述流量预测结果。
2.根据权利要求1所述的基于深度学习的交通流量预测方法，其特征在于，所述响应所述流量预测请求，并获取与所述目标节点标识相对应的目标路网的交通流量信息的步骤包括：
基于设置在所述目标路网的各个节点的传感器采集所述交通流量信息。
3.根据权利要求1所述的基于深度学习的交通流量预测方法，其特征在于，所述交通流量信息包括节点区域信息和历史流量数据，所述基于所述交通流量信息获取时空特征信息的步骤包括：
在所述历史流量数据中，获取与所述目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列；
根据所述节点区域信息，基于最短路径算法计算所述其余节点到所述所述目标节点标识对应的目标节点的最短路径长度；
根据所述最短路径长度划分空间矩阵；
将所述目标节点流量序列、所述其余节点流量序列以及所述空间矩阵作为所述时空特征信息。
4.根据权利要求3所述的基于深度学习的交通流量预测方法，其特征在于，所述根据所述最短路径长度划分空间矩阵的步骤包括：
将所有所述最短路径长度按照由小到大的顺序组合成路径向量集；
按照预设的划分方式将所述路径向量集进行分段操作，得到分段向量集；
对每个所述分段向量集中的向量进行排列组合，得到所述分段向量对应的所述空间矩阵。
5.根据权利要求3所述的基于深度学习的交通流量预测方法，其特征在于，在所述将所述时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果的步骤之前，所述基于深度学习的交通流量预测方法还包括：
构建所述原始卷积模型；
将多个流量训练样本使用随机梯度下降优化算法对所述原始卷积模型进行训练。
6.根据权利要求5所述的基于深度学习的交通流量预测方法，其特征在于，所述构建所述原始卷积模型的步骤包括：
创建时间组件和空间组件，并基于全连接神经网络对所述时间组件和空间组件进行融合操作，得到所述原始卷积模型。
7.根据权利要求6所述的基于深度学习的交通流量预测方法，其特征在于，所述将所述时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果的步骤包括：
将所述目标节点流量序列输入所述时间组件中进行数据处理，得到时间组件预测向量；
将所述其余节点流量序列和所述空间矩阵输入所述空间组件中进行数据处理，得到空间组件预测向量；
将所述时间组件预测向量和所述空间组件预测向量，输入所述全连接神经网络中进行融合得到所述目标节点的目标预测值；
将所述目标预测值作为所述流量预测结果。
8.一种基于深度学习的交通流量预测装置，其特征在于，包括：
请求接收模块，用于接收用户终端发送的流量预测请求，所述流量预测请求至少携带有目标节点标识；
信息获取模块，用于响应所述流量预测请求，并获取与所述目标节点标识相对应的目标路网的交通流量信息；
特征获取模块，用于基于所述交通流量信息获取时空特征信息；
特征预测模块，用于将所述时空特征信息输入至时空图卷积模型进行模型预测操作，获取流量预测结果；
结果输出模块，用于向所述用户终端输出所述流量预测结果。
9.根据权利要求8所述的基于深度学习的交通流量预测装置，其特征在于，所述特征获取模块包括：
序列获取单元，用于在所述历史流量数据中，获取与所述目标节点标识对应的目标节点流量序列以及与其余节点对应的其余节点流量序列；
路径计算单元，用于根据所述节点区域信息，基于最短路径算法计算所述其余节点到所述所述目标节点标识对应的目标节点的最短路径长度；
矩阵划分单元，用于根据所述最短路径长度划分空间矩阵；
特征输出单元，用于将所述目标节点流量序列、所述其余节点流量序列以及所述空间矩阵作为所述时空特征信息。
10.根据权利要求9所述的基于深度学习的交通流量预测装置，其特征在于，所述矩阵划分单元包括：
向量获取子单元，用于将所有所述最短路径长度按照有小到大的顺序组合成路径向量集；
向量分段子单元，用于按照预设的划分方式将所述路径向量集进行分段操作，得到分段向量集；
向量排列子单元，用于对每个所述分段向量集中的向量进行排列组合，得到所述分段向量对应的所述空间矩阵。
CN201911289190.2A 2019-12-13 2019-12-13 一种基于深度学习的交通流量预测方法及装置 Pending CN110929962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911289190.2A CN110929962A (zh) 2019-12-13 2019-12-13 一种基于深度学习的交通流量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911289190.2A CN110929962A (zh) 2019-12-13 2019-12-13 一种基于深度学习的交通流量预测方法及装置

Publications (1)

Publication Number Publication Date
CN110929962A true CN110929962A (zh) 2020-03-27

Family

ID=69863651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911289190.2A Pending CN110929962A (zh) 2019-12-13 2019-12-13 一种基于深度学习的交通流量预测方法及装置

Country Status (1)

Country Link
CN (1) CN110929962A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462489A (zh) * 2020-04-01 2020-07-28 腾讯云计算（北京）有限责任公司 交通拥堵区域预测方法及装置
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN111754019A (zh) * 2020-05-08 2020-10-09 中山大学 一种基于时空图信息最大化模型的路段特征表示学习算法
CN111753037A (zh) * 2020-06-24 2020-10-09 北京百度网讯科技有限公司 信息表征方法、装置、电子设备及存储介质
CN111862590A (zh) * 2020-05-13 2020-10-30 北京嘀嘀无限科技发展有限公司 路况预测方法、装置及存储介质
CN111862592A (zh) * 2020-05-27 2020-10-30 浙江工业大学 一种基于rgcn的交通流预测方法
CN112069376A (zh) * 2020-08-27 2020-12-11 武汉理工大学 交通信息可视化的数据处理方法、系统和存储介质
CN112215408A (zh) * 2020-09-24 2021-01-12 交控科技股份有限公司 轨道交通客流量预测方法及装置
CN112216108A (zh) * 2020-10-12 2021-01-12 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法
CN112396236A (zh) * 2020-11-24 2021-02-23 复旦大学 一种交通流量预测方法、系统、服务器和存储介质
CN112489420A (zh) * 2020-11-17 2021-03-12 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、系统、终端以及存储介质
CN112564966A (zh) * 2020-12-02 2021-03-26 北京航空航天大学 基于网络细胞的业务时序耦合拥塞分析方法
CN112633579A (zh) * 2020-12-24 2021-04-09 中国科学技术大学 一种基于域对抗的交通流迁移预测方法
CN112910710A (zh) * 2021-02-08 2021-06-04 清华大学 网络流量时空预测方法、装置、计算机设备和存储介质
CN113053115A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于多尺度图卷积网络模型的交通预测方法
CN113420906A (zh) * 2021-05-25 2021-09-21 北京沃东天骏信息技术有限公司 流量预测方法、装置及存储介质
CN113761020A (zh) * 2021-07-30 2021-12-07 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
CN114004152A (zh) * 2021-10-29 2022-02-01 河海大学 基于图卷积和循环神经网络的多风场风速时空预测方法
CN114360254A (zh) * 2022-03-17 2022-04-15 湖南工商大学 一种基于时空的交通流量预测方法及相关设备
CN114613124A (zh) * 2020-12-03 2022-06-10 中国科学院深圳先进技术研究院 交通信息处理方法、装置、终端及计算机可读存储介质
EP4016412A1 (en) * 2020-12-18 2022-06-22 Imec VZW Traffic prediction
CN117649769A (zh) * 2024-01-29 2024-03-05 南京邮电大学 一种基于时空关联特征矩阵的未来交通流量智能预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN108734958A (zh) * 2018-04-25 2018-11-02 江苏大学 一种交通速度预测方法
CN109754126A (zh) * 2019-01-30 2019-05-14 银江股份有限公司 基于时空相关性和卷积神经网络的短时交通流预测方法
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN108734958A (zh) * 2018-04-25 2018-11-02 江苏大学 一种交通速度预测方法
CN109754126A (zh) * 2019-01-30 2019-05-14 银江股份有限公司 基于时空相关性和卷积神经网络的短时交通流预测方法
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯宁 等: "面向交通流量预测的多组件时空图卷积网络", 《软件学报》 *
赵雪专: "《图像显著性检测算法研究》", 30 September 2018, 吉林大学出版社 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111462489A (zh) * 2020-04-01 2020-07-28 腾讯云计算（北京）有限责任公司 交通拥堵区域预测方法及装置
CN111462489B (zh) * 2020-04-01 2021-10-26 腾讯云计算（北京）有限责任公司 交通拥堵区域预测方法及装置
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN111639787B (zh) * 2020-04-28 2024-03-15 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN111754019A (zh) * 2020-05-08 2020-10-09 中山大学 一种基于时空图信息最大化模型的路段特征表示学习算法
CN111754019B (zh) * 2020-05-08 2023-11-07 中山大学 一种基于时空图信息最大化模型的路段特征表示学习算法
CN111862590A (zh) * 2020-05-13 2020-10-30 北京嘀嘀无限科技发展有限公司 路况预测方法、装置及存储介质
CN111862592A (zh) * 2020-05-27 2020-10-30 浙江工业大学 一种基于rgcn的交通流预测方法
CN111753037A (zh) * 2020-06-24 2020-10-09 北京百度网讯科技有限公司 信息表征方法、装置、电子设备及存储介质
CN111753037B (zh) * 2020-06-24 2023-06-27 北京百度网讯科技有限公司 信息表征方法、装置、电子设备及存储介质
CN112069376A (zh) * 2020-08-27 2020-12-11 武汉理工大学 交通信息可视化的数据处理方法、系统和存储介质
CN112215408A (zh) * 2020-09-24 2021-01-12 交控科技股份有限公司 轨道交通客流量预测方法及装置
CN112216108B (zh) * 2020-10-12 2021-06-29 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法
CN112216108A (zh) * 2020-10-12 2021-01-12 中南大学 一种基于属性增强的时空图卷积模型的交通预测方法
CN112489420A (zh) * 2020-11-17 2021-03-12 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、系统、终端以及存储介质
CN112396236A (zh) * 2020-11-24 2021-02-23 复旦大学 一种交通流量预测方法、系统、服务器和存储介质
CN112564966A (zh) * 2020-12-02 2021-03-26 北京航空航天大学 基于网络细胞的业务时序耦合拥塞分析方法
CN114613124A (zh) * 2020-12-03 2022-06-10 中国科学院深圳先进技术研究院 交通信息处理方法、装置、终端及计算机可读存储介质
CN114613124B (zh) * 2020-12-03 2023-02-10 中国科学院深圳先进技术研究院 交通信息处理方法、装置、终端及计算机可读存储介质
WO2022129421A1 (en) 2020-12-18 2022-06-23 Imec Vzw Traffic prediction
EP4016412A1 (en) * 2020-12-18 2022-06-22 Imec VZW Traffic prediction
CN112633579B (zh) * 2020-12-24 2024-01-12 中国科学技术大学 一种基于域对抗的交通流迁移预测方法
CN112633579A (zh) * 2020-12-24 2021-04-09 中国科学技术大学 一种基于域对抗的交通流迁移预测方法
CN112910710A (zh) * 2021-02-08 2021-06-04 清华大学 网络流量时空预测方法、装置、计算机设备和存储介质
CN113053115A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于多尺度图卷积网络模型的交通预测方法
CN113420906A (zh) * 2021-05-25 2021-09-21 北京沃东天骏信息技术有限公司 流量预测方法、装置及存储介质
CN113761020A (zh) * 2021-07-30 2021-12-07 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
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
CN114004152A (zh) * 2021-10-29 2022-02-01 河海大学 基于图卷积和循环神经网络的多风场风速时空预测方法
CN114360254A (zh) * 2022-03-17 2022-04-15 湖南工商大学 一种基于时空的交通流量预测方法及相关设备
CN117649769A (zh) * 2024-01-29 2024-03-05 南京邮电大学 一种基于时空关联特征矩阵的未来交通流量智能预测方法
CN117649769B (zh) * 2024-01-29 2024-04-16 南京邮电大学 一种基于时空关联特征矩阵的未来交通流量智能预测方法

Similar Documents

Publication Publication Date Title
CN110929962A (zh) 一种基于深度学习的交通流量预测方法及装置
Sun et al. Predicting citywide crowd flows in irregular regions using multi-view graph convolutional networks
Fernando et al. Soft+ hardwired attention: An lstm framework for human trajectory prediction and abnormal event detection
Chu et al. Deep multi-scale convolutional LSTM network for travel demand and origin-destination predictions
Tian et al. Spatial‐temporal attention wavenet: A deep learning framework for traffic prediction considering spatial‐temporal dependencies
Zhang et al. Attentional neural fields for crowd counting
Luo et al. ESTNet: embedded spatial-temporal network for modeling traffic flow dynamics
Deng et al. Graph convolutional adversarial networks for spatiotemporal anomaly detection
Sun et al. Joint prediction of next location and travel time from urban vehicle trajectories using long short-term memory neural networks
CN109410577B (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
CN110910659B (zh) 一种交通流量预测方法、装置、设备以及存储介质
Gong et al. Potential passenger flow prediction: A novel study for urban transportation development
Duan et al. FDSA-STG: Fully dynamic self-attention spatio-temporal graph networks for intelligent traffic flow prediction
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN107615272B (zh) 用于预测人群属性的系统和方法
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN110428614B (zh) 一种基于非负张量分解的交通拥堵热度时空预测方法
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
Zheng et al. Hybrid deep learning models for traffic prediction in large-scale road networks
Ran et al. Short-term travel time prediction: a spatiotemporal deep learning approach
Bansal et al. Htfm: Hybrid traffic-flow forecasting model for intelligent vehicular ad hoc networks
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
Basalamah et al. Deep learning framework for congestion detection at public places via learning from synthetic data
He et al. Forecasting nationwide passenger flows at city-level via a spatiotemporal deep learning approach
CN115565370B (zh) 一种局部时空图卷积交通流量预测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200327