CN111009129A - 一种基于时空深度学习模型的城市道路交通流预测方法及装置 - Google Patents

Abstract

本发明针对城市道路交通流量预测建模中时空依赖性和空间稀疏性等问题，构建了一个端到端的深度学习模型STNN(Spatial Temporal Neural Networks)来对道路交通流模式进行建模，能够根据历史流量数据，以较高的精度预测未来时刻整个城市范围之内的所有道路路段的交通流分布。该模型能够有效提取道路交通流中的时空模式，并且能够有效解决道路交通流的空间稀疏性问题，为城市全域级的道路交通流的预测提供了一种行之有效的解决方法。

Description

一种基于时空深度学习模型的城市道路交通流预测方法及 装置

技术领域

本发明涉及深度学习和智能交通系统技术领域，具体涉及一种基于时空深度学习模型的城市道路交通流预测方法及装置。

背景技术

交通流量预测是交通运输研究中一个长期存在的话题，它是智能交通系统中不可或缺的组成部分。交通流量预测的研究有助于提高人员出行效率，减轻交通拥堵和污染物排放，并使政府能够高效地管理城市交通。交通流量预测的主要任务是根据历史交通流量数据预测未来一段时间内某个区域或特定道路上的车辆数量。

信息和通信技术的进步造就了大量的交通数据，这些数据已累积并构成了庞大的数据库，这使得研究者能够开发和验证新的方法或模型。实时交通数据是通过地下环路探测器或交通监控摄像头系统收集的，这些系统是固定的测量站，可以获取流量、占用率、速度和视频方面的信息。但是，在大型道路网络中部署和维护固定监视系统相对昂贵。最近几年来，海量位置数据的可获得性，例如安装在车辆上的GPS接收器收集的轨迹数据，为使用机器学习方法或深度学习模型提出新颖的预测模型开辟了新的视角。

目前，用于流量预测的机器学习方法基本上可以分为两类：参数方法和非参数模型。参数方法对变量进行假设并建立具有参数的结构方程。交通流量预测中最常用的参数模型包括基于时间序列的方法和卡尔曼滤波模型。参数化方法无法对交通流的非线性特性进行建模，因此，非参数化模型引起了人们的极大关注，非参数化模型与参数化模型的不同之处在于模型结构不是先验指定的，而是由数据确定的。最常用的非参数模型包括k最近邻方法、贝叶斯网络方法、支持向量回归和人工神经网络。但是，这些方法的不足之处可能在于它们结构层次较浅，无法揭示流量大数据的隐藏模式。

本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：

为了有效地预测交通流量，近年来国内外学者已经提出并探索了一些基于深度学习的方法。深度学习模型使用多层非线性结构，可以探索隐藏在流量大数据中的复杂和非线性特征，但是现有的方法仍然存在预测效果不佳的问题。

发明内容

有鉴于此，本发明提供了一种基于时空深度学习模型的城市道路交通流预测方法及装置，用以解决或者至少部分解决现有技术中的方法存在的预测效果不佳的技术问题。

为了解决上述技术问题，本发明第一方面提供了一种基于时空深度学习模型的城市道路交通流预测方法，包括：

S1：采用矢量路网的自适应图像表达方法，将历史道路交通流数据的矢量路网转化为二维图像，构建交通流图像序列，图像的每个像素代表矢量路网中的一条道路路段；

S2：构建城市道路交通流预测的时空深度学习模型STNN，STNN包括近期交通流预测模块、中期交通流预测模块、长期交通流预测模块以及外部信息模块；

S3：利用历史道路交通流数据对应的交通流图像序列、外部日期信息以及模型相关参数对构建的STNN进行训练；

S4：采用训练好的城市道路交通流预测的时空深度学习模型STNN对待预测交通流数据进行预测。

在一种实施方式中，S1具体包括：

S1.1：基于自适应技术对历史道路交通流数据的矢量路网进行逐级最优分割，获得每个子路网所对应的最小分割图像；

S1.2：根据路段之间的相对位置关系将每个路段映射到最小分割图像中的相应位置。

在一种实施方式中，S1.1具体包括：

S1.1.1：构建路网分割方案的三叉树结构，

S1.1.2：通过搜索三叉树获取路网最优分割方案。利用自下而上的方式遍历三叉树，得到所有路网分割方案路径。

在一种实施方式中，S2具体包括：

S2.1：构建近期交通流预测模块，该模块包括ConvLSTM层和DenseNet层，其中，ConvLSTM具有基于单元的链状结构，每个单元都包含以预设方式交互的四个神经网络层，用以学习时间上的长短期依赖关系，ConvLSTM使用遗忘门、输入门和输出门保护和控制单元的状态；

S2.2：构建中期交通流预测模块，该模块包括DenseNet层；

S2.3：构建长期交通流预测模块，该模块包括DenseNet层；

S2.4：构建外部信息模块，该模块包括编码层one-hot、第一全连接层FC1、第二全连接层FC2以及重塑层Reshape；

S2.5：采用基于参数矩阵的融合方法将近期交通流预测模块的输出、中期交通流预测模块的输出以及长期交通流预测模块的输出进行融合，得到第一融合输出，再将第一融合输出与外部信息模块的输出进行融合得到第二融合输出。

在一种实施方式中，S2.1中DenseNet层包括多个Dense Unit，一个Dense Unit包含以预设方式交互的几个卷积层BRConv，每个BRConv依次由一个BN层、一个ReLu函数和一个卷积层组成，每个Dense Unit的内部结构如下式所示：

其中，X₀表示第一个卷积层的输入，(Con[X₁,X₀])表示第二个卷积层的输入，l表示BRConv的个数，H_l(·)表示BRConv运算，Con[·]表示元素的级联运算。

在一种实施方式中，在S3之后，所述方法还包括：对构建的STNN模型进行预测。

在一种实施方式中，在S3之后，所述方法还包括：对STNN模型进行评价。

基于同样的发明构思，本发明第二方面提供了一种基于时空深度学习模型的城市道路交通流预测装置，包括：

路网转换模块，用于采用矢量路网的自适应图像表达方法，将历史道路交通流数据的矢量路网转化为二维图像，构建交通流图像序列，图像的每个像素代表矢量路网中的一条道路路段；

STNN模型构建模块，用于构建城市道路交通流预测的时空深度学习模型STNN，STNN包括近期交通流预测模块、中期交通流预测模块、长期交通流预测模块以及外部信息模块；

STNN模型训练模块，用于利用历史道路交通流数据对应的交通流图像序列、外部日期信息以及模型相关参数对构建的STNN进行训练；

交通流预测模块，用于采用训练好的城市道路交通流预测的时空深度学习模型STNN对待预测交通流数据进行预测。

基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。

基于同样的发明构思，本发明第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本发明针对现有技术在城市全域范围内道路交通流预测方面的不足，提供了一种基于时空深度学习模型的城市道路交通流预测方法。该方法基于道路交通流的紧凑二维图像表达，充分利用道路交通流的时空模式，并顾及城市道路交通流的空间稀疏性，构建了由近期交通流预测模块、中期交通流预测模块、长期交通流预测模块，以及外部信息模块所组成的时空深度网络模型，并利用历史道路交通流数据对应的交通流图像序列、外部日期信息以及模型相关参数对构建的STNN进行训练；最后采用训练好的城市道路交通流预测的时空深度学习模型STNN对待预测交通流数据进行预测，通过本发明构建的模型，可以能够根据历史流量数据，以较高的精度预测未来时刻整个城市范围之内的所有道路路段的交通流分布，改善了预测效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为路网交通流的示意图。

图2为城市道路网交通流的表达，其中(a)原始轨迹数据，(b)矢量路网上的交通流量分布，(c)图像表示的路网交通流量分布。

图3为本发明方法的示意图，其中，(a)STNN结构示意图，(b)STNN输入数据的组织示意图。

图4为道路交通流的时间依赖特征：(a)武汉长江二桥交通流量的周期模式，(b)不同时滞下的道路交通流的时间自相关模式。

图5为道路交通流的空间依赖特征：2015年4月27号03:20和09:10的(a)LocalMoran’s I分布，(b)道路流量的空间分布。

图6为道路交通流预测时空分布及误差图，其中(a)09:10和12:00的观察值和STNN预测值的空间分布，(b)09:10和12:00的观察值和STNN预测值的绝对误差的空间分布。

图7为STNN模型的权重参数矩阵的可视化结果图，其中(a)Recentpart,(b)Dailypart,(c)Weeklypart,以及局部(红色框)放大的结果(d)Recentpart,(e)Dailypart,(f)Weeklypart。

图8为各模块部分输入序列长度对预测结果的影响图，其中(a)Recentpart的输入序列长度kr，(b)Dailypart的输入序列长度2kd+1；(c)Weekly part的输入序列长度2kw+1。

图9为STNN模型网络结构对预测结果的影响图，其中(a)ConvLSTM中卷积核的个数，(b)DenseNet中Dense Unit的个数，(c)DenseNet中BRConv的层数，(d)DenseNet中的增长率，(e)STNN中卷积核的尺寸。

图10为不同模型的预测误差比较图，其中(a)单步预测结果的MAE，(b)单步预测结果的RMSE，(c)多步预测结果的MAE，(d)多步预测结果的RMSE。

图11为本发明实施例中一种基于时空深度学习模型的城市道路交通流预测装置的结构框图；

图12为本发明实施例中一种计算机可读存储介质的结构框图；

图13为本发明实施例中计算机设备的结构图。

具体实施方式

本发明旨在设计一种基于时空深度学习模型的城市道路交通流预测方法，充分挖掘流量数据的时空特性，在整个城市的道路水平上以精细的时间尺度(10分钟)预测交通流量。在这项发明中，本发明利用长短期记忆网络(LSTM)提取道路交通流的时间模式，利用密集连接的卷积神经网络(Dense Net)提取其空间模式并处理空间稀疏性问题，通过结合外部元信息，预测城市级的道路交通流。本发明解决了精细的时间尺度下城市级的道路交通流预测问题，实验证明，该方法具有较高的预测精度。

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

本发明针对城市道路交通流量预测建模中时空依赖性和空间稀疏性等问题，构建了一个端到端的深度学习模型STNN(Spatial Temporal Neural Networks)来对道路交通流模式进行建模，能够根据历史流量数据，以较高的精度预测未来时刻整个城市范围之内的所有道路路段的交通流分布。该模型能够有效提取道路交通流中的时空模式，并且能够有效解决道路交通流的空间稀疏性问题，为城市全域级的道路交通流的预测提供了一种行之有效的解决方法

实施例一

本实施例提供了一种基于时空深度学习模型的城市道路交通流预测方法，该方法包括：

S1：采用矢量路网的自适应图像表达方法，将历史道路交通流数据的矢量路网转化为二维图像，构建交通流图像序列，图像的每个像素代表矢量路网中的一条道路路段。

道路网络实际上是一个具有层次化结构的数据集合。在数学上，一个平面道路网络可以表示为G(V,E)，其中V是道路节点的集合，E是道路路段的集合。道路交通流可以定义为某时刻下该道路上的车辆数目，附图1显示了某时刻路网的交通流分布，交通流的统计信息如子表所示，如果道路上没有车辆，则该道路交通流为0。

具体而言，本发明采用一种矢量路网的自适应紧凑图像表达方法，将矢量路网转化为二维图像，图像的每个像素代表矢量路网中的一条道路路段，将道路路段流量赋值给相应的像素单元，最终得到图像表示的路网交通流分布，如附图2所示。此时，t时刻的道路交通流可以表示为

其中

表示图像上(p,q)位置所代表的道路路段流量。

S2：构建城市道路交通流预测的时空深度学习模型STNN，STNN包括近期交通流预测模块、中期交通流预测模块、长期交通流预测模块以及外部信息模块。

具体来说，本发明提出了如附图3中的(a)所示的时空深度学习模型STNN(SpatialTemporal Neural Networks)，可以看到，该模型主要由四个部分组成：即近期交通流预测模块Recent part,中期交通流预测模块Daily part,长期交通流预测模块Weekly part和外部信息模块External part。Recent part接收邻近时刻道路交通流图像({X_t-kr,...,X_t-2,X_t-1}，如附图3中的(b)所示，其中kr代表该序列的长度)的输入，并使用ConvLSTM和DenseNet的混合网络提取时空特征。ConvLSTM网络可以有效地提取时间相关性，而DenseNet可以从道路交通流的稀疏图像中有效地提取空间相关性。Daily part接收前一天道路交通流图像({X(_t-ld)±kd,...,X(_t-ld)±1,X_(t-ld)}，如附图3中的(b)所示，其中2kd+1代表该序列的长度，ld代表一天的时间间隔数，这里取值144，每个时间间隔取10分钟)的输入，它采用DenseNet提取道路交通流的空间特征。Weekly part接收一周前的道路交通流图像({X_(t-lw)±kw,...,X_(t-lw)±1,X_(t-lw)}，如附图3中的(b)所示，其中2kw+1代表该序列的长度，lw代表一周的时间间隔数，这里取1008)的输入，它的结构和Daily part相似。External part接收日期信息等外部信息的输入(例如，当前天属于一周中的第几天(DayofWeek)，是工作日还是休息日(Weekday/Weekend))，利用两层全连接网络(Fully-Connected Network)提取其特征。前三个部分的输入通过加权求和融合在一起，然后将结果与第四部分的输出进一步融合，最后通过一个激活函数输出交通流量的预测值

S3：利用历史道路交通流数据对应的交通流图像序列、外部日期信息以及模型相关参数对构建的STNN进行训练。

具体来说，S3是对S2中的STNN模型进行训练，利用S1中得到的交通流图像序列、外部日期信息作为训练数据，并设置模型的相关参数，对其进行训练。

S4：采用训练好的城市道路交通流预测的时空深度学习模型STNN对待预测交通流数据进行预测。

具体来说，在得到训练好的STNN模型后，则可以利用该模型对待预测交通流数据进行预测，对于待预测交通流数据利用S1中的方式转换为交通流图像序列，然后输入模型进行预测。

在一种实施方式中，S1具体包括：

S1.1：基于自适应技术对历史道路交通流数据的矢量路网进行逐级最优分割，获得每个子路网所对应的最小分割图像；

S1.2：根据路段之间的相对位置关系将每个路段映射到最小分割图像中的相应位置。

其中，S1.1具体包括：

S1.1.1：构建路网分割方案的三叉树结构，

S1.1.2：通过搜索三叉树获取路网最优分割方案。利用自下而上的方式遍历三叉树，得到所有路网分割方案路径。

具体来说，针对不同路网，该过程能够构建相应深度的三叉树结构。利用构建路网分割方案的三叉树结构，将路网进行逐级分割，每次分割依次采用三种分割方案，每种方案将路网按照空间位置关系划分为

份，使得每份中的路段数目大致相同；对分割后的子路网再次进行分割，直到满足分割停止条件。具体地，利用自下而上的方式遍历三叉树，得到所有路网分割方案路径，计算每条路径对应的图像填充率，将图像填充率最高的路径作为最优分割方案。针对同一路网，该过程能够自动调整每一级的分割方案。图像填充率的计算公式为FillRate＝|S|/M²，其中整个路网所包含的路段集合为S，转化后的图像中像素单元的个数为M×M。通过图像填充率可以反映自适应紧凑图像表达方法的有效性。

通过步骤1.1可以确定每个子路网所对应的最小分割图像，且由于每个子路网中路段数目较少，路段之间的空间拓扑关系相对简单，因此可以通过相对位置关系将每个路段映射到最小分割图像中的相应位置。例如，将子路网中的路段分别按照X方向和Y方向进行排序，得到各路段在这两个方向上与其他所有路段的相对位置关系，然后根据相对位置关系将路段一一映射到最小分割图像中。

在一种实施方式中，S2具体包括：

S2.1：构建近期交通流预测模块，该模块包括ConvLSTM层和DenseNet层，其中，ConvLSTM具有基于单元的链状结构，每个单元都包含以预设方式交互的四个神经网络层，用以学习时间上的长短期依赖关系，ConvLSTM使用遗忘门、输入门和输出门保护和控制单元的状态；

S2.2：构建中期交通流预测模块，该模块包括DenseNet层；

S2.3：构建长期交通流预测模块，该模块包括DenseNet层；

S2.4：构建外部信息模块，该模块包括编码层one-hot、第一全连接层FC1、第二全连接层FC2以及重塑层Reshape；

S2.5：采用基于参数矩阵的融合方法将近期交通流预测模块的输出、中期交通流预测模块的输出以及长期交通流预测模块的输出进行融合，得到第一融合输出，再将第一融合输出与外部信息模块的输出进行融合得到第二融合输出。

具体来说，ConvLSTM遗忘门可以决定从单元状态扔掉哪些信息，输入门可以决定在单元状态存储什么新信息，而输出门可以决定要输出什么信息。

在一种实施方式中，S2.1中DenseNet层包括多个Dense Unit，一个Dense Unit包含以预设方式交互的几个卷积层BRConv，每个BRConv依次由一个BN层、一个ReLu函数和一个卷积层组成，每个Dense Unit的内部结构如下式所示：

其中，X₀表示第一个卷积层的输入，(Con[X₁,X₀])表示第二个卷积层的输入，l表示BRConv的个数，H_l(·)表示BRConv运算，Con[·]表示元素的级联运算。

具体来说，首先，给定一个输入序列{X_t-kr,...,X_t-2,X_t-1}，本发明可以使用公式(1)从ConvLSTM单元中获取输出{h_t-kr,h_t-kr+1,...,h_t-1}，其中Ψ(·)表示该单元中的内部操作，C_t-kr-1表示该单元的初始状态，h_t-kr-1表示该单元的初始输出，经过多次循环操作Ψ(·)后，得到{C_t-kr,...,C_t-2,C_t-1}和{h_t-kr,...,h_t-2,h_t-1}。

上式中的h_t-1被输入到批规范化层(BN)和卷积层(Conv1)中。BN可以通过减少内部协方差偏移来加速深度网络训练，Conv1中的操作如(2)所示，其中W_conv1和b_conv1是可学习的参数，M_r1作为Conv1的输出，并将作为DenseNet的输入。

M_r1＝W_conv1*h_t-1+b_conv1 (2)

其次，DenseNet是一种特殊类型的CNN，可创建层间的短路径从而缓解梯度弥散问题。不仅如此，由于特征数据的复用，DenseNet更能够从稀疏的道路交通流图像中提取空间特征。Dense Unit是DenseNet的基本结构，每个Dense Unit都包含以特殊方式交互的几个卷积层(BRConv)。每个BRConv依次由一个BN层、一个ReLu函数和一个卷积层组成。为了方便起见，本发明使用X₀而不是M_r1作为Dense Unit的输入，每个Dense Unit的内部结构如公式(3)所示，其中l表示BRConv的个数，H_l(·)表示BRConv运算，Con[·]表示元素的级联运算。

DenseNet由一系列依次连接的Dense Unit组成，公式(4)表示了由k个Dense Unit组成的DenseNet的结构，其输出为

其中，Φ(·)表示一个Dense Unit的内部操作，g表示网络的增长率。

最后，将两个卷积层(Conv2和Conv3，如附图3的a部分所示依次应用于DenseNet的输出，卷积操作可以用公式(5)表示，其中W_conv2,b_conv2,W_conv3和b_conv3都是可学习的参数，ReLu(·)表示ReLU激活函数，M_r3是Recent part的最终输出。

S2.2和S2.3中的中期交通流预测模块和长期交通流预测模块，结构与近期交通流预测模块Recent part类似，不同之处在于没有ConvLSTM层。因此对于Daily part，本发明直接使用公式(2)中的卷积运算来获得输出M_d1，然后将其输入具有k个Dense Unit的DenseNet中得到输出Y_l ^k。最后，使用公式(5)计算M_d2和M_d3，其中M_d3是Daily part的最终输出。类似地，可以得出Weekly part的最终输出为M_w3。

S2.4是外部信息模块的构建，为了实现高精度的交通流量预测，本发明将日期信息(即当前天属于一周中的第几天(DayofWeek)，是工作日还是休息日(Weekday/Weekend))集成到本发明的模型中，将其作为External part的输入。具体地，使用8位编码的one-hot表示法来对日期信息进行编码：前7位代表当前天是星期几，而最后一位则代表当前天是工作日还是休息日。例如，{1,0,0,0,0,0,0,1}表示周一工作日，而{0,0,0,0,0,1,0,0}表示周六休息日。接下来，one-hot表示的日期信息将输入到两个堆叠的全连接层FC1和FC2中。FC1用于提取日期信息的隐藏特征，而FC2用于对FC1的输出维度进行变换，以使其具有与展平的M_r3相同的形状。最后，输出向量将进一步被调整为和M_r3相同的形状，最终输出表示为X_ex∈R^1×m×n。

S2.5是模块的融合，在这一步骤中，本发明主要采用两种类型的融合技术。

首先，第一次融合利用了基于参数矩阵的融合方法，将Recent part、Daily part和Weekly part的输出进行组合，如附图3中的(a)中的Weight Sum层所示，其内部操作如公式(6)所示，其中W_r，W_d和W_w都是可学习的参数，代表了这三个部分相应的权重。

其次，第二次融合是将External part的输出X_ex和第一次融合的输出X_st进行合并。如附图3中的(a)所示，本发明直接将X_ex和X_st相加。为确保输出值在-1和1之间，本发明用tanh函数对融合结果进行非线性变换，如公式(7)所示，其中

是t时刻道路交通流量的预测值。

STNN模型训练的伪代码如A1所示，需要输入历史道路交通流图像序列、外部日期信息，以及模型相关参数；道路交通流图像序列按照近期、中期、长期模块的要求进行特征组织；采用后向传播均方误差(MSE)作为代价函数来训练STNN直到收敛。

A1.STNN模型训练的伪代码

在一种实施方式中，在S3之后，所述方法还包括：对构建的STNN模型进行预测。

STNN模型预测的伪代码如A2所示，需要输入训练好的模型、预测的步长数目、历史道路交通流图像序列，以及外部日期信息；道路交通流图像序列按照近期、中期、长期模块的要求进行特征组织；采用递归预测的方式达到多步预测的目的，即单步预测的结果直接用于下一步的预测输入。

A2.STNN进行多步预测的伪代码

在一种实施方式中，在S3之后，所述方法还包括：对STNN模型进行评价。STNN模型使用均方误差MSE、均方根误差RMSE和平均绝对误差MAE三个指标来评价预测结果的准确度。MSE、MAE和RMSE的公式如(8)(9)和(10)所示，其中，X_i表示第i个观测值，

表示第i个预测值，N表示观测值的个数。另外，将60％的数据用作为训练集，40％的数据用作测试集。

接着介绍STNN模型的结构和参数设置：

STNN模型的基本结构及参数设置如下表1所示。

表1 STNN的模型结构和参数设置

与现有技术相比，本发明具有以下优点和有益效果：

(1)本发明方法实现一种城市全域范围内道路路段交通流的预测模型，是一种具有较高道路流量预测精度的方法，该方法在充分利用道路交通流时空模式的基础上，顾及城市道路交通流的空间稀疏问题，这是现有模型所不具备的功能。这种方法为目前智能交通系统中基于深度学习的城市道路路段交通流的高精度预测提供了一种高效可靠的实现途径。

(2)本发明方法所实现的道路交通流时空深度网络模型可以预测整个城市范围之内的所有道路交通流且具有较高的时间精度(10分钟)。与此同时，本方法在长时间预测上(1小时)，也具有较高的可靠度。

(3)同目前文献中所提出的大部分基于深度学习的道路交通流预测方法相比，本方法具有更好的优越性。一方面，前者没有完全顾及道路网络的拓扑关系，也不能处理道路交通流的空间稀疏问题；另一方面，前者也不能胜任城市全域范围内的道路交通流预测。此外，依据预测结果评价指标，本发明方法能够取得更好的预测精度，尤其是在长时间预测效果上。

下面通过一个具体示例对本发明提供的方法进行介绍。

为了验证本发明的有效性与合理性，选取了武汉市2015年4月8日至2015年5月5日期间大约18,600辆出租车的轨迹数据进行实验。首先利用矢量路网的紧凑二维图像表达方法将矢量路段交通流量转化为二维图像表示的交通流，每张流量图像之间的时间间隔为10分钟；然后将交通流二维图像作为STNN模型的输入，其中Recent part的输入序列长度为3，Daily part的输入序列长度为3，Weekly part的输入序列长度为3；接着使用均方误差(MSE)作为代价函数来训练STNN；最后使用均方根误差(RMSE)和平均绝对误差(MAE)来评价模型的预测准确度，并与文献中提出的模型进行对比。

首先，对道路交通流的时空模式进行了深入分析，即利用当前时刻交通流与上一时刻交通流之间的时间依赖性来验证时间模式。一方面，由于人类活动的节律性，交通流量会在区域内显示出周期性的模式。通过观察武汉长江二桥两周内的交通流的时间分布，如附图4中的(a)所示，发现道路交通流随时间呈现周期性的变化，出行高峰集中在早上09:00和晚上19:50左右，而波谷集中在凌晨03:00～04:00。另一方面，由于交通流的动态特性，可以在较短的时间间隔内观察到较强的相关性，而由于时间衰减效应，在长时间内会显示出较弱的相关性。如附图4中的(b)所示,可以清楚地观察到，长江二桥在4月22日00:00的交通流量与4月22日00:30的交通流量之间的相关性要高于与4月28日00:00交通流量的相关性。此外，我们在附图4中的(b)中观察到了负相关性，例如，00:00和10:40之间的流量呈现负的相关性。这些时间相关性会对交通流量的预测产生重要的影响，因此，道路交通流确实存在较强的时间依耐性。

其次，对道路交通流的空间相关性与稀疏性进行了深入探讨。附图5中的(a)显示了2015年4月22日03:20和09:10道路交通流量的Local Moran’s I值的空间分布，这表明道路交通流量的空间相关性在高峰时段(09:10)比低谷时段(03:20)高。具体而言，极少路段的流量(不超过10％)与邻居路段的流量之间呈现正相关或者负相关，而大多数路段的流量之间却没有相关性，并且散布在城市各处。附图5中的(b)显示了这两个时刻下，道路交通流空间分布的稀疏性问题。从图中可以看出，无论在高峰时段还是在低谷时段，道路交通流的空间分布都很稀疏。如附图5中的(b)所示，在09:10时有32％的路段被车辆占用，而在03:20时只有21％的路段被车辆占用。这些结果表明道路交通流存在较弱的空间相关性和严重的空间稀释性。

第三，附图6中的(a)显示了2015年4月27日09:10观测的道路交通流的空间分布，以及利用09:00之前的历史数据来预测的09:10的道路交通流量的空间分布(单步预测)。结果表明，大多数道路的交通流量的预测结果较好，并且与观察到的交通流量高度一致。但是，三环沿线的路段交通流量与观测值有些偏离。这主要受制于生态学中的边缘或边界效应，即边界外的交通流量可能会对沿边的交通流量产生某种程度的影响。从统计上看，如附图6中的(b)所示，大概只有0.06％的路段显示出较大的绝对误差(>50)。此外，附图6中的(a)还显示了利用4月27日09:00之前的历史数据来预测12:00的道路交通流量的结果(多步预测)。从图中可以看出，大部分道路的预测结果较好，但是相比于09:10的预测结果，12:00的预测结果相对较差。如附图6中的(b)所示，由于多步预测中的误差传播，大约0.08％的路段显示出较大的绝对误差(>50)。这些误差较大的路段分散在市区，其交通流量很可能被低估。上述结果表明，本发明的模型对于道路交通流量的长时预测具有较高的鲁棒性。

第四，为了揭示Recent part、Daily part和Weekly part对交通流量预测的影响。本发明将STNN模型各部分的权重参数矩阵进行了可视化，如附图7中的(a)，(b)和(c)所示。统计分析表明，Recent part的影响最强，即当权重阈值设置为0.6时，大约有48％的路段受到Recent part的影响，而受Daily part和Weekly part影响的路段分别为45％和41％。一些路段受到Recent part的影响更大，而另外一些路段则受到Daily part和Weekly part的影响更大。如附图7中的(d)，(e)和(f)所示，蓝色框标记的路段受Recent part的影响更大，而绿色框标记的路段受Daily part的影响更大。

第五，本发明进一步分析了STNN模型的输入序列长度和STNN内部结构对预测结果的影响。附图8显示了STNN模型的输入序列长度对预测结果的影响，即从附图8中的(a)可以看出，对于kr取不同的值，STNN模型的表现差异不大，kr＝3时STNN的预测结果表现最好。从附图8中的(b)可以看出，当2kd+1＝3时，STNN模型的表现最佳，这表明增加Daily part的输入序列长度并不总能提高预测精度。然而当kr和2kd+1取0时，预测误差将会迅速增加，这表明Recent part和Daily part对于模型非常重要。从附图8中的(c)看出，2kw+1＝3时，模型的预测结果最好，而2kw+1＝0和2kw+1＝1时模型的预测误差相差不大，这表明Weekly part的作用要小一些，但其作用也不可忽视。

第六，附图9显示了STNN内部结构对预测结果的影响，具体而言，本发明分析了ConvLSTM中卷积核的个数，DenseNet中Dense Unit的个数，DenseNet中BRConv的层数，DenseNet中的增长率大小，以及STNN中卷积核尺寸对预测结果的影响。

ConvLSTM中卷积核的个数反映了输出特征的大小，附图9中的(a)显示了该参数对预测结果的影响。可以看出，RMSE随着卷积核个数的增加而减少，这是合理的，因为高维输出特征可能包含丰富的时空信息。但是随着卷积核个数继续增加，RMSE却反而上升。这一现象表明，过多的特征信息可能会增加模型训练的负担。因此，本发明将卷积核的个数设置为8，此时模型预测的结果具有最小的RMSE。

DenseNet中Dense Unit的个数，DenseNet中BRConv的层数，DenseNet中的增长率大小对预测结果的影响如附图9中的(b)，(c)，(d)所示。附图9中的(b)中，随着Dense Unit个数的增长，RMSE并未下降，这表明1个Dense Unit就足以捕获交通流量中的空间相关性了。附图9中的(c)中，随着DenseNet中BRConv的层数增加，预测结果的RMSE在3.7左右波动，当BRConv的层数为8时，RMSE达到局部最小值。附图9中的(d)中，当DenseNet中的增长率为4时，预测结果的RMSE最低。

卷积核的尺寸决定了卷积操作的感受域大小。附图9中的(e)显示了卷积核尺寸对预测结果RMSE的影响，从图中可以看出，卷积核尺寸对结果的影响较小。这是因为大尺寸的卷积核可以通过多个小尺寸的卷积核进行组合来实现，从而提取相似的空间模式。具体而言，当卷积核尺寸为3x3时，RMSE达到局部最小值，这可能与道路交通流的空间自相关模式有关。

最后，为了验证本发明提出模型的优越性，与现有的方法，包括VAR、ARIMA、LSTM、GRU、ST-ResNet，进行了比较。这些模型的特征如表2所示，ARIMA与VAR相似，它们只能捕获时间依赖性；LSTM和GRU可以学习空间和时间相关性，但是他们没有考虑外部因素。ST-ResNet和本发明提出的模型都具有捕获时空依赖性和外部因素的能力，但是本发明的模型可以进一步处理交通流图像的空间稀疏性。

这些模型的预测结果如附图10所示，本发明使用RMSE和MAE来评估各模型单步预测和多步预测的结果。如附图10中的(a)和(b)所示，不同模型在RSME上的表现与MAE大致相同。具体而言，ARIMA和VAR由于无法捕获空间依赖性而表现最差，而就MAE而言，本发明提出的模型STNN表现最佳。至于RSME，STNN与最佳模型GRU-9的差异不大，这仍然表明STNN的有效性。附图10中的(a)和(b)表明，时空相关性会对单步预测产生重大影响，因此能够学习时空相关性的模型的预测精度差异不会太大。但是，如附图10中的(c)和(d)所示，对于多步预测，本发明提出的模型STNN在所有模型中表现最好。具体而言，随着时间步数的增加，LSTM和GRU模型的MAE和RMSE的值会逐渐增加，这是因为当前输入序列的长度太短，无法支持长期预测；而STNN和ST-ResNet的预测准确性随着时间步数的增加而趋于稳定，因为它们都可以学习交通流量的周期性模式。但是平均而言，STNN的MAE和RMSE值分别比ST-ResNet低16.6％和41.4％。这是因为STNN模型更善于从稀疏图像中学习空间模式。

表2各模型特征的对比(ο表示不存在，·表示存在)

总之，本发明构建了一个端到端的时空深度学习模型STNN，可以在细粒度时间尺度上以较高的精度预测城市范围内的道路交通流量。通过与现存方法进行对比，证明了本发明的模型在单步预测上的有效性和在多步预测上的优越性。

实施例二

基于同样的发明构思，本实施例提供了一种基于时空深度学习模型的城市道路交通流预测装置，请参见图11，该装置包括：

路网转换模块201，用于采用矢量路网的自适应图像表达方法，将历史道路交通流数据的矢量路网转化为二维图像，构建交流图像序列，图像的每个像素代表矢量路网中的一条道路路段；

STNN模型构建模块202，用于构建城市道路交通流预测的时空深度学习模型STNN，STNN包括近期交通流预测模块、中期交通流预测模块、长期交通流预测模块以及外部信息模块；

STNN模型训练模块203，用于利用历史道路交通流数据对应的交流图像序列、外部日期信息以及模型相关参数对构建的STNN进行训练；

交通流预测模块204，用于采用训练好的城市道路交通流预测的时空深度学习模型STNN对待预测交通流数据进行预测。

由于本发明实施例二所介绍的装置，为实施本发明实施例一中基于时空深度学习模型的城市道路交通流预测方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。

实施例三

请参见图12，基于同一发明构思，本申请还提供了一种计算机可读存储介质300，其上存储有计算机程序311，该程序被执行时实现如实施例一中所述的方法。

由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于时空深度学习模型的城市道路交通流预测方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。

实施例四

基于同一发明构思，本申请还提供了一种计算机设备，请参见图13，包括存储401、处理器402及存储在存储器上并可在处理器上运行的计算机程序403，处理器402执行上述程序时实现实施例一中的方法。

由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于时空深度学习模型的城市道路交通流预测方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于时空深度学习模型的城市道路交通流预测方法，其特征在于，包括：

S1：采用矢量路网的自适应图像表达方法，将历史道路交通流数据的矢量路网转化为二维图像，构建交通流图像序列，图像的每个像素代表矢量路网中的一条道路路段；

S2：构建城市道路交通流预测的时空深度学习模型STNN，STNN包括近期交通流预测模块、中期交通流预测模块、长期交通流预测模块以及外部信息模块；

S3：利用历史道路交通流数据对应的交通流图像序列、外部日期信息以及模型相关参数对构建的STNN进行训练；

S4：采用训练好的城市道路交通流预测的时空深度学习模型STNN对待预测交通流数据进行预测。

2.如权利要求1所述的方法，其特征在于，S1具体包括：

S1.1：基于自适应技术对历史道路交通流数据的矢量路网进行逐级最优分割，获得每个子路网所对应的最小分割图像；

S1.2：根据路段之间的相对位置关系将每个路段映射到最小分割图像中的相应位置。

3.如权利要求2所述的方法，其特征在于，S1.1具体包括：

S1.1.1：构建路网分割方案的三叉树结构，

S1.1.2：通过搜索三叉树获取路网最优分割方案。利用自下而上的方式遍历三叉树，得到所有路网分割方案路径。

4.如权利要求1所述的方法，其特征在于，S2具体包括：

S2.1：构建近期交通流预测模块，该模块包括ConvLSTM层和DenseNet层，其中，ConvLSTM具有基于单元的链状结构，每个单元都包含以预设方式交互的四个神经网络层，用以学习时间上的长短期依赖关系，ConvLSTM使用遗忘门、输入门和输出门保护和控制单元的状态；

S2.2：构建中期交通流预测模块，该模块包括DenseNet层；

S2.3：构建长期交通流预测模块，该模块包括DenseNet层；

S2.4：构建外部信息模块，该模块包括编码层one-hot、第一全连接层FC1、第二全连接层FC2以及重塑层Reshape；

S2.5：采用基于参数矩阵的融合方法将近期交通流预测模块的输出、中期交通流预测模块的输出以及长期交通流预测模块的输出进行融合，得到第一融合输出，再将第一融合输出与外部信息模块的输出进行融合得到第二融合输出。

5.如权利要求1所述的方法，其特征在于，S2.1中DenseNet层包括多个Dense Unit，一个Dense Unit包含以预设方式交互的几个卷积层BRConv，每个BRConv依次由一个BN层、一个ReLu函数和一个卷积层组成，每个Dense Unit的内部结构如下式所示：

其中，X₀表示第一个卷积层的输入，(Con[X₁,X₀])表示第二个卷积层的输入，l表示BRConv的个数，H_l(·)表示BRConv运算，Con[·]表示元素的级联运算。

6.如权利要求1所述的方法，其特征在于，在S3之后，所述方法还包括：对构建的STNN模型进行预测。

7.如权利要求6所述的方法，其特征在于，在S3之后，所述方法还包括：对STNN模型进行评价。

8.一种基于时空深度学习模型的城市道路交通流预测装置，其特征在于，包括：

路网转换模块，用于采用矢量路网的自适应图像表达方法，将历史道路交通流数据的矢量路网转化为二维图像，构建交通流图像序列，图像的每个像素代表矢量路网中的一条道路路段；

STNN模型构建模块，用于构建城市道路交通流预测的时空深度学习模型STNN，STNN包括近期交通流预测模块、中期交通流预测模块、长期交通流预测模块以及外部信息模块；

STNN模型训练模块，用于利用历史道路交通流数据对应的交通流图像序列、外部日期信息以及模型相关参数对构建的STNN进行训练；

交通流预测模块，用于采用训练好的城市道路交通流预测的时空深度学习模型STNN对待预测交通流数据进行预测。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至7中任一项权利要求所述的方法。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的方法。

Images