CN111079975A - 一种交通数据预测方法、装置及交通工具控制方法 - Google Patents

Abstract

本申请涉及智能交通控制技术领域，特别地，涉及一种交通数据预测方法、装置及交通工具控制方法。本申请提供的一种交通数据预测方法，包括获取检测装置所捕获的交通数据；对交通数据进行有效性整理得到维度为N＊T的路口矩阵数据，N为城市道路网的路口总数，T为总时间戳记录个数；基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵；准化数据划分为多个维度为N＊D的路口矩阵数据样本，D为历史时间序列数；将路口矩阵数据样本和标准化拉普拉斯矩阵作为输入数据对T‑GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T‑GCN模型；将即时交通数据代入最终T‑GCN模型计算输出预测交通数据。

Description

一种交通数据预测方法、装置及交通工具控制方法

技术领域

本申请涉及智能交通控制技术领域，特别地，涉及一种交通数据预测方法、装置及交通工具控制方法。

背景技术

交通数据预测是分析城市道路交通状况的过程，包括车流量，车流速度，或车流密度等，并且可以根据交通数据预测城市道路交通的趋势。

在一些交通数据预测的实现中，使用数据驱动的方法根据数据的统计规律推断出变化趋势，并最终使用，预测和评估交通状况。例如，假设模型静止，预先假定回归函数，挖掘足够的历史数据来自动学习交通数据的统计规律性从而确定参数，然后基于回归函数实现流量预测。

但是，当城市道路网的交通处于高峰时段时，道路网中某一个路口的突发情况会直接的影响到相邻的路口的交通状况，进一部的会影响到一定区域内道路网路口的交通状况，在这种情况，即现有技术中的交通预测方法考虑了交通状况的动态变化而忽略了空间依赖性，使得交通状况的变化不受道路网络的限制，无法准确预测交通状况的状态，现有技术中交通数据的预测精确度会下降，预测系统的鲁棒性较低。

发明内容

本申请提供了一种交通数据预测方法、装置及交通工具控制方法，通过图形卷积神经网络与循环神经网络对城市多路口交通数据预测，可以将交通状况的时间动态变化和多路口之间的空间依赖性结合起来，可以提高交通数据预测的准确性，提高交通数据预测的鲁棒性。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种交通数据预测方法，包括：获取检测装置所捕获的交通数据；对所述交通数据进行有效性整理得到维度为N＊T的路口矩阵数据，N为城市道路网的路口总数，T为总时间戳记录个数。基于所述路口矩阵数据，使用GCN模型构建具有空间特征维度为N＊N的城市道路网标准化拉普拉斯矩阵；将所述路口矩阵数据进行归一化处理得到无量纲的标准化数据，并将所述无量纲的准化数据划分为多个维度为N＊D的路口矩阵数据样本，D为历史时间序列数；将所述路口矩阵数据样本和所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型；将即时交通数据代入最终T-GCN模型计算输出预测交通数据。

本申请实施例的第二方面提供一种交通工具控制方法，包括：基于本申请实施例的第一方面提供的发明内容所述的方法确定目标途径的预测交通数据；至少基于所述目标途径的预测交通数据生成交通工具的控制指令和/或提示信息，导航指令和/或提示信息。

本申请实施例的第三方面提供一种交通数据预测装置，包括：存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行本申请实施例的第一方面提供的发明内容中任一所述的交通数据预测方法。

本申请实施例的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现本申请实施例的第一方面提供发明内容中任意一项所述的操作。

本申请的有益效过：通过获取路口矩阵交通数据，使用GCN模型构建具有空间特征的城市路网标准化拉普拉斯矩阵，提取路网中的空间结构信息对交通数据的影响；进一步将合有时间信息的路口矩阵数据样本和标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练，利用循环神经网络提取路网中的时间信息对预测数据的影响，得到最终T-GCN模型，使用最终得到的T-GCN模型可以提高交通数据的预测精确度，提高预测系统的鲁棒性。

附图说明

具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例一种交通数据预测系统100的示意图；

图2示出了本申请实施例路口车道设置的检测装置示意图；

图3示出了本申请实施例T-GCN模型时间特征和空间特征组合流程示意图；

图4示出了本申请实施例GCN模型提取空间特征示意图；

图5示出了本申请实施例GRU模型获取数据的时间依赖性示意图；

图6示出了本申请实施例T-GCN模型捕捉数据的空间和时间依赖性示意图；

图7示出了本申请实施例T-GCN模型中loss函数的变化趋势图；

图8示出了本申请实施例T-GCN模型中运算单元示意图；

图9(a)示出了本申请实施例基于HA、GRU、T-GCN模型的指标对比示意图；

图9(b)示出了本申请实施例基于HA、GRU、T-GCN模型的指标对比示意图；

图10示出了本申请实施例HA对比模型路口的预测与实际数据对比图；

图11示出了本申请实施例T-GCN模型路口的预测与实际数据对比图；

图12示出了本申请实施例T-GCN模型的长时预测示意图；

图13示出了本申请实施例一种交通数据预测方法的步骤示意图；

图14示出了本申请实施例一种示例性计算设备200的示意图

图15示出了本申请实施例T-GCN模型训练流程图；

图16示出了本申请实施例一种交通数据预测方法的流程图。

具体实施方式

现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本发明的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本发明的范围之内。

本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本发明的范围之内。

本申请的实施例所述的交通数据包括但不限于人力车、代步工具、汽车、轨道交通、无人驾驶交通工具中的一种或几种的组合。应当理解，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。

图1是根据本申请的一些实施例所示的一种交通数据预测系统100的示意图。交通数据预测系统100是一个为可以自动预测交通数据的平台。交通数据预测系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个检测装置150-1、150-2......150-N。服务器110可以包括一个处理引擎112。

在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请图13所示的计算设备上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取检测装置150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理器(GPU)、物理运算处理器(PPU)、数字信号处理器(DSP)、现场可编辑门阵列(FPGA)、可编辑逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。

存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从检测装置150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(ROM)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，存储设备120可以与网络130连接以实现与交通数据预测系统100中的一个或多个部件之间的通信。交通数据预测系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与交通数据预测系统100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。

网络130可以促进信息和/或数据的交换。在一些实施例中，交通数据预测系统100中的一个或多个部件可以通过网络130向交通数据预测系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从检测装置150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，交通数据预测系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。

检测装置150可以包括图像传感器、速度传感器、压力传感器、声音传感器、移动通信设备等。在一些实施例中，检测装置150可以用于对所在位置的周边环境进行摄像和/或拍照。在一些实施例中，检测装置150可以将采集到的各种数据信息发送到交通数据预测系统100中的一个或多个设备中。例如，检测装置150可以将拍摄的图片或影像发送至服务器110进行处理，或存储设备120中进行存储。在一些实施例中，可以在城市道路的路口布设检测装置，用于交通数据的获取。所述检测装置可以选择设置在道路路口停止线或道路线的下方或者前后的一定范围内，所述检测装置还可以设置在道路路口的高处，其位置还可以设置在沿道路纵向设置的绿化带或隔离带。

图13是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。服务器110、存储设备120和检测装置150可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与交通数据预测系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(ROM)230或随机存储器(RAM)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图13中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。

本申请提出了一种交通数据预测方法。

图14所示了本申请实施例一种交通数据预测方法的步骤图：

在步骤1410中，获取检测装置所捕获的交通数据；

本实施例中，在城市的路口附近通过埋设在车道中间的检测装置获得通过所述路口的交通数据，所述数据可以包括实时的车流量数据，如图1所示，包括通过轮口各个方向的小型私家车，摩托车，人流，或大型客车的流量，所述流量可以通过具体设置的摄像头、传感器等检测装置来捕获。所述检测装置还可以检测路口的移动通信设备的信号情况，从而通过所在路口移动通信装置的数量情况来反映其交通情况，并进一步的作为预测的基础数据。所述检测装置还可以捕获市政道路占有率交通数据，例如在城市道路的不同方向的车道设置检测装置，可以检测某一时刻道路占用的比率。

如图2所示，在路口的各个进口车道方向安装检测器，每个检测器安装在距离停车线一定距离处。通过这种安装方式，可获得每个进口道的交通流数据，所述检测装置可以将捕获的数据发送至服务器进行分析和处理，通过求和、求平均，与单位时间相除等方式获得该路口的各种交通数据。

在步骤1420中，对所述交通数据进行有效性整理得到包含城市道路网路口总数和总时间戳记录的路口矩阵数据。

对所述捕获的交通数据进行合理性分析，剔除明显不合格、离差过大的数据。所述不合格的数据包括明显错误的全零数据。

将去掉明显错误的数据进行补全，所述数据的补全包括历史/未来平均值(中位数，众数)补全，将补全后的数据进行规整，得到N＊T的路口矩阵数据，其中N为城市道路网的路口总数，T为总时间戳记录个数。

然后针对真实情景下的状况，对于部分缺失的数据，进行历史/未来平均值补全法，即对于某一个缺失的时间点数据，按日向历史遍历，取同一时刻10日的平均值，若是不足10日则按日向未来遍历直至10。这样补全的数据可以应对路口检测装置失效多天的情况。

有上述方法，所述检测装置既获得了城市道路网所有路口的交通数据，其不仅包括空间位置的数据，还包括时间轴的数据。

在步骤1430中，基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵。

利用城市多路口的空间位置构建城市的路网图，接着根据路网图构建邻接矩阵，再利用邻接矩阵构建标准化拉普拉斯矩阵，得到一个N＊N的矩阵，其中N为城市道路网的路口总数。

在实际的交通方案执行过程中，交通数据的变化主要取决于城市道路网的拓扑结构，传统的方法无法充分利用道路网的拓扑信息。

GCN(Graph Convolutional Network：图形卷积神经网络)是一种能对图数据进行深度学习的方法。图形卷积神经网络发射每一个节点将自身的特征信息经过变换后发送给邻居节点，这一步是在对节点的特征信息进行抽取变换；然后接收每个节点将邻居节点的特征信息聚集起来，这一步是在对节点的局部结构信息进行融合；再变换把前面的信息聚集之后做非线性变换，增加模型的表达能力。

本申请中通过构建时间图形卷积神经网络模型，提高了交通流量预测的精确度。本实施例的T-GCN(Time-GCN：时间图形卷积神经网络)模型由两部分组成：图形卷积神经网络和门控循环单元。如图3所示。

将历史D个时间序列数据作为输入数据，所述D个时间序列数据中每个时刻拥有N个路口的数据。

利用图形卷积神经网络捕获城市道路网络的拓扑结构以获得空间特征，构建城市的路网图。

利用GCN模型在傅立叶域中构造滤波器，滤波器作用于图的节点及其一阶邻域以捕获节点之间的空间特征，然后可以通过堆叠多个卷积层来构建GCN模型。

如图4所示，假设节点1是中心路口，GCN模型可以获得中心路口与周围路口之间的拓扑关系，编码道路网络的拓扑结构和道路上的属性，然后获得空间依赖，构建邻接矩阵。

我们使用GCN模型来学习交通数据的空间特征，2层GCN模型可表示为：

其中，X代表该时刻的多路口特征矩阵，A代表邻接矩阵。

表明标准化拉普拉斯矩阵的预处理步骤，其中

代表自连接后的邻接矩阵，目的是为了利用卷积中心点的信息，

为度矩阵，

W₀与W₁代表第一层与第二层所需要学习的权重矩阵，σ()为sigmoid激活函数，Relu()为relu激活函数。

在步骤1440中，基于所述路口矩阵数据，将所述数据进行归一化处理得到无量纲的标准化数据并将所述标无量纲的准化数据划分为一个个维度为N＊D的路口矩阵数据样本。

根据数据的特性选择归一化类型，若是多路口交通流量等差值大的数据，则选择各个路口各自归一化。若是多路段平均速度，道路占有率等差值小的数据，则选择全局归一化。然后将归一化后的维度为N＊T的路口矩阵数据划分为一个个维度为N＊D的路口矩阵数据样本。

归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量，在多种计算中都经常用到这种方法。

在步骤1450中，将所述路口矩阵数据样本与所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型。

图15示出了本申请实施例T-GCN模型训练流程图。

在步骤1510中，将所述路口矩阵数据中获得的具有空间特征的时间序列输入到门控递归单元模型中，并通过单元之间的信息传输获得动态变化，捕获时间特征。

利用RNN(Recurrent Neural Network：循环神经网络)获取时间依赖性。RNN是一类用于处理序列数据的神经网络。时间序列数据是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度，其后面的数据跟前面的数据具有关系。

由于梯度消失和梯度爆炸等缺陷，传统的循环神经网络对长期预测具有局限性。LSTM(long short-term memory：长短期记忆)网络是RNN的一种变体。LSTM模型模型是递归神经网络的变体，并且已被证明可以解决上述问题。LSTM使用门控机制来记忆尽可能多的长期信息，并且对各种任务同样有效。然而，由于其结构复杂，LSTM具有较长的训练时间。

GRU(Gated Recurrent Unit：门控循环单元)是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。GRU模型具有相对简单的结构，较少的参数和较快的训练能力。GRU既然是LSTM的变体，因此也是可以解决RNN网络中的长依赖问题。

因此，本申请实施例中选择GRU模型来从交通数据中获得时间依赖性。具体结构如图5所示：

X_t表示时刻t的交通信息；

r_t是复位门，用于控制前一时刻忽略状态信息的程度；

u_t是更新门，用于控制前一次状态信息进入当前状态的程度；

c_t是在时间t存储的存储器内容；

h_t是时刻t的输出状态。

GRU通过将时刻t-1的隐藏状态和当前的交通信息作为输入，在时刻t获得交通状态。在捕获当前时刻的交通信息时，该模型仍保留历史交通信息的变化趋势，并具有捕捉时间依赖性的能力，如图16所示。

交通量随时间动态变化，主要反映在周期性和趋势上。如果不同时利用城市道路网数据的空间与时间信息，那么交通数据的预测的准确率将会下降，导致交通方案最终的实施效果不好，影响城市交通。在一些实施例中，可以使用最近90天的多路口交通历史数据作为训练集。

在步骤1520中，通过全连接层将所述空间特征和时间特征结合以获得具备空间依赖和时间动态的T-GCN模型。为了同时捕捉来自交通数据的空间和时间依赖性，将GCN与GRU相结合，如图6所示。

左侧是时空流量预测的过程，右侧是TGCN Cell的具体结构。

h_t-1表示t-1时刻的输出，GC是图卷积过程，r_t，u_t是t时刻的复位门、更新门。具体计算过程如下公式：

u_t＝σ(W_u[f(A，X_t)，h_t-1])+b_u) (公式2)

r_t＝σ(W_r[f(A，X_t)，h_t-1])+b_r) (公式3)

c_t＝tanh(W_c[f(A，X_t)，(r_t*h_t-1)]+b_c) (公式4)

h_t＝u_t*h_t-1+(1-u_t)*c_t (公式5)

其中f(A，X_t)代表图卷积过程，已在公式1中定义。

T-GCN模型可以处理复杂的空间依赖和时间动态。一方面，图形卷积神经网络用于捕获城市道路网络的拓扑结构，以获得空间依赖性。另一方面，门控循环单元用于捕获城市道路上交通信息的动态变化，以获得时间依赖性并最终实现交通预测。图8为时间图形卷积神经网络运算单元结构图。

在步骤1530中，将所述T-GCN模型的预测输出代入损失函数，进行迭代学习直至达到损失收敛，得到最终T-GCN模型。

损失函数在训练过程中，目标是最小化道路上的实际交通速度与预测值之间的误差。我们使用Y_t和

分别表示实际交通速度和预测交通速度。T-GCN模型的损失函数可以表示如下：

用于最小化实际交通速度和预测之间的误差；L_reg是L2正则化，防止过拟合。如图7示出了loss函数的变化趋势图。

损失收敛的指标有多种，在本实施例中，以达到预设的训练次数作为损失收敛的指标。当达到训练次数后，保存此刻得到的T-GCN模型参数，所述时刻的模型参数构成最终的T-GCN模型。

通常来说，T-GCN模型的评价指标包括下列内容：

RMSE(Root Mean Square Error：均方根误差)，是观测值与真值偏差的平方和与观测次数n比值的平方根，是用来衡量观测值同真值之间的偏差，其表示如下：

MAE(Mean Absolute Error：平均绝对误差)，是绝对误差的平均值，能更好地反映预测值误差的实际情况，其表示如下：

Accuracy(准确率)，如果取值为1时，模型就完美，越小效果就越差，其表示如下：

R2(决定系数)，也称判定系数或者拟合优度，它是表征回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何，其表示为：

Var(explainedvariancescore：解释方差分数)，这个指标用来衡量神经网络模型对数据集波动的解释程度，如果取值为1时，模型就完美，越小效果就越差，其表示如下：

在步骤1460中，将即时交通数据代入最终T-GCN模型计算输出预测交通数据。

即时交通数据归一化后代入最终T-GCN模型进行计算，将输出的预测结果再经过反归一化得到最终所需要的路口或路段的预测数据。通过多维训练数据的选取，本申请所述的T-GCN不仅适用于城市道路多路口交通流量的预测，也适用于其他多种指标的预测，例如速度、占有率、饱和度及排队长度等。

如图9(a)-图9(b)示出了多路口交通流量预测的评价指标对比，其中蓝色柱形为HA(历史平均)模型，棕色柱形为GRU模型，灰色柱形为T-GCN模型。

参考图9(a)，明显的看到相较于传统的HA模型与GRU模型来说，T-GCN的评价指标明显最优。其中RMSE，与MAE指标是越低越好。T-GCN模型在这两个指标下相较于历史平均模型下降了41.23％、36.88％；相较于GRU模型下降了4.36％、3.62％。

参考图9(b)，Accuracy、R2、Var是越大越好。T-GCN模型在这三个指标下相较于HA模型提升了5.8％、2.11％、2.12％；相较于GRU模型0.38％，0.1％，0.1％。因此，T-GCN模型对交通流量数据的预测准确性方面高于传统方法。

图10为HA模型其中一个路口的预测数据与真实数据的对比，其中蓝色实线为24小时内以5分钟为最小时间单位得到的实际交通流量统计，红色虚线为传统历史平均值方法得到的预测值，其R2系数为0.9320。

图11为T-GCN模型其中一个路口的预测数据与真实数据的对比，其R2系数为0.9752。可以发现T-GCN模型的预测效果明显优于传统的历史平均法，而且对于突变的数据(例如早高峰或晚高峰)具有相当强的鲁棒性，可以提高预测精准性。

图12为T-GCN模型下的长时预测，利用前12个时间点预测后6个时间点，即利用前一个小时的数据预测后半个小时多路口交通流量数据。我们可以看到相较于图10的预测，长时预测的预测精度并没有下降多少，具有较强的鲁棒性。

本申请还提出了一种交通工具控制方法，包括：基于上述实施例中交通数据预测方法确定目标途径的预测交通数据。所述交通工具的控制方法还至少基于所述目标途径的预测交通数据生成交通工具的控制指令和/或提示信息，导航指令和/或提示信息，从而对交通工具进行控制。所述交通工具包括例如，小型车，大型车，摩托车，电动车等。其具体实现的方法在前文中已经示出，在此处不再赘述。

本申请还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现上述实施例中交通数据预测方法中所述的操作。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内合有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

Claims (10)

1.一种交通数据预测方法，其特征在于，包括：

获取检测装置所捕获的交通数据；

对所述交通数据进行有效性整理得到维度为N＊T的路口矩阵数据，N为城市道路网的路口总数，T为总时间戳记录个数；

基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵；

将所述路口矩阵数据进行归一化处理得到无量纲的标准化数据，并将所述无量纲的准化数据划分为多个维度为N＊D的路口矩阵数据样本，D为历史时间序列数；

将所述路口矩阵数据样本和所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型；

将即时交通数据代入最终T-GCN模型计算输出预测交通数据。

2.如权利要求1所述的一种交通数据预测方法，其特征在于，

所述图形卷积神经网络模型为GCN模型；以及

所述空间特征具体设置为空间特征维度为N＊N，N为城市道路网的路口总数。

3.如权利要求2所述的一种交通数据预测方法，其特征在于，基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵包括：

基于所述路口矩阵数据的城市多路口的空间位置，通过GCN模型构建城市的路网图；

基于所述路网图，通过GCN模型获得中心路口遇周围路口之间的拓扑关系从而构建每个路口的邻接矩阵；

基于上述邻接矩阵构建标准化拉普拉斯矩阵，所述标准化拉普拉斯矩阵的维度为N＊N，其中N为城市道路网的路口总数。

4.如权利要求1所述的一种交通数据预测方法，其特征在于，将所述路口矩阵数据样本和所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型包括：

将所述路口矩阵数据中获得的具有空间特征的时间序列输入到门控递归单元模型中，通过单元之间的信息传输获得动态变化从而捕获时间特征；

通过全连接层将所述GCN模型的空间特征和所述门控循环单元的时间特征结合以获得具备空间依赖和时间动态的T-GCN模型；

将所述T-GCN模型的预测输出代入损失函数进行迭代学习直至达到损失收敛，得到最终T-GCN模型。

5.如权利要求1所述的一种交通数据预测方法，其特征在于，将所述路口矩阵数据进行归一化处理得到无量纲的标准化数据包括：根据数据的特性选择归一化类型；

若是多路口交通流量等差值大的数据，则选择各个路口各自归一化；

若是多路段平均速度，道路占有率等差值小的数据，则选择全局归一化。

6.如权利要求1所述的一种交通数据预测方法，其特征在于，所述T-GCN模型具体由GCN模型和GRU模型构成，所述GCN模型用于捕获城市道路网络的拓扑结构，以获得空间依赖性，所述GRU模型用于捕获城市道路上交通信息的动态变化，以获得时间依赖性并最终实现交通预测。

7.如权利要求1所述的一种交通数据预测方法，其特征在于，所述T-GCN模型的评价指标包括：均方根误差，平均绝对误差，确率，决定系数，解释方差分数。

8.一种交通工具控制方法，其特征在于，包括：

基于如权利要求1-7任一所述的方法确定目标途径的预测交通数据；

至少基于所述目标途径的预测交通数据生成交通工具的控制指令和/或提示信息，导航指令和/或提示信息。

9.一种交通数据预测装置，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行如权利要求1-7中任一所述的交通数据预测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现如权利要求1～7中任意一项所述的方法。

Images