CN111260919A

CN111260919A - 交通流量预测方法

Info

Publication number: CN111260919A
Application number: CN202010044078.9A
Authority: CN
Inventors: 范晓亮; 郑传潘; 闫旭; 王程
Original assignee: Xiamen University
Current assignee: Xiamen University
Priority date: 2020-01-15
Filing date: 2020-01-15
Publication date: 2020-06-09
Anticipated expiration: 2040-01-15
Also published as: CN111260919B

Abstract

本发明公开了一种交通流量预测方法，包括以下步骤：获取多个节点采集的交通状况数据和每个节点对应的定位信息；根据所述定位信息计算每个节点对应的空间向量，并根据所述交通状况数据和所述空间向量生成时空向量；根据所述时空向量和所述交通状况数据计算每个节点对应的空间加权值和时间加权值，并对所述空间加权值和所述时间加权值进行门控融合，以得到融合值，以及根据所述融合值对未来交通流量进行预测；能够实现对未来交通状况的准确预测，提高预测结果的可参考性。

Description

交通流量预测方法

技术领域

本发明涉及交通预测技术领域，特别涉及一种交通流量预测方法。

背景技术

随着社会的发展，城市交通日渐拥堵。为了解决这一问题，对城市交通进行有效预测，以使得人们可以根据预测结果进行出行的有效规划，或者，相关部门根据预测结果进行相应的管制，以提高人们的出行效率。

相关技术中，在对交通流量进行预测时，由于交通状况之间存在着动态的空间相关性和非线性的时间相关性，难以动态地选择相关的传感器数据进行交通状况的预测；导致预测结果误差较大；参考性较低。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种交通流量预测方法，能够实现对未来交通状况的准确预测，提高预测结果的可参考性。

为达到上述目的，本发明第一方面实施例提出了一种交通流量预测方法，获取多个节点采集的交通状况数据和每个节点对应的定位信息；根据所述定位信息计算每个节点对应的空间向量，并根据所述交通状况数据和所述空间向量生成时空向量；根据所述时空向量和所述交通状况数据计算每个节点对应的空间加权值和时间加权值，并对所述空间加权值和所述时间加权值进行门控融合，以得到融合值，以及根据所述融合值对未来交通流量进行预测。

根据本发明实施例的交通流量预测方法，首先，获取多个节点采集的交通状况数据和每个节点对应的定位信息；接着，根据获取到的定位信息计算每个节点所对应的空间向量，并根据交通状况数据和空间向量生成时空向量；然后，根据时空向量和交通状况数据计算每个节点对应的空间加权值和时间加权值，并对空间加权值和时间加权值进行门控融合，以得到的融合值，以及根据融合值对未来交通流量进行预测；从而实现对未来交通状况的准确预测，提高预测结果的可参考性。

另外，根据本发明上述实施例提出的交通流量预测方法还可以具有如下附加的技术特征：

可选地，所述交通状况数据包括节点信息和每个节点信息对应的时间步信息，其中，根据所述定位信息计算每个节点对应的空间向量，并根据所述交通状况数据和所述空间向量生成时空向量，包括：根据所述定位信息计算节点间的路网距离，并根据所述路网距离计算节点邻接矩阵，以及根据所述节点邻接矩阵计算每个节点对应的空间向量；根据所述时间步信息计算每个节点对应的时间向量，并根据所述空间向量和所述时间向量生成时空向量。

可选地，所述交通状况数据包括每个节点信息对应的流量值，其中，根据所述时空向量和所述交通状况数据计算每个节点对应的空间加权值和时间加权值，包括：根据所述流量值计算节点的流量特征向量，并根据所述流量特征向量和所述时空向量计算节点间空间相关值，以及根据所述节点间空间相关值计算节点间空间注意力参数；根据所述节点间空间注意力参数和所述流量特征向量计算节点间的空间加权值；根据所述流量特征向量和所述时空向量计算节点时间相关值，并根据所述节点时间相关值计算节点的时间注意力参数，以及根据所述节点的时间注意力参数和所述流量特征向量计算节点的时间加权值。

可选地，所述节点间空间相关值根据以下公式计算：

其中，

表示节点v和节点v_i之间的空间相关值，

表示节点_i在时间步t_j的时空向量，

表示节点的流量特征向量。

可选地，所述节点间空间注意力参数根据以下公式计算：

其中，

表示节点v和节点v_i之间的空间相关值，

表示节点v和节点v_i之间注意力参数。

可选地，所述节点的空间加权值通过以下公式计算：

其中，

示节点的空间加权值，V表示所有节点的集合，

表示节点v和节点v_i之间注意力参数，

表示节点的流量特征向量。

可选地，所述节点时间相关值通过以下公式计算：

其中，

表示节点时间相关值，

和

分别表示第k头注意力的两种不同非线性转换操作，

表示节点的流量特征向量，

表示节点_i在时间步t_j的时空向量。

可选地，所述节点的时间注意力参数根据以下公式计算：

其中，

表示节点的时间注意力参数，

表示节点在时间步t_j和时间步t的时间相关值，

表示节点在时间步t_j和时间步t_r的时间相关，

表示时间步t_j之前的一组时间步长。

可选地，所述节点的时间加权值通过以下公式计算：

其中，

表示节点的时间加权值，

表示节点的时间注意力参数，

表示非线性转换操作，

表示节点的流量特征向量。

可选地，根据以下公式进行未来交通流量的预测：

其中，

表示未来交通流量值，

表示预测时间步与历史时间步的相关值，

表示非线性转换操作，

表示节点的流量特征向量。

附图说明

图1为根据本发明实施例的交通流量预测方法的流程示意图；

图2为根据本发明实施例的交通流量预测模型的结构示意图；

图3为根据本发明实施例的空间注意力机制的示意图；

图4为根据本发明实施例的时间注意力机制的示意图；

图5为根据本发明实施例的转移注意力机制的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

相关技术中，在对交通流量进行预测时，难以动态地对交通状况进行预测，预测结果误差较大，参考性较低；根据本发明实施例的交通流量预测方法，首先，获取多个节点采集的交通状况数据和每个节点对应的定位信息；接着，根据获取到的定位信息计算每个节点所对应的空间向量，并根据交通状况数据和空间向量生成时空向量；然后，根据时空向量和交通状况数据计算每个节点对应的空间加权值和时间加权值，并对空间加权值和时间加权值进行门控融合，以得到的融合值，以及根据融合值对未来交通流量进行预测；从而实现对未来交通状况的准确预测，提高预测结果的可参考性。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1为根据本发明实施例的交通流量预测方法的流程示意图，如图1所示，该交通流量预测方法包括以下步骤：

S101，获取多个节点采集的交通状况数据和每个节点对应的定位信息。

也就是说，获取道路中传感器节点采集到的交通状况数据，以及每个传感器节点所对应的定位信息(例如，经纬度信息)。

其中，交通状况数据所包含的信息可以有多种。

作为一种示例，交通状况数据包括节点信息和每个节点信息对应的时间步信息。

作为另一种示例，交通状况数据包括节点信息、每个节点信息对应的时间步信息和每个节点信息对应的流量值。

作为又一种示例，交通状况数据中包含了传感器节点对应的节点ID，进一步地，该交通状况数据包含时间步信息，例如，将1天划分为T个时间步，并记录交通状况数据对应的日期(例如，星期几，即一周中的第几天)和该日期中的第几个时间步(例如，将一天划分为4个时间步，则17点为一天中的第3个时间步)，以形成交通状况数据对应的时间步信息；同时，交通状况数据还包含传感器节点采集到的交通流量值。

S102，根据定位信息计算每个节点对应的空间向量，并根据交通状况数据和空间向量生成时空向量。

其中，根据定位信息计算每个节点对应的空间向量，并根据交通状况数据和空间向量生成时空向量的方式可以有多种。

作为一种示例，根据定位信息计算每个节点对应的空间向量，并根据交通状况数据和空间向量生成时空向量，包括：

根据定位信息计算节点间的路网距离，并根据路网距离计算节点邻接矩阵，以及根据节点邻接矩阵计算每个节点对应的空间向量；

根据时间步信息计算每个节点对应的时间向量，并根据空间向量和时间向量生成时空向量。

在本发明的一个实施例中，如图2所示，图2为根据本发明实施例的交通流量预测模型的框架示意图，如图2所示，该交通流量预测模型为编码器-解码器结构，编码器和解码器均包含L个ST时空注意力模块，其中，每个ST时空注意力模块均由一个门控融合器将时间注意力机制模块和空间注意力机制模块融合组成；在编码器和解码器之间，通过一个转移注意力层，将已编码的流量特征转移到解码器，以通过时空嵌入向量STE，将路网的图结构和交通流的时间信息融合到多注意力机制中；其中，所有层都产生D维的输出，以便网络的残差连接。

具体地，首先，使用全连接层将历史观测值X∈R^P×N×C转换为H⁽⁰⁾∈R^P×N×D，然后，将H⁽⁰⁾与L个ST时空注意力块一起输入编码器，并产生输出H^(L)∈R^P×N×D。在编码器之后，添加转移注意力层，将编码的特征H^(L)转移生成将来的序列表示H^(L+1)∈R^Q×N×D。接下来，解码器在H^(L+1)上堆叠L个ST时空注意力块，并产生输出为H^(2L+1)∈R^Q×N×D。最后，使用一个全连接层产生Q个时间步的预

其中，根据定位信息计算每个节点对应的空间向量包括：

将每个传感器节点作为节点v_i，接着，根据每个节点的定位信息计算节点之间的路网距离

然后，根据以下公式计算邻接矩阵：

其中，σ表示标准差，∈用于控制邻接矩阵的稀疏性，优选的，∈的取值为0.1。

接着，将路网信息纳入预测模型，具体地，利用node2vec的方法来学习节点表示，然后，将这些向量输入到两层全连接的神经网络中，最终得到空间向量

其中v_i∈V。

其中，根据交通状况数据和空间向量生成时空向量包括：

首先，生成时间向量，可知，空间向量仅能提供静态表示，而不能表示路网中交通传感器之间的动态相关性；因此，进一步地将每个时间步编码为一个向量的时域嵌入方法；具体地，将1天划分为T个时间步，并使用one-hot编码方式，将一周的第几天和一天的第几个时间步编码到向量空间R⁷和R^T，并将它们连接为一个R^T+7的向量。然后，应用两层全连接的神经网络将时间特征转换为向量R^D。模型中，嵌入了历史P时间步的时间特征和将来Q时间步的时间特征，表示为

其中t_j＝t₁,…,t_P,…,t_P+Q。

接着，将空间向量和时间向量进行融合，以生成时空向量，具体地，对于时间步t_j的顶点v_i，时空向量(STE)定义为：

S103，根据时空向量和交通状况数据计算每个节点对应的空间加权值和时间加权值，并对空间加权值和时间加权值进行门控融合，以得到融合值，以及根据融合值对未来交通流量进行预测。

也就是说，根据时空向量和交通状况数据分别计算每个节点所对应的空间加权值和时间加权值，进一步地，通过门控融合器对空间加权值和时间加权值进行融合，以得到融合值，以便在后续根据该融合值对未来交通流量进行预测。

其中，根据时空向量和交通状况数据计算每个节点对应的空间加权值和时间加权值的方式可以有多种。

作为一种示例，根据时空向量和交通状况数据计算每个节点对应的空间加权值和时间加权值包括：根据流量值计算节点的流量特征向量，并根据流量特征向量和时空向量计算节点间空间相关值，以及根据节点间空间相关值计算节点间空间注意力参数；根据节点间空间注意力参数和流量特征向量计算节点间的空间加权值；根据流量特征向量和时空向量计算节点时间相关值，并根据节点时间相关值计算节点的时间注意力参数，以及根据节点的时间注意力参数和流量特征向量计算节点的时间加权值。

作为另一种示例，首先，设置L个时空注意力模块，每个时空注意力模块包括一个空间注意力机制模块、时间注意力机制模块和一个门口融合器。对于时空注意力模块，其输入为H^(l-1)，其中，节点v_i在时间步t_j的隐藏状态为

空间注意力机制模块和时间注意力机制模块的输出分别为

和

节点v_i在时间步t_j的隐藏状态为

和

和

经过一个门控融合器，最终得到第l个ST时空注意力块的整个输出H⁽¹⁾。

在本发明的一些实施例中，如图3所示，本发明实施例通过建立空间注意力机制来进行节点对应的空间加权值的计算。在计算每个节点对应的空间加权值时，首先，根据流量值计算节点的流量特征向量，并根据流量特征向量和时空向量计算节点间空间相关值，该节点间空间相关值根据以下公式计算：

其中，

表示节点v和节点v_i之间的空间相关值，

表示节点_i在时间步t_j的时空向量，

表示节点的流量特征向量。

可以理解，在一定的时间步内，当前交通状况和路网结构都会影响传感器之间的相关性；例如，道路拥堵可能会严重影响其邻近道路的交通状况，因此，同时考虑交通特征和图结构来学习注意力分数；即言，将输入的隐藏状态

与时空向量

连接起来，并采用缩放的点积方法来计算节点间的相关性。

接着，根据节点间空间相关值来计算节点间空间注意力参数，其中，该节点间空间注意力参数通过以下公式计算：

其中，

表示节点v和节点v_i之间的空间相关值，

表示节点v和节点v_i之间注意力参数，||为连接操作，<■,■>为内积操作，2表示

的维度。然后使用softmax函数对

正则化，以获得注意力分数

进一步地，可以根据节点间注意力参数来更新隐藏状态，即言，计算节点的空间加权值，其中，节点的空间加权值通过以下公式计算：

其中，

示节点的空间加权值，V表示所有节点的集合，

表示节点v和节点v_i之间注意力参数，

表示节点的流量特征向量。

需要说明的是，为了稳定学习过程，我们将空间注意机制扩展为多头注意力机制。具体而言：在

上应用不同非线性转换操作，并将并行的注意力机制连接起来：

其中，

分别表示第k头注意力的三种不同的非线性转换操作(见公式2)，各生成d＝D/K维的输出。整个模块的最终输出为D维的

如图4所示，本发明通过建立时间注意力机制来进行节点的时间加权值的计算，在进行节点的时间加权值的计算时，首先，根据流量特征向量和时空向量计算节点时间相关值，其中，该节点时间相关值根据以下公式计算：

其中，

表示节点时间相关值，

和

分别表示第k头注意力的两种不同非线性转换操作，

示节点的流量特征向量，

表示节点_i在时间步t_j的时空向量。

可以理解，同一个位置的交通状况与其历史的观察结果相关，并且，相关性随时间的推移呈非线性的变化(例如，早上高峰时段发生的交通拥堵可能会影响未来几个小时的交通状况)。为了对这一属性进行建模，设计了时间注意力机制，以自适应地对不同时间步之间的非线性相关性进行建模。

接着，根据节点时间相关值计算节点的时间注意力参数，该时间注意力参数根据以下公式计算：

其中，

示第k头的注意力分数，用于表示时间步t对于时间步t_j的重要性，

表示节点在时间步t_j和时间步t的时间相关值，

表示节点在时间步t_j和时间步t_r的时间相关值，

表示时间步t_j之前的一组时间步长。

然后，根据时间注意力参数和流量特征向量计算节点的时间加权值，其中，该时间加权值根据以下公式计算：

其中，

表示节点的时间加权值，

表示节点的时间注意力参数，

表示非线性转换操作，

表示节点的流量特征向量。

在一些实施例中，由于道路某一时间步的交通状况与该道路的历史交通状况及其他道路交通状况相关，因此，设计了门控融合器来自适应地融合空间表征和时间表征。如图2所示，在第l块中，时空注意力机制的输出被表示为：两者在编码器和解码器中的形状均为R^P×N×D和R^Q×N×D，于是融合

和

其中，W_z,1∈R^D×D,_z,2∈R^D×D，b_z∈R^D均为科学系参数，⊙表示矩阵对应元素相乘操作，σ(■)为sigmoid激活函数，z为门控融合器，将时间注意力机制模块和空间注意力机制模块融合，三者组成了一个ST时空注意力块。门控融合机制自适应地控制了各顶点在各时间步的时空依赖关系。

第l个ST时空注意力块的最终输出为D维的H^(l)。

在本发明的一些实施例中，在根据融合值进行未来交通流量的预测时，根据以下公式进行未来交通流量的预测：

其中，

表示未来交通流量值，

表示预测时间步与历史时间步的相关值，

表示非线性转换操作，

表示节点的流量特征向量。

需要说明的是，交通流量可以是数值化的交通流量，也可以是数值化的交通流速，在此不对其进行限定。

在本发明的一些实施例中，如图5所示，为了缓解长时预测的误差传播效应，在编码器和解码器之间增加转移注意力层，它对未来每个时间步和历史每个时间步之间的直接关系进行建模，以转换已编码的交通特征，生成未来表示，从而输入解码器。具体而言：对于顶点v_i，预测时间步t_j＝t_P+1,…,t_P+Q与历史时间步t＝t₁,…,t_P之间的相关性

其中，

表示预测时间步t_j和历史时间步t的相关性，

是第k头的注意力分数，表示历史时间步t对预测时间步t_j的重要性，

表示第k头注意力的两种不同的非线性转换操作(见公式2)。得到注意力分数后，用注意力得分

自适应选择历史P个时间步的相关特征，然后将编码后的流量特征转移到解码器，将顶点v_i在时间步t_j的隐藏状态

更新如下：

表示第k头注意力的一种非线性转换操作，公式14,15和16中的可学习参数通过并行计算在所有顶点和时间步上共享。转移注意力机制模块的最终输出为D维的H^(l)。

从而，采用如上方法进行计算之后，即可通过将预测值和实际值间的平均绝对误差(MAE)最小化，使用反向传播算法对GMAN进行端到端的训练，损失函数如下：

其中，Θ表示GMAN中所有的可学习参数。

可以理解，在根据如上述的方法进行交通预测模型的训练之后，可以得到训练好的交通预测模型；进而，可以根据该交通预测模型进行未来交通状况的预测。

即言，首先，可以对交通状况数据和交通传感器的定位信息进行数据预处理，并给予预处理后的数据，输入历史数据通过上述的多层注意力图神经网络交通预测模型对未来交通状况进行预测，并进行逆标准化后输出预测结果。

综上所述，根据本发明实施例的交通流量预测方法，首先，获取多个节点采集的交通状况数据和每个节点对应的定位信息；接着，根据获取到的定位信息计算每个节点所对应的空间向量，并根据交通状况数据和空间向量生成时空向量；然后，根据时空向量和交通状况数据计算每个节点对应的空间加权值和时间加权值，并对空间加权值和时间加权值进行门控融合，以得到的融合值，以及根据融合值对未来交通流量进行预测；从而实现对未来交通状况的准确预测，提高预测结果的可参考性。

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。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

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，则可对这些实施例作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进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明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。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。