CN111710154A - 一种高速公路交通流量预测方法 - Google Patents

Abstract

本发明提出了一种高速公路交通流量预测方法包括：将各监测点所采集数据构建成图结构并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关时空特征；借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；结合低维影响特征并运用注意力机制以赋予不同时间单位下时序数据权重，最后综合其他因素特征通过全连接层得到预测结果。采用多模态数据并使用神经网络训练，所得到的交通流量预测结果能够较为准确的根据历史时间片段预测未来时间片段高速交通流量。

Description

一种高速公路交通流量预测方法

【技术领域】

本发明涉及实时交通的技术领域，特别是一种高速公路交通流量预测方法。

【背景技术】

如今，通信技术等不断发展为出行人员及道路管理者提供了极大便利，同时也带来了新的挑战——如何运用包含大量反映路网交通流量预测是一个关系到交通引导、路线规划等不同交通决策的核心问题。该问题往往是在给定一段历史交通流量以及待预测路网分布后预测未来所有监测点上的流量分布情况。

在现有技术中，不能充分运用交通数据特点，如时序上的相近性、趋势性、周期性；空间上的相关性；其他因素对交通状况的影响程度等等。借助于大数据技术能提高交通流量预测准确性，尤其是高速公路流量预测准确性，现提出一种高速公路交通流量预测方法。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种高速公路交通流量预测方法，能够充分利用多模态数据特点准确预测交通流量。

为实现上述目的，本发明提出了一种高速公路交通流量预测方法，依次包括以下步骤：

S1.将各监测点所采集数据构建图结构，并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关的时空特征；

S2.借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；

S3.结合低维影响特征并运用注意力机制以赋予不同时间单位间隔下时序数据权重，最后综合其他影响因素特征通过全连接层得到预测结果。

作为优选，所述步骤S1中，对各监测点所采集数据构建图结构，并得到时空特征，具体包括如下步骤：

步骤a1、选取空间上监测点位置，并表示为通过欧式距离度量各监测点间相关性的邻接矩阵S_t；

步骤b1、获取各个监测点上交通数据，并按照时序排列，得到以时序长度为行数、监测点数为列数的矩阵F；

步骤c1、根据问题性质选取合适若干时间单位，并分别从步骤b1所述矩阵F中，得到若干连续时间片段，构建该时间单位间隔下的输入；

步骤d1、对步骤c1中各时间片段先后依次进行时序卷积、图卷积、时序卷积三次卷积运算，并根据问题需要重复若干次三次卷积运算，以得到不同时间单位间隔下的各个时空特征；当有效提取时空特征时，进入步骤e1，否则，重复时序卷积、图卷积、时序卷积三次卷积运算；

步骤e1、将不同时间单位间隔下的时空特征进行张量合并操作，得到时空特征HF_ST。

作为优选，所述步骤S2中，借助于嵌入技术得到低维影响特征，具体包括以下步骤：

步骤a2、选定影响交通流量预测结果的其他影响因素，并按时序排列；

步骤b2、根据问题性质选取合适若干时间片段上的影响因素，作为输入；

步骤c2、将输入的影响因素借助嵌入技术，将其嵌入至低维空间得到低维特征向量；

步骤d2、将所得到的各低维特征向量进行张量合并操作，得到低维影响特征HF_Inf。

作为优选，所述步骤S3中，借助于注意力机制，根据时空特征及低维影响特征，通过全连接层得到预测结果，具体包括以下步骤：

步骤a3、将低维影响特征HF_Inf通过全连接层，并将结果与时空特征HF_ST做矩阵乘法得到共享特征；

步骤b3、对共享特征做处理以作为时空特征HF_ST的权重；

步骤c3、通过若干全连接层得到预测结果。

作为优选，所述影响交通流量预测结果的其他影响因素包括出入口车型数据、日期数据。

本发明的有益效果：本发明通过将前一时间片段上的多模态数据作为神经网络的输入，得到反映交通流量的不同特征，并通过全连接层网络得到下一时间片段的预测结果。由于交通流量表现为非线性，同时受到时空特征、其他因素影响，因此采用多模态数据并使用神经网络训练，所得到的交通流量预测结果能够较为准确的根据历史时间片段预测未来时间片段高速交通流量。

本发明的特征及优点将通过实施例结合附图进行详细说明。

【附图说明】

图1是本发明一种高速公路交通流量预测方法的流程图；

图2是本发明一种高速公路交通流量预测方法的提取时空特征的流程图；

图3是本发明一种高速公路交通流量预测方法的提取低维影响特征的流程图；

图4是本发明一种高速公路交通流量预测方法的根据特征预测结果的流程图；

图5是时空维度上的路网模型；

图6是深度神经网络模型(C-STGCN)图；

图7是联系矩阵示意图。

【具体实施方式】

本发明实施例中，采用深度学习模型，包含若干时序卷积、空间卷积、嵌入技术、注意力机制，进行高速公路交通流量预测。为方便本领域技术人员能够更好实施方式，下面对基于数据特征的网络模型、时序卷积、空间卷积进行具体介绍：

1.1问题定义：

高速交通流量预测问题是给定历史观测数据X,起始时间t_c及间隔时间t_gap,由X预测时刻t_c+t_gap之后1小时内各个观测点通行量Y。其中t_gap的取值从5分钟开始,并按增量为5线性递增，根据问题定义，时间片段包含1小时的时间长度，并按照最小时间间隔5分钟得到片段起始点。每一时间片段由该片段起始点代表,则路网在以某一时刻t为起始时间的时间片段上容易构建成图，G_t＝{V_t,E_t,S_t,F_t},其中的V_t表示该t时间片段上路网中N个监测点的集合,E_t表示监测点间的道路，S_t表示短时监测点间的稳定联系并构成N×N的邻接矩阵，F_t表示各个监测点上所观测的流量，其中某个监测点v∈V_t上的流量为f_t ^(v)。图G_t用于存储该时间片段上的路网状态,即包含各监测点所观测流量及监测点间联系程度.因此，如图5在当前t_c时间片段前H小时h个时间片段上的路网

可以包含时序T＝{t_c-H-h,t_c-H-h+1,···,t_c-H}上高速交通流量序列

同理可表示当前t_c时间片段前D天d个时间片段上路网高速交通流量

以及前W周w个时间片段上的路网高速交通流量

除了考虑到路网数据所能提取的时空特征,其他影响因素也会对高速交通流量存在影响,如出入口车辆类型,日期类型.在某一时间片段t上,出入口M种车辆类型可构成

其中

代表t时间片段上第i种车辆类型通行数量,en,ex分别代表t时间片段上入口和出口；L种日期类别可构成

其中

代表相对时间片段t前j天的日期类型.

由t_c时间片段前所观测的数据

作为模型的一个输入,并通过模型预测得到t_c+t_gap时间片段上的流量

1.2模型结构

在该部分将介绍如图6所示的模型结构.该结构包含时空特征提取模块、影响因素特征提取模块以及预测输出模块三个部分。其中时空特征提取模块将

分别作为三组时空卷积网络模块的输入进而得到邻近时间、D天前、W周前的时空特征；影响因素特征提取将VF,DF分别做嵌入操作得到隐藏特征并结合时空特征,通过注意力机制得到共享特征；最后,共享特征通过全连接层预测t_c+t_gap时间片段上的流量。

1.2.1时空特征提取

由于高速交通流量预测中越来越多研究关注到时空特征能显著提升预测精度,所提出的深度神经网络模型同样具有从时序和空间中提取相关特征的能力.在时序T上,将

中每一监测点所统计流量

作为输入，通过时序卷积层(TemporalConvolutional Layer,TCL)分别得到各个监测点上三个时序相近性特征.其过程可描述为所观测高速交通流量分布采用大小为(K_H，1)，(K_D，1)(K_W，1)的卷积核做卷积操作,并将所得到的结果通过Sigmod激活函数后结合当前输入数据作为所提取的特征,具体可表示为：

上式(1)中TF(1，i)表示所提取时序特征，Φ(1，i)表示卷积核，*，+，×分别表示卷积运算，元素间加法，元素间哈达玛积。i∈{H，D，W}用于区别式(1)、(3)、(4)中邻近时间、前D周、前W周的数据或特征。

整个路网中各监测点间由不同道路相连通,其中蕴含高速交通流量预测所需的静态空间特征.从t时间片段上的联系矩阵S_t中获取静态空间联系，并用拉普拉斯矩阵L重构该图结构,可描述为：

L＝I_N-D^-1/2S_tD^-1/2＝UΛU^T (2)

其中I_N表示维数为N的单位阵,D为对角度矩阵,Λ是拉普拉斯矩阵的特征值矩阵,U为正交傅里叶基.图卷积层(Graph Convolution Layer,GCL)实现过程中采用切比雪夫级数近似图卷积操作，并通过ReLU激活函数以获得在t时间片段上的空间特征GF,即

其中T_k(·)是第k项切比雪夫级数,

λ_max是L的最大特征值.

在获取静态空间特征之后,不同监测点间在时序上相互影响的动态空间特征由另一时序卷积层负责提取.卷积层仍采用相同大小的卷积核Φ_(2,i)并采用ReLU作为激活函数,表示为：

TF_(2，i)＝ReLU(Φ_(2，i)*GF_i+GF_i) (4)

最后,如图6所示将

所提取得到的特征进行合并得到HF_ST后传输至影响因素特征提取模块。

1.2.2影响因素特征提取

由于高速交通流量预测问题会受到其他因素的影响,因此所提出的模型中存在用于提取多源数据中共享特征的模块。流量在时序上具有相近性、趋势性、周期性，有必要从时空特征提取模块所得到的特征中提取时序的周期性。各监测点上高速交通流量不仅受到高速出入口通行车辆影响,而且受群众在不同日期选择不同行程安排影响.为高效提取相关影响特征,高速出入口不同车型数量、日期等通过嵌入技术将其映射至低维特征空间进行合并得到HF_Inf。此后,HF_ST及影响因素低维特征HF_Inf借助全连接层融合至共享特征空间,并获得共享权重.通过以下方式获取：

HF_share＝(W·HF_Inf+b)·HF_ST (5)

由共享特征决定时序中相近性、趋势性、周期性在高速交通流量预测上的重要程度,同时结合HF_Inf作为最后模型所提取的特征HF_ST·Z+HF_Inf,其中·表示内积运算，内积运算之后,如图6所示将其输入至由全连接构成的输出层中输出预测结果

1.3参数设定及模型训练

最后,该部分将介绍如何设置模型参数并在Py-Torch框架下对所提出深度网络模型进行训练.根据在所涉及路网上任意两个监测点间的最长行驶时间为30分钟左右,历史窗口被设定为h＝12个时间片段,即选取在H＝1小时内的12个高速交通流量数据,以确保在邻近时间内获得时序上相近特征；此外,为得到时序上趋势性和周期性特征并考虑模型性能,确定D＝1,d＝9,W＝1,w＝9,即前1天9个连续时间片段的高速交通流量数据和前1周9个时间片段的高速交通流量数据.在不同车型以及不同日期也会对高速交通流量产生影响的情况下,由数据所给字段取值范围确定车辆类型数目M为7；同时确定日期类型L为3类：工作日、休息日和节假日.除数据参数选定外,为提取

中时空特征的卷积网络层TCL和GCL设置卷积通道依次为1,32,64,64,32,128,并选用K_H,K_D,K_W,K_G均为3的卷积核.考虑到实验编码过程复杂性,对

作为输入的网络层采用相同设置.文中所做嵌入操作中,将车型数量映射至1维空间并以统计得到的最大车型数量确定映射范围；日期特征同样映射至1空间并结合组合情况确定映射范围.最后,模型采用学习率为0.001的Adam优化器,均方误差作为损失函数训练模型.在上述设定及依据欧式距离确定联系矩阵S_t之后,将预处理后数据按批量大小为50的数据块分批次输入、归一化处理后,模型进行15轮训练.联系矩阵S_t的选定由式(7)表示,式中σ²，∈用于调控各节点相互联系,dis为欧式距离.

本文假设按照上述操作训练所得到的C-STGCN模型(基于数据特征的深度神经网络模型)已具有提取时空特征能力,进而通过贝叶斯优化方法调整联系矩阵S_t以得到更能度量静态空间特征的的数值表示.由欧式距离确定的S_t和对应模型所得到的的MAPE指标作为先验,通过先进的Hashing-enhanced Subspace Bayesian Optimization(HeSBO)算法将联系矩阵嵌入至二维空间以调整所提出模型需输入的S_t,并选用对应MAPE指标最小的联系矩阵作为新的静态空间特征.在确定如图7所示的新联系矩阵后,C-STGCN模型被重新训练得到新模型.

在本发明实施例的技术方案中，将各监测点所采集数据构建图结构并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关时空特征；借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；结合低维影响特征并运用注意力机制以赋予不同时间单位下时序数据权重，最后综合其他因素特征通过全连接层预测结果。

本发明实施例中，采用深度学习模型，包含若干时序卷积、空间卷积、嵌入技术、注意力机制，进行高速公路交通流量预测。为方便本领域技术人员能够更好实施方式，下面对时序卷积、空间卷积进行具体介绍：

时序卷积用于提取时序特征，具体地：

上式(1)中TF_(1，i)表示所提取时序特征，Φ_(1，i)表示卷积核，*，+，×分别表示卷积运算，元素间加法，元素间哈达玛积。

图卷积用于提取空间特征，此处通过切比雪夫级数近似的方式提取空间特征，具体地：

整个路网中各监测点间由不同道路相连通,其中蕴含高速交通流量预测所需的静态空间特征.从t时间片段上的联系矩阵S_t中获取静态空间联系，并用拉普拉斯矩阵L重构该图结构,可描述为：

L＝I_N-D^-1/2S_tD^-1/2＝UΛU^T (2)

其中I_N表示维数为N的单位阵,D为对角度矩阵,Λ是拉普拉斯矩阵的特征值矩阵,U为正交傅里叶基.图卷积层(Graph Convolution Layer,GCL)实现过程中采用切比雪夫级数近似图卷积操作，并通过ReLU激活函数以获得在t时间片段上的空间特征GF,即

其中T_k(·)是第k项切比雪夫级数,

λ_max是L的最大特征值.

以下结合说明书附图，对本发明实施例进行进一步说明。

本发明实施例一提供一种用于高速公路交通流量预测方法，其流程图如图1所示，方法包括以下步骤：

步骤S1、选取监测点、采集交通数据，选取合适时间单位下间隔作为输入并得到时空特征，该步骤又可细分得如图2，可选地：

a1.选择个监测点作为数据来源，并借助欧式距离衡量各监测点间相关性，数学表达为：

式中i、j表示第i、j个监测点，并考虑上下车道间不相关，σ²，∈用于控制监测点间相关性；

b1.收集监测点上所收集到的数据，并按照时序排序，借助线性插值、均值等方式处理异常数据，得到时间片段，以5分钟为区间，则可得到一天内288个时间片段；

c1.可选临近连续的H个时间片段F_H、前D天连续的d个时间片段F_D、前W周连续的W个时间片段F_W，并将其作为输入；

d1.分别对F_H，F_D，F_W做时序卷积操作，分别得到时序特征；

分别对所得到时序特征通过图卷积运算提取空间特征；

并对上一步特征做时序卷积运算得到，最终时空特征，并判断是否有效提取时空特征，若已提取则进入步骤e1；否则，返回步骤d1；

e1.将F_H，F_D，F_W所提取得到的时空特征，通过张量合并操作得到时序特征。

步骤S2、评估其他因素与预测结果的相关性，选取其中影响因素，并借助嵌入技术将其嵌入至低维特征空间，该步骤又可细分得到如图3，可选地：

a2.选择出入口车型数量、日期等影响因素，并按时序排列后处理数据；

b2.选取当前时间片段上出入口各车型数量、日期等日期特征，其中车型种类为7种、日期分为工作日、休息日3种；

c2.分别将出入口各车型数量、日期映射至一维空间中，其他影响因素是具体情况而定；

d2.将所得到低维影响特征，通过张量合并操作得到影响特征。

步骤S3、综合所提取时空特征、低维影响特征，预测交通流量，该步骤又可细分得到图四，可选地：

a3.借助所提取时空特征及低维影响特征得共享特征；

b3.通过共享特征得到F_H，F_D，F_W所提取时空特征对于预测时间片段的影响程度，数学表示为：

HF_share＝(W·HF_Inf+b)·HF_ST (5)

c3.将通过全连接层，得到下一时间片段预测结果，判断是否得到所需时间片段下结果，若已得到预测结果，进入步骤d3；否则，进入下一全连接层预测；

d3.输出该方法下的预测结果。

上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (5)

1.一种高速公路交通流量预测方法，其特征在于：依次包括以下步骤：

S1.将各监测点所采集数据构建图结构，并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关的时空特征；

S2.借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；

S3.结合低维影响特征并运用注意力机制以赋予不同时间单位间隔下时序数据权重，最后综合其他影响因素特征通过全连接层得到预测结果。

2.如权利要求1所述的一种高速公路交通流量预测方法，其特征在于：所述步骤S1中，对各监测点所采集数据构建图结构，并得到时空特征，具体包括如下步骤：

步骤a1、选取空间上监测点位置，并表示为通过欧式距离度量各监测点间相关性的邻接矩阵S_t；

步骤b1、获取各个监测点上交通数据，并按照时序排列，得到以时序长度为行数、监测点数为列数的矩阵F；

步骤c1、根据问题性质选取合适若干时间单位，并分别从步骤b1所述矩阵F中，得到若干连续时间片段，构建该时间单位间隔下的输入；

步骤d1、对步骤c1中各时间片段先后依次进行时序卷积、图卷积、时序卷积三次卷积运算，并根据问题需要重复若干次三次卷积运算，以得到不同时间单位间隔下的各个时空特征，当有效提取时空特征时，进入步骤e1，否则，重复时序卷积、图卷积、时序卷积三次卷积运算；

步骤e1、将不同时间单位间隔下的时空特征进行张量合并操作，得到时空特征HF_ST。

3.如权利要求1所述的一种高速公路交通流量预测方法，其特征在于：所述步骤S2中，借助于嵌入技术得到低维影响特征，具体包括以下步骤：

步骤a2、选定影响交通流量预测结果的其他影响因素，并按时序排列；

步骤b2、根据问题性质选取合适若干时间片段上的影响因素，作为输入；

步骤c2、将输入的影响因素借助嵌入技术，将其嵌入至低维空间得到低维特征向量；

步骤d2、将所得到的各低维特征向量进行张量合并操作，得到低维影响特征HF_Inf。

4.如权利要求1至3中的任一项所述的一种高速公路交通流量预测方法，其特征在于：所述步骤S3中，借助于注意力机制，根据时空特征及低维影响特征，通过全连接层得到预测结果，具体包括以下步骤：

步骤a3、将低维影响特征HF_Inf通过全连接层，并将结果与时空特征HF_ST做矩阵乘法得到共享特征；

步骤b3、对共享特征做处理以作为时空特征HF_ST的权重；

步骤c3、通过若干全连接层得到预测结果。

5.如权利要求3所述的一种高速公路交通流量预测方法，其特征在于：所述影响交通流量预测结果的其他影响因素包括出入口车型数据、日期数据。

Images