CN112396236B - 一种交通流量预测方法、系统、服务器和存储介质 - Google Patents
一种交通流量预测方法、系统、服务器和存储介质 Download PDFInfo
- Publication number
- CN112396236B CN112396236B CN202011329039.XA CN202011329039A CN112396236B CN 112396236 B CN112396236 B CN 112396236B CN 202011329039 A CN202011329039 A CN 202011329039A CN 112396236 B CN112396236 B CN 112396236B
- Authority
- CN
- China
- Prior art keywords
- term
- short
- long
- flow data
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 230000007774 longterm Effects 0.000 claims abstract description 134
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 11
- 150000001875 compounds Chemical class 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能交通控制的技术领域,尤其是涉及一种交通流量预测方法、系统、服务器和存储介质。其方法包括:获取在所述目标时段之前采集的交通流量数据,对所述交通流量数据进行筛分,从而获得短期流量数据和长期流量数据,再根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;之后对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果。通过区分长期流量数据和短期流量数据的方式,结合图卷积网络的数据处理功能,可以有效增强预测结果的准确性。
Description
技术领域
本申请涉及智能交通控制的技术领域,尤其是涉及一种交通流量预测方法、系统、服务器和存储介质。
背景技术
智能运输系统(ITS,Intelligent Transportation System)通过将先进的信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制技术、运筹学、人工智能等学科成果综合运用于交通运输、服务控制和车辆制造等领域,加强了车辆、道路和使用者之间的联系。
流量预测作为ITS的重要组成部分之一,主要是通过全面分析交通数据中的时空信息来预测目标时段的交通流量,以达到辅助使用者在目标时段进行交通管理的目的。
在相关技术中,一般会应用卷积神经网络(Convolutional Neural Networks,CNNs)、递归神经网络(Recurrent Neural Networks, RNNs)和图卷积网络(Graphconvolutional Networks, GCNs)来处理交通数据中的时空信息,这其中,由于图卷积网络的性能较好,所以在实际应用中得到了较为广泛的使用。
但因为缺乏有效的数据处理措施,所以图卷积网络不能较好地分析交通数据中时间信息和空间信息之间的相关性,故而导致目标时段的流量预测结果的准确性欠佳。
发明内容
针对相关技术存在的不足,本发明目的一是提供一种交通流量预测方法,其具有提高目标时段的流量预测结果准确性的特点。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种交通流量预测方法,该方法包括:
获取在所述目标时段之前采集的交通流量数据,所述交通流量数据用于说明城市路网的车辆通行状况;
对所述交通流量数据进行筛分,从而获得短期流量数据和长期流量数据,所述短期流量数据的采集时段与所述目标时段相邻,所述长期流量数据的采集时段与所述目标时段在前几周内的相同时段相邻;
根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;
对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果,所述预测结果用于预测城市路网在所述目标时段内的车辆通行状况。
通过采用上述技术方案,相关技术中,一般会采集目标时段前几周内的交通流量数据,并将上述交通流量数据按采集时间的先后顺序,有序输入图卷积网络中,从而获得用于预测目标时段的车辆通行状况的预测结果;但在实际应用中,由于交通流量数据不仅会以24小时作为一个小时间周期,还会以一周七天作为一个大时间周期,并在上述小时间周期和大时间周期内呈现非规则的波动情况,因此会导致上述预测结果的准确性欠佳;
而本申请通过区分长期流量数据和短期流量数据的方式,可以分别获得经过图卷积网络处理的长期时空特征和短期时空特征,这其中,长期时空特征用于指示目标时段在大时间周期内的变化趋势,而短期时空特征则用于指示目标时段在小时间周期内的变化特点,后续通过加权计算的方式,汇总短期时空特征和长期时空特征的时空信息,便可获得准确度较高的预测结果。
可选的,所述根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息包括:
通过所述图卷积网络所包含的图卷积公式提取所述时空信息,其中,所述图卷积公式为:
通过采用上述技术方案,利用上述图卷积公式,可以在保障预测结果准确性的基础上,提高预测结果的处理效率。
可选的,所述对应于所述短期流量数据/长期流量数据的带权邻接矩阵的生成过程包括:
根据所述短期流量数据,生成第一邻接矩阵;
根据预设的权重分配公式和所述第一邻接矩阵,生成对应于所述短期流量数据的带权邻接矩阵;
根据所述长期流量数据,生成第二邻接矩阵;
根据所述权重分配公式和所述第二邻接矩阵,生成对应于所述长期流量数据的带权邻接矩阵。
通过采用上述技术方案,利用权重分配公式,来使上述图卷积公式的输入数据的真实性得到进一步增强,从而达到提升预测结果准确性的目的。
可选的,在根据所述图卷积网络,对所述短期流量数据和所述长期流量数据进行处理之前,所述方法还包括;
根据预设的时序关联机制,对所述短期流量数据和所述长期流量数据进行处理,从而分别获得具备时序关系的短期流量数据和具备时序关系的长期流量数据,所述时序关系用于说明,短期流量数据/长期流量数据中任一节点在连续时间内对相邻节点的影响。
通过采用上述技术方案,由于实际的城市路网中,在空间位置上相邻的两条道路,其各自对应的交通流量数据会在连续时间内存在较强的关联性,所以会通过连接短期流量数据/长期流量数据内的相邻时段的方式,来对城市路网中相邻道路的交流流量数据在时间上的相关性进行表达,从而使输入上述图卷积公式内的数据真实性得到进一步增强,以达到提升预测结果准确性的目的。
可选的,所述根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征包括:
根据所述图卷积公式,对所述短期流量数据和长期流量数据进行处理,并将每个隐藏层的表达直接输出到最后一层,从而分别拼接得到所述短期时空特征和所述长期时空特征。
通过采用上述技术方案,利用将每个隐藏层的表达直接输出到最后一层的方式,使得图卷积网络能根据不同隐藏层所表达的特征信息,对图卷积网络中每个节点所聚合信息进行调整,从而达到提升预测结果准确性的目的。
可选的,所述对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果包括:
对所述短期时空特征和所述长期时空特征进行拼接,从而获得目标结果集;
遍历所述目标结果集内的每个元素,并比对所述元素与所述目标时段的时空特征的相似程度,从而获得与所述目标结果集内多个元素一一对应的元素权重;
根据所述多个元素权重,对所述目标结果集进行加权计算,从而获得所述预测结果。
通过采用上述技术方案,利用相似度比对的方式,来为目标结果集内的多个元素分配对应的元素权重,以使最终所获得的预测结果得以具备较好的准确性。
本申请目的二是提供一种交通流量预测系统,具有提高目标时段的流量预测结果准确性的特点。
本申请的上述发明目的二是通过以下技术方案得以实现的:
一种交通流量预测系统,包括:
路侧传感器,用于采集交通流量数据,所述交通流量数据用于说明城市路网的车辆通行状况;
获取装置,用于获取在所述目标时段之前采集的交通流量数据;
筛分装置,用于对所述交通流量数据进行分类,从而获得短期流量数据和长期流量数据,所述短期流量数据的采集时段与所述目标时段相邻,所述长期流量数据的采集时段与所述目标时段在前几周内的相同时段相邻;
预测装置,用于根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;
所述预测装置还用于,对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果,所述预测结果用于预测城市路网在所述目标时段内的车辆通行状况。
通过采用上述技术方案,相关技术中,一般会采集目标时段前几周内的交通流量数据,并将上述交通流量数据按采集时间的先后顺序,有序输入图卷积网络中,从而获得用于预测目标时段的车辆通行状况的预测结果;但在实际应用中,由于交通流量数据不仅会以24小时作为一个小时间周期,还会以一周七天作为一个大时间周期,并在上述小时间周期和大时间周期内呈现非规则的波动情况,因此会导致上述预测结果的准确性欠佳;
而本申请通过区分长期流量数据和短期流量数据的方式,可以分别获得经过图卷积网络处理的长期时空特征和短期时空特征,这其中,长期时空特征用于指示目标时段在大时间周期内的变化趋势,而短期时空特征则用于指示目标时段在小时间周期内的变化特点,后续通过加权计算的方式,汇总短期时空特征和长期时空特征的时空信息,便可获得准确度较高的预测结果。
可选的,所述卷积装置具体用于:通过所述图卷积网络所包含的图卷积公式提取所述时空信息,其中,所述图卷积公式为:
通过采用上述技术方案,利用上述图卷积公式,可以在保障预测结果准确性的基础上,提高预测结果的处理效率。
本申请目的三是提供一种服务器,具有提高目标时段的流量预测结果准确性的特点。
本申请的上述发明目的三是通过以下技术方案得以实现的:
一种服务器,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行上述任一种交通流量预测方法的计算机程序。
通过采用上述技术方案,相关技术中,一般会采集目标时段前几周内的交通流量数据,并将上述交通流量数据按采集时间的先后顺序,有序输入图卷积网络中,从而获得用于预测目标时段的车辆通行状况的预测结果;但在实际应用中,由于交通流量数据不仅会以24小时作为一个小时间周期,还会以一周七天作为一个大时间周期,并在上述小时间周期和大时间周期内呈现非规则的波动情况,因此会导致上述预测结果的准确性欠佳;
而本申请通过区分长期流量数据和短期流量数据的方式,可以分别获得经过图卷积网络处理的长期时空特征和短期时空特征,这其中,长期时空特征用于指示目标时段在大时间周期内的变化趋势,而短期时空特征则用于指示目标时段在小时间周期内的变化特点,后续通过加权计算的方式,汇总短期时空特征和长期时空特征的时空信息,便可获得准确度较高的预测结果。
本申请目的四是提供一种计算机存储介质,具有提高目标时段的流量预测结果准确性的特点。
本申请的上述发明目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,存储有能够被处理器加载并执行上述任一种交通流量预测方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过区分长期流量数据和短期流量数据的方式,来提高预测结果的准确性;
2.通过图卷积公式,提升预测结果的计算效率;
3.通过时序关联机制,来使图卷积公式内所输入的短期流量数据和长期流量数据的真实性得到进一步增强,并提升预测结果的准确性。
附图说明
图1是本申请实施例一中的一种交通流量预测方法的流程图;
图2是本申请实施例一中用于说明时序关联机制的示例图;
图3是本申请实施例二中的一种交通流量预测系统的结构示意图;
图4是本申请实施例三中的一种服务器的结构示意图。
图中,2100、路侧传感器;2200、获取装置;2300、筛分装置;2400、卷积装置;2500、预测装置;2600、时序装置。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
实施例一:
一种交通流量预测方法,参考图1,其具体包括如下步骤:
1100、服务器获取在所述目标时段之前采集的交通流量数据。
其中,上述交通流量数据用于说明城市路网的车辆通行状况。
具体的,通过在城市路网中各个道路口所预先设置的路侧传感器,来将各个道路口抽象为图结构数据的各个节点,而图结构数据中用于连接各个节点的边线,则用于指示位于同一道路上的不同路侧传感器之间的位置关系。
上述路侧传感器用于对其所在道路口的车流速进行测算采集,从而形成用于说明各个道路口的交通状况的通行数据。
根据上述图结构数据和同各个节点一一对应的通行数据,生成上述交通流量数据。
车流速为单位时间间隔内道路口的平均车数,在本申请实施例中,单位时间间隔为30分钟,需要说明的是,在实际应用中,单位时间间隔可以为15分钟、20分钟或25分钟等,即可以依据实际需要对单位时间间隔进行适应性调整,本申请实施例对具体的单位时间间隔并不加以限定。
需要说明的是,在实际应用中,上述路侧传感器可以为地磁传感器。
1200、服务器对交通流量数据进行筛分,从而获得短期流量数据和长期流量数据。
其中,上述短期流量数据用于说明,采集时段与目标时段相邻的交通流量数据。
上述长期流量数据用于说明,采集时段与目标时段在前几周内的相同时段相邻的交通流量数据。
示例性的,假定目标时段为2020年1月22日的12:00至13:00(周三)。
则目标时段在前几周内的相同时段则可以为:
2020年1月1日的12:00至13:00(周三);
2020年1月8日的12:00至13:00(周三);
2020年1月15日的12:00至13:00(周三)。
根据上述短期流量数据的定义,在本示例中,短期流量数据的采集时间则可以为采集时间在2020年1月22日09:30至12:00。
而根据上述长期流量数据的定位,在本示例中,长期流量数据的采集时间则可以为:
2020年1月1日的10:30至12:00;
2020年1月1日的13:00至14:30;
2020年1月8日的10:30至12:00;
2020年1月8日的13:00至14:30;
2020年1月15日的10:30至12:00;
2020年1月15日的13:00至14:30。
由于实际应用中,交通路网中各道路口的车辆通行状况会以24小时为一个小时间周期,同时以一周七天作为一个大时间周期,在上述小时间周期和大时间周期内呈现非规则的波动状况。
即在一周七天内,每一天的交通峰值时段均有所差异,同时在每一天内,基于当天的实际交通状况,其交通峰值的出现时段也会有所波动,基于此原因,相关技术将未加以区分的交通流量数据直接导入图卷积网络的方式,会造成图卷积网络所获得预测结果的准确性欠佳。
但本申请通过区分短期流量数据和长期流量数据的方式,把与目标时段处于同一小时间周期的交通流量数据归于短期流量数据一类,而将与目标时段处于不同大时间周期的交通流量数据归于长期流量数据一类;后续经由图卷积网络的处理,从长期流量数据中获取目标时段在大时间周期内的变化趋势;从短期流量数据中获取目标时段在小时间周期内的变化特点,最后通过加权计算的方式,来汇总得到准确度较高的预测结果。
需要说明的是,在实际应用中,短期流量数据/长期流量数据的采集时间所跨域的时间长度须为上述单位时间间隔的n倍,n为大于或等于3的正整数。
可选的,在执行步骤1300之前,还可以通过预设的时序关联机制,对短期流量数据和长期流量数据进行处理,从而分别获得具备时序关系的短期流量数据和具备时序关系的长期流量数据。
这其中,时序关系主要用于说明,短期流量数据/长期流量数据中任一节点在连续时间内对相邻节点的影响。
以下将结合示例对时序关联机制进行具体阐释。
这其中,节点A1与节点B1所指示的路侧传感器相同,节点A2与节点B2所指示的路侧传感器相同,节点A3与节点B3所指示的路侧传感器相同。
因为在实际生活中,空间位置上相互邻近的两条道路,其各自所对应的道路通行状况在一定时段内会存在较强的关联性,即对于两条相互邻接的道路A和道路B来说,若道路A在T时刻处于拥堵状态,因为受到道路A的拥堵状态的波及,所以原本处于畅通状态的道路B在T+1时刻将有较大概率变为拥堵状态。
为充分说明相邻道路在连续时间内的相关性,便会通过上述时序关联机制对短期流量数据和长期流量数据进行处理,以使短期流量数据和长期流量数据均具备时序关系,并令图卷积网络的输入数据与城市路网的实际状况更加贴合,从而获得准确性更高的预测结果。
1300、服务器根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征。
具体的,通过所述图卷积网络所包含的图卷积公式提取上述时空信息,并分别生成短期时空特征和长期时空特征。
这其中,上述图卷积公式为:
上述对应于短期流量数据的带权邻接矩阵的生成过程可以为:
根据所述短期流量数据,生成第一邻接矩阵。
根据预设的权重分配公式和所述第一邻接矩阵,生成对应于所述短期流量数据的带权邻接矩阵。
上述权重分配公式则可以为:
上述对应于长期流量数据的带权邻接矩阵的生成过程可以为:
根据所述长期流量数据,生成第二邻接矩阵。
根据预设的权重分配公式和所述第二邻接矩阵,生成对应于所述长期流量数据的带权邻接矩阵。
由于第二邻接矩阵的生成过程与第一邻接矩阵的生成过程相似,加之对应于长期流量数据的带权邻接矩阵同对应于短期流量数据的带权邻接矩阵的生成过程相似,所以为避免重复说明,在此便不再赘述。
并且,为使图卷积网络能根据不同隐藏层所表达的特征信息,对图卷积网络中每个节点所聚合信息进行调整,本实施例所述方法还会通过将每个隐藏层的表达直接输出到最后一层,并采用concatenation方法将每个隐藏层的输出拼接得到,后续再利用最大池化方法确定每个节点选择的接受域:。
上述长期时空特征的具体生成过程可以为:
上述注意力公式可以为:
通过比对长期流量数据中的时空特征与目标时段的时空特征的相似程度,在结合注意力机制的基础上,汇总得到长期时空特征的方式,可以有效保留长期流量数据中对预测结果影响较大的时空信息,从而令后续所获得的预测结果的准确性得到进一步提升。
1400、服务器对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果。
其中,上述预测结果用于预测城市路网在目标时段内的车辆通行状况。
具体的,步骤1400的执行过程可以为:
1401、对所述短期时空特征和所述长期时空特征进行拼接,从而获得目标结果集。
1402、遍历所述目标结果集内的每个元素,并比对所述元素与所述目标时段的时空特征的相似程度,从而获得与所述目标结果集内多个元素一一对应的元素权重。
具体的,上述元素权重的计算过程可以为:
1403、根据所述多个元素权重,对所述目标结果集进行加权计算,从而获得所述预测结果。
具体的,上述预测结果的加权计算过程可以为:
实施例二:
本申请实施例提供了一种交通流量预测系统,参照图3所示,该系统包括:
路侧传感器2100,用于采集交通流量数据,所述交通流量数据用于说明城市路网的车辆通行状况;
获取装置2200,用于获取在所述目标时段之前采集的交通流量数据;
筛分装置2300,用于对所述交通流量数据进行分类,从而获得短期流量数据和长期流量数据,所述短期流量数据的采集时段与所述目标时段相邻,所述长期流量数据的采集时段与所述目标时段在前几周内的相同时段相邻;
卷积装置2400,用于根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;
预测装置2500,用于对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果,所述预测结果用于预测城市路网在所述目标时段内的车辆通行状况。
可选的,上述卷积装置2400包括用于提取所述时空信息的图卷积公式:
可选的,上述卷积装置2400包括处理子模块,所述处理子模块用于生成对应于所述短期流量数据/长期流量数据的带权邻接矩阵;
上述处理子模块具体用于:
根据所述短期流量数据,生成第一邻接矩阵;
根据预设的权重分配公式和所述第一邻接矩阵,生成对应于所述短期流量数据的带权邻接矩阵;
根据所述长期流量数据,生成第二邻接矩阵;
根据所述权重分配公式和所述第二邻接矩阵,生成对应于所述长期流量数据的带权邻接矩阵。
可选的,上述交通流量预测系统2还包括:
时序装置2600,用于在根据所述图卷积网络,对所述短期流量数据和所述长期流量数据进行处理之前,根据预设的时序关联机制,对所述短期流量数据和所述长期流量数据进行处理,从而分别获得具备时序关系的短期流量数据和具备时序关系的长期流量数据,所述时序关系用于说明,短期流量数据/长期流量数据中任一节点在连续时间内对相邻节点的影响。
可选的,上述卷积装置2400具体用于:
根据所述图卷积公式,对所述短期流量数据和长期流量数据进行处理,并将每个隐藏层的表达直接输出到最后一层,从而分别拼接得到所述短期时空特征和所述长期时空特征。
可选的,上述预测装置2500具体用于:
对所述短期时空特征和所述长期时空特征进行拼接,从而获得目标结果集;
遍历所述目标结果集内的每个元素,并比对所述元素与所述目标时段的时空特征的相似程度,从而获得与所述目标结果集内多个元素一一对应的元素权重;
根据所述多个元素权重,对所述目标结果集进行加权计算,从而获得所述预测结果。
实施例三:
本申请实施例提供了一种服务器3,参照图4所示,该服务器3包括存储器3100、处理器3200,服务器3中处理器3200的数量可以是一个或多个,图3中以一个处理器3200为例;设备中的存储器3100、处理器3200可以通过总线或其他方式连接,图3中以通过总线连接为例。
存储器3100作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的交通流量预测方法对应的程序指令/模块(例如,实施例二中的获取装置2200、卷积装置2400和预测装置2500等)处理器3200通过运行存储在存储器3100中的软件程序、指令以及模块,从而执行设备/终端/设备的各种功能应用以及数据处理,即实现上述的交通流量预测方法。
其中,处理器3200用于运行存储在存储器3100中的计算机程序,实现如下步骤:
获取在所述目标时段之前采集的交通流量数据,所述交通流量数据用于说明城市路网的车辆通行状况;
对所述交通流量数据进行筛分,从而获得短期流量数据和长期流量数据,所述短期流量数据的采集时段与所述目标时段相邻,所述长期流量数据的采集时段与所述目标时段在前几天内的相同时段相邻,且所述长期流量数据的采集时段早于所述短期流量数据的采集时段;
根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;
对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果,所述预测结果用于预测城市路网在所述目标时段内的车辆通行状况。
其中一个实施例中,本申请实施例所提供的一种计算机设备,其计算机程序不限于如上的方法操作,还可以执行本申请任意实施例所提供的交通流量预测方法中的相关操作。
存储器3100可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器3100可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器3100可进一步包括相对于处理器3200远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例四:
本申请实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种交通流量预测方法,该方法包括:
获取在所述目标时段之前采集的交通流量数据,所述交通流量数据用于说明城市路网的车辆通行状况;
对所述交通流量数据进行筛分,从而获得短期流量数据和长期流量数据,所述短期流量数据的采集时段与所述目标时段相邻,所述长期流量数据的采集时段与所述目标时段在前几天内的相同时段相邻,且所述长期流量数据的采集时段早于所述短期流量数据的采集时段;
根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;
对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果,所述预测结果用于预测城市路网在所述目标时段内的车辆通行状况。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的一种交通流量预测方法中的相关操作。
本申请实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
终上所述,本申请通过多个路侧传感所采集的数据来完成对城市路网的图结构建模,从而得到用于说明城市路网在目标时段之前的车辆通行状况的交通流量数据,并使用图卷积网络来提取上述交通流量数中的时空信息,再根据上述时空信息与目标时段的时空特征的相似性分配不同权重,最终获得准确性较高的预测结果。
并且,为了全面考虑交通流量数据的时空相关性,还通过时序关联机制对上述交通流量数据进行了预处理,以便更好地表征城市路网的不同道路口之间的时空相关性。
然后还通过区分长期流量数据和短期流量数据的方式,进一步增强了所获得预测结果的准确性。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种交通流量预测方法,其特征在于,所述方法包括:
获取在目标时段之前采集的交通流量数据,所述交通流量数据用于说明城市路网的车辆通行状况;
对所述交通流量数据进行筛分,从而获得短期流量数据和长期流量数据,所述短期流量数据的采集时段与所述目标时段相邻,所述长期流量数据的采集时段与所述目标时段在前几周内的相同时段相邻;
根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;
对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果,所述预测结果用于预测城市路网在所述目标时段内的车辆通行状况;
所述对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果包括:
对所述短期时空特征和所述长期时空特征进行拼接,从而获得目标结果集;
遍历所述目标结果集内的每个元素,并比对所述元素与所述目标时段的时空特征的相似程度,从而获得与所述目标结果集内多个元素一一对应的元素权重;
根据所述多个元素权重,对所述目标结果集进行加权计算,从而获得所述预测结果。
3.根据权利要求2所述的方法,其特征在于,所述对应于所述短期流量数据/长期流量数据的带权邻接矩阵的生成过程包括:
根据所述短期流量数据,生成第一邻接矩阵;
根据预设的权重分配公式和所述第一邻接矩阵,生成对应于所述短期流量数据的带权邻接矩阵;
根据所述长期流量数据,生成第二邻接矩阵;
根据所述权重分配公式和所述第二邻接矩阵,生成对应于所述长期流量数据的带权邻接矩阵。
4.根据权利要求3所述的方法,其特征在于,在根据所述图卷积网络,对所述短期流量数据和所述长期流量数据进行处理之前,所述方法还包括;
根据预设的时序关联机制,对所述短期流量数据和所述长期流量数据进行处理,从而分别获得具备时序关系的短期流量数据和具备时序关系的长期流量数据,所述时序关系用于说明,短期流量数据/长期流量数据中任一节点在连续时间内对相邻节点的影响。
5.根据权利要求2所述的方法,其特征在于,所述根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征包括:
根据所述图卷积公式,对所述短期流量数据和长期流量数据进行处理,并将每个隐藏层的表达直接输出到最后一层,从而分别拼接得到所述短期时空特征和所述长期时空特征。
6.一种交通流量预测系统,其特征在于,包括:
路侧传感器,用于采集交通流量数据,所述交通流量数据用于说明城市路网的车辆通行状况;
获取装置,用于获取在目标时段之前采集的交通流量数据;
筛分装置,用于对所述交通流量数据进行分类,从而获得短期流量数据和长期流量数据,所述短期流量数据的采集时段与所述目标时段相邻,所述长期流量数据的采集时段与所述目标时段在前几周内的相同时段相邻;
卷积装置,用于根据预设的图卷积网络,提取所述短期流量数据和所述长期流量数据中的时空信息,并分别生成短期时空特征和长期时空特征;
预测装置,用于对所述短期时空特征和所述长期时空特征进行加权处理,从而生成预测结果,所述预测结果用于预测城市路网在所述目标时段内的车辆通行状况;
预测装置具体用于:对所述短期时空特征和所述长期时空特征进行拼接,从而获得目标结果集;遍历所述目标结果集内的每个元素,并比对所述元素与所述目标时段的时空特征的相似程度,从而获得与所述目标结果集内多个元素一一对应的元素权重;根据所述多个元素权重,对所述目标结果集进行加权计算,从而获得所述预测结果。
8.一种服务器,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至5中任一种方法的计算机程序。
9.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至5中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329039.XA CN112396236B (zh) | 2020-11-24 | 2020-11-24 | 一种交通流量预测方法、系统、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329039.XA CN112396236B (zh) | 2020-11-24 | 2020-11-24 | 一种交通流量预测方法、系统、服务器和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112396236A CN112396236A (zh) | 2021-02-23 |
CN112396236B true CN112396236B (zh) | 2021-11-19 |
Family
ID=74607656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011329039.XA Active CN112396236B (zh) | 2020-11-24 | 2020-11-24 | 一种交通流量预测方法、系统、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112396236B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495506B (zh) * | 2022-02-23 | 2023-07-28 | 复旦大学 | 基于车流预测和强化学习的多路口信号灯控制系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286793B2 (en) * | 2012-10-23 | 2016-03-15 | University Of Southern California | Traffic prediction using real-world transportation data |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测系统、方法及模型训练方法 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
-
2020
- 2020-11-24 CN CN202011329039.XA patent/CN112396236B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
Non-Patent Citations (1)
Title |
---|
T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction;Ling Zhao 等;《https://arxiv.org/pdf/arXiv:1811.05320v3》;20181231;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112396236A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Third-eye: A mobilephone-enabled crowdsensing system for air quality monitoring | |
US20170286845A1 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
KR101563406B1 (ko) | 하둡 기반의 대용량 불균형 데이터 분류분석 시스템 및 방법 | |
US20180246926A1 (en) | Data maturity management | |
Lee et al. | A prediction model of traffic congestion using weather data | |
CN111144648B (zh) | 人流量预测设备及方法 | |
Song et al. | A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
US20240054321A1 (en) | Traffic prediction | |
US11157194B2 (en) | Automated predictive tiered storage system | |
US11195412B2 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
US20160239750A1 (en) | Geographical condition prediction | |
CN112396236B (zh) | 一种交通流量预测方法、系统、服务器和存储介质 | |
CN111738474A (zh) | 交通状态预测方法和装置 | |
CN115017990B (zh) | 一种交通流量预测方法、装置、设备及存储介质 | |
WO2022022059A1 (en) | Context aware anomaly detection | |
CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
Petelin et al. | Models for forecasting the traffic flow within the city of Ljubljana | |
US11410675B2 (en) | Collecting audio signatures using a wireless device | |
CN113205227A (zh) | 一种车辆线路优化方法及装置 | |
CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
CN110472991B (zh) | 数据处理方法、装置、服务器及存储介质 | |
Leal | Traffic Analysis and Prediction in Urban Areas | |
Haridass et al. | Electricity Consumption Data Analysis Using Spark Framework |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |