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 PDF

Info

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
Application number
CN202011329039.XA
Other languages
English (en)
Other versions
CN112396236A (zh
Inventor
赵凯迪
韩定定
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202011329039.XA priority Critical patent/CN112396236B/zh
Publication of CN112396236A publication Critical patent/CN112396236A/zh
Application granted granted Critical
Publication of CN112396236B publication Critical patent/CN112396236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种交通流量预测方法、系统、服务器和存储介质
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：
Figure 414303DEST_PATH_IMAGE001
；
式中：GCN(y)为图卷积网络公式，y=
Figure 269127DEST_PATH_IMAGE002
，其中，
Figure 452459DEST_PATH_IMAGE002
表示图卷积网络的第
Figure 50930DEST_PATH_IMAGE003
个隐藏层；当
Figure 68565DEST_PATH_IMAGE004
=2时，
Figure 828710DEST_PATH_IMAGE002
=
Figure 299006DEST_PATH_IMAGE005
，
Figure 701169DEST_PATH_IMAGE005
表示图卷积网络的输入层；
Figure 573310DEST_PATH_IMAGE006
表示图卷积网络的第
Figure 769936DEST_PATH_IMAGE004
个隐藏层，
Figure 727527DEST_PATH_IMAGE004
为正整数且
Figure 151292DEST_PATH_IMAGE004
大于等于2；
Figure 877939DEST_PATH_IMAGE007
表示对应于所述短期流量数据/长期流量数据的带权邻接矩阵；
Figure 245467DEST_PATH_IMAGE008
和
Figure 690354DEST_PATH_IMAGE009
为可训练参数；
Figure 168740DEST_PATH_IMAGE010
为激活函数，
Figure 749894DEST_PATH_IMAGE011
=
Figure 22744DEST_PATH_IMAGE012
，
Figure 954928DEST_PATH_IMAGE011
为所述激活函数的输入参数。
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：
Figure 237005DEST_PATH_IMAGE001
；
式中：GCN(y)为图卷积网络公式，y=
Figure 203824DEST_PATH_IMAGE002
，其中，
Figure 910224DEST_PATH_IMAGE002
表示图卷积网络的第
Figure 64125DEST_PATH_IMAGE003
个隐藏层；当
Figure 149892DEST_PATH_IMAGE004
=2时，
Figure 174480DEST_PATH_IMAGE002
=
Figure 585870DEST_PATH_IMAGE005
，
Figure 227067DEST_PATH_IMAGE005
表示图卷积网络的输入层；
Figure 850946DEST_PATH_IMAGE006
表示图卷积网络的第
Figure 526778DEST_PATH_IMAGE004
个隐藏层，
Figure 577911DEST_PATH_IMAGE004
为正整数且
Figure 709333DEST_PATH_IMAGE004
大于等于2；
Figure 402483DEST_PATH_IMAGE007
表示对应于所述短期流量数据/长期流量数据的带权邻接矩阵；
Figure 667242DEST_PATH_IMAGE008
和
Figure 889276DEST_PATH_IMAGE009
为可训练参数；
Figure 239486DEST_PATH_IMAGE010
为激活函数，
Figure 939589DEST_PATH_IMAGE011
=
Figure 324434DEST_PATH_IMAGE012
，
Figure 982948DEST_PATH_IMAGE011
为所述激活函数的输入参数。
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。
示例性的，如图2所示，在连续的时间序列中，存在采集时间相邻的
Figure 86033DEST_PATH_IMAGE013
和
Figure 855406DEST_PATH_IMAGE014
两个短期流量数据（短期流量数据即虚线方框所示，短期流量数据
Figure 91828DEST_PATH_IMAGE015
或
Figure 921244DEST_PATH_IMAGE014
的时间长度均为1个单位时间间隔）。
在
Figure 777204DEST_PATH_IMAGE016
短期流量数据中，其部分图结构包括相互连接的三个节点A1、A2和A3。
在
Figure 350268DEST_PATH_IMAGE017
短期流量数据中，其部分图结构包括相互连接的三个节点B1、B2和B3。
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。
为完成
Figure 709705DEST_PATH_IMAGE018
和
Figure 710022DEST_PATH_IMAGE014
两个短期流量数据的连接，便通过图示的三条虚线，为节点A1与节点B1，节点A1与节点B2，节点A1与节点B3均设置相应的连边关系，从而将
Figure 522121DEST_PATH_IMAGE015
和
Figure 164454DEST_PATH_IMAGE014
两个短期流量数据连接为具备时序关系的短期流量数据。
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：
Figure 643977DEST_PATH_IMAGE001
；
式中：GCN(y)为图卷积网络公式，y=
Figure 815196DEST_PATH_IMAGE002
，其中，
Figure 380169DEST_PATH_IMAGE002
表示图卷积网络的第
Figure 560615DEST_PATH_IMAGE003
个隐藏层；当
Figure 894644DEST_PATH_IMAGE004
=2时，
Figure 227975DEST_PATH_IMAGE002
=
Figure 280244DEST_PATH_IMAGE005
，
Figure 998802DEST_PATH_IMAGE005
表示图卷积网络的输入层；
Figure 187338DEST_PATH_IMAGE006
表示图卷积网络的第
Figure 965938DEST_PATH_IMAGE004
个隐藏层，
Figure 239924DEST_PATH_IMAGE004
为正整数且
Figure 762172DEST_PATH_IMAGE004
大于等于2；
Figure 70794DEST_PATH_IMAGE007
表示对应于所述短期流量数据/长期流量数据的带权邻接矩阵；
Figure 20296DEST_PATH_IMAGE008
和
Figure 515999DEST_PATH_IMAGE009
为可训练参数；
Figure 841938DEST_PATH_IMAGE010
为激活函数，
Figure 5066DEST_PATH_IMAGE011
=
Figure 125469DEST_PATH_IMAGE012
，
Figure 374048DEST_PATH_IMAGE011
为所述激活函数的输入参数。
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。
其中，上述第一邻接矩阵为
Figure 235169DEST_PATH_IMAGE019
，其具体的定义公式可以为：
Figure 252803DEST_PATH_IMAGE020
式中，其中
Figure 544107DEST_PATH_IMAGE021
表示短期流量数据中的节点
Figure 279982DEST_PATH_IMAGE022
，
Figure 947724DEST_PATH_IMAGE023
表示短期流量数据中的节点
Figure 819865DEST_PATH_IMAGE024
，若节点
Figure 282070DEST_PATH_IMAGE022
和节点
Figure 505241DEST_PATH_IMAGE024
之间存在连线，则
Figure 711095DEST_PATH_IMAGE025
值为1，否则，
Figure 703321DEST_PATH_IMAGE026
值为0。
上述权重分配公式则可以为：
Figure 336428DEST_PATH_IMAGE027
式中：
Figure 781316DEST_PATH_IMAGE028
和
Figure 790860DEST_PATH_IMAGE029
表示所述短期流量数据中相连接的任意两个节点；
Figure 637593DEST_PATH_IMAGE030
表示
Figure 444531DEST_PATH_IMAGE031
和
Figure 376715DEST_PATH_IMAGE029
两个节点所对应的路侧传感器在城市路网中的实际距离；
Figure 924371DEST_PATH_IMAGE032
表示标准差；
Figure 891190DEST_PATH_IMAGE033
表示以自然常数e为底的指数函数；
Figure 600520DEST_PATH_IMAGE034
表示
Figure 285579DEST_PATH_IMAGE031
和
Figure 636926DEST_PATH_IMAGE029
两个节点之间连线的权重。
当第一邻接矩阵
Figure 192672DEST_PATH_IMAGE019
中各个元素按上述权重分配公式获得权重值以后，便获得了对应于所述短期流量数据的带权邻接矩阵
Figure 604062DEST_PATH_IMAGE035
。
需要说明的是，当短期流量数据经过上述时序关联机制处理后，由于节点之间的相互连接，导致其所对应生成的带权邻接矩阵将变为
Figure 510838DEST_PATH_IMAGE036
。
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
Figure 134718DEST_PATH_IMAGE037
，后续再利用最大池化方法确定每个节点选择的接受域：
Figure 76129DEST_PATH_IMAGE038
。
这其中，
Figure 392841DEST_PATH_IMAGE039
为第
Figure 786913DEST_PATH_IMAGE004
个隐藏层的输出。
这之后，根据上述图卷积公式所获得的短期时空特征则为
Figure 211554DEST_PATH_IMAGE040
，
Figure 7471DEST_PATH_IMAGE041
表示短期流量数据所在时间长度对单位时间间隔的倍数；而所获得的长期时空特征则为
Figure 760664DEST_PATH_IMAGE042
，
Figure 376453DEST_PATH_IMAGE043
表示长期流量数据中所跨越的天数。
上述长期时空特征的具体生成过程可以为：
根据上述图卷积公式获得长期流量数据中每个时间片段对应的时空特征
Figure 607714DEST_PATH_IMAGE044
，其上标用于表示第
Figure 258138DEST_PATH_IMAGE004
天，其下标用于表示第
Figure 182232DEST_PATH_IMAGE045
个时间片段。
根据预设的注意力公式，对上述多个时空特征
Figure 285317DEST_PATH_IMAGE044
进行加权计算，从而生成长期时空特征
Figure 320269DEST_PATH_IMAGE046
。
上述注意力公式可以为：
Figure 559621DEST_PATH_IMAGE047
式中，
Figure 654616DEST_PATH_IMAGE048
为长期时空特征中的一个元素，其上标用于表示第
Figure 510576DEST_PATH_IMAGE004
天；
Figure 83640DEST_PATH_IMAGE049
是时空特征
Figure 443077DEST_PATH_IMAGE044
与目标时段所对应的时空特征的相似度。
具体的，
Figure 723622DEST_PATH_IMAGE049
的计算公式如下：
Figure 801299DEST_PATH_IMAGE050
式中，
Figure 443633DEST_PATH_IMAGE051
，
Figure 657577DEST_PATH_IMAGE052
和
Figure 94374DEST_PATH_IMAGE053
均用于表示可训练的参数；
Figure 659348DEST_PATH_IMAGE054
表示目标时段所对应的时空特征。
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。
具体的，由于短期时空特征为
Figure 308635DEST_PATH_IMAGE040
，且长期时空特征为
Figure 908244DEST_PATH_IMAGE042
，所以目标结果集为
Figure 515942DEST_PATH_IMAGE055
。
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：
Figure 302633DEST_PATH_IMAGE056
式中，
Figure 21190DEST_PATH_IMAGE057
用于表示元素权重；
Figure 475305DEST_PATH_IMAGE058
，
Figure 253905DEST_PATH_IMAGE059
，
Figure 793471DEST_PATH_IMAGE060
均用于表示可训练参数；
Figure 47210DEST_PATH_IMAGE054
表示目标时段所对应的时空特征。
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：
Figure 355832DEST_PATH_IMAGE061
式中，
Figure 305333DEST_PATH_IMAGE062
用于表示预测结果；
Figure 66616DEST_PATH_IMAGE063
用于表示目标结果集中第
Figure 126976DEST_PATH_IMAGE064
个元素对应的元素权重；
Figure 290104DEST_PATH_IMAGE065
用于表示目标结果集中第
Figure 144928DEST_PATH_IMAGE064
个元素。
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：
Figure 659086DEST_PATH_IMAGE001
；
式中：GCN(y)为图卷积网络公式，y=
Figure 523136DEST_PATH_IMAGE002
，其中，
Figure 275192DEST_PATH_IMAGE002
表示图卷积网络的第
Figure 832075DEST_PATH_IMAGE003
个隐藏层；当
Figure 567950DEST_PATH_IMAGE004
=2时，
Figure 970112DEST_PATH_IMAGE002
=
Figure 107833DEST_PATH_IMAGE005
，
Figure 572968DEST_PATH_IMAGE005
表示图卷积网络的输入层；
Figure 530559DEST_PATH_IMAGE006
表示图卷积网络的第
Figure 736413DEST_PATH_IMAGE004
个隐藏层，
Figure 728640DEST_PATH_IMAGE004
为正整数且
Figure 361746DEST_PATH_IMAGE004
大于等于2；
Figure 806634DEST_PATH_IMAGE007
表示对应于所述短期流量数据/长期流量数据的带权邻接矩阵；
Figure 816178DEST_PATH_IMAGE008
和
Figure 662912DEST_PATH_IMAGE009
为可训练参数；
Figure 732499DEST_PATH_IMAGE010
为激活函数，
Figure 399103DEST_PATH_IMAGE011
=
Figure 212339DEST_PATH_IMAGE012
，
Figure 179158DEST_PATH_IMAGE011
为所述激活函数的输入参数。
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。
2.根据权利要求1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：
Figure 511456DEST_PATH_IMAGE001
；
式中：GCN(y)为图卷积网络公式，y=
Figure 395973DEST_PATH_IMAGE002
，其中，
Figure 910131DEST_PATH_IMAGE002
表示图卷积网络的第
Figure 774182DEST_PATH_IMAGE003
个隐藏层；当
Figure 57395DEST_PATH_IMAGE004
=2时，
Figure 551962DEST_PATH_IMAGE002
=
Figure 287837DEST_PATH_IMAGE005
，
Figure 955578DEST_PATH_IMAGE005
表示图卷积网络的输入层；
Figure 591834DEST_PATH_IMAGE006
表示图卷积网络的第
Figure 319618DEST_PATH_IMAGE004
个隐藏层，
Figure 746052DEST_PATH_IMAGE004
为正整数且
Figure 951905DEST_PATH_IMAGE004
大于等于2；
Figure 944132DEST_PATH_IMAGE007
表示对应于所述短期流量数据/长期流量数据的带权邻接矩阵；
Figure 108397DEST_PATH_IMAGE008
和
Figure 818864DEST_PATH_IMAGE009
为可训练参数；
Figure 282205DEST_PATH_IMAGE010
为激活函数，
Figure 394517DEST_PATH_IMAGE011
=
Figure 198525DEST_PATH_IMAGE012
，
Figure 661867DEST_PATH_IMAGE011
为所述激活函数的输入参数。
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。
7.根据权利要求6所述的交通流量预测系统，其特征在于，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：
Figure 209523DEST_PATH_IMAGE001
；
式中：GCN(y)为图卷积网络公式，y=
Figure 176342DEST_PATH_IMAGE002
，其中，
Figure 416831DEST_PATH_IMAGE002
表示图卷积网络的第
Figure 538108DEST_PATH_IMAGE003
个隐藏层；当
Figure 889455DEST_PATH_IMAGE004
=2时，
Figure 976360DEST_PATH_IMAGE002
=
Figure 387750DEST_PATH_IMAGE005
，
Figure 294526DEST_PATH_IMAGE005
表示图卷积网络的输入层；
Figure 387247DEST_PATH_IMAGE013
表示图卷积网络的第
Figure 827193DEST_PATH_IMAGE004
个隐藏层，
Figure 675063DEST_PATH_IMAGE004
为正整数且
Figure 69136DEST_PATH_IMAGE004
大于等于2；
Figure 762285DEST_PATH_IMAGE007
表示对应于所述短期流量数据/长期流量数据的带权邻接矩阵；
Figure 292624DEST_PATH_IMAGE008
和
Figure 249078DEST_PATH_IMAGE009
为可训练参数；
Figure 130447DEST_PATH_IMAGE010
为激活函数，
Figure 125822DEST_PATH_IMAGE011
=
Figure 41826DEST_PATH_IMAGE012
，
Figure 700340DEST_PATH_IMAGE011
为所述激活函数的输入参数。
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。
CN202011329039.XA 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 Active CN112396236B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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