CN112712695A - 一种交通流预测方法、装置及存储介质 - Google Patents

一种交通流预测方法、装置及存储介质 Download PDF

Info

Publication number
CN112712695A
CN112712695A CN202011608620.5A CN202011608620A CN112712695A CN 112712695 A CN112712695 A CN 112712695A CN 202011608620 A CN202011608620 A CN 202011608620A CN 112712695 A CN112712695 A CN 112712695A
Authority
CN
China
Prior art keywords
hidden state
time
term
traffic flow
data set
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.)
Granted
Application number
CN202011608620.5A
Other languages
English (en)
Other versions
CN112712695B (zh
Inventor
蔡晓东
王鑫岚
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202011608620.5A priority Critical patent/CN112712695B/zh
Publication of CN112712695A publication Critical patent/CN112712695A/zh
Application granted granted Critical
Publication of CN112712695B publication Critical patent/CN112712695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种交通流预测方法、装置及存储介质，方法包括：导入历史交通流量数据集，历史交通流量数据集包括时间片数据集和额外因素数据集；将时间片数据集输入至编码器中，通过编码器对时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量；将额外因素数据集、多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果。本发明获取了交通流间的时间依赖关系，从而实现了准确的实时交通流量预测，而且具有可解释性。

Description

一种交通流预测方法、装置及存储介质
技术领域
本发明主要涉及智能交通技术领域，具体涉及一种交通流预测方法、装置及存储介质。
背景技术
时间数据出现在现实世界的应用中，通常涉及长期和短期模式的混合。交通流预测是智能交通系统研究和应用中的重要组成部分。为了协助交通管理和控制以提升交通运行效率，包括路径规划、信号灯控制等，以各种各样的数据为输入，有大量的交通流预测方法被提出。
在时间序列分析领域，最突出的单变量时间序列模型是ARIMA(自回归差分移动平均模型，Auto-Regressive Integrated Moving Average)及其变种space-time ARIMA和seasonal ARIMA。另一方面，除了类ARIMA模型，VAR(向量自回归模型，Vector Auto-Regression)由于其简单性成为多元时间序列中使用最广泛的模型。其他线性模型例如高斯过程(Gaussian process)也被提出用于交通流预测。然而，这些方法通常基于一些先验假设并且被预设成具有简单明显的结构，这些线性模型可能无法捕获复杂的多元信号的非线性关系。此外，这些交通流预测方法大都需要较大的数据量且数据需要平稳，对原始数据要求较高。因此，交通流的精确建模和预测仍然是一个尚未完全解决的难题。
在以往的交通流量预测方法中，机器学习算法也是占有重要地位的。比如k近邻(kNearest Neighbor)、随机森林(Random Forest)、梯度提升回归树(Gradient BoostingRegression Tree)、支持向量回归(Support Vector Regression)和隐马尔可夫模型(Hidden Markov Model)等。
近年来，受到深度学习在多个领域取得成功的启发，很多研究人员也开始尝试将深度学习的方法用于解决交通流预测问题。现今能够对道路上的交通流量进行好的预测的算法大都是基于深度学习与深度神经网络的算法。一些用于交通流预测的深层学习方法，如叠加式自动编码器(stacked auto-encoders)、深度置信网络(deep belief network)和深度残差网络(deep residual networks)等被提出并显示出良好性能。其主要原因是深度学习算法能够适应交通流序列的非线性部分。另一方面，一些深度学习模型，如长短期记忆(Long Short-Term Memory,LSTM)网络和门控递归单元(Gated Recurrent Unit,GRU)网络是专门针对时间序列设计的，它们也可以用于处理交通流。以上的方法随有一个不错的效果，但大都体现在对速度的预测上，而无法应用到道路上的交通流量预测上。
迄今为止，人们已经进行了大量的研究来解决交通流预测问题，并且涉及不同学科的各种技术。然而，很多方法在空间特征的提取上还不是很符合实际，并且还未考虑其他特征对流量预测的影响。眼下并没有一项研究可以全面地应对交通流预测中的所有挑战。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种交通流预测方法、装置及存储介质。
本发明解决上述技术问题的技术方案如下：一种交通流预测方法，包括如下步骤：
导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；
将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量；
将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果。
本发明解决上述技术问题的另一技术方案如下：一种交通流预测装置，包括：
数据集导入模块，用于导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；
特征提取模块，用于将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量；
预测结果获得模块，用于将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果。
本发明的有益效果是：通过编码器对时间片数据集的特征提取得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量，获取了交通流的空间相关性，将额外因素数据集、多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析得到交通流预测结果，获取了交通流间的时间依赖关系，从而实现了准确的实时交通流量预测，而且具有可解释性。
附图说明
图1为本发明实施例提供的交通流预测方法的流程示意图；
图2为本发明实施例提供的交通流预测装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明实施例提供的交通流预测方法的流程示意图。
如图1所示，一种交通流预测方法，包括如下步骤：
导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；
将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量；
将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果。
应理解地，所述历史交通流量数据集为从网上直接获得的公开数据集，所述历史交通流量数据集含有时空信息。
应理解地，时间片数据可以理解为把数据切分成每个时刻的，一个时刻就是一个时间片，所以时间片数据就是由很多时间片组成。
上述实施例中，通过编码器对时间片数据集的特征提取得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量，获取了交通流的空间相关性，将额外因素数据集、多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析得到交通流预测结果，获取了交通流间的时间依赖关系，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述编码器包括GCN图卷积神经网络、GRU网络和Skip-GRU网络；
所述将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量的过程包括：
将所述时间片数据集输入至所述GCN图卷积神经网络中，通过所述GCN图卷积神经网络对所述时间片数据集进行空间特征的提取，得到多个空间特征时间序列；
将多个所述空间特征时间序列分别输入至所述GRU网络中，通过所述GRU网络分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量；
将多个所述空间特征时间序列分别输入至所述Skip-GRU网络中，通过所述Skip-GRU网络分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量。
应理解地，所述GCN图卷积神经网络为Graph Convolutional Network图卷积神经网络。
应理解地，所述GRU网络即是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。
具体地，所述长期周期性时间特征隐状态向量为所述空间特征时间序列通过Skip-GRU网络取到的长期周期性时间特征并以隐状态向量的形式表现。
具体地，通过所述GRU网络分别对多个所述空间特征时间序列进行短期时间特征的提取，得到短期时间特征时间序列，所述短期时间特征时间序列包括多个原始短期时间特征隐状态向量。
具体地，通过所述Skip-GRU网络分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到长期周期性时间特征时间序列，所述长期周期性时间特征时间序列包括多个周期隐状态向量组，每个所述周期隐状态向量组包括多个长期周期性时间特征隐状态向量。
上述实施例中，将时间片数据集输入至编码器中，通过编码器对时间片数据集的特征提取，得到多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量，获取了交通流的空间相关性，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述时间片数据集包括多个时间片数据，所述通过所述GCN图卷积神经网络对所述时间片数据集进行空间特征的提取，得到多个空间特征时间序列的过程包括：
通过第一式分别对多个所述时间片数据进行空间特征的提取，得到多个空间特征时间序列，所述第一式为：
χh＝ReLU(Φ*(ReLU(gθ*G)))，
其中，χh为空间特征时间序列，Re LU为激活函数，gθ为滤波器，θ为滤波器参数矩阵，G为时间片数据。
上述实施例中，通过第一式分别对多个时间片数据的空间特征提取计算得到多个空间特征时间序列，获取了交通流的空间相关性，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述通过所述GRU网络分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量的过程包括：
通过第二式分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量，所述第二式为：
H(t)＝u(t)⊙H(t-1)+(1-u(t))⊙c(t)，
其中，
Figure BDA0002872483150000061
其中，
Figure BDA0002872483150000071
其中，
Figure BDA0002872483150000072
为空间特征时间序列
Figure BDA0002872483150000073
与前一个隐状态H(t-1)的拼接，u(t)为GRU单元更新的门控，r(t)为GRU单元控制重置，σ为激励函数，gθ、br、bu和bc均为要学习的参数，⊙为元素相乘。
应理解地，所述前一个隐状态H(t-1)为编码器自带的。
应理解地，σ是激励函数被设置为sigmoid函数。
应理解地，gθ、br、bu和bc均为随机初始化的参数。
上述实施例中，通过第二式分别对多个空间特征时间序列的短期时间特征提取，得到多个原始短期时间特征隐状态向量，为后续处理提供数据支撑，获取了交通流的空间相关性，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述通过所述Skip-GRU网络分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量的过程包括：
通过第三式分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量，所述第三式为：
Figure BDA0002872483150000074
其中，
Figure BDA0002872483150000075
Figure BDA0002872483150000076
其中，
Figure BDA0002872483150000077
其中，
Figure BDA0002872483150000078
为空间特征时间序列
Figure BDA0002872483150000079
与前一个隐状态Ht-p的拼接，
Figure BDA00028724831500000710
为GRU单元更新的门控，
Figure BDA00028724831500000711
为GRU单元控制重置，σ为激励函数，g′θ、b′u、b′c和b′r均为要学习的参数，⊙为元素相乘。
应理解地，所述前一个隐状态Ht-p为编码器自带的。
应理解地，σ是激励函数被设置为sigmoid函数。
应理解地，g′θ、b′u、b′c和b′r均为随机初始化的参数。
上述实施例中，通过第三式分别对多个空间特征时间序列的长期周期性时间特征提取得到多个长期周期性时间特征隐状态向量，为后续处理提供数据支撑，获取了交通流的空间相关性，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述额外因素数据集包括天气数据和假期数据，所述将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果的过程包括：
按照所述原始短期时间特征隐状态向量的输出顺序对多个所述原始短期时间特征隐状态向量进行排序，得到排序后的原始短期时间特征隐状态向量，并将排序后的最后一个原始短期时间特征隐状态向量作为短期时间特征隐状态向量；
按照所述长期周期性时间特征隐状态向量的输出顺序对多个所述长期周期性时间特征隐状态向量进行排序，得到多个排序后的长期周期性时间特征隐状态向量；
将多个所述排序后的长期周期性时间特征隐状态向量划分为多个原始周期隐状态向量组，并将最后一个原始周期隐状态向量组作为周期隐状态向量组；
根据所述短期时间特征隐状态向量对所述周期隐状态向量组进行加权叠加，得到融合特征向量；
根据所述天气数据对所述假期数据进行向量的拼接处理，得到拼接向量；
利用LSTM网络对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果。
应理解地，所述假期数据即为国家法定节假日以及周末的数据。
应理解地，所述排序后的最后一个原始短期时间特征隐状态向量即为最后一个时刻的原始短期时间特征隐状态向量。
应理解地，所述短期时间特征隐状态向量为所述空间特征时间序列通过GRU网络提取到的短期时间特征并以隐状态向量的形式表现。
上述实施例中，将额外因素数据集、多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析得到交通流预测结果，获取了交通流间的时间依赖关系，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述根据所述短期时间特征隐状态向量对所述周期隐状态向量组进行加权叠加，得到融合特征向量的过程包括：
通过第四式对所述短期时间特征隐状态向量和所述周期隐状态向量组进行加权叠加，得到融合特征向量，所述第四式为：
Figure BDA0002872483150000091
其中，
Figure BDA0002872483150000092
为短期时间特征隐状态向量，
Figure BDA0002872483150000093
为周期隐状态向量组中的长期周期性时间特征隐状态向量，WF1和WF2均为要学习的权重参数。
应理解地，
Figure BDA0002872483150000094
代表Skip-GRU输出的所述周期隐状态向量组中的每一个所述长期周期性时间特征隐状态向量,最后将这些所述长期周期性时间特征隐状态向量带权叠加。
应理解地，WF1和WF2均为随机初始化的权重参数。
上述实施例中，通过第四式对短期时间特征隐状态向量和周期隐状态向量组的加权叠加得到融合特征向量，为之后的处理提供数据支撑，获取了交通流间的时间依赖关系，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述根据所述天气数据对所述假期数据进行向量的拼接处理，得到拼接向量的过程包括：
对所述天气数据进行天气数据的降维处理，得到天气低维向量；
对所述假期数据进行假期数据的降维处理，得到假期低维向量；
根据所述天气低维向量对所述假期低维向量进行拼接处理，得到拼接向量。
应理解地，利用embedding嵌入层分别对所述天气数据和所述假期数据进行降维。
应理解地，根据所述天气数据对所述假期数据进行向量的拼接处理，需要经过嵌入(embedding)层降维成低维向量，将这两个因素以向量形式拼接，输出包含额外因素的拼接向量。
上述实施例中，对天气数据的天气数据降维处理得到天气低维向量，对假期数据的假期数据降维处理，得到假期低维向量，根据天气低维向量对假期低维向量的拼接处理得到拼接向量，为之后的处理提供数据支撑，获取了交通流间的时间依赖关系，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，所述利用LSTM网络对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果的过程包括：
通过第五式对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果，所述第五式为：
yt＝fd(dt-1,[yt-1；Fusiont；ext])，
其中，dt-1为解码器上一个隐状态，yt-1为解码器上一个交通流预测结果，fd为激活函数，Fusiont为融合特征向量，ext为拼接向量，yt为交通流预测结果。
应理解地，所述解码器上一个隐状态dt-1为解码器自带的。
应理解地，所述交通流预测结果即为预测值。
应理解地，若是首次通过所述LSTM网络，则解码器上一个交通流预测结果为0。
上述实施例中，通过第五式对融合特征向量和拼接向量的预测值计算，得到交通流预测结果，获取了交通流间的时间依赖关系，从而实现了准确的实时交通流量预测，而且具有可解释性。
可选地，作为本发明的一个实施例，还包括将多个所述LSTM网络进行串联，从而获得未来交通流实时的预测值。
图2为本发明实施例提供的交通流预测装置的模块框图。
可选地，作为本发明的另一个实施例，如图2所示，一种交通流预测装置，包括：
数据集导入模块，用于导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；
特征提取模块，用于将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量；
预测结果获得模块，用于将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果。
可选地，本发明的另一个实施例提供一种交通流预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的交通流预测方法。该装置可为计算机等装置。
可选地，本发明的另一个实施例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程序，当所述计算机程序被处理器执行时，实现如上所述的交通流预测方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种交通流预测方法，其特征在于，包括如下步骤：
导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；
将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量；
将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果。
2.根据权利要求1所述的交通流预测方法，其特征在于，所述编码器包括GCN图卷积神经网络、GRU网络和Skip-GRU网络；
所述将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期周期性时间特征隐状态向量的过程包括：
将所述时间片数据集输入至所述GCN图卷积神经网络中，通过所述GCN图卷积神经网络对所述时间片数据集进行空间特征的提取，得到多个空间特征时间序列；
将多个所述空间特征时间序列分别输入至所述GRU网络中，通过所述GRU网络分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量；
将多个所述空间特征时间序列分别输入至所述Skip-GRU网络中，通过所述Skip-GRU网络分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量。
3.根据权利要求2所述的交通流预测方法，其特征在于，所述时间片数据集包括多个时间片数据，所述通过所述GCN图卷积神经网络对所述时间片数据集进行空间特征的提取，得到多个空间特征时间序列的过程包括：
通过第一式分别对多个所述时间片数据进行空间特征的提取，得到多个空间特征时间序列，所述第一式为：
χh＝ReLU(Φ*(ReLU(gθ*G)))，
其中，χh为空间特征时间序列，ReLU为激活函数，gθ为滤波器，θ为滤波器参数矩阵，G为时间片数据。
4.根据权利要求3所述的交通流预测方法，其特征在于，所述通过所述GRU网络分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量的过程包括：
通过第二式分别对多个所述空间特征时间序列进行短期时间特征的提取，得到多个原始短期时间特征隐状态向量，所述第二式为：
H(t)＝u(t)⊙H(t-1)+(1-u(t))⊙c(t)，
其中，
Figure FDA0002872483140000021
其中，
Figure FDA0002872483140000022
其中，
Figure FDA0002872483140000023
为空间特征时间序列
Figure FDA0002872483140000024
与前一个隐状态H(t-1)的拼接，u(t)为GRU单元更新的门控，r(t)为GRU单元控制重置，σ为激励函数，gθ、br、bu和bc均为要学习的参数，⊙为元素相乘。
5.根据权利要求3所述的交通流预测方法，其特征在于，所述通过所述Skip-GRU网络分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量的过程包括：
通过第三式分别对多个所述空间特征时间序列进行长期周期性时间特征的提取，得到多个长期周期性时间特征隐状态向量，所述第三式为：
Figure FDA0002872483140000025
其中，
Figure FDA0002872483140000031
Figure FDA0002872483140000032
其中，
Figure FDA0002872483140000033
其中，
Figure FDA0002872483140000034
为空间特征时间序列
Figure FDA0002872483140000035
与前一个隐状态Ht-p的拼接，
Figure FDA0002872483140000036
为GRU单元更新的门控，r1 (t)为GRU单元控制重置，σ为激励函数，g′θ、b′u、b′c和b′r均为要学习的参数，⊙为元素相乘。
6.根据权利要求2所述的交通流预测方法，其特征在于，所述额外因素数据集包括天气数据和假期数据，所述将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果的过程包括：
按照所述原始短期时间特征隐状态向量的输出顺序对多个所述原始短期时间特征隐状态向量进行排序，得到排序后的原始短期时间特征隐状态向量，并将排序后的最后一个原始短期时间特征隐状态向量作为短期时间特征隐状态向量；
按照所述长期周期性时间特征隐状态向量的输出顺序对多个所述长期周期性时间特征隐状态向量进行排序，得到多个排序后的长期周期性时间特征隐状态向量；
将多个所述排序后的长期周期性时间特征隐状态向量划分为多个原始周期隐状态向量组，并将最后一个原始周期隐状态向量组作为周期隐状态向量组；
根据所述短期时间特征隐状态向量对所述周期隐状态向量组进行加权叠加，得到融合特征向量；
根据所述天气数据对所述假期数据进行向量的拼接处理，得到拼接向量；
利用LSTM网络对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果。
7.根据权利要求6所述的交通流预测方法，其特征在于，所述根据所述短期时间特征隐状态向量对所述周期隐状态向量组进行加权叠加，得到融合特征向量的过程包括：
通过第四式对所述短期时间特征隐状态向量和所述周期隐状态向量组进行加权叠加，得到融合特征向量，所述第四式为：
Figure FDA0002872483140000041
其中，
Figure FDA0002872483140000042
为短期时间特征隐状态向量，
Figure FDA0002872483140000043
为周期隐状态向量组中的长期周期性时间特征隐状态向量，WF1和WF2均为要学习的权重参数。
8.根据权利要求6所述的交通流预测方法，其特征在于，所述根据所述天气数据对所述假期数据进行向量的拼接处理，得到拼接向量的过程包括：
对所述天气数据进行天气数据的降维处理，得到天气低维向量；
对所述假期数据进行假期数据的降维处理，得到假期低维向量；
根据所述天气低维向量对所述假期低维向量进行拼接处理，得到拼接向量。
9.根据权利要求6所述的交通流预测方法，其特征在于，所述利用LSTM网络对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果的过程包括：
通过第五式对所述融合特征向量和所述拼接向量进行预测值的计算，得到交通流预测结果，所述第五式为：
yt＝fd(dt-1，[yt-1；Fusiont；ext])，
其中，dt-1为解码器上一个隐状态，yt-1为解码器上一个交通流预测结果，fd为激活函数，Fusiont为融合特征向量，ext为拼接向量，yt为交通流预测结果。
10.一种交通流预测装置，其特征在于，包括：
数据集导入模块，用于导入历史交通流量数据集，所述历史交通流量数据集包括时间片数据集和额外因素数据集；
特征提取模块，用于将所述时间片数据集输入至编码器中，通过所述编码器对所述时间片数据集进行特征提取，得到多个原始短期时间特征隐状态向量和多个长期时间特征隐状态向量；
预测结果获得模块，用于将所述额外因素数据集、多个所述原始短期时间特征隐状态向量和多个所述长期周期性时间特征隐状态向量一并输入解码器中，进行预测值分析，得到交通流预测结果。
CN202011608620.5A 2020-12-30 2020-12-30 一种交通流预测方法、装置及存储介质 Active CN112712695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011608620.5A CN112712695B (zh) 2020-12-30 2020-12-30 一种交通流预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011608620.5A CN112712695B (zh) 2020-12-30 2020-12-30 一种交通流预测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112712695A true CN112712695A (zh) 2021-04-27
CN112712695B CN112712695B (zh) 2021-11-26

Family

ID=75547200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011608620.5A Active CN112712695B (zh) 2020-12-30 2020-12-30 一种交通流预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112712695B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017990A (zh) * 2022-06-01 2022-09-06 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种交通流量预测方法、装置、设备及存储介质

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
GB201808854D0 (en) * 2018-05-31 2018-07-18 Vivacity Labs Ltd Traffic management system
CN108898838A (zh) * 2018-08-03 2018-11-27 首都经济贸易大学 一种基于lstm模型的机场交通拥堵预测方法及装置
CN109409561A (zh) * 2018-08-22 2019-03-01 国网天津市电力公司 多时间尺度时间序列协同预测模型的构建方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110264709A (zh) * 2019-05-06 2019-09-20 北京交通大学 基于图卷积网络的道路的交通流量的预测方法
CN110570678A (zh) * 2019-10-23 2019-12-13 厦门大学 一种公交车辆从起点到终点总行驶时间预测方法及装置
US20190385080A1 (en) * 2018-06-13 2019-12-19 Royal Bank Of Canada K-lstm architecture for purchase prediction
CN110598953A (zh) * 2019-09-23 2019-12-20 哈尔滨工程大学 一种时空相关的空气质量预测方法
CN110599767A (zh) * 2019-09-04 2019-12-20 广东工业大学 一种基于网约车出行需求的长短期预测方法
CN110619427A (zh) * 2019-08-26 2019-12-27 北京建筑大学 基于序列到序列学习模型的交通指数预测方法和装置
US20200042799A1 (en) * 2018-07-31 2020-02-06 Didi Research America, Llc System and method for point-to-point traffic prediction
CN110910659A (zh) * 2019-11-29 2020-03-24 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质
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
US20200118423A1 (en) * 2017-04-05 2020-04-16 Carnegie Mellon University Deep Learning Methods For Estimating Density and/or Flow of Objects, and Related Methods and Software
CN111145541A (zh) * 2019-12-18 2020-05-12 深圳先进技术研究院 交通流量数据预测方法、存储介质和计算机设备
CN111401149A (zh) * 2020-02-27 2020-07-10 西北工业大学 基于长短期时域建模算法的轻量级视频行为识别方法
US20200244744A1 (en) * 2017-10-12 2020-07-30 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining an optimal transportation service type in an online to offline service
CN111508101A (zh) * 2019-01-30 2020-08-07 斯特拉德视觉公司 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置
CN111612243A (zh) * 2020-05-18 2020-09-01 湖南大学 交通速度预测方法、系统及存储介质
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200118423A1 (en) * 2017-04-05 2020-04-16 Carnegie Mellon University Deep Learning Methods For Estimating Density and/or Flow of Objects, and Related Methods and Software
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
US20200244744A1 (en) * 2017-10-12 2020-07-30 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for determining an optimal transportation service type in an online to offline service
GB201808854D0 (en) * 2018-05-31 2018-07-18 Vivacity Labs Ltd Traffic management system
US20190385080A1 (en) * 2018-06-13 2019-12-19 Royal Bank Of Canada K-lstm architecture for purchase prediction
US20200042799A1 (en) * 2018-07-31 2020-02-06 Didi Research America, Llc System and method for point-to-point traffic prediction
CN108898838A (zh) * 2018-08-03 2018-11-27 首都经济贸易大学 一种基于lstm模型的机场交通拥堵预测方法及装置
CN109409561A (zh) * 2018-08-22 2019-03-01 国网天津市电力公司 多时间尺度时间序列协同预测模型的构建方法
CN111508101A (zh) * 2019-01-30 2020-08-07 斯特拉德视觉公司 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110264709A (zh) * 2019-05-06 2019-09-20 北京交通大学 基于图卷积网络的道路的交通流量的预测方法
CN110619427A (zh) * 2019-08-26 2019-12-27 北京建筑大学 基于序列到序列学习模型的交通指数预测方法和装置
CN110599767A (zh) * 2019-09-04 2019-12-20 广东工业大学 一种基于网约车出行需求的长短期预测方法
CN110598953A (zh) * 2019-09-23 2019-12-20 哈尔滨工程大学 一种时空相关的空气质量预测方法
CN110570678A (zh) * 2019-10-23 2019-12-13 厦门大学 一种公交车辆从起点到终点总行驶时间预测方法及装置
CN110910659A (zh) * 2019-11-29 2020-03-24 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质
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
CN111145541A (zh) * 2019-12-18 2020-05-12 深圳先进技术研究院 交通流量数据预测方法、存储介质和计算机设备
CN111401149A (zh) * 2020-02-27 2020-07-10 西北工业大学 基于长短期时域建模算法的轻量级视频行为识别方法
CN111612243A (zh) * 2020-05-18 2020-09-01 湖南大学 交通速度预测方法、系统及存储介质
CN111882869A (zh) * 2020-07-13 2020-11-03 大连理工大学 一种考虑不良天气的深度学习交通流预测方法

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
DA ZHANG: "Combining Weather Condition Data to Predict Traffic Flow: A GRU Based Deep Learning Approach", 《2017 IEEE 15TH INTL CONF ON DEPENDABLE, AUTONOMIC AND SECURE COMPUTING, 15TH INTL CONF ON PERVASIVE INTELLIGENCE AND COMPUTING, 3RD INTL CONF ON BIG DATA INTELLIGENCE AND COMPUTING AND CYBER SCIENCE AND TECHNOLOGY CONGRESS》 *
YASHAN WANG: "Traffic Flow Prediction Based on Deep Neural Networks", 《2019 INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS (ICDMW)》 *
YU-HSIANG CHANG: "Traffic Flow Forecast for Traffic with Forecastable Sporadic Events", 《2019 TWELFTH INTERNATIONAL CONFERENCE ON UBI-MEDIA COMPUTING (UBI-MEDIA)》 *
ZHISHUAI LI: "A Multi-Stream Feature Fusion Approach for Traffic Prediction", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
吕鲜: "基于长短期记忆模型的交通拥堵预测方法", 《南京理工大学学报》 *
朱喆: "交通大数据时空因果关系分析及其在交通流预测中的应用", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
李小妍: "基于图神经网络的交通流量预测", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
田松禄: "基于神经网络的车辆识别与车流预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
闫旭: "基于图卷积神经网络的城市交通态势预测算法", 《浙江大学学报(工学版)》 *
陈健: "高速路网交通流预测分析方法的研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
黎旭成: "基于卷积神经网络和长短期记忆模型的交通状态预测", 《品质交通与协同共治——2019年中国城市交通规划年会论文集》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115017990A (zh) * 2022-06-01 2022-09-06 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种交通流量预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112712695B (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
Pan et al. Study on convolutional neural network and its application in data mining and sales forecasting for E-commerce
CN111339415B (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
CN115082147B (zh) 一种基于超图神经网络的序列推荐方法及装置
CN112256961B (zh) 用户画像生成方法、装置、设备及介质
CN110659742B (zh) 获取用户行为序列的序列表示向量的方法和装置
CN114372573B (zh) 用户画像信息识别方法、装置、计算机设备和存储介质
CN111582538A (zh) 一种基于图神经网络的社群价值预测方法及系统
EP3671566A1 (en) Program, information processing method, and information processing device
CN113424207B (zh) 高效地训练可理解模型的系统和方法
CN110781401A (zh) 一种基于协同自回归流实现的Top-n项目推荐方法
CN115170565B (zh) 基于自动神经网络架构搜索的图像欺诈检测方法及装置
CN111259264B (zh) 一种基于生成对抗网络的时序评分预测方法
CN115687760A (zh) 一种基于图神经网络的用户学习兴趣标签预测方法
CN114168819B (zh) 一种基于图神经网络的岗位匹配方法及装置
CN112712695B (zh) 一种交通流预测方法、装置及存储介质
CN111949886A (zh) 一种用于信息推荐的样本数据生成方法和相关装置
CN111709225A (zh) 一种事件因果关系判别方法、装置和计算机可读存储介质
CN112819154B (zh) 一种应用于图学习领域的预训练模型的生成方法及装置
CN113592593A (zh) 序列推荐模型的训练及应用方法、装置、设备及存储介质
CN114610989B (zh) 基于异构图动态信息补偿的个性化论文推荐方法及系统
CN116128575A (zh) 物品推荐方法、装置、计算机设备、存储介质和程序产品
CN114092188A (zh) 一种轻量级b2b电商平台的推荐系统算法
CN116932862A (zh) 冷启动对象推荐方法、装置、计算机设备和存储介质
CN113673687A (zh) 数据处理方法、装置、设备及计算机可读存储介质
CN116578769B (zh) 一种基于行为模式转换的多任务学习推荐方法

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