CN112863180B - 交通速度预测方法、装置、电子设备及计算机可读介质 - Google Patents

交通速度预测方法、装置、电子设备及计算机可读介质 Download PDF

Info

Publication number
CN112863180B
CN112863180B CN202110031628.8A CN202110031628A CN112863180B CN 112863180 B CN112863180 B CN 112863180B CN 202110031628 A CN202110031628 A CN 202110031628A CN 112863180 B CN112863180 B CN 112863180B
Authority
CN
China
Prior art keywords
time step
historical time
information
node
historical
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
CN202110031628.8A
Other languages
English (en)
Other versions
CN112863180A (zh
Inventor
李府显
李勇
郭殿升
孙福宁
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.)
Tsinghua University
Tencent Dadi Tongtu Beijing Technology Co Ltd
Original Assignee
Tsinghua University
Tencent Dadi Tongtu Beijing Technology Co Ltd
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 Tsinghua University, Tencent Dadi Tongtu Beijing Technology Co Ltd filed Critical Tsinghua University
Priority to CN202110031628.8A priority Critical patent/CN112863180B/zh
Publication of CN112863180A publication Critical patent/CN112863180A/zh
Application granted granted Critical
Publication of CN112863180B publication Critical patent/CN112863180B/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
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例提供了一种交通速度预测方法、装置、电子设备及计算机可读介质，涉及深度学习技术。该方法包括：获取0至T历史时间步地图中各路段节点的历史速度信息和历史时间相关信息；利用循环神经网络模型的编码器的第t个图生成器获得t历史时间步路段节点的动态自适应邻接矩阵；对t历史时间步路段节点的动态自适应邻接矩阵进行图卷积运算，确定编码器中的第t个编码单元的门函数；利用第t个编码单元的门函数获得第t个编码单元的隐状态；通过解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。本公开实施例提供的技术方案能够在建模时兼顾空间关联信息和时间关联信息，提高交通速度的预测性能。

Description

交通速度预测方法、装置、电子设备及计算机可读介质
技术领域
本公开涉及智能交通领域，具体而言，涉及一种交通速度预测方法、装置、电子设备及计算机可读介质。
背景技术
随着经济的发展，快速的城市化进程导致城市人口和车辆的急剧增加，给运输基础设施造成了巨大负担，而日趋频繁的交通拥堵不光造成了时间和生产力的巨大损失还会导致空气污染和能源浪费。可以说，交通拥堵已经成为现代城市进一步发展的重大威胁之一。
作为智能交通系统发展的基石，交通预测通过预测未来的交通状况 (例如出行时间，出行流量和出行速度)，为城市规划和交通管理提供参考，以减少拥堵并提高交通效率，并为公共安全应急管理提供预警。准确的交通预测，还可以帮助出行者进行路线规划和更改，从而提升生活质量。然而，由于复杂的时空相关性，交通预测问题通常具有很大挑战性。因此，需要一种新的交通速度预测方法、装置、电子设备及计算机可读介质。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种交通速度预测方法、装置、电子设备及计算机可读介质，进而至少在一定程度上能够在建模时兼顾空间关联信息和时间关联信息，提高交通速度的预测性能。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
本公开实施例提出一种交通速度预测方法，包括：获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第 t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t 个编码单元的门函数；利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。
本公开实施例提出一种交通速度预测装置，包括：历史信息获取模块，配置为获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；邻接矩阵确定模块，配置为利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步各路段节点的动态自适应邻接矩阵，t为大于0 且小于或等于T的整数；图卷积运算模块，配置为对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；编码模块，配置为利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；解码模块，配置为通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。
在本公开的一种示例性实施例中，邻接矩阵确定模块包括：输入信息单元，配置为对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；感知单元，配置为通过多层感知机对所述t历史时间步的输入信息进行处理，获得t历史时间步的感知信息；第一图卷积单元，配置为根据所述t历史时间步的感知信息对静态先验邻接矩阵进行图卷积运算，获得t 历史时间步的图卷积信息；向量过滤单元，配置为根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量；邻接矩阵确定单元，配置为对t历史时间步各路段节点的所述节点自适应嵌入向量进行互相似性计算，获得t历史时间步所述路段节点的所述动态自适应邻接矩阵。
在本公开的一种示例性实施例中，第一图卷积单元包括：第一图卷积子单元，配置为以所述t历史时间步的感知信息为输入，对所述静态先验邻接矩阵依次进行一阶至K阶的图卷积运算，获得t历史时间步的一阶至 K阶的第一图卷积运算结果，K为大于0的整数；第一节点属性子单元，配置为根据所述t历史时间步的感知信息和k-1阶的第一图卷积运算结果确定k阶节点属性信息，0<k≤K；第一拼接子单元，配置为将所述t历史时间步的感知信息作为0阶节点属性信息，并将0阶至K阶节点属性信息拼接获得t历史时间步的拼接信息；图卷积信息子单元，配置为根据所述t 历史时间步的拼接信息确定所述t历史时间步的图卷积信息。
在本公开的一种示例性实施例中，向量过滤单元包括：第一向量过滤子单元，配置为若所述静态节点嵌入向量的维度与所述t历史时间步的图卷积信息的维度相同，则对所述静态节点嵌入向量和所述图卷积信息进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量；第二向量过滤子单元，配置为若所述静态节点嵌入向量的维度为所述t历史时间步的图卷积信息的维度的约数且小于所述t历史时间步的图卷积信息的维度，则对所述t历史时间步的图卷积信息进行维度转换，将维度转换后的所述t历史时间步的图卷积信息和所述静态节点嵌入向量进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量。
在本公开的一种示例性实施例中，图卷积运算模块包括：输入信息单元，配置为对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；第二图卷积单元，配置为以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至M阶的图卷积运算，获得t历史时间步的一阶至M阶的第二图卷积运算结果，M为大于0的整数；第三图卷积单元，配置为以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至Q阶的图卷积运算，获得t历史时间步的一阶至Q阶的第三图卷积运算结果，Q为大于0的整数；门函数确定单元，配置为根据所述t历史时间步的一阶至M阶的第二图卷积运算结果和一阶至Q阶的第三图卷积运算结果确定第t个编码单元的门函数。
在本公开的一种示例性实施例中，编码模块包括：门函数计算单元，配置为根据所述t历史时间步的输入信息和所述第t个编码单元的门函数确定第t个编码单元的更新门输出和重置门输出；按位相乘单元，配置为对重置门输出与t-1历史时间步的隐状态按位相乘，获得按位相乘信息；第二拼接单元，配置为将所述t历史时间步的输入信息和所述按位相乘信息进行拼接，获得t历史时间步的中间状态输入信息；第四图卷积单元，配置为以t历史时间步的中间状态输入信息为输入，对t时间步的所述路段节点的动态自适应邻接矩阵和所述静态先验邻接矩阵依次进行一阶至I 阶的图卷积运算，获得t时间步的一阶至I阶的第四图卷积运算结果，I 为大于0的整数；中间状态单元，配置为根据所述t时间步的一阶至I阶的第四图卷积运算结果确定第t个编码单元的中间状态输出；隐状态确定单元，配置为根据所述第t个编码单元的更新门输出、重置门输出和中间状态输出确定第t个编码单元的隐状态。
在本公开的一种示例性实施例中，邻接矩阵确定模块在获得t历史时间步所述路段节点的动态自适应邻接矩阵后，还配置为保留t历史时间步所述路段节点的动态自适应邻接矩阵的每行中数值最大的前n个元素，并对其余元素置零，获得稀疏化处理后的t时间步所述路段节点的动态自适应邻接矩阵，n为大于0并小于T的整数。
在本公开的一种示例性实施例中，解码模块包括：解码邻接矩阵单元，配置为将所述第T个编码单元的隐状态作为所述解码器的输入，对所述解码器中第p-1个解码单元的隐状态、输出信息进行处理，获得p未来时间步所述路段节点的动态自适应邻接矩阵，p为大于0且小于或等于P的整数，P为大于0的整数；解码输入单元，配置为对所述解码器中第p-1个解码单元的输出信息、隐状态和p未来时间步的时间编码进行拼接，获得 p时间步的输入信息，p为大于0且小于或等于P的整数，P为大于0的整数；速度预测单元，配置为根据所述p未来时间步的输入信息、p未来时间步所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵确定未来的 0至P未来时间步各路段节点的预测交通速度。
在本公开的一种示例性实施例中，交通速度预测装置还包括：训练样本获取模块，配置为获取训练样本对，所述训练样本对包括历史时间步各路段节点的速度信息和时间相关信息、以及速度标签；模型实际输出模块，配置为通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际输出；损失函数模块，配置为根据实际输出和所述速度标签计算损失函数；模型调参模块，配置为根据所述损失函数调节所述循环神经网络模型的参数，获得训练完成的所述循环神经网络模型。
在本公开的一种示例性实施例中模型实际输出模块包括：输出时间步数单元，配置为根据当前已迭代次数a确定所述解码器的输出时间步b，其中b为a的单调非减函数；实际输出单元，配置为通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得所述解码器前b个解码单元的实际输出。
在本公开的一种示例性实施例中，模型实际输出模块包括：第一实际输出单元，配置为通过所述循环神经网络的编码器对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际编码输出；概率值确定单元，配置为根据当前已迭代次数确定概率值c，其中，c为a的单调非减函数且0<c<1；第二实际输出单元，配置为根据所述概率值c将所述预测时间步的速度标签替换为所述解码器中解码单元的实际输出，获得所述实际输出。
本公开实施例提出一种电子设备，包括：至少一个处理器；存储装置，用于存储至少一个程序，当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现如上述实施例中所述的交通速度预测方法。
本公开实施例提出一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中所述的交通速度预测方法。
在本公开的一些实施例所提供的技术方案中，在对路段节点的进行交通速度预测时，根据每个历史时间步的动态的历史速度信息和历史时间相关信息确定动态自适应邻接矩阵，能够使模型根据路网在不同时间步中体现出的动态特性建立获得路网的空间关联信息。同时，将图卷积嵌入传统循环神经网络模型中，以获得每个编码单元的门函数，能够对时间关联性进行建模，提高交通速度的预测性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了可以应用本公开实施例的交通速度预测方法或装置的示例性系统架构的示意图。
图2示意性示出了相关技术中交通速度预测方法的分类图。
图3示意性示出了根据本公开的一个实施例的交通速度预测方法的流程图。
图4示意性示出了根据本公开的一个实施例的循环神经网络模型的结构图。
图5是基于图3的步骤S320在一个示例性实施例中的流程图。
图6是基于图5的步骤S530在一个示例性实施例中的流程图。
图7示意性示出了根据本公开的一个实施例的图卷积运算的示意图。
图8是基于图3的步骤S330在一个示例性实施例中的流程图。
图9是基于图3的步骤S340在一个示例性实施例中的流程图。
图10是基于图3的步骤S350在一个示例性实施例中的流程图。
图11示意性示出了根据本公开的再一实施例的交通速度预测方法的流程图。
图12示意性示出了根据本公开的一个实施例的数据集的示意图。
图13示意性示出了根据本公开的一实施例的交通速度预测装置的框图。
图14示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在至少一个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和 /或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本质上，交通预测问题属于时间序列预测问题。作为一项经典的研究主题，在时间序列预测领域已经出现过许多优秀的研究成果，并取得了长足的进展。具体可以将这些方法大致分为两类：传统方法和基于深度学习的方法。
经典统计方法基于数据构建统计模型以预测和分析数据，其中最具代表性和通用性的算法是历史平均值(HA)，自回归综合移动平均值(ARIMA) 和矢量自回归(VAR)。然而，这些方法需要数据满足某些假设，并且时变交通数据太复杂而不能满足这些假设。而且，这些方法仅适用于相对较小的数据集，因此在实际应用中它们的性能通常较差。后来，针对交通预测问题，提出了许多机器学习方法，例如支持向量回归(SVR)和随机森林回归(RFR)。这样的方法具有处理高维数据并捕获复杂的非线性关系的能力，然而其性能仍然受限于难以挖掘复杂时空关联，并且它们需要领域专家事先的精心设计，而不是直接从原始数据中充分学习与挖掘。
经典统计模型和机器学习模型是两种主要的基于数据的交通预测方法。在时间序列分析中，自回归移动平均(ARIMA)及其变体是基于经典统计的最综合的方法之一，并已广泛应用于交通预测问题。但是，这些方法通常适用于小型数据集，不适合处理复杂的大规模动态时间序列数据。此外，这些方法通常仅考虑时间信息，而忽略或几乎不考虑交通数据的空间依赖性。另一方面，有能力建模更复杂数据的机器学习方法大致可分为三类：基于特征的模型，高斯过程模型和状态空间模型。基于特征的方法通过训练基于人为设计的交通特征的回归模型来解决交通预测问题。这些方法易于实现，可以在某些实际应用中提供预测功能。尽管如此，基于特征的模型还是有一个关键的局限性：模型的性能在很大程度上取决于人为设计的特征。高斯过程通过不同的核函数对交通数据的内部特征进行建模，该核函数需要同时包含空间和时间相关性。尽管这种方法论在交通量预测中被证明是有效且可行的，但具有较高的计算量和存储压力，这在训练样本较大时并不适用。状态空间模型假设观测是由马尔可夫隐藏状态生成的。该模型的优点是可以自然地建模系统的不确定性，并更好地捕获时空数据的潜在结构。但是，这些模型整体受限于非线性程度，并且大多数情况下并不是最优的。
机器学习扮演着使交通系统智能化的核心功能，如同系统的大脑，其准确性和可靠性直接决定了系统的智能程度。近年来，深度学习在计算机视觉，自然语言处理等方面不断打破新的精度记录，取得了压倒性的成功。因此，将深度学习模型用作智能交通系统中的分类器或预测器以提高准确性是一种自然的做法。可以说，深度学习的兴起导致了智能交通系统 (Intelligent Traffic System，ITS)的迅猛发展，并开发出了人工智能在交通预测中的全部潜力。随着应用程序中的传统机器学习模型被新的深度学习模型所取代，ITS的格局正在被重塑。
基于深度学习的方法研究了如何学习一个层次模型来将原始输入直接映射到预期输出。通常，深度学习模型会堆叠基本的可学习块或层以形成一个深度架构，并且整个网络都经过端到端的训练。
目前已出现几种较成熟架构来处理大规模时空数据。通常，使用卷积神经网络(Convolutional Neural Network，CNN)提取由图像或视频描述的网格结构数据的空间相关性，而图卷积网络(Graph Convolution Network，GCN)将卷积运算扩展到更通用的且更适合表示交通网络结构的非欧几里得域数据。此外，递归神经网络(Recursive NeuralNetwork， RNN，也称循环神经网络)，及其变体长短期记忆人工神经网络(Long Short-TermMemoryLSTM)或门控循环单元(Gate Recurrent Unit，GRU) 通常用于建模时间依赖性。详细的分类，如图2所示。
传统方法的缺点在前文中已得到阐述，而在当今流行且性能更强的深度学习方法中，传统的卷积神经网络仅限于对欧几里得数据进行空间关系建模，欧几里得数据的特性在于，每个网格周边皆邻接8个网格，每个节点邻接关系固定。而现实中高度复杂的路网结构中，每个节点的邻接关系并不固定。路网结构的这一特性导致目前的深度学习方法并不能完美适配交通速度预测场景的需求。
交通速度预测往往面临建模复杂动态时空相关性的挑战，具体如下：
(1)复杂的空间依赖性。不同位置对预测位置的影响是不同的，并且相同位置对预测位置的影响也随时间变化。不同位置之间的空间相关性是高度动态的。
(2)动态时间依赖性。同一位置在不同时间的观测值呈现非线性变化，远时步距的交通状态有时与预测时步距的相关性比近时步距的更高。同时，交通数据通常呈现出不同尺度的周期性。
因此，需要一种新的交通速度预测方法、装置、电子设备及计算机可读介质。
图1示出了可以应用本公开实施例的交通速度预测方法或装置的示例性系统架构的示意图。
如图1所示，系统架构100可以包括终端设备101、102、103中的一种或多种，网络104和服务器105。网络104用以在终端设备101、102、 103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
服务器105可以是提供各种服务的服务器。例如终端设备103(也可以是终端设备101或102)向服务器105上传0至T历史时间步各路段节点的历史速度信息和历史时间相关信息。服务器105可以获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。并将未来时间步各路段节点的预测交通速度反馈给终端设备103，进而终端设备103可以根据未来时间步各路段节点的预测交通速度进行展示或计算。
图3示意性示出了根据本公开的一个实施例的交通速度预测方法的流程图。本公开实施例所提供的方法可以由任意具备计算处理能力的电子设备处理，例如上述图1实施例中的服务器105和/或终端设备102、103，在下面的实施例中，以服务器105为执行主体为例进行举例说明，但本公开并不限定于此。
如图3所示，本公开实施例提供的交通速度预测方法可以包括以下步骤。
在步骤S310中，获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数。
本公开实施例中，可按照时间粒度对时间段进行划分，获得多个时间步。时间粒度可例如为5分钟，则一个小时可划分为12个时间步，但本公开实施例并不以此为限。其中，历史时间步为相较于当前时间点或将要预测的时间点更早的时间点。例如，0至T时间步可为连续的T+1个时间步。例如，当当前时间点或将要预测的时间点为18点5分，T＝12时，0至T时间步可为17点整、17点5分、17点10分、17点15分、17点20分，…， 17点55分、18点整，共计13个历史时间步。这时，晚于18点整的时间步可视为历史时间步。
路段节点可为根据路网数据整理获得的图结构中节点。在图结构中，每个路段可视为一个节点。0至T历史时间步各路段节点的历史速度信息是指，每个历史时间步所代表的历史时间点中，每个路段节点的平均速度。该平均速度可例如根据实时用户行驶数据获得。0至T历史时间步各路段节点的历史时间相关信息是指，每个历史时间步所代表的历史时间点中，时间信息、天气、事件中的一个或多个。
在步骤S320中，利用循环神经网络模型的编码器中的第t个图生成器对编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步各路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数。
本公开实施例中，循环神经网络模型可如图4所示。该循环神经网络模型可包括编码器410和解码器420。编码器410可包括依次连接的编码单元411、412、413等。其中，编码单元的个数可与T保持一致，图4中所示出的编码器410包括三个编码单元仅为示例。同理，图4中所示出的解码器420包括的依次连接的三个解码单元421、422和423也仅为示例，解码单元的个数可由实际需要预测的未来时间步的个数确定。循环神经网络的每个编码单元(或解码单元)可包括隐状态输出，其中，t-1个编码单元的隐状态可传递至第t个图生成器。第t个图生成器可参考动态的历史速度信息和历史时间相关信息对第t-1个编码单元的隐状态进行处理，获得t历史时间步各路段节点的动态自适应邻接矩阵。
在步骤S330中，对t历史时间步路段节点的动态自适应邻接矩阵进行图卷积运算，确定编码器中的第t个编码单元的门函数。
本公开实施例中，每个编码单元可包括重置门和更新门。在第t个编码单元，可采用不同程度的图卷积运算分别确定第t个编码单元的重置门和更新门的门函数。
在步骤S340中，利用编码器中的第t个编码单元的门函数对第t-1个编码单元的隐状态和t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态。
本公开实施例中，可将t历史时间步各路段节点的历史速度信息作为第t个编码单元的输入，并由步骤S330中确定的门函数对输入和第t-1个编码单元的隐状态进行处理，获得第t个编码单元的隐状态。
在步骤S350中，通过循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。
本公开实施例中，解码器中每个解码单元可采取与编码单元类似的处理流程，并将每个解码单元的输出作为每个未来时间步各路段节点的预测交通速度。其中未来时间步的步数可为固定值，例如12。未来时间步的步数其可根据实际情况确定，例如模型性能与实际场景需求，本公开实施例对此并不作特殊限定。
现实生活中，道路网络是完全动态的。相距很近的节点可能因交通事故等原因而在交通状况上有很大差异，反之，相距较远的节点之间也可能会有较强关联性，并且同一道路不同方向上的交通状况也不一定相似。过往的基于图神经网络的交通预测模型大多使用完全先验且静态的邻接矩阵参与图卷积运算，这也导致模型难以对路网的动态性进行充分建模。
本公开实施方式提供的交通速度预测方法，在对路段节点的进行交通速度预测时，根据每个历史时间步的动态的历史速度信息和历史时间相关信息确定动态自适应邻接矩阵，能够使模型根据路网在不同时间步中体现出的动态特性建立获得路网的空间关联信息。同时，将图卷积嵌入传统循环神经网络模型中，以获得每个编码单元的门函数，能够对时间关联性进行建模，提高交通速度的预测性能。
图5是基于图3的步骤S320在一个示例性实施例中的流程图。
如图5所示，上述图3实施例中的步骤S320可以进一步包括以下步骤。
在步骤S510中，对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息。
本公开实施例中，图生成器可参考图4所示430的结构图，每个编码单元或解码单元可对应一个图生成器。如图4所示，在编码器的第t个图生成器中，可通过级联模块431对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行级联，获得t历史时间步的输入信息。输入信息可例如为张量形式，例如三维张量(形状为(batch_size,num_nodes,hyper_input_dim)。其中，batch_size为样本数，num_nodes为路段节点数，hyper_input_dim为特征维度。具体地，特征维度可例如等于速度维度(例如1维)+时间编码特征维度(例如1 维)、隐状态(例如64或32维)。优选实施例中，特征维度还可包括拥堵状态。本公开实施例中，一个样本可包括多个时间步的输入信息。在时间粒度为5分钟的实施例中，可将12个历史时间步(1个小时)作为一个样本。
在步骤S520中，通过多层感知机对t历史时间步的输入信息进行处理，获得t历史时间步的感知信息。
本公开实施例中，如图4所示，多层感知机((Multi-layer Perceptron，MLP)432可为2层结构。具体地，使用2层的MLP将由输入信息依次映射到16维和2维，并可在该2层MLP中间使用一激活函数(例如sigmoid函数)引入非线性。
在步骤S530中，根据t历史时间步的感知信息对静态先验邻接矩阵进行图卷积运算，获得t历史时间步的图卷积信息。
本公开实施例中，静态先验邻接矩阵是指，以路网的静态拓扑属性或节点间时序相关关系等先验信息构建的，其可描述的图结构连接关系。例如，在构建静态先验邻接矩阵时，可首先计算不同路段节点间的空间距离，并通过阈值高斯核函数计算不同路段节点对之间的边权重，具体如下所示。
Figure BDA0002892506270000141
这里Wij是指路段节点i与节点j之间的边权重，dist(vi,vj)是指节点 i与节点j之间的道路距离，σ是指距离的标准差，κ指阈值。
其中，可通过先验静态邻接矩阵参与的图卷积运算对t历史时间步的感知信息进行消息传递，捕捉路段节点间的动态关系，得到t历史时间步的图卷积信息，可形如(batch_size，num_nodes，hyper_out_dim)。其中，多层感知机与图卷积运算模块构成的超网络(hyper-network)基于元学习原理获得的输出(图卷积信息)可作为另一全连接神经网络层的权重，用以过滤静态节点嵌入向量(Static Node Embedding)。其中，超网络的输出维度hyper_out_dim可设置为与静态节点嵌入向量的维度node_dim相同，或为其倍数。其中图卷积运算可采用Mix-hop网络进行。
在步骤S540中，根据t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量。
本公开实施例中，若静态节点嵌入向量的维度与t历史时间步的图卷积信息的维度相同(即hyper_out_dim＝node_dim)，则对静态节点嵌入向量和图卷积信息进行张量间的按位相乘，获得t历史时间步各路段节点的动态节点自适应嵌入向量。
若静态节点嵌入向量的维度为t历史时间步的图卷积信息的维度的约数且小于t历史时间步的图卷积信息的维度(即hyper_out_dim＝node_dim *node_out_dim，其中node_out_dim为大于1的整数)。则对t历史时间步的图卷积信息进行维度转换(例如reshape函数)，将维度转换后的t 历史时间步的图卷积信息和静态节点嵌入向量进行按位相乘，获得t历史时间步各路段节点的动态节点自适应嵌入向量。
其中，对于图卷积信息(batch_size，num_nodes，hyper_out_dim)，维度转换后的图卷积信息可形如((batch_size,num_nodes,node_dim，node_out_dim)，这个四维张量可看作路段节点间和样本间不共享参数的全连接神经网络。
在步骤S550中，对t历史时间步各路段节点的节点自适应嵌入向量进行互相似性计算，获得t历史时间步路段节点的动态自适应邻接矩阵。
本公开实施例中，互相似性计算的方式可例如公式(2)或公式(3)。
Figure BDA0002892506270000151
其中，
Figure BDA0002892506270000152
为动态自适应邻接矩阵，E1，E2分别代表源节点嵌入向量与目标节点嵌入向量。假设有500个路段节点，每个路段节点的动态自适应嵌入向量维度设为20，则可生成两个形状为(500，20)的张量，将其中第一个看作源节点嵌入向量，第二个看作目标节点嵌入向量，计算获得动态自适应邻接矩阵，能够让模型对同一路段节点能够学到它分别作为源节点和目标节点的不同隐式表征。
Figure BDA0002892506270000153
其中公式(3)能够较好地考虑动态自适应邻接矩阵的有向性(不对称性)。
根据本公开实施例的交通速度预测方法，对原有的静态先验邻接矩阵的基础上，参考动态的各个历史时间步的历史速度信息和历史时间步信息，能够考虑路网结构的动态复杂性。
在示例性实施例中，在获得t历史时间步路段节点的动态自适应邻接矩阵后，还可保留t历史时间步路段节点的动态自适应邻接矩阵的每行中数值最大的前n个元素，并对其余元素置零，获得稀疏化处理后的t时间步路段节点的动态自适应邻接矩阵，n为大于0并小于T的整数。
其伪代码可表示如下：
for i＝1，2，…，N//N为动态自适应邻接矩阵维度，即路段节点数，对每一行进行循环遍历。
idx＝argtopk(A[I,:])//获得动态自适应邻接矩阵的每一行中数值最大的前k个(上述实施例为n)元素的脚标idx。
A[i,-idx]＝0//将动态自适应邻接矩阵中每一行中idx以外的其余元素置零。
图6是基于图5的步骤S530在一个示例性实施例中的流程图。
如图6所示，上述图5实施例中的步骤S530可以进一步包括以下步骤。
在步骤S610中，以t历史时间步的感知信息为输入，对静态先验邻接矩阵依次进行一阶至K阶的图卷积运算，获得t历史时间步的一阶至K阶的第一图卷积运算结果，K为大于0的整数。
本公开实施例中，1阶至K阶的第一图卷积运算结果可例如图7中所示711。图7中所示输入712即为t历史时间步的感知信息。
在步骤S620中，根据t历史时间步的感知信息和k-1阶的第一图卷积运算结果确定k阶节点属性信息，0<k≤K。
本公开实施例中，k阶节点属性为图7中所示H1、HK，其中k分别取值：1、K。k阶节点属性信息Hk可通过下式获得。
Hk＝αHin+γApreHk-1 (4)
其中，Hk为第k跳(hop)的节点属性，形状为(batch_size, num_nodes,dim)，Apre为静态先验邻接矩阵，形状为(num_nodes, num_nodes)，α、γ为权重超参。其中，k阶节点属性可为k-1节的第一图卷积运算结果与输入的加权求和，即图7所示示例。
在步骤S630中，将t历史时间步的感知信息作为0阶节点属性信息，并将0阶至K阶节点属性信息拼接获得t历史时间步的拼接信息。
本公开实施例中，t历史时间步的拼接信息可例如图7所示 [H0,...,Hk,...,HK]。
在步骤S640中，根据t历史时间步的拼接信息确定t历史时间步的图卷积信息。
本公开实施例中，可通过图7所示注意力机制模块720对t历史时间步的拼接信息进行处理(例如维度变换)，获得t历史时间步的图卷积信息730。
图8是基于图3的步骤S330在一个示例性实施例中的流程图。
如图8所示，上述图3实施例中的步骤S330可以进一步包括以下步骤。
在步骤S810中，对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息。
本公开实施例中，t历史时间步的输入信息的具体形式可参见步骤S510中的相关描述。其中，如图7所示，输入信息可为X+Time并与t-1 个编码单元的隐状态进行拼接。其中X为各时间步输入的速度张量，Time 为各时间步的时间编码。其中，可将X直接与t-1个编码单元的隐状态的进行拼接，也可将时间信息同时用于编码器与解码器，即将各时间步的时间编码timeofday与速度进行拼接，得到新的张量(batch_size, num_nodes,speed_dim+time_dim)并与上一单元(编码单元或解码单元) 的隐状态间拼接，这里speed_dim与time_dim可皆为1。
在步骤S820中，以t历史时间步的输入信息为输入，对t历史时间步的路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至M 阶的图卷积运算，获得t历史时间步的一阶至M阶的第二图卷积运算结果， M为大于0的整数。
本公开实施例中，以图7中图卷积运算模块440为例进行说明。将t 历史时间步的输入信息作为441，对动态自适应邻接矩阵进行一阶至M阶的图卷积运算，并另对静态先验邻接矩阵进行一阶至M阶的图卷积运算。其中，第m阶的第二图卷积运算结果包括了动态自适应邻接矩阵的m阶图卷积运算结果和静态先验邻接矩阵的m阶图卷积运算结果。0<m≤M。
在步骤S830中，以t历史时间步的输入信息为输入，对t历史时间步的路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至Q 阶的图卷积运算，获得t历史时间步的一阶至Q阶的第三图卷积运算结果， Q为大于0的整数。
本公开实施例中，第三图卷积运算结果的获得方式可与第二图卷积运算结果类似，此处不再赘述。应当注意，本实施例中，M可等于Q，也可不等Q。并且K可取与M、Q中任一个相同的值，也可取与M和Q均不同的值，本公开实施例对此并不作特殊限定。
在步骤S840中，根据t历史时间步的一阶至M阶的第二图卷积运算结果和一阶至Q阶的第三图卷积运算结果确定第t个编码单元的门函数。
本公开实施例中，门函数可包括重置门和更新门。其中，更新的门函数可通过下式确定。
z(t)＝σ(g([X(t)，H(t-1)]；Θz)) (5)
重置门的门函数可通过下式确定。
r(t)＝σ(g([X(t)，H(t-1)]；Θr)) (6)
其中，Θz和Θr为偏差参数，X为各历史时间步输入的速度张量，形状为(batch_size,num_nodes,input_dim)，H为RNN的隐状态张量，形状为(batch_size,num_nodes,hidden_dim)，函数g为使用动态邻接矩阵并结合先验邻接矩阵的图卷积模块(例如Mixhop图卷积模块)，动态邻接矩阵并结合先验邻接矩阵的图卷积模块可表示为下式。
Hk＝αHin+βAadpHk-1+γApreHk-1 (7)
其中，其中Hk为第k跳(hop)的节点属性，形状为(batch_size, num_nodes,dim)，Aadp与Apre分别为动态自适应邻接矩阵和静态先验邻接矩阵，形状分别为(batch_size,seq_length,num_nodes,num_nodes) 和(num_nodes,num_nodes)，α，β，γ为权重超参，分别取0.05，0.95， 0.95。
图9是基于图3的步骤S340在一个示例性实施例中的流程图。
如图9所示，上述图3实施例中的步骤S340可以进一步包括以下步骤。
在步骤S910中，根据t历史时间步的输入信息和第t个编码单元的门函数确定第t个编码单元的更新门输出和重置门输出。
本公开实施例中，更新门输出和重置门输出可例如通过公式(5)、 (6)获得。
在步骤S920中，对重置门输出与t-1历史时间步的隐状态按位相乘，获得按位相乘信息。
本公开实施例中，按位相乘信息可表示为r(t)⊙H(t-1)。
在步骤S930中，将t历史时间步的输入信息和按位相乘信息进行拼接，获得t历史时间步的中间状态输入信息。
本公开实施例中，中间状态输入信息可表示为：X(t)，r(t)⊙H(t-1)。
在步骤S940中，以t历史时间步的中间状态输入信息为输入，对t时间步的路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至I阶的图卷积运算，获得t时间步的一阶至I阶的第四图卷积运算结果， I为大于0的整数。
本公开实施例中，第四图卷积运算结果的获得过程可与第二图卷积运算结果和第三图卷积运算结果的获得方式类似，具体可参考公式(7)。此处的I的取值可与K、M、Q中的其中一个相同，也可与K、M和Q均不同。
在步骤S950中，根据t时间步的一阶至I阶的第四图卷积运算结果确定第t个编码单元的中间状态输出。
本公开实施例中，中间状态输出可通过下式确定。
C(t)＝tanh(g([X(t)，r(t)⊙H(t-1)]；Θc)) (7)
其中，C(t)为第t个编码单元的中间状态输出，Θc为偏差参数。
在步骤S960中，根据第t个编码单元的更新门输出、重置门输出和中间状态输出确定第t个编码单元的隐状态。
本公开实施例中，隐状态可通过下式确定。
H(t)＝z(t)⊙H(t-1)+(1-z(t))⊙C(t-1) (8)
其中，H(t)为第t个编码单元的隐状态。
本公开实施例的交通速度预测方法，结合静态先验邻接矩阵和反映动态特性的动态自适应邻接矩阵的进行图卷积运算，并将其作为循环神经网络模型中门控循环单元中的门函数，能够将图卷积运算嵌入循环神经网络模型中，提升预测性能。交通预测可以反映城市交通建设的缺陷处或薄弱点，从而为城市规划和交通管理提供参考，以减少拥堵并提高交通效率。实时且准确的交通速度预测可为公共安全应急管理提供预警，在居民日常的出行中，还可帮助出行者进行路线规划和更改，从而提升生活质量。
图10是基于图3的步骤S350在一个示例性实施例中的流程图。
如图10所示，上述图3实施例中的步骤S350可以进一步包括以下步骤。
在步骤S1010中，将第T个编码单元的隐状态作为解码器的输入，对解码器中第p-1个解码单元的隐状态、输出信息进行处理，获得p未来时间步路段节点的动态自适应邻接矩阵，p为大于0且小于或等于P的整数， P为大于0的整数。
本公开实施例中，在图4所示循环神经网络模型中，第T个编码单元的隐状态为图示中的H。其中，p未来时间步路段节点的动态自适应邻接矩阵的获得方式可与编码单元中的动态自适应邻接矩阵的获得方式类似，此处不再赘述。
在步骤S1020中，对解码器中第p-1个解码单元的输出信息、隐状态和p未来时间步的时间编码进行拼接，获得p时间步的输入信息，p为大于0且小于或等于P的整数，P为大于0的整数。
本公开实施例中，p时间步的输入信息可例如图4中所示Yin+Time以及与p-1个解码单元的隐状态的拼接结果。其中，Yin为第p-1个解码单元的输出信息。在对循环神经网络模型的训练过程中，如图4所示，可按照概率将第p-1个解码单元的输出信息Yout(p-1)替换为第p-1个解码单元的速度标签Ylabel(p-1)。其中该概率可根据迭代次数的增加进行减少，以提升模型性能。
在步骤S1030中，根据p未来时间步的输入信息、p未来时间步路段节点的动态自适应邻接矩阵和静态先验邻接矩阵确定未来的0至P未来时间步各路段节点的预测交通速度。
图11示意性示出了根据本公开的再一实施例的交通速度预测方法的流程图。
如图11所示，本公开实施例的交通速度预测方法还可以包括以下步骤。其中，以下步骤用于对循环神经网络模型进行训练，循环获得的循环神经网络模型可用于前述实施例给出的交通速度预测方法。
在步骤S1110中，获取训练样本对，训练样本对包括历史时间步各路段节点的速度信息和时间相关信息、以及速度标签。
在步骤S1120中，通过循环神经网络模型对历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际输出。
本公开实施例中，可根据当前已迭代次数调整训练策略。
在示例性实施例中，可根据当前已迭代次数a确定所述解码器的输出时间步数b，其中b为a的单调非减函数；通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得所述解码器前b个解码单元的实际输出。
在示例性实施例中，可通过循环神经网络的编码器对历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际编码输出；根据当前已迭代次数a确定概率值c，其中，c为a的单调非增函数且0<c<1；根据所述概率值c将所述预测时间步的速度标签替换为所述解码器中解码单元的实际输出，获得所述实际输出。
在步骤S1130中，根据实际输出和速度标签计算损失函数。
在步骤S1140中，根据损失函数调节循环神经网络模型的参数，获得训练完成的循环神经网络模型。
为验证技术方案的功能特性，本申请使用北京市2020年7月份工作日的交通速度数据进行实验。此交通数据集由导航数据经处理得到，共两个，分别覆盖北京城区西北与东北两片区域，分别包含600个路段(节点)与 1540个路段(节点)。数据集中节点分布可参见图12所示的数据集1210 和数据集1220。
首先可对收集的数据进行了预处理，删除总体缺失率过大或连续缺失时长过长的节点，并利用分层空间网格采样法依据不同的道路等级对节点进行分层次的降采样，在道路等级较高的主干道保留了较高密度的节点。将数据的时间粒度统一为5分钟，使用了正则化(例如Z-Score)，并通过滑动时间窗口法得到输入输出皆为12时间步(一小时)的样本。速度预测性能可参考表1。
表1中可以看出，对比基线算法，在平均绝对误差(Mean Absolute Error，MAE)，均方根误差(RMSE)和平均绝对百分误差(MAPE)三种指标以及全部时间步上，本公开实施例的模型均取得了最佳性能。
表1
Figure BDA0002892506270000211
综上，本申请的交通速度预测方法能够使用动态自适应图卷积模块来建模动态路网的空间关联，并将图卷积与传统循环神经网络嵌合以建模时间关联性，取得了优秀的预测性能。
以下介绍本公开的装置实施例，可以用于执行本公开上述的交通速度预测方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的交通速度预测方法的实施例。
图13示意性示出了根据本公开的一实施例的交通速度预测装置的框图。
参照图13所示，根据本公开的一个实施例的交通速度预测装置1300，可以包括：历史信息获取模块1310、邻接矩阵确定模块1320、图卷积运算模块1330、编码模块1340以及解码模块1350。
历史信息获取模块1310可配置为获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；
邻接矩阵确定模块1320可以配置为利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t 历史时间步各路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T 的整数。
图卷积运算模块1330可以配置为对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数。
编码模块1340可以配置为利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态。
解码模块1350可以配置为通过所述循环神经网络模型的解码器对第T 个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。
本公开实施方式提供的交通速度预测装置，在对路段节点的进行交通速度预测时，根据每个历史时间步的动态的历史速度信息和历史时间相关信息确定动态自适应邻接矩阵，能够使模型根据路网在不同时间步中体现出的动态特性建立获得路网的空间关联信息。同时，将图卷积嵌入传统循环神经网络模型中，以获得每个编码单元的门函数，能够对时间关联性进行建模，提高交通速度的预测性能。
在示例性实施例中，邻接矩阵确定模块1320可包括：输入信息单元，可以配置为对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；感知单元，可以配置为通过多层感知机对所述t历史时间步的输入信息进行处理，获得t历史时间步的感知信息；第一图卷积单元，可配置为根据所述t历史时间步的感知信息对静态先验邻接矩阵进行图卷积运算，获得 t历史时间步的图卷积信息；向量过滤单元，可以配置为根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t 历史时间步各路段节点的动态节点自适应嵌入向量；邻接矩阵确定单元，可以配置为对t历史时间步各路段节点的所述节点自适应嵌入向量进行互相似性计算，获得t历史时间步所述路段节点的所述动态自适应邻接矩阵。
在示例性实施例中，第一图卷积单元可包括：第一图卷积子单元，可配置为以所述t历史时间步的感知信息为输入，对所述静态先验邻接矩阵依次进行一阶至K阶的图卷积运算，获得t历史时间步的一阶至K阶的第一图卷积运算结果，K为大于0的整数；第一节点属性子单元，可配置为根据所述t历史时间步的感知信息和k-1阶的第一图卷积运算结果确定k阶节点属性信息，0<k≤K；第一拼接子单元，可以配置为将所述t历史时间步的感知信息作为0阶节点属性信息，并将0阶至K阶节点属性信息拼接获得t历史时间步的拼接信息；图卷积信息子单元，可以配置为根据所述t历史时间步的拼接信息确定所述t历史时间步的图卷积信息。
在示例性实施例中，向量过滤单元可包括：第一向量过滤子单元，可配置为若所述静态节点嵌入向量的维度与所述t历史时间步的图卷积信息的维度相同，则对所述静态节点嵌入向量和所述图卷积信息进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量；第二向量过滤子单元，可配置为若所述静态节点嵌入向量的维度为所述t历史时间步的图卷积信息的维度的约数且小于所述t历史时间步的图卷积信息的维度，则对所述t历史时间步的图卷积信息进行维度转换，将维度转换后的所述t历史时间步的图卷积信息和所述静态节点嵌入向量进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量。
在示例性实施例中，图卷积运算模块1330可包括：输入信息单元，可配置为对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；第二图卷积单元，可配置为以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至M阶的图卷积运算，获得t历史时间步的一阶至M阶的第二图卷积运算结果，M为大于0的整数；第三图卷积单元，可配置为以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至Q阶的图卷积运算，获得t历史时间步的一阶至Q阶的第三图卷积运算结果，Q为大于0的整数；门函数确定单元，可配置为根据所述t历史时间步的一阶至M阶的第二图卷积运算结果和一阶至Q阶的第三图卷积运算结果确定第t个编码单元的门函数。
在示例性实施例中，编码模块1340可包括：门函数计算单元，可配置为根据所述t历史时间步的输入信息和所述第t个编码单元的门函数确定第t个编码单元的更新门输出和重置门输出；按位相乘单元，可配置为对重置门输出与t-1历史时间步的隐状态按位相乘，获得按位相乘信息；第二拼接单元，可配置为将所述t历史时间步的输入信息和所述按位相乘信息进行拼接，获得t历史时间步的中间状态输入信息；第四图卷积单元，可配置为以t历史时间步的中间状态输入信息为输入，对t时间步的所述路段节点的动态自适应邻接矩阵和所述静态先验邻接矩阵依次进行一阶至 I阶的图卷积运算，获得t时间步的一阶至I阶的第四图卷积运算结果，I 为大于0的整数；中间状态单元，可配置为根据所述t时间步的一阶至I 阶的第四图卷积运算结果确定第t个编码单元的中间状态输出；隐状态确定单元，可配置为根据所述第t个编码单元的更新门输出、重置门输出和中间状态输出确定第t个编码单元的隐状态。
在示例性实施例中，邻接矩阵确定模块1320在获得t历史时间步所述路段节点的动态自适应邻接矩阵后，还可配置为保留t历史时间步所述路段节点的动态自适应邻接矩阵的每行中数值最大的前n个元素，并对其余元素置零，获得稀疏化处理后的t时间步所述路段节点的动态自适应邻接矩阵，n为大于0并小于T的整数。
在示例性实施例中，解码模块可包括：解码邻接矩阵单元，可配置为将所述第T个编码单元的隐状态作为所述解码器的输入，对所述解码器中第p-1个解码单元的隐状态、输出信息进行处理，获得p未来时间步所述路段节点的动态自适应邻接矩阵，p为大于0且小于或等于P的整数，P为大于0的整数；解码输入单元，可配置为对所述解码器中第p-1个解码单元的输出信息、隐状态和p未来时间步的时间编码进行拼接，获得p时间步的输入信息，p为大于0且小于或等于P的整数，P为大于0的整数；速度预测单元，可配置为根据所述p未来时间步的输入信息、p未来时间步所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵确定未来的0至 P未来时间步各路段节点的预测交通速度。
在示例性实施例中，交通速度预测装置还可包括：训练样本获取模块，可配置为获取训练样本对，所述训练样本对包括历史时间步各路段节点的速度信息和时间相关信息、以及速度标签；模型实际输出模块，可配置为通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际预测输出；损失函数模块，可配置为根据所述实际预测输出和所述速度标签计算损失函数；模型调参模块，可配置为根据所述损失函数调节所述循环神经网络模型的参数，获得训练完成的所述循环神经网络模型。
在示例性实施例中，模型实际输出模块可包括：输出时间步数单元，可配置为根据当前已迭代次数a确定所述解码器的输出时间步b，其中b 为a的单调非减函数；实际输出单元，可配置为通过循环神经网络模型对历史时间步各路段节点的速度信息和时间相关信息进行处理，获得所述解码器前b个解码单元的实际输出。
在示例性实施例中，模型实际输出模块可包括：第一实际输出单元，可配置为通过所述循环神经网络的编码器对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际编码输出；概率值确定单元，可配置为根据当前已迭代次数确定概率值c，其中，c为a的单调非减函数且0<c<1；第二实际输出单元，可配置为根据所述概率值c将所述预测时间步的速度标签替换为所述解码器中解码单元的实际输出，获得所述实际输出。
图14示出了适于用来实现本公开实施例的电子设备的结构示意图。需要说明的是，图14示出的电子设备1400仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图14所示，电子设备1400包括中央处理单元(CPU)1401，其可以根据存储在只读存储器(ROM)1402中的程序或者从储存部分1408加载到随机访问存储器(RAM)1403中的程序而执行各种适当的动作和处理。在 RAM 1403中，还存储有系统操作所需的各种程序和数据。CPU 1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
以下部件连接至I/O接口1405：包括键盘、鼠标等的输入部分1406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1407；包括硬盘等的储存部分1408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1409。通信部分1409经由诸如因特网的网络执行通信处理。驱动器1410也根据需要连接至I/O接口1405。可拆卸介质1411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1410上，以便于从其上读出的计算机程序根据需要被安装入储存部分1408。
特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1409从网络上被下载和安装，和/或从可拆卸介质1411被安装。在该计算机程序被中央处理单元(CPU)1401执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本公开所示的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或者是上述两者的任意组合。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可以包括但不限于：具有至少一个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本公开中，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。而在本公开中，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。计算机可读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。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含至少一个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中，这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3或图 5或图6或图8或图9或图10或图11所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元或者子单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元或者子单元的特征和功能可以在一个模块或者单元或者子单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元或者子单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM， U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (13)

1.一种交通速度预测方法，其特征在于，包括：
获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；
利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；
对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；
利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；
通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度；
其中，利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵包括：
对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；
通过多层感知机对所述t历史时间步的输入信息进行处理，获得t历史时间步的感知信息；
通过静态先验邻接矩阵参与的图卷积运算对t历史时间步的感知信息进行消息传递，捕捉路段节点间的动态关系，得到t历史时间步的图卷积信息，所述静态先验邻接矩阵是以路网的静态拓扑属性或节点间时序相关关系构建的图结构连接关系；
根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量；
对t历史时间步各路段节点的所述动态节点自适应嵌入向量进行相似性计算，获得t历史时间步所述路段节点的所述动态自适应邻接矩阵。
2.如权利要求1所述的方法，其特征在于，根据所述t历史时间步的感知信息对静态先验邻接矩阵进行图卷积运算，获得t历史时间步的图卷积信息包括：
以所述t历史时间步的感知信息为输入，对所述静态先验邻接矩阵依次进行一阶至K阶的图卷积运算，获得t历史时间步的一阶至K阶的第一图卷积运算结果，K为大于0的整数；
根据所述t历史时间步的感知信息和k-1阶的第一图卷积运算结果确定k阶节点属性信息，0<k≤K；
将所述t历史时间步的感知信息作为0阶节点属性信息，并将0阶至K阶节点属性信息拼接获得t历史时间步的拼接信息；
根据所述t历史时间步的拼接信息确定所述t历史时间步的图卷积信息。
3.如权利要求1所述的方法，其特征在于，根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量包括：
若所述静态节点嵌入向量的维度与所述t历史时间步的图卷积信息的维度相同，则对所述静态节点嵌入向量和所述图卷积信息进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量；
若所述静态节点嵌入向量的维度为所述t历史时间步的图卷积信息的维度的约数且小于所述t历史时间步的图卷积信息的维度，则对所述t历史时间步的图卷积信息进行维度转换，将维度转换后的所述t历史时间步的图卷积信息和所述静态节点嵌入向量进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量。
4.如权利要求1-3任一项所述的方法，其特征在于，对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数包括：
对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；
以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至M阶的图卷积运算，获得t历史时间步的一阶至M阶的第二图卷积运算结果，M为大于0的整数；
以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至Q阶的图卷积运算，获得t历史时间步的一阶至Q阶的第三图卷积运算结果，Q为大于0的整数；
根据所述t历史时间步的一阶至M阶的第二图卷积运算结果和一阶至Q阶的第三图卷积运算结果确定第t个编码单元的门函数。
5.如权利要求4所述的方法，其特征在于，利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态，包括：
根据所述t历史时间步的输入信息和所述第t个编码单元的门函数确定第t个编码单元的更新门输出和重置门输出；
对重置门输出与t-1历史时间步的隐状态按位相乘，获得按位相乘信息；
将所述t历史时间步的输入信息和所述按位相乘信息进行拼接，获得t历史时间步的中间状态输入信息；
以t历史时间步的中间状态输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和所述静态先验邻接矩阵依次进行一阶至I阶的图卷积运算，获得t历史时间步的一阶至I阶的第四图卷积运算结果，I为大于0的整数；
根据所述t历史时间步的一阶至I阶的第四图卷积运算结果确定第t个编码单元的中间状态输出；
根据所述第t个编码单元的更新门输出、重置门输出和中间状态输出确定第t个编码单元的隐状态。
6.如权利要求1所述的方法，其特征在于，在获得t历史时间步所述路段节点的动态自适应邻接矩阵后，所述方法还包括：
保留t历史时间步所述路段节点的动态自适应邻接矩阵的每行中数值最大的前n个元素，并对其余元素置零，获得稀疏化处理后的t历史时间步所述路段节点的动态自适应邻接矩阵，n为大于0并小于T的整数。
7.如权利要求1所述的方法，其特征在于，通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度包括：
将所述第T个编码单元的隐状态作为所述解码器的输入，对所述解码器中第p-1个解码单元的隐状态、输出信息进行处理，获得p未来时间步所述路段节点的动态自适应邻接矩阵，p为大于0且小于或等于P的整数，P为大于0的整数；
对所述解码器中第p-1个解码单元的输出信息、隐状态和p未来时间步的时间编码进行拼接，获得p未来时间步的输入信息，p为大于0且小于或等于P的整数，P为大于0的整数；
根据所述p未来时间步的输入信息、p未来时间步所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵确定未来的0至P未来时间步各路段节点的预测交通速度。
8.如权利要求1所述的方法，其特征在于，还包括：
获取训练样本对，所述训练样本对包括历史时间步各路段节点的速度信息和时间相关信息、以及速度标签；
通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际输出；
根据实际输出和所述速度标签计算损失函数；
根据所述损失函数调节所述循环神经网络模型的参数，获得训练完成的所述循环神经网络模型。
9.如权利要求8所述的方法，其特征在于，通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际输出包括：
根据当前已迭代次数a确定所述解码器的输出时间步数b，其中 b为a的单调非减函数；
通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得所述解码器前b个解码单元的实际输出。
10.如权利要求8所述的方法，其特征在于，通过所述循环神经网络模型对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际输出包括：
通过所述循环神经网络模型的编码器对所述历史时间步各路段节点的速度信息和时间相关信息进行处理，获得实际编码输出；
根据当前已迭代次数a确定概率值c，其中，c为a的单调非增函数且0<c<1；
根据所述概率值c将预测时间步的速度标签替换为所述解码器中解码单元的实际输出，获得所述实际输出。
11.一种交通速度预测装置，其特征在于，包括：
历史信息获取模块，配置为获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；
邻接矩阵确定模块，配置为利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；
图卷积运算模块，配置为对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；
编码模块，配置为利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；
解码模块，配置为通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度；
其中，所述邻接矩阵确定模块包括：
输入信息单元，配置为对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；
感知单元，配置为通过多层感知机对所述t历史时间步的输入信息进行处理，获得t历史时间步的感知信息；
第一图卷积单元，配置为通过静态先验邻接矩阵参与的图卷积运算对t历史时间步的感知信息进行消息传递，捕捉路段节点间的动态关系，得到t历史时间步的图卷积信息，所述静态先验邻接矩阵是以路网的静态拓扑属性或节点间时序相关关系构建的图结构连接关系；
向量过滤单元，配置为根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量；
邻接矩阵确定单元，配置为对t历史时间步各路段节点的所述动态节点自适应嵌入向量进行相似性计算，获得t历史时间步所述路段节点的所述动态自适应邻接矩阵。
12.一种电子设备，其特征在于，包括：
至少一个处理器；
存储装置，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
CN202110031628.8A 2021-01-11 2021-01-11 交通速度预测方法、装置、电子设备及计算机可读介质 Active CN112863180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110031628.8A CN112863180B (zh) 2021-01-11 2021-01-11 交通速度预测方法、装置、电子设备及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110031628.8A CN112863180B (zh) 2021-01-11 2021-01-11 交通速度预测方法、装置、电子设备及计算机可读介质

Publications (2)

Publication Number Publication Date
CN112863180A CN112863180A (zh) 2021-05-28
CN112863180B true CN112863180B (zh) 2022-05-06

Family

ID=76002439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110031628.8A Active CN112863180B (zh) 2021-01-11 2021-01-11 交通速度预测方法、装置、电子设备及计算机可读介质

Country Status (1)

Country Link
CN (1) CN112863180B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256985B (zh) * 2021-06-28 2021-09-17 智道网联科技(北京)有限公司 一种交通拥堵预测方法、装置和电子设备
CN114360254B (zh) * 2022-03-17 2022-06-21 湖南工商大学 一种基于时空的交通流量预测方法及相关设备
CN114694379B (zh) * 2022-03-29 2024-05-03 中山大学 一种基于自适应动态图卷积的交通流预测方法及系统
EP4282723A4 (en) 2022-04-13 2024-10-02 Momemta Suzhou Tech Co Ltd METHOD AND DEVICE FOR DETERMINING A TRAINING SAMPLE OF A VEHICLE SPEED CONTROL MODEL
CN114454878B (zh) * 2022-04-13 2022-08-30 北京魔门塔科技有限公司 车速控制模型训练样本的确定方法及装置
CN116150699B (zh) * 2022-09-08 2024-07-23 湖南工商大学 基于深度学习的交通流预测方法、装置、设备及介质
CN115631622A (zh) * 2022-09-21 2023-01-20 清华大学 交通状态预测方法、装置、电子设备及存储介质
CN116386321A (zh) * 2023-01-11 2023-07-04 华南理工大学 基于改进状态空间模型的交通速度预测方法
CN116245255B (zh) * 2023-03-30 2023-07-11 湖南大学 一种在线时空交通流预测方法
CN116976512A (zh) * 2023-07-28 2023-10-31 湖北工业大学 基于图神经网络的无人机集群航迹预测方法
CN117974407B (zh) * 2024-04-02 2024-06-18 北京邮电大学 基于动态图聚类元学习的园区交通拥堵预测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648457A (zh) * 2018-06-28 2018-10-12 苏州大学 一种速度预测的方法、装置和计算机可读存储介质
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
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
CN110648527A (zh) * 2019-08-20 2020-01-03 浙江工业大学 一种基于深度学习模型的交通速度预测方法
CN110827546A (zh) * 2019-11-21 2020-02-21 银江股份有限公司 一种信号交叉口路段短期速度预测方法
CN110913229A (zh) * 2018-09-18 2020-03-24 腾讯科技（深圳）有限公司 基于rnn的解码器隐状态确定方法、设备和存储介质
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
CN111696355A (zh) * 2020-06-29 2020-09-22 中南大学 动态图卷积交通速度预测方法
KR102192348B1 (ko) * 2020-02-24 2020-12-17 한국과학기술원 불특정 다수의 주변 차량들에 대한 미래 경로 통합 예측을 위한 전자 장치 및 그의 동작 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10853720B1 (en) * 2017-04-26 2020-12-01 EMC IP Holding Company LLC Traffic condition forecasting using matrix compression and deep neural networks
US11748596B2 (en) * 2019-05-23 2023-09-05 International Business Machines Corporation Context based vehicular traffic prediction
CN111899510B (zh) * 2020-07-28 2021-08-20 南京工程学院 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN111968375B (zh) * 2020-08-27 2021-08-10 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648457A (zh) * 2018-06-28 2018-10-12 苏州大学 一种速度预测的方法、装置和计算机可读存储介质
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN110913229A (zh) * 2018-09-18 2020-03-24 腾讯科技（深圳）有限公司 基于rnn的解码器隐状态确定方法、设备和存储介质
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
CN110648527A (zh) * 2019-08-20 2020-01-03 浙江工业大学 一种基于深度学习模型的交通速度预测方法
CN110827546A (zh) * 2019-11-21 2020-02-21 银江股份有限公司 一种信号交叉口路段短期速度预测方法
KR102192348B1 (ko) * 2020-02-24 2020-12-17 한국과학기술원 불특정 다수의 주변 차량들에 대한 미래 경로 통합 예측을 위한 전자 장치 및 그의 동작 방법
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
CN111696355A (zh) * 2020-06-29 2020-09-22 中南大学 动态图卷积交通速度预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于LSTM深度网络的城市道路短时交通状态预测模型研究;陈韫;《中国优秀硕士学位论文全文数据库（硕士）工程科技II辑》;20190115(第1期);全文 *
基于LSTM的城市道路交通速度预测;阎嘉琳等;《地理信息世界》;20191031;第26卷(第5期);第79-85页 *
基于时空关联度加权的LSTM短时交通速度预测;刘易诗等;《地理信息世界》;20200229;第27卷(第1期);第41-47页 *

Also Published As

Publication number Publication date
CN112863180A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112863180B (zh) 交通速度预测方法、装置、电子设备及计算机可读介质
CN113905391B (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
Zhang et al. A Traffic Prediction Method of Bicycle-sharing based on Long and Short term Memory Network.
CN115273464A (zh) 一种基于改进的时空Transformer的交通流量预测方法
CN115240425A (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN110570035B (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
CN112216101B (zh) 一种基于弹性学习框架的交通预测方法及系统
CN116128122A (zh) 一种考虑突发因素的城市轨道交通短时客流预测方法
CN115688871A (zh) 基于预训练增强的多元时间序列预测方法及系统
CN117116048A (zh) 基于知识表示模型和图神经网络的知识驱动交通预测方法
CN113762338A (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN113362852A (zh) 一种用户属性识别方法和装置
CN116543351A (zh) 一种基于时空串并联关系编码的自监督群体行为识别方法
Tang et al. Short-term travel speed prediction for urban expressways: Hybrid convolutional neural network models
CN116977885A (zh) 视频文本任务处理方法、装置、电子设备及可读存储介质
CN118070063A (zh) 模型训练方法、文本分类方法、装置、设备、介质及产品
CN117893957A (zh) 用于流计数的系统和方法
CN117116287A (zh) 一种基于多粒度计算的音频场景识别方法
ABBAS A survey of research into artificial neural networks for crime prediction
CN116704433A (zh) 基于上下文感知关系预测编码的自监督群体行为识别方法
Fatkhulin et al. Analysis of the Basic Image Generation Methods by Neural Networks
WO2023206532A1 (zh) 预测方法、装置、电子设备及计算机可读存储介质
CN116226501A (zh) 信息推送方法、装置、计算机设备及存储介质
Lin et al. Collaborative Framework of Accelerating Reinforcement Learning Training with Supervised Learning Based on Edge Computing
CN115482019A (zh) 一种活动关注度预测方法、装置、电子设备和存储介质

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