CN112907969A - 一种预测道路交通流量的方法及系统 - Google Patents

一种预测道路交通流量的方法及系统 Download PDF

Info

Publication number
CN112907969A
CN112907969A CN202110143302.4A CN202110143302A CN112907969A CN 112907969 A CN112907969 A CN 112907969A CN 202110143302 A CN202110143302 A CN 202110143302A CN 112907969 A CN112907969 A CN 112907969A
Authority
CN
China
Prior art keywords
road
state information
road section
moment
hidden layer
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
CN202110143302.4A
Other languages
English (en)
Other versions
CN112907969B (zh
Inventor
毛天露
刘京尧
王兆其
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.)
Institute of Computing Technology of CAS
Original Assignee
Institute of Computing Technology of CAS
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 Institute of Computing Technology of CAS filed Critical Institute of Computing Technology of CAS
Priority to CN202110143302.4A priority Critical patent/CN112907969B/zh
Publication of CN112907969A publication Critical patent/CN112907969A/zh
Application granted granted Critical
Publication of CN112907969B publication Critical patent/CN112907969B/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种预测道路交通流量的方法和系统，该方法利用道路交通流量仿真模型预测道路交通流量，道路交通流量仿真模型包括多头注意力层和基于LSTM的时空处理层，其中多头注意力层用于整合空间上其他路段的隐层状态信息，基于LSTM的时空处理层用于有效的理解当前交通流的时空间状态以准确地反映出目前空间上的交通状态。通过使用本发明的方法和系统能够对交通流变化做出准确预测。

Description

一种预测道路交通流量的方法及系统
技术领域
本发明涉及机器学习、计算机数据挖掘分析技术领域，尤其涉及一种 预测道路交通流量的方法及系统。
背景技术
目前交通流仿真技术主要分为宏观模型与微观模型，微观模型对每一 辆车的行为进行建模，通过对每一辆车辆的运动情况的仿真完成对路网中 交通流的仿真，通过合适的设计可以对小规模的路网中的交通流进行高精 度的仿真；当路网规模较大，路网中车辆数目极多的情形下，就需要使用 宏观模型对交通流进行仿真，宏观流模型中最具影响力的是LWR (Lighthill-Whitham-Richards)模型，该模型将交通流视为水流，将车流 移动的过程以水流运动的方式进行建模，通过求解相应的偏微分方程组来 对每一个时刻车辆的运动情况进行仿真。后续的研究者在此基础上提出了 CTM(cell transmission model)，将完整的路网按照一定的规律拆分成不同 的细胞(cell)，通过每个细胞的车辆数、车辆密度、车辆速度等等指标， 计算在每一个时刻下不同细胞之间的交通流转移情况来对交通流进行建 模。
交通流的变换具备着高度的非线性特征，例如车流队列的形成与消散， 异质交通流(含有不同车辆类型，车道数不一致等)的运动等等。现有的 CTM(cell transmissionmodel)模型中通过一些手工设计的函数来对这些 特征进行模拟，但是这些手工设计的函数并不能非常完美的契合于实际的 交通流变化规律，从而产生一定的误差，随着空间的扩展，模型的误差往 往会产生误差累积与仿真失真的问题，实际的仿真精度有限。
因此，亟需一种更加精准的道路交通流量仿真方法和系统。
发明内容
因此，本发明实施例的目的在于克服上述现有技术的缺陷，提供一种 道路交通流量仿真模型的训练方法，包括：将道路拆分为若干个连续的路 段；利用道路交通流量仿真模型初始化所述若干个连续的路段当前时刻的 隐层状态信息；利用任一路段上一时刻的隐层状态信息、其邻近路段上一 时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述道 路中第一个路段下一时刻驶入的车辆数目训练所述道路交通流量仿真模型，直至完成预设的训练周期。
在一个实施例中，所述任一路段当前时刻的交通状态信息包括该路段 前一时刻驶入的车辆数目、前一时刻驶出的车辆数目以及当前时刻存在的 车辆数目。
在一个实施例中，所述道路交通流量仿真模型包括多头注意力层、基 于LSTM的时空处理层和全连接层，所述多头注意力层用于整合所述任一 路段的邻近路段上一时刻的隐层状态信息；所述基于LSTM的时空处理层 用于基于整合后的所述任一路段的邻近路段上一时刻的隐层状态信息、所 述任一路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态 信息以及所述道路中第一个路段下一时刻驶入的车辆数目，获得所述任一路段当前时刻的隐层状态信息；所述全连接层用于基于所述任一路段当前 时刻的隐层状态信息获得所述任一路段下一时刻的交通状态信息。
在一个实施例中，所述多头注意力层由多个连续的单头注意力层拼接 而成，所述单头注意力层基于所述任一路段的邻近路段中每个路段的注意 力权重获得所述任一路段的邻近路段的隐层状态空间信息。
在一个实施例中，还包括：基于所述任一路段上一时刻的隐层状态信 息、其邻近路段上一时刻的隐层状态信息以及所述任一路段当前时刻的交 通状态信息，利用所述道路交通流量仿真模型获取所述任一路段当前时刻 的隐层状态信息；更新所述任一路段上一时刻的隐层状态信息，并重复上 述步骤直至达到预设的初始化时限，获得所述任一路段当前时刻的隐层状 态，其中，所述任一路段当前时刻的交通状态信息从所述路段的真实数据 中获取。
在一个实施例中，还包括：基于任一路段上一时刻的隐层状态信息、 其邻近路段上一时刻的隐层状态信息以及所述任一路段当前时刻的交通 状态信息，利用所述道路交通流量仿真模型获取所述任一路段当前时刻的 隐层状态信息；基于所述任一路段当前时刻的隐层状态信息通过全连接层 计算，获得所述任一路段下一时刻驶出的车辆数目；基于所述任一路段当 前时刻的交通状态信息、下一时刻驶出的车辆数目以及所述道路中第一个 路段下一时刻的交通状态信息，获得所述任一路段下一时刻的交通状态信 息；存储所述任一路段下一时刻的交通状态信息，更新所述任一路段当前 时刻的交通状态信息，并重复上述直至完成预设的训练周期。
本发明另一方面提供了一种预测道路交通流量的方法，包括：将待预 测的道路拆分为若干个连续的路段；利用上述任一方法训练得到的道路交 通流量仿真模型初始化所述若干个连续的路段当前时刻的隐层状态信息； 基于所述任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层 状态信息、所述任一路段当前时刻的交通状态信息以及所述待预测道路中 第一个路段下一时刻驶入的车辆数目，利用上述任一方法训练得到的所述 道路交通流量仿真模型预测所述任一路段下一时刻的交通状态信息；更新 所述任一路段上一时刻的隐层状态信息、其邻近路段上一时刻隐层状态信 息以及所述任一路段当前时刻的交通状态信息，并重复上述步骤直至达到 预设的仿真时限。
本发明另一方面提供了一种预测道路交通流量的系统，包括：接口模 块，用于获取待预测的道路中任一路段上一时刻的隐层状态信息、其邻近 路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息、 所述待预测道路中第一个路段下一时刻驶入的车辆数目以及预设的训练 周期、初始化时限和仿真时限；初始化模块，用于利用训练好的道路交通 流量仿真模型初始化所述若干个连续的路段当前时刻的隐层状态信息；仿真模块，用于基于所述任一路段上一时刻的隐层状态信息、其邻近路段上 一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述 待预测道路中第一个路段下一时刻驶入的车辆数目，利用训练好的所述道 路交通流量仿真模型预测所述任一路段下一时刻的交通状态信息；训练模 块，用于基于所述任一路段上一时刻的隐层状态信息、其邻近路段上一时 刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述道路中第一个路段下一时刻驶入的车辆数目，训练所述道路交通流量仿真模型， 直至完成预设的训练周期。
本发明另一方面提供了一种存储介质，其中存储有计算机程序，在所 述计算机程序被处理器执行时，能够用于实现上述任一项所述的方法。
本发明另一方面提供了一种电子设备，包括处理器和存储器，所述存 储器中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于 实现权利要求上述任一项所述的方法。
本发明实施例的技术方案可以包括以下有益效果：
道路交通流量仿真模型通过多头注意力层整合空间上其他路段的隐 层状态信息，可以准确地反映出目前空间上的交通状态；通过整合空间信 息与时间信息的LSTM的时空处理层，使得模型可以有效的理解当前交通 流的时空间状态，能够对下一时刻的交通流变化做出准确预测。
通过使用道路交通流量仿真模型可以有效的从实际交通数据或仿真 生成数据中提取出交通流变化的复杂时空间特征，从而进行更加精准有效 的宏观交通仿真。
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，并不能限制本发明。
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 发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下 面描述中的附图仅仅是本发明的一些实施例，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示出了根据本发明一个实施例的一种道路交通流量仿真模型的训 练方法的流程图；
图2示出了本发明一个实施例的道路拆分示意图；
图3示出了本发明一个实施例的道路交通流量仿真模型的结构示意图；
图4示出了本发明一个实施例的道路交通流量仿真模型中基于LSTM 的时空处理层的示意图；
图5示出了本发明一个实施例的利用道路交通流量仿真模型初始化的 示意图；
图6示出了本发明一个实施例的利用道路交通流量仿真模型初始化的 流程图；
图7示出了本发明一个实施例的对初始化后的道路交通流量仿真模型 进行训练的流程图；
图8示出了本发明一个实施例的预测道路交通流量的方法的流程图；
图9示出了本发明一个实施例的预测道路交通流量的方法的示意图；
图10示出了根据本发明一个实施例的预测道路交通流量的系统结构 示意图；
图11示出了本发明实验部分数据集一中场景1路段内车辆随时间变 化图；
图12示出了本发明实验部分数据集一中场景2路段内车辆随时间变 化图；图13示出了本发明实验部分数据集一中场景3路段内车辆随时间 变化图；
图14示出了本发明实验部分在5％货车比例条件下本发明一个实施例 的模型与传统模型的仿真效果的对比图；
图15示出了本发明实验部分在15％货车比例条件下本发明一个实施 例的模型与传统模型的仿真效果的对比图。
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图 通过具体实施例对本发明进一步详细说明。应当理解，所描述的实施例是 本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动下获得的所有其他实施例，都 属于本发明保护的范围。
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发明 的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明 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发明的各方面。
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，或在一个或多个 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。
图1示出了本发明一个实施例的一种道路交通流量仿真模型的训练方 法。如图1所示，该方法包括：
S110，将道路拆分为若干个连续的路段。
图2示出了本发明一个实施例的道路拆分示意图。如图2所示，可以 将一段道路拆分为若干个连续的路段s-2，s-1，s，s+1，s+2，对其中任一 路段分别进行仿真训练。
S120，利用道路交通流量仿真模型初始化若干个连续的路段当前时刻 的隐层状态信息。
S130，利用任一路段上一时刻的隐层状态信息、其邻近路段上一时刻 的隐层状态信息、任一路段当前时刻的交通状态信息以及道路中第一个路 段下一时刻驶入的车辆数目训练道路交通流量仿真模型，直至完成预设的 训练周期。
下文将结合图3、图4、图5、图6及图7详述道路交通流量仿真模型 的具体结构、利用道路交通流量仿真模型进行初始化以及对其进行训练的 具体流程。
图3示出了本发明一个实施例的道路交通流量仿真模型的结构示意图。 如图3所示，道路交通流量仿真模型包括多头注意力层、基于LSTM的时 空处理层和全连接层。其中，多头注意力层用于整合任一路段s的邻近路 段s-2，s-1，s+1，s+2上一时刻的隐层状态信息h(s-2,t-1)，h(s-1,t-1)，h(s+1,t-1)， h(s+2,t-1)。基于LSTM的时空处理层用于基于整合后的任一路段s的邻近路 段上一时刻的隐层状态信息、任一路段s上一时刻的隐层状态信息h(s,t-1)、 任一路段当前时刻的交通状态信息x(s,t)以及道路中第一个路段下一时刻驶 入的车辆数目x(1,t+1)，获得任一路段s当前时刻的隐层状态信息h(s,t)。全连 接层用于基于任一路段当前时刻的隐层状态信息获得任一路段下一时刻 的交通状态信息x(s,t+1)。
在一个实施例中，道路交通流量仿真模型中的多头注意力层由多个连 续的单头注意力层拼接而成，每个单头注意力层基于任一路段的邻近路段 中每个路段的注意力权重获得任一路段的邻近路段的隐层状态空间信息， 其中，单个注意力头的计算公式如下：
Figure BDA0002928840550000061
Figure BDA0002928840550000062
Figure BDA0002928840550000063
将多个单头注意力层得到的结果进行拼接得到部分空间信息变量hsp， 公式如下：
hsp＝Wsp[h′i，h″i，...]+Bsp
其中，hs为任一路段s的隐层状态信息，hj为任一路段s的邻近路段中 第j个路段的隐层状态信息，αij为任一路段s的邻近路段中第j个路段的 注意力权重，exp(·)为指数函数，Wa，Wsp，Bsp是需要通过训练迭代优化的 参数，h′i，h″i，...是不同的注意力头。
图4示出了一个实施例中道路交通流量仿真模型中的基于LSTM的时 空处理层的示意图。如图4所示，首先通过全连接层将多头注意力层输出 的hsp转换为与隐层状态同维的空间特征向量，再通过激活函数将空间特征 向量该与任一路段s上一时刻的隐层状态hs，t-1以及基于LSTM的时空处理 层中的细胞状态cs，t-1分别做哈德马积，最后经过LSTM计算得到任一路段 s当前时刻的隐层状态hs，t及基于LSTM的时空处理层中的细胞状态cs，t。
图5示出了本发明一个实施例的利用道路交通流量仿真模型初始化的 示意图。图6示出了本发明一个实施例的利用道路交通流量仿真模型初始 化的流程图。如图6所示，初始化包括以下步骤：
S610，基于任一路段上一时刻的隐层状态信息、其邻近路段上一时刻 的隐层状态信息以及任一路段当前时刻的交通状态信息，利用道路交通流 量仿真模型获取任一路段当前时刻的隐层状态信息。
S620，更新任一路段上一时刻的隐层状态信息和交通状态信息，并重 复上述步骤S610直至达到预设的初始化时限，获得任一路段当前时刻的 隐层状态。
任一路段当前时刻的交通状态信息包括该路段前一时刻驶入的车辆 数目、前一时刻驶出的车辆数目以及当前时刻存在的车辆数目。在初始阶 段，任一路段当前时刻的交通状态信息从路段的真实数据中获取。
在一个实施例中，初始化过程中的输入可以通过进行围观仿真得到。 在另一个实施例中，初始化过程中的输入可以全部置零，表示空路网。在 一个实施例中，需要至少四个时间步长的初始化计算得到整个道路上所有 路段的隐层状态
图7示出了本发明一个实施例的对初始化后的道路交通流量仿真模型 进行训练的流程图。如图7所示，包括以下步骤：
S710，基于任一路段上一时刻的隐层状态信息、其邻近路段上一时刻 的隐层状态信息以及所述任一路段当前时刻的交通状态信息，利用道路交 通流量仿真模型获取任一路段当前时刻的隐层状态信息。
将初始化得到的任一路段及其邻近路段当前时刻的隐层状态信息作 为训练过程中任一路段及其邻近路段上一时刻的隐层状态信息，连同任一 路段当前时刻的交通状态信息一起输入道路交通流量仿真模型，以获取任 一路段当前时刻的隐层状态信息。
S720，基于任一路段当前时刻的隐层状态信息通过全连接层计算，获 得任一路段下一时刻驶出的车辆数目。
S730，基于任一路段当前时刻的交通状态信息、下一时刻驶出的车辆 数目以及道路中第一个路段下一时刻的交通状态信息，获得任一路段下一 时刻的交通状态信息。
对于除道路中第一个路段之外其他任一路段s，每一个时刻输入的交 通状态都是模型计算得到的，模型根据隐层状态hs，t-1通过全连接层预测车 辆的流出量
Figure BDA0002928840550000081
每个cell的流出量是下一个cell的流入量，即
Figure BDA0002928840550000082
下一时刻cell内车辆数目等于当前车辆输入加上流入量，减去流出量，即
Figure BDA0002928840550000083
这样就得到了当前时刻要输入的交通状态量
Figure BDA0002928840550000084
对于道路中第一个路段，它的输出量
Figure BDA0002928840550000085
同样是经过模型预测得到的， 但是它的流入量是根据仿真需求给定的is，t，所以它的当前时刻存量是当前 车辆输入加上流入量，减去流出量
Figure BDA0002928840550000086
得到，这样就 得到了当前时刻要输入的交通状态量
Figure BDA0002928840550000087
S740，存储任一路段下一时刻的交通状态信息并更新任一路段当前时 刻的交通状态信息，重复上述步骤710至步骤730直至完成预设的训练周 期。
在每个训练周期内，利用输出的交通状态信息与真实状态信息计算误 差，并更新模型的参数。此外，与初始化阶段不同，训练阶段中使用模型 预测的任一路段下一时刻的交通状态信息来更新任一路段当前时刻的交 通状态信息。
通过上述训练可以获得道路交通流量仿真模型，该模型通过多头注意 力层整合空间上其他路段的隐层状态信息，可以准确地反映出目前空间上 的交通状态；通过整合空间信息与时间信息的基于LSTM的时空处理层， 使得模型可以有效的理解当前交通流的时空间状态，能够对下一时刻的交 通流变化做出准确预测。
图8示出了本发明一个实施例的预测道路交通流量的方法的流程图， 图9示出了本发明一个实施例的预测道路交通流量的方法的示意图。如图 8所示，该方法包括以下步骤：
S810，将待预测的道路拆分为若干个连续的路段。
S820，利用训练好道路交通流量仿真模型初始化若干个连续的路段当 前时刻的隐层状态信息。
S830，基于任一路段上一时刻的隐层状态信息、其邻近路段上一时刻 的隐层状态信息、任一路段当前时刻的交通状态信息以及待预测道路中第 一个路段下一时刻驶入的车辆数目，利用训练好的道路交通流量仿真模型 预测任一路段下一时刻的交通状态信息。
S840，更新任一路段上一时刻的隐层状态信息、其邻近路段上一时刻 隐层状态信息以及任一路段当前时刻的交通状态信息，并重复上述步骤 830，直至达到预设的仿真时限。
上述实施例通过道路交通流量仿真模型可以有效的从实际交通数据 或仿真生成数据中提取出交通流变化的复杂时空间特征，从而进行更加精 准有效的宏观交通仿真。
图10示出了根据本发明一个实施例的预测道路交通流量的系统结构 示意图。如图10所示，该系统1000包括接口模块1010、初始化模块1020、 仿真模块1030和训练模块1040。尽管该框图以功能上分开的方式来描述 组件，但这样的描述仅为了说明的目的。图中所示的组件可以任意地进行 组合或被分为独立的软件、固件和/或硬件组件。而且，无论这样的组件是 如何被组合或划分的，它们都可以在同一计算装置或多个计算装置上执行，其中多个计算装置可以是由一个或多个网络连接。
其中接口模块1010用于获取待预测的道路中任一路段上一时刻的隐 层状态信息、其邻近路段上一时刻的隐层状态信息、任一路段当前时刻的 交通状态信息、待预测道路中第一个路段下一时刻驶入的车辆数目以及预 设的训练周期、初始化时限和仿真时限。初始化模块1020用于利用训练 好的道路交通流量仿真模型初始化所述若干个连续的路段当前时刻的隐 层状态信息。仿真模块1030用于基于任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息、任一路段当前时刻的交通状态信息 以及待预测道路中第一个路段下一时刻驶入的车辆数目，利用训练好的道 路交通流量仿真模型预测所述任一路段下一时刻的交通状态信息。训练模 块1040用于基于训练道路交通流量仿真模型。
在本发明的又一个实施例中，还提供了一种计算机可读存储介质，其 上存储有计算机程序或可执行指令，当所述计算机程序或可执行指令被执 行时实现如前述实施例中所述的技术方案，其实现原理类似，此处不再赘 述。在本发明的实施例中，计算机可读存储介质可以是任何能够存储数据 且可以被计算装置读取的有形介质。计算机可读存储介质的实例包括硬盘 驱动器、网络附加存储器(NAS)、只读存储器、随机存取存储器、CD-ROM、CD-R、CD-RW、磁带以及其它光学或非光学数据存储装置。计算机可读 存储介质也可以包括分布在网络耦合计算机系统上的计算机可读介质，以 便可以分布式地存储和执行计算机程序或指令。
在本发明的另一个实施例中，可以以电子设备的形式来实现本发明。 该电子设备包括处理器和存储器，在存储器中存储有计算机程序，当该计 算机程序被处理器执行时，能够用于实现本发明的方法。
实验部分
1.数据集说明
数据集一：
这是通过开源微观交通仿真软件SUMO生成的数据集，仿真的场景是 一个长度为1.5km的路段，六车道，限速为50km/h。车流由大货车(HV) 和小轿车(PV)组成。大货车的行驶速度速度分布服从高斯分布，均值为 40km/h，标准差为2.5km/h；小轿车的行驶速度均值为45km/h，标准差为 5km/h。
分别对货车比例为5％、10％、15％、20％、25％、30％的交通流进行 了仿真，路网中车量数目随时间变化情况共有三种，共计18种仿真场景， 每个场景的时间为1小时。通过SUMO仿真得到的围观轨迹数据，我们按 照车辆类型分别统计数据，以5s为一个时间步长，每个cell长度为50m， 统计两种类型的车辆在之前一个时间步长内流入、流出与当前时刻的存量。 图11、图12和图13分别示出了数据集一种场景1、场景2和场景3路段 内车辆随时间变化图。
数据集二：
是由NGSIM项目提供的I-80数据集，是从美国旧金山Emeryville 80 号州际公路上的一段收集到的，长度有400米，6车道。车辆类型也可以 大致上按照长度行驶速度分为货车(平均长度14m，平均行驶速度10m/s) 与小轿车(平均长度4.5m,平均行驶速度13.8m/s)，该数据集分为三部分， 分别是从4:00p.m.-4:15p.m.,5:00p.m.-5:15p.m.5:15p.m.-5:30p.m. 三个时段收集的数据，我们采用与数据集一相同的方式进行统计。同时， 我们使用SUMO以相同的速度长度分布和车辆比例进行了仿真，车流变化 与流量变化1,2相同，用以训练在真实数据集上测试的模型。
2.实验设置
模型通过pytorch-1.4深度学习框架实现。
训练过程：在数据集一中，进行4步初始化过程，20步仿真，测试场景是 4步初始化，755步仿真，训练选取流量变化1,2，对比测试采用流量变化 3、。训练过程中采用adam算法进行模型参数优化。在数据集二中，采用 仿真数据集作为损失函数计算方式如下：
Figure BDA0002928840550000121
上式中Loss(·,·)为均方误差损失函数，α,β取1.
3.实验对比结果
进行对比的方法有两种，一个是传统的CTM模型，FM-CTM模型[1]， 另一种是social-LSTM模型[2]，我们在数据集一上进行了三种模型之间准 确率的对比，在数据集二上进行了传统模型FM-CTM与我们模型(R-CTM) 之间的对比，结果统计如下：
数据集一
Figure BDA0002928840550000122
数据集二
Figure BDA0002928840550000131
图14和图15分别示出了在5％货车比例条件下以及在15％货车比例 条件下本发明一个实施例的模型与传统模型的仿真效果的对比图。由此可 见，根据高精度围观模型生成的数据集上测试的结果，不论在单个cell层 面还是整体路段层面都要具备更好的准确性。在一个路段长1500米，仿 真时间2小时的仿真场景下，单个cell的平均仿真误差降低约15％，整个 路段的仿真误差降低50％左右。
本说明书中针对“各个实施例”、“一些实施例”、“一个实施例”、或 “实施例”等的参考指代的是结合所述实施例所描述的特定特征、结构、 或性质包括在至少一个实施例中。因此，短语“在各个实施例中”、“在一 些实施例中”、“在一个实施例中”、或“在实施例中”等在整个说明书中 各地方的出现并非必须指代相同的实施例。此外，特定特征、结构、或性 质可以在一个或多个实施例中以任何合适方式组合。因此，结合一个实施 例中所示出或描述的特定特征、结构或性质可以整体地或部分地与一个或 多个其他实施例的特征、结构、或性质无限制地组合，只要该组合不是非 逻辑性的或不能工作。
本说明书中“包括”和“具有”以及类似含义的术语表达，意图在于 覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、系统、 产品或设备并不限定于已列出的步骤或单元，而是可选地还包括没有列出 的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的 其他步骤或单元。“一”或“一个”也不排除多个的情况。另外，本申请 附图中的各个元素仅仅为了示意说明，并非按比例绘制。
虽然本发明已经通过上述实施例进行了描述，然而本发明并非局限于 这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种 改变以及变化。

Claims (10)

1.一种道路交通流量仿真模型的训练方法，包括：
步骤1-1)将道路拆分为若干个连续的路段；
步骤1-2)利用道路交通流量仿真模型初始化所述若干个连续的路段当前时刻的隐层状态信息；
步骤1-3)利用任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述道路中第一个路段下一时刻驶入的车辆数目训练所述道路交通流量仿真模型，直至完成预设的训练周期。
2.根据权利要求1所述的训练方法，其中，所述任一路段当前时刻的交通状态信息包括该路段前一时刻驶入的车辆数目、前一时刻驶出的车辆数目以及当前时刻存在的车辆数目。
3.根据权利要求1所述的模型的训练方法，其中，所述道路交通流量仿真模型包括多头注意力层、基于LSTM的时空处理层和全连接层，所述多头注意力层用于整合所述任一路段的邻近路段上一时刻的隐层状态信息；所述基于LSTM的时空处理层用于基于整合后的所述任一路段的邻近路段上一时刻的隐层状态信息、所述任一路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述道路中第一个路段下一时刻驶入的车辆数目，获得所述任一路段当前时刻的隐层状态信息；所述全连接层用于基于所述任一路段当前时刻的隐层状态信息获得所述任一路段下一时刻的交通状态信息。
4.根据权利要求3所述的模型的训练方法，其中，所述多头注意力层由多个连续的单头注意力层拼接而成，所述单头注意力层基于所述任一路段的邻近路段中每个路段的注意力权重获得所述任一路段的邻近路段的隐层状态空间信息。
5.根据权利要求1所述的模型的训练方法，其中，步骤1-2)包括：
步骤5-1)基于所述任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息以及所述任一路段当前时刻的交通状态信息，利用所述道路交通流量仿真模型获取所述任一路段当前时刻的隐层状态信息；
步骤5-2)更新所述任一路段上一时刻的隐层状态信息，并重复上述步骤5-1)直至达到预设的初始化时限，获得所述任一路段当前时刻的隐层状态，其中，所述任一路段当前时刻的交通状态信息从所述路段的真实数据中获取。
6.根据权利要求1所述的模型的训练方法，其中，步骤1-3)包括：
步骤6-1)基于任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息以及所述任一路段当前时刻的交通状态信息，利用所述道路交通流量仿真模型获取所述任一路段当前时刻的隐层状态信息；
步骤6-2)基于所述任一路段当前时刻的隐层状态信息通过全连接层计算，获得所述任一路段下一时刻驶出的车辆数目；
步骤6-3)基于所述任一路段当前时刻的交通状态信息、下一时刻驶出的车辆数目以及所述道路中第一个路段下一时刻的交通状态信息，获得所述任一路段下一时刻的交通状态信息；
步骤6-4)存储所述任一路段下一时刻的交通状态信息，更新所述任一路段当前时刻的交通状态信息，并重复上述步骤6-1)至步骤6-3)直至完成预设的训练周期。
7.一种预测道路交通流量的方法，包括：
步骤7-1)将待预测的道路拆分为若干个连续的路段；
步骤7-2)利用权利要求1-6中任一方法训练得到的道路交通流量仿真模型初始化所述若干个连续的路段当前时刻的隐层状态信息；
步骤7-3)基于所述任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述待预测道路中第一个路段下一时刻驶入的车辆数目，利用权利要求1-6中任一方法训练得到的所述道路交通流量仿真模型预测所述任一路段下一时刻的交通状态信息；
步骤7-4)更新所述任一路段上一时刻的隐层状态信息、其邻近路段上一时刻隐层状态信息以及所述任一路段当前时刻的交通状态信息，并重复上述步骤7-3)，直至达到预设的仿真时限。
8.一种预测道路交通流量的系统，包括：
接口模块，用于获取待预测的道路中任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息、所述待预测道路中第一个路段下一时刻驶入的车辆数目以及预设的训练周期、初始化时限和仿真时限；
初始化模块，用于利用训练好的道路交通流量仿真模型初始化所述若干个连续的路段当前时刻的隐层状态信息；
仿真模块，用于基于所述任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述待预测道路中第一个路段下一时刻驶入的车辆数目，利用训练好的所述道路交通流量仿真模型预测所述任一路段下一时刻的交通状态信息；
训练模块，用于基于所述任一路段上一时刻的隐层状态信息、其邻近路段上一时刻的隐层状态信息、所述任一路段当前时刻的交通状态信息以及所述道路中第一个路段下一时刻驶入的车辆数目，训练所述道路交通流量仿真模型，直至完成预设的训练周期。
9.一种存储介质，其中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1-7中任一项所述的方法。
10.一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1-7中任一项所述的方法。
CN202110143302.4A 2021-02-02 2021-02-02 一种预测道路交通流量的方法及系统 Active CN112907969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110143302.4A CN112907969B (zh) 2021-02-02 2021-02-02 一种预测道路交通流量的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110143302.4A CN112907969B (zh) 2021-02-02 2021-02-02 一种预测道路交通流量的方法及系统

Publications (2)

Publication Number Publication Date
CN112907969A true CN112907969A (zh) 2021-06-04
CN112907969B CN112907969B (zh) 2022-04-22

Family

ID=76121405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110143302.4A Active CN112907969B (zh) 2021-02-02 2021-02-02 一种预测道路交通流量的方法及系统

Country Status (1)

Country Link
CN (1) CN112907969B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935338A (zh) * 2021-10-13 2022-01-14 北京有竹居网络技术有限公司 基于层预测的语言翻译的方法、设备、装置和介质
CN116703008A (zh) * 2023-08-02 2023-09-05 山东高速股份有限公司 一种用于新建公路的交通出行量预测方法、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106128100A (zh) * 2016-06-30 2016-11-16 华南理工大学 一种基于Spark平台的短时交通流量预测方法
CN106548625A (zh) * 2016-12-07 2017-03-29 山东易构软件技术股份有限公司 一种城市道路交通状况组合预测方法
CN109243172A (zh) * 2018-07-25 2019-01-18 华南理工大学 基于遗传算法优化lstm神经网络的交通流预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CN110517479A (zh) * 2018-05-22 2019-11-29 杭州海康威视系统技术有限公司 一种城市道路交通预测方法、装置及电子设备
CN111275971A (zh) * 2020-02-18 2020-06-12 山西交通控股集团有限公司 一种高速公路交通流量预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106128100A (zh) * 2016-06-30 2016-11-16 华南理工大学 一种基于Spark平台的短时交通流量预测方法
CN106548625A (zh) * 2016-12-07 2017-03-29 山东易构软件技术股份有限公司 一种城市道路交通状况组合预测方法
CN110517479A (zh) * 2018-05-22 2019-11-29 杭州海康威视系统技术有限公司 一种城市道路交通预测方法、装置及电子设备
CN109243172A (zh) * 2018-07-25 2019-01-18 华南理工大学 基于遗传算法优化lstm神经网络的交通流预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CN111275971A (zh) * 2020-02-18 2020-06-12 山西交通控股集团有限公司 一种高速公路交通流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUIKUN BI,ET AL: "A Deep Learning-Based Framework for Intersectional Traffic Simulation and Editing", 《IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935338A (zh) * 2021-10-13 2022-01-14 北京有竹居网络技术有限公司 基于层预测的语言翻译的方法、设备、装置和介质
CN116703008A (zh) * 2023-08-02 2023-09-05 山东高速股份有限公司 一种用于新建公路的交通出行量预测方法、设备及介质
CN116703008B (zh) * 2023-08-02 2023-10-31 山东高速股份有限公司 一种用于新建公路的交通出行量预测方法、设备及介质

Also Published As

Publication number Publication date
CN112907969B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN109670277B (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
JP7075366B2 (ja) 運転場面データを分類するための方法、装置、機器及び媒体
CN112907969B (zh) 一种预测道路交通流量的方法及系统
CN111696355A (zh) 动态图卷积交通速度预测方法
CN109272157A (zh) 一种基于门控神经网络的高速公路交通流参数预测方法及系统
CN113704956A (zh) 一种基于数字孪生技术的城市道路在线微观仿真方法及系统
US20240143999A1 (en) Multi-modal data prediction method based on causal markov model
CN113239986B (zh) 车辆轨迹评价网络模型的训练方法、装置和存储介质
CN113362600B (zh) 一种交通状态估计方法及系统
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
Lee et al. Long short-term memory recurrent neural network for urban traffic prediction: A case study of seoul
CN118334869A (zh) 一种基于交通流理论与ctm的交通状态估计方法及设备
Wei et al. Controllable probability-limited and learning-based human-like vehicle behavior and trajectory generation for autonomous driving testing in highway scenario
CN114495486A (zh) 一种基于层次强化学习的微观交通流预测系统及方法
CN111341102B (zh) 运动基元库构建方法和装置、连接运动基元的方法和装置
CN116612633A (zh) 一种基于车路协同感知下的自适应动态路径规划方法
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及系统
CN115080388B (zh) 一种面向自动驾驶系统的仿真测试场景生成方法
Valente et al. An innovative approach for modelling urban road traffic using timed automata and formal methods
CN116580549A (zh) 一种动态三维交通仿真场景协同运行方法
CN115454082A (zh) 车辆避障方法及系统、计算机可读存储介质和电子设备
Deng et al. Longitudinal trajectory optimization for connected and automated vehicles by evolving cubic splines with coevolution
Iram et al. Controlling Smart-City Traffic using Machine Learning
Gora et al. Solving traffic signal setting problem using machine learning

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