CN112927510A - 一种交通流量预测方法 - Google Patents

一种交通流量预测方法 Download PDF

Info

Publication number
CN112927510A
CN112927510A CN202110171505.4A CN202110171505A CN112927510A CN 112927510 A CN112927510 A CN 112927510A CN 202110171505 A CN202110171505 A CN 202110171505A CN 112927510 A CN112927510 A CN 112927510A
Authority
CN
China
Prior art keywords
time
traffic
relationship
nodes
traffic flow
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
CN202110171505.4A
Other languages
English (en)
Other versions
CN112927510B (zh
Inventor
张大方
刁春燕
谢鲲
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202110171505.4A priority Critical patent/CN112927510B/zh
Publication of CN112927510A publication Critical patent/CN112927510A/zh
Application granted granted Critical
Publication of CN112927510B publication Critical patent/CN112927510B/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
    • 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

本发明公开了一种交通流量预测方法，包括：1，沿时间轴在交通流量数据中截取时间序列片段；针对各时间序列片段分别执行步骤2～7后，执行步骤8；2，将交通网络定义为无向图G；3，对G执行图卷积操作得到节点间的空间关系；4，对G在时间维度上执行标准卷积操作得到时间维度关系；5，将空间关系输入到CRF层，得到空间依赖性关系；6，将时间维度关系输入到CRF层，得到时间依懒性关系；7，将空间和时间依懒性关系输入至注意力层，得到波动时间段内的时空关系，输出各时间序列片段对应的权重参数；8，加权融合输出交通流量预测结果。本发明能充分全面地挖掘空间间的相似性关系，解决长短周期依赖问题，减小周期波动带来的误差，提高预测效率。

Description

一种交通流量预测方法
技术领域
本发明特别涉及一种交通流量预测方法。
背景技术
交通流量预测是智能交通系统的重要部分，有效的交通流量预测可以帮助驾驶员绕开拥挤的道路，帮助驾驶员在出行时避开高峰时段，减少交通事故发生的可能性，推荐更便捷的道路，为交通管理决策提供有说服力的信息智能路线规划、动态交通管理、提供基于位置的智能服务。
交通流量预测是一个时空预测问题，由于日益增长的交通相关数据集及其在现实应用中的影响而引起越来越多的关注。同时，一个准确的流量预测模型对于许多真实场景应用来说是必不可少的。例如，出租车需求预测可以帮助出租车公司提前调配出租车；交通流量预测可以帮助交通部门更好地管理和控制交通，缓解交通拥堵。
近年来，许多国家都致力于大力发展智能交通系统(ITS)(Zhang,J.；Wang,F.-Y.；Wang,K.；Lin,W.-H.；Xu,X.；and Chen,C.2011.Data-driven intelligenttransportation systems:A survey.IEEE Transactions on IntelligentTransportationSystems 12(4):1624–1639)，以帮助高效的交通管理。交通流量预测是交通信息系统不可缺少的一部分，特别是在交通流量大、车速快的高速公路上。由于高速公路相对封闭，一旦发生拥堵，将严重影响通行能力。交通流量是反映高速公路状态的基本指标。如果能提前准确预测，交通管理部门就能据此更合理地引导车辆，提高公路网的运行效率。
经过多年的不断研究和实践，交通预测研究取得了不少成果。用于交通预测的统计模型有HA、ARIMA(Williams,B.M.,and Hoel,L.A.2003.Modeling and forecastingvehicular traffic flow as a seasonal ARIMA process:The oretical basis andempirical results.Journal of transportation engineering 129(6):664–672)、VAR(Zivot,E.,and Wang,J.2006.Vector auto regressive models for multivariate timeseries.Modeling Financial Time Serieswith S-PLUSR 385–429)等。这些方法需要数据来满足一些假设，但由于交通数据太复杂，无法满足这些假设，所以它们在实践中通常表现不佳。机器学习方法，如k近邻分类KNN(Van Lint,J.,and Van Hinsbergen,C.2012.Short-term trafficand travel time prediction models.Artificial IntelligenceApplications to Critical Transportation Issues 22(1):22–41)和SVM方法(Jeong,Y.-S.；Byon,Y.-J.；Castro-Neto,M.M.；and Easa,S.M.2013.Supervised weighting-online learning algorithmfor short-term traffic flow prediction.IEEETransactionson Intelligent Transportation Systems 14(4):1700–1707)可以建模更复杂的数据，但它们需要详细的特征工程。随着深度学习在语音识别、图像处理等诸多领域取得突破，越来越多的研究人员将深度学习应用于时空数据预测。
具体来说，He等人提出了深度残差学习框架(He,K.；Zhang,X.；Ren,S.；and Sun,J.2016.Deep residual learning for image recognition.In IEEE Conference onComputer Vision and Pattern Recognition,770–778)。Zhang等人(Zhang,J.；Zheng,Y.；Qi,D.；Li,R.；Yi,X.；and Li,T.2018.Predicting city wide crowd flows using deepspatio-temporal residual networks.Artificial Intelligence 259:147–166)设计了基于残差卷积单元的ST-ResNet模型来预测人群流量。Yao等人(Yao,H.；Wu,F.；Ke,J.；Tang,X.；Jia,Y.；Lu,S.；Gong,P.；and Ye,J.2018b.Deep multi-view spatial-temporalnetworkfor taxi demand prediction.In AAAI Conference onArtificialIntelligence,2588–2595)提出了一种融合CNN和long-short term memory(LSTM)的方法来预测流量，同时对空间和时间依赖性进行联合建模。Yao等人(Yao,H.；Tang,X.；Wei,H.；Zheng,G.；Yu,Y.；and Li,Z.2018a.Modeling spatial-temporaldynamics for traffic prediction.arXiv preprint arXiv:1803.01254)进一步提出了时空动态出租车需求预测网络，可以动态学习地点之间的相似性。
传统的卷积方法可以有效地提取数据的局部模式，但只能应用于标准网格数据。
近年来，图卷积将传统的卷积推广到图结构数据上。Niepert等人(Niepert,M.；Ahmed,M.；and Kutzkov,K.2016.Learning convolutional neural networks forgraphs.In International conference on machine learning,2014–2023)提出一种启发式线性方法来选择每个中心节点的邻域，在社交网络任务中取得了良好的效果。Li等人(Li,C.；Cui,Z.；Zheng,W.；Xu,C.；and Yang,J.2018.Spatio-Temporal GraphConvolution for Skeleton Based ActionRecognition.In AAAI Conference onArtificial Intelligence,3482–3489)将图卷积引入人类动作识别任务，用谱分析方法考虑图卷积的局部性。一个通用的图卷积框架Graph Laplacian是由Bruna等人(Bruna,J.；Zaremba,W.；Szlam,A.；and Lecun,Y.2014.Spectral networks and locally connectednetworks on graphs.In International Conference on Learning Representations)在2014年提出的。然后，Defferrard，Bresson和Vandergheynst等人(Defferrard,M.；Bresson,X.；and Vandergheynst,P.2016.Convolutional neural networks on graphswith fast localized spectral filtering.In Advances in Neural InformationProcessing Systems,3844–3852)利用Chebyshev多项式近似对方法进行优化，实现特征值分解。Yu等人(Yu,B.；Yin,H.；and Zhu,Z.2018.Spatio-Temporal Graph ConvolutionalNetworks:ADeep Learning Framework for Traffic Forecasting.In InternationalJoint Conference on Artificial Intelligence,3634–3640)后面又提出了基于该方法的交通预测门控图卷积网络，但该模型没有考虑交通数据的动态时空相关性。Xu等人(Xu,K.；Ba,J.；Kiros,R.；Cho,K.；Courville,A.；Salakhudinov,R.；Zemel,R.；and Bengio,Y.2015.Show,attendand tell:Neural image caption generation with visualattention.In International conference on machine learning,2048–2057)在图像描述任务中提出了两种注意机制，并采用可视化的方法直观地展示注意机制的效果。为了对图节点进行分类，Velickovic等人(Velickovic,P.；Cucurull,G.；Casanova,A.；Romero,A.；Lio,P.；and Bengio,Y.2018.Graph attention networks.InInternationalConference on Learning Representations)在2018年利用自我注意层通过神经网络处理图结构数据，并取得了最先进的结果。为了预测时间序列，Liang等人(Liang,Y.；Ke,S.；Zhang,J.；Yi,X.；and Zheng,Y.2018.GeoMAN:Multi-level Attention Networks forGeo-sensory Time Series Prediction.In International Joint ConferenceonArtificial Intelligence,3428–3434)在2017年提出了一种多层次注意力网络，用于自适应调整多个地理传感器时间序列之间的相关性。然而，由于需要为每个时间序列训练一个单独的模型，在实践中这是很耗时的。Yu等人(Yu,B.；Yin,H.；and Zhu,Z.2018.Spatio-Temporal Graph Convolutional Networks:ADeep Learning Framework for TrafficForecasting.In International Joint Conference on Artificial Intelligence,3634–3640)提出了一种时空图卷积神经网络(STGCN)来预测交通状态，它可以在复杂的交通网络中利用空间特征同时捕获时间特征。Guo等提出一种基于attention机制的时空图卷积神经网络(ASTGCN)，同时考虑了时间attention和空间attention。但是，GAT在非线性激活函数之前，非线性操作不能保证保留节点分布的结构，卷积操作后可能无法保留相似度。交通数据不仅存在周期性，还存在周期的波动性，现有的方法大多考虑到周期性，采用长短周期来提取周期的相似性，提高预测效率。随着图卷积神经网络近年来受到越来越多的关注。与标准的卷积神经网络不同，图卷积神经网络对图数据进行卷积运算。与一般数据相比，图数据具有不同节点之间的相似性信息。因此，在图卷积神经网络的隐藏层中保留这种相似信息是很重要的。然而，现有的方法无法做到这一点。另一方面，强制隐藏层来保存信息是具有挑战性的。
发明内容
图卷积隐藏层中保留有节点之间的相似性信息，交通流量数据存在周期波动性，本发明的目的在于，为了提取这些相似性信息，并解决波动性带来的误差问题，提供一种交通流量预测方法，充分全面地挖掘空间之间的相似性关系，解决长短周期依赖问题，减小周期波动带来的误差，提高预测效率。
为解决上述技术问题，本发明所采用的技术方案是：
一种交通流量预测方法，其特点是包括以下步骤：
步骤1，沿时间轴在已有的交通流量数据中截取至少一个长度为预测窗口的整数倍的时间序列片段；针对各时间序列片段分别执行步骤2～步骤7后，执行步骤8；
步骤2，将交通网络定义为无向图G；
步骤3，对无向图G执行图卷积操作，得到交通网络中节点间的空间关系；
步骤4，对无向图G在时间维度上执行标准卷积操作，得到交通网络中节点间的时间维度关系；
步骤5，将步骤3获得的空间关系输入到CRF层，得到交通网络中各节点与近邻节点的空间依赖性关系；
步骤6，将步骤4获得的时间维度关系输入到CRF层，得到交通网络中节点间在时间片上的时间依懒性关系；
步骤7，将所述空间依赖性关系和时间依懒性关系均输入至注意力层，得到交通网络中节点间在波动时间段内的时空关系，输出各时间序列片段对应的权重参数；
步骤8，基于各时间序列片段对应的权重参数，将交通网络中节点间在波动时间段内的时空关系进行相加融合，输出交通流量预测结果。
作为一种优选方式，所述步骤1中，截取长度分别为Th、Td和Tw的三个时间序列片段，其中，Th作为预测结果中近期分量的输入值，Td作为预测结果中日周期分量的输入值，Tw作为预测结果中周周期分量的输入值。
作为一种优选方式，所述步骤8中，利用全连接层对交通网络中节点间在波动时间段内的时空关系进行相加融合。
作为一种优选方式，所述全连接层使用线性整流函数作为激活函数。
与现有技术相比，本发明能够充分全面地挖掘空间之间的相似性关系，解决长短周期依赖问题，减小周期波动带来的误差，提高交通流量预测效率。
附图说明
图1为本发明的原理图。
图2为CRF层与前后端图卷积层之间的关系图。
图3为注意力层工作原理图。
图4为均方根误差对比图。
图5为平均绝对误差对比图。
具体实施方式
本发明的工作原理为：
在空间上，采用图卷积分别对交通流量数据进行临近时间段(即trend time，实施例中为预测目标时间的前两个小时)，天与天之间，周与周之间特征的提取与建模，然后进行融合，同时进行长短期依赖关系的捕获。采用基于条件随机场的方法，设计了一个轻量级的图卷积层之间的CRF连接层，以获取相似节点的隐藏特征，并且能够显式地保存相似信息。此外，该CRF层易于计算和优化，可以很容易地将其插入到现有的图卷积神经网络中，以提高其性能。
在时间上，采用卷积模型在时间维度上堆叠更新节点的信号并合并相邻的时间片信息，根据预测时间段设置一个位置窗口，注意力机制根据时间段前后的隐藏状态，获取到一个对齐权重向量，上一层的输出作下一层的输入，从而有效的降低周期性波动带来的误差。
具体地，如图1所示，本发明所述交通流量预测方法包括以下步骤：
步骤1，沿时间轴在已有的交通流量数据中截取长度分别为Th、Td和Tw的三个时间序列片段，其中，Th作为预测结果中近期分量的输入值，Td作为预测结果中日周期分量的输入值，Tw作为预测结果中周周期分量的输入值。Th、Td和Tw均为预测窗口的整数倍。这三个分量共享相同的网络结构，每一个都由几个时空块和一个完全连接的层组成。
针对各时间序列片段分别执行步骤2～步骤7后，执行步骤8；
步骤2，将交通网络定义为无向图G。G＝(V，E，A)，其中V是|V|＝N个节点的有限集，E是一组边，表示节点之间的连通性，A表示图G的邻接矩阵。
步骤3，对无向图G执行基于图谱理论的图卷积操作，得到交通网络中节点间的空间关系
Figure BDA0002938991180000061
Figure BDA0002938991180000062
其中，*代表卷积操作，θ∈RK是多项式系数向量，
Figure BDA0002938991180000063
λmax是拉普拉斯矩阵的最大特征值，Tk(x)是切比雪夫多项式的递归定义，T0(x)＝1，T1(x)＝x。激活函数为Relu函数。
步骤4，对无向图G在时间维度上执行标准卷积操作，得到交通网络中节点间的时间维度关系
Figure BDA0002938991180000064
步骤5，将步骤3获得的空间关系输入到CRF层(其中CRF层与前后端图卷积层之间的关系如图2所示)，得到交通网络中各节点与近邻节点的空间依赖性关系：
Figure BDA0002938991180000065
其中，两个参数α＞0和β＞0用于调整两个能量函数的重要性，Ni是一个迭代更新规则，
Figure BDA0002938991180000066
表示第k次迭代时的
Figure BDA0002938991180000067
经过k次迭代，设
Figure BDA0002938991180000071
是第l层的最终节点表示。由公式可以看出，
Figure BDA0002938991180000072
不仅取决于表示
Figure BDA0002938991180000073
它是通过卷积运算得到的，也是它的邻近节点的表示。特别是，当系数gij很大，这意味着节点j更类似于节点i，它将为
Figure BDA0002938991180000074
作出更大贡献。通过这种方式，类似的节点将具有类似的表示，即隐藏层之间的相似性得到捕获。
步骤6，在捕获图像的空间维度信息后，将步骤4获得的时间维度关系输入到CRF层，得到交通网络中节点间在时间片上的时间依懒性关系；更新目标节点的信息。
Figure BDA0002938991180000075
其中，*代表卷积操作，Φ为时间维度的卷积核大小64，RELU为激活函数。
步骤7，将所述空间依赖性关系和时间依懒性关系均输入至注意力层(其中注意力层工作原理如图3所示)，得到交通网络中节点间在波动时间段内的时空关系，输出各时间序列片段对应的权重参数。
步骤7具体来说就是，在每个时间步长t，该模型首先为当前目标数据预测一个对齐yt的位置Pt。基于当前目标状态ht和所有源状态
Figure BDA0002938991180000076
推断出一个变长对齐权向量at，然后使用一个以源位置Pt为中心的窗口来计算上下文向量ct，这是窗口中源隐藏状态的加权平均值。得到输出状态。
步骤8，将多个ST注意力堆叠，以进一步提取更大“感受野”的关联信息，最后，添加一个全连接层，以保证输出与目标有相同的维度和形状，三个模块经过学习得到三个不同的权重参数，反映了三个时间维度分量对预测目标的影响程度。分别求对应模块的权重参数的Hadamard积，进行相加。全连接层使用ReLU函数作为激活函数，输出预测结果。
本发明的模型分析如下：
传统的卷积能提取数据的局部模式，但是只局限于局部模式。主流方法是空间方法和图谱法。交通数据的交通网络本身可以看作一个图结构，本文采用图谱方法构建图结构，将图转化为代数，分析图谱结构。获取数据的空间图结构信息。在谱图分析中，图是对应的信号表示的。通过分析拉普拉斯矩阵及其特征值，可以得到图结构的性质。
在本发明中，交通网络定义为无向图G。G＝(V，E，A)，其中V是|V|＝N个节点的有限集，E是一组边，表示节点之间的连通性，A表示图G的邻接矩阵。流量网络图G上的每个节点以相同的采样频率检测F个测量值，即，每个节点在每个时间片上生成一个长度为F的特征向量。在长短周期处理模块，设采样频率为每天q次，假设当前时间为t0，预测窗口大小为Tp。我们沿时间轴截取长度为Th、Td和Tw的三个时间序列片段，分别作为近期分量、日周期分量和周周期分量的输入，其中Th、Td和Tw都是Tp的整数倍，Th、Td、Tw、Tp分别为24，12，24，12。也就是说，实施例的目标是预测未来一个小时以上的交通流量。这三个部分输入共享相同的网络结构，每一个都由几个时空块和一个完全连接的层组成。如图1所示。最后，根据一个参数矩阵对三个分量的输出进行合并，得到最终的预测结果。我们检验了Chebyshev多项式K的项数。随着K的增大，预测性能略有提高。时间维度中的内核大小也是如此。考虑到计算效率和预测性能的改进程度，设K＝3，沿时间维的卷积核大小为3，在本发明模型中，所有的图卷积层使用64卷积内核，所有的时间卷积层使用通过控制时域卷积的步长来调整64个卷积核和数据的时间跨度。
本发明利用估计量与真值之间的均方误差(MSE)作为损失函数，通过反向传播使估计量最小。在培训阶段，batch大小为64，学习率为0.0001。此外，为了验证本发明提出的周期波动注意机制的影响，还设计了CRFASTGCN的退化版本，称为CRFSTGCN，
相邻的探测器之间的距离超过3.5英里。最后，PeMSD4有307个检测器，PeMSD8有170个检测器。流量数据每5分钟汇总一次，每个检测器每天包含288个数据点。缺失的值通过线性插值来填充。
实验分析：
本发明基于MXNet1框架实现了CRFASTGCN模型。结果如下：图4和图5是本发明提出的基于CRF的时空图卷积网络模型和加了注意力机制控制周期性漂移的基于CRF的时空注意力机制在RMSE、MAE方面的对比图本发明提出的CRF方法优于普通的GAT方法，原因是GAT在非线性激活函数之前，而CRF在非线性激活函数之后，非线性操作不能保证保留节点分布的结构，卷积操作后可能无法保留相似度。CRF直接作用于非线性激活函数的输出，可以保证卷积层的输出，保持相似关系。基于交通数据在周期方面存在波动性，从而影响预测精度，本发明提出的基于CRF的时空注意力机制，选取预测时间段的前后一个小时的数据来进行预测，采用基于注意力评分机制获取数据相关性的同时，通过一个数据对齐机制有效地保护数据序列，从MAE和RMSE方面看，优于单考虑CRF的时空机制，并且在后半个小时的预测结果上保持平稳增长的速度，在预测长时间段流量上也保持一定的优势。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是局限性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。

Claims (4)

1.一种交通流量预测方法，其特征在于，包括以下步骤：
步骤1，沿时间轴在已有的交通流量数据中截取至少一个长度为预测窗口的整数倍的时间序列片段；针对各时间序列片段分别执行步骤2～步骤7后，执行步骤8；
步骤2，将交通网络定义为无向图G；
步骤3，对无向图G执行图卷积操作，得到交通网络中节点间的空间关系；
步骤4，对无向图G在时间维度上执行标准卷积操作，得到交通网络中节点间的时间维度关系；
步骤5，将步骤3获得的空间关系输入到CRF层，得到交通网络中各节点与近邻节点的空间依赖性关系；
步骤6，将步骤4获得的时间维度关系输入到CRF层，得到交通网络中节点间在时间片上的时间依懒性关系；
步骤7，将所述空间依赖性关系和时间依懒性关系均输入至注意力层，得到交通网络中节点间在波动时间段内的时空关系，输出各时间序列片段对应的权重参数；
步骤8，基于各时间序列片段对应的权重参数，将交通网络中节点间在波动时间段内的时空关系进行相加融合，输出交通流量预测结果。
2.如权利要求1所述的交通流量预测方法，其特征在于，所述步骤1中，截取长度分别为Th、Td和Tw的三个时间序列片段，其中，Th作为预测结果中近期分量的输入值，Td作为预测结果中日周期分量的输入值，Tw作为预测结果中周周期分量的输入值。
3.如权利要求1所述的交通流量预测方法，其特征在于，所述步骤8中，利用全连接层对交通网络中节点间在波动时间段内的时空关系进行相加融合。
4.如权利要求3所述的交通流量预测方法，其特征在于，所述全连接层使用线性整流函数作为激活函数。
CN202110171505.4A 2021-02-08 2021-02-08 一种交通流量预测方法 Active CN112927510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110171505.4A CN112927510B (zh) 2021-02-08 2021-02-08 一种交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110171505.4A CN112927510B (zh) 2021-02-08 2021-02-08 一种交通流量预测方法

Publications (2)

Publication Number Publication Date
CN112927510A true CN112927510A (zh) 2021-06-08
CN112927510B CN112927510B (zh) 2021-12-17

Family

ID=76171152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110171505.4A Active CN112927510B (zh) 2021-02-08 2021-02-08 一种交通流量预测方法

Country Status (1)

Country Link
CN (1) CN112927510B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505536A (zh) * 2021-07-09 2021-10-15 兰州理工大学 一种优化的基于时空图卷积网络的交通流预测模型
CN113850444A (zh) * 2021-10-14 2021-12-28 重庆邮电大学 一种基于引导注意机制的旅游需求时间序列预测方法
CN114529081A (zh) * 2022-02-18 2022-05-24 哈尔滨工程大学 一种时空联合的交通流量预测方法及装置
CN114722551A (zh) * 2022-05-23 2022-07-08 北京航空航天大学 一种恶劣天气下空域网络容量预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088406A1 (en) * 2013-09-26 2015-03-26 International Business Machines Corporation Method and system for optimizing road traffic control in the presence of incidents
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
CN110942637A (zh) * 2019-12-17 2020-03-31 浙江工业大学 基于空域图卷积神经网络的scats系统道路交通流预测方法
CN112183862A (zh) * 2020-09-29 2021-01-05 长春理工大学 一种城市路网的交通流量预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088406A1 (en) * 2013-09-26 2015-03-26 International Business Machines Corporation Method and system for optimizing road traffic control in the presence of incidents
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
CN110942637A (zh) * 2019-12-17 2020-03-31 浙江工业大学 基于空域图卷积神经网络的scats系统道路交通流预测方法
CN112183862A (zh) * 2020-09-29 2021-01-05 长春理工大学 一种城市路网的交通流量预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱凯利 等: "基于图卷积神经网络的交通流量预测", 《智能计算机与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505536A (zh) * 2021-07-09 2021-10-15 兰州理工大学 一种优化的基于时空图卷积网络的交通流预测模型
CN113850444A (zh) * 2021-10-14 2021-12-28 重庆邮电大学 一种基于引导注意机制的旅游需求时间序列预测方法
CN113850444B (zh) * 2021-10-14 2024-03-26 重庆邮电大学 一种基于引导注意机制的旅游需求时间序列预测方法
CN114529081A (zh) * 2022-02-18 2022-05-24 哈尔滨工程大学 一种时空联合的交通流量预测方法及装置
CN114722551A (zh) * 2022-05-23 2022-07-08 北京航空航天大学 一种恶劣天气下空域网络容量预测方法
CN114722551B (zh) * 2022-05-23 2022-08-30 北京航空航天大学 一种恶劣天气下空域网络容量预测方法

Also Published As

Publication number Publication date
CN112927510B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN112927510B (zh) 一种交通流量预测方法
CN110827544B (zh) 一种基于图卷积循环神经网络的短时交通流控制方法
Ali et al. Exploiting dynamic spatio-temporal graph convolutional neural networks for citywide traffic flows prediction
Guo et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting
CN111612243B (zh) 交通速度预测方法、系统及存储介质
Chen et al. Dynamic spatio-temporal graph-based CNNs for traffic flow prediction
Okawa et al. Deep mixture point processes: Spatio-temporal event prediction with rich contextual information
CN113450568A (zh) 一种基于时空注意力机制的卷积网络交通流预测方法
Wang et al. A multi-view bidirectional spatiotemporal graph network for urban traffic flow imputation
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
Venkatesh et al. Rainfall prediction using generative adversarial networks with convolution neural network
Liu et al. Spatial-temporal conv-sequence learning with accident encoding for traffic flow prediction
CN115828990A (zh) 融合自适应图扩散卷积网络的时空图节点属性预测方法
CN115409256A (zh) 基于行程时间预测的拥堵区避让的路径推荐方法
Wang et al. Star: A concise deep learning framework for citywide human mobility prediction
CN111047078A (zh) 交通特征预测方法、系统及存储介质
WO2024068527A1 (en) A computer-implemented method for forecasting traffic indicators in a road network
Yu et al. 3D CNN-based accurate prediction for large-scale traffic flow
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN116486624A (zh) 基于时空图卷积神经网络的交通流预测方法及系统
Zheng et al. A novel approach to coordinating green wave system with adaptation evolutionary strategy
CN115063972A (zh) 基于图卷积和门控循环单元的交通速度预测方法和系统
Wang et al. TYRE: A dynamic graph model for traffic prediction
Wang et al. ASNN-FRR: A traffic-aware neural network for fastest route recommendation
CN114742280A (zh) 路况预测方法及相应的模型训练方法、装置、设备及介质

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