CN113112793A

CN113112793A - 一种基于动态时空相关性的交通流预测方法

Info

Publication number: CN113112793A
Application number: CN202110338675.7A
Authority: CN
Inventors: 张旭; 张浪文; 谢巍; 王耀楚; 冉杰龙; 孙锦晖; 陈志乐
Original assignee: South China University of Technology SCUT
Current assignee: South China University of Technology SCUT
Priority date: 2021-03-29
Filing date: 2021-03-29
Publication date: 2021-07-13

Abstract

本发明涉及一种基于动态时空相关性的交通流预测方法，包括以下步骤：S1、进行数据设计，对交通流信息进行预处理，将交通流信息编码后形成的固定序列输入到模型中，再进行定义；S2、进行模型设计，利用卷积神经网络和门控循环网络处理空间和时间相关性，流门控机制捕捉层次结构中的动态空间依赖性，再通过周期注意力转移机制捕捉时间转移；S3、进行模型训练，并在一个真实的交通数据集中评估模型；S4、对模型性能进行评价。本发明通过引入流门控机制学习位置之间的动态相似性，并利用周期性注意力转移机制来处理时间转移，实现高准确度的模型建设，提高交通预测数据的准确性。

Description

一种基于动态时空相关性的交通流预测方法

技术领域

本发明涉及深度学习应用技术领域，尤其涉及一种基于动态时空相关性的交通流预测方法。

背景技术

随着城市交通系统的发展，大规模交通数据的可用性以及城市拥堵问题日益严重，交通预测越来越受到人工智能研究领域的关注。例如，准确的出租车需求预测可以帮助出租车公司预先分配出租车，交通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。在典型的交通预测问题中，给定历史交通数据，例如，前一个月每个小时的区域或道路交叉口的交通量，人们需要预测下一个时间段的流量。交通预测的关键挑战在于如何对路网结构复杂的空间相关性和时间相关性进行建模。

虽然现有的基于深度学习的交通预测研究中同时考虑了空间相关性和时间相关性，但现有方法往往存在两个主要局限性。首先，地点之间的空间依赖性仅依赖于历史交通数据，模型只能学习到静态的空间依赖性。然而，位置之间的依赖关系可能会随着时间的推移而改变。例如，在早上，居住区和商业中心之间的依赖性可能很强；而到了晚上，这两个地方的关系可能会很弱。其次，许多现有的研究忽视了长时间周期依赖性的转变。交通流数据显示出很强的每日和每周的周期性，我们可以利用这种周期性进行预测。然而，交通数据并不是严格周期性的。例如，工作日的晚高峰时间通常发生在下午，但在不同的日子可能从下午4:30到下午6:00不等。

发明内容

为解决现有技术所存在的技术问题，本发明提供一种基于动态时空相关性的交通流预测方法，通过引入流门控机制FGM学习位置之间的动态相似性，并利用周期性注意力转移机制来处理时间转移，实现高准确度的模型建设，从而提高交通预测数据的准确性。

本发明采用以下技术方案来实现：一种基于动态时空相关性的交通流预测方法，包括以下步骤：

S1、进行数据设计，根据道路上的历史交通信息预测某一段时间内的交通流信息，对交通流信息进行预处理，将交通流信息编码后形成的固定序列分别输入到模型中，最后进行定义；

S2、进行模型设计，利用卷积神经网络CNN和门控循环网络GRU处理空间和时间相关性，通过流门控机制FGM捕捉层次结构中的动态空间依赖性，再通过周期注意力转移机制捕捉时间转移；

S3、进行模型训练，利用步骤S1中所生成的输入，对步骤S2中设计的模型进行训练，并在一个真实的交通数据集中评估模型；

S4、对模型性能进行评价，将步骤S2设计的模型与基线模型进行比较，评估模型的性能。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明通过引入流门控机制学习位置之间的动态相似性，充分挖掘了交通流数据的动态空间相关性，实现高准确度的模型建设。

2、本发明提出一种周期注意力转移机制来获取长期周期性信息，充分挖掘了交通流数据的时间相关性，提高交通预测数据的预测性能，达到较高的准确性。

附图说明

图1是本发明方法的流程图；

图2是本发明模型训练和运用流程图；

图3(a)是交通流示意图；

图3(b)是使用门控循环网络GRU获取短期时间相关性示意图；

图3(c)是使用周期注意力转移机制处理周期性时间相关性示意图；

图3(d)是使用全连接获取结果示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本实施例一种基于动态时空相关性的交通流预测方法，主要包括以下步骤：

S1、进行数据设计，根据道路上的历史交通信息预测某一段时间内的交通流信息，对交通流信息进行预处理，将交通流信息编码后形成的固定序列分别输入到模型中，最后进行相关定义。

本实施例中，步骤S1中交通流信息预处理主要包括以下步骤：

S111、利用线性插值方法填充交通流数据的缺失值；

S112、在输入模型之前，利用最小-最大归一化方法将交通流值缩放到范围[0，1]，在评估中，将预测的交通流值重新调整到正常水平，以便与地面真实值进行比较；

S113、利用one-hot编码将交通流形成二进制特征向量。

本实施例中，步骤S1中的相关定义具体步骤如下：

S121、将整个城市分割成一个a×b的网格图，总共有n个区域，n＝a×b，用{1,2,…,n}来表示，同时将整个时间段，如一个月，分成m个等长的连续时间间隔；

S122、将一个区域的起点或终点交通流定义为在固定时间间隔内从该区域出发或到达该区域的旅行次数，设

为第t个时间间隔内区域i的开始交通流，

为第t个时间间隔内区域i的结束交通流；此外，个体出行的聚集形成了交通流，它描述了特定区域之间的时间增强的运动，设

为从时间间隔t中的区域i开始到时间间隔τ中的区域j结束的交通流，显然，交通流反映了区域方向的连通性，如图3(a)所示，因此，交通流预测问题即为给定时间间隔t之前的数据，预测时间间隔t+1的开始和结束交通流。

S2、进行模型设计，利用卷积神经网络CNN和门控循环网络GRU处理空间和时间相关性，通过流门控机制FGM捕捉层次结构中的动态空间依赖性，再通过周期注意力转移机制捕捉时间转移。

本实施例中，为了捕获空间和时间序列相关性，使用卷积神经网络CNN和门控循环网络GRU来处理空间和时间相关性，为了加强起始交通流和结束交通流的预测，将卷积神经网络CNN和门控循环网络GRU整合在一起组成局部时空网络进行预测。

本实施例中，步骤S2中通过卷积神经网络CNN建立模型空间依赖性，具体过程为：对于每个时间间隔t，将目标区域i及其周围的邻居视为一个S×S的图像，它具有两个通道Y_i,t∈R^S×S×2；一个通道包含起始交通流信息，另一个通道包含结束交通流信息，目标区域在图像的中心；卷积神经网络CNN取Y_i,t作为输入Y_i,t ⁽⁰⁾，每个卷积层的公式为：

Y_i,t ^(k)＝ReLU(W^(k)*Y_i,t ^(k-1)+b^(k)) (1)

其中，Y_i,t ^(k)表示目标区域i在t时刻第k层卷积的输出；Y_i,t ^(k-1)表示目标区域i在t时刻第k-1层卷积的输出；W^(k)表示Y_i,t ^(k-1)的权重参数；b^(k)表示Y_i,t ^(k)的偏差参数；ReLU()为激励函数；在叠加k个卷积层后，利用全连接层来展开，则区域i的空间表示为y_i,t。

如图3(c)所示，本实施例中，步骤S2中通过门控循环网络GRU捕捉时间序列依赖性，将其表述为：

h_i,t＝GRU([y_i,t；e_i,t],h_i,t-1) (2)

其中，h_i,t是在时间间隔t时区域i的输出；y_i,t是在时间间隔t时区域i的输入；e_i,t是外部因素，如天气，交通事故等，它可以和y_i,t合并，因此，h_i,t包含了空间和短期的时间信息。

本实施例中，步骤S2中通过流门控机制FGM捕捉层次结构中的动态空间依赖性的具体过程为：

S211、通过构造局部空间图获取交通流的空间相关性，在一个时间间隔内，与某个区域相关的交通流分为两类，即从其他位置出发的流入该区域的交通流和从该区域出发向其他位置流出的交通流，构建该区域的两个流动矩阵，其中，每个元素表示从该区域到其他相应区域的流入和流出，流出矩阵如图3(a)所示；

S212、设定一个特定的区域，从当前时间之前的1个时间戳，获取交通流矩阵进一步叠加，用F_i,t∈R^S×S×2l表示，其中，S×S表示周围的区域的大小，2l是交通流矩阵的数量，即每个时间间隔两个矩阵；

S213、利用卷积神经网络CNN模拟区域间的空间流动相互作用，用F_i,t作为输入F_i,t ⁽⁰⁾，每个卷积层的公式为：

F_i,t ^(k)＝ReLU(W_f ^(k)*F_i,t ^(k-1)+b_f ^(k)) (3)

其中，F_i,t ^(k)表示经过流门控机制FGM后目标区域i在t时刻第k层卷积的输出；F_i,t ^(k-1)表示经过流门控机制FGM后目标区域i在t时刻第k-1层卷积的输出；W_f ^(k)表示F_i,t ^(k-1)的权重参数；b_f ^(k)表示F_i,t ^(k)的偏差参数；ReLU()为激励函数。

S214、利用流门控机制限制每一层空间信息，进而捕捉区域之间的动态相似性，即每一层的输出是由流门控制机制进行调控的，形式上，将公式(1)调整为：

在经过k个流门控机制卷积层后，利用全连接层来展开，则区域i的空间表示为

本实施例中，步骤S2中通过周期注意力转移机制捕捉时间转移的具体过程为：

S221、通过关注每天周期性的转移，如图3(b)所示，从当前时间前p天开始处理周期性的依赖关系，为了解决时间偏移问题，从每一天中选择Q个时间间隔，如：若预测时间为晚上9：00-9：30，则选择预测时间的前后1小时，如：晚上8：00-10：30，时间为预测时间的5倍，即|Q|＝5；

S222、利用门控循环网络GRU处理每一天的时序信息，其公式为：

其中，

表示在前p天的q个时间内区域i的时间段t时的输出；

表示在前p天的q个时间内区域i的时间段t时的输入；

表示在前p天的q个时间内区域i的时间段t时的外部干扰因素；

表示在前p天的q-1个时间内区域i的时间段t时的输出。

S223、利用周期注意力转移机制捕捉时间转移，并获取前一天的加权表示，形式上，前几天的周期性表示

是每个选定时间间隔q中表示形式的加权和，定义为：

其中，权重

表示时间间隔q在p∈P天中的重要性，

定义如下：

其中，score函数被视为基于内容的函数，定义为：

其中，W_H表示

的权重参数；W_X表示h_i,t的权重参数；b_X表示score函数的偏差参数；v^T表示v的转置；h_i,t表示在时间间隔t时区域i的输出。对于前p天，获得了周期性表示

后，利用另一个门控循环网络GRU通过使用周期性表示

作为输入来获取时序信息，即：

其中，

表示在前p天区域i的时间段t时的最后输出；

表示在前p-1天区域i的时间段t时的输出；最后一次时间间隔

作为动态时间相关性的表示。

S3、进行模型训练，利用步骤S1中所生成的输入，对步骤S2中设计的模型进行训练，并在一个真实的交通数据集中评估模型。

本实施例中，步骤S3中模型训练的具体过程如下：

S31、将短期表征h_i,t和长期表征

连接起来，用

表示，其保留了目标区域时间和空间的短期和长期相关性，再把

输入全连接层，并获得每个区域i的起始和结束交通流量的最终预测值，分别用

和

表示，最终预测函数定义为：

其中，W_fa表示

的权重参数；b_f,a表示预测值偏差参数；

由于对开始和结束交通流进行了标准化，模型的输出是(-1，1)，因而需要对预测结果进行反标准化以获得实际值；

S32、如图3(d)所示，同时预测开始交通流和结束交通流，将损失函数定义为：

其中，N表示道路条数；λ表示平衡开始和结束影响因素的参数；

表示区域i在t+1时刻开始交通流的实际值；

表示区域i在t+1时刻结束交通流的实际值。

本实施例中，步骤S3中对整体网络模型的训练，包括进行指标评估，通过公式(12)和(13)中的RMSE和MAPE来测量预测方法的性能，具体公式如下：

其中，

是预测值，X_i是真实值，n是所有预测值的数量。

S4、对模型性能进行评价，将步骤S2设计的模型与基线模型，如：ARIMA，SVR等进行比较，评估模型的性能。

本实施例中，与步骤S2中设计的模型进行比较的基线模型如下；

HA模型为历史平均模型，其将交通流看成是一个严格的周期过程，用前几个周期的平均值作为预测；本实施例的模型将周期设定为一周，从而预测前几周同一时间的平均交通流；

ARIMA模型为标准的ARIMA模式；

SVR模型为基于支持向量回归算法训练交通流预测模型；本实施例的模型使用的是线性核；

LSTN模型只考虑短期的时间依赖性和局部的空间依赖性；

ConvLSTM模型通过将卷积运算集成到LSTM单元中来获取空间和时间信息，从而扩展了完全连接的LSTM。

在实际应用中，本发明采用TensorFlow框架和Pycharm开发环境：TensorFlow框架是基于python语言的开发架构，能够方便快捷地搭建合理的深度学习网络，同时具有很好的跨平台交互能力。TensorFlow提供了深度学习架构中的众多封装函数和各类图像处理函数的接口，包括了OpenCV相关的图像处理函数。TensorFlow框架同时能够使用GPU对模型进行训练和验证，提高了计算的效率。

在Windows平台或者Linux平台下的Pycharm开发环境成开发环境(IDE)，是目前深度学习网路设计与开发的首选之一。Pycharm为客户提供了新的模板、设计工具以及测试和调试工具，同时能够为客户提供直接调用远程服务器的接口。

如图2所示，在本实施例中，主要分为模型训练和模型运用两个阶段。在模型训练阶段：首先，对现有交通数据集进行处理，通过设计统一信息编码机制，生成符合模型训练的数据集；然后，利用具有高算力的云端服务器对交通流预测模型进行训练，并调参，直至交通流预测模型收敛；在模型运用阶段：首先，对获取到的交通流数据进行编码；接着，调用训练好的交通流预测模型，将编码好的数据分别输入到交通流预测模型中，进行未来一段时间的交通速度预测。具体包括：

(1)对于原始交通流数据进行预处理操作，包括异常值检测、缺失值修复、归一化等。预处理完成的数据构造成交通流预测模型的输入。

(2)交通流预测模型主要参数设置如下：对于卷积神经网络，使用64个滤波器将所有卷积核大小设置为3×3；对于门控循环网络GRU，设置隐藏单元为128，dropout和recurrent dropout rate都定为0.5。

(3)模型的训练在高性能门控循环网络GPU上进行。模型训练超参数主要包括：学习率、批量、训练周期。优选地，设置学习率为0.001，批量为64，训练周期为5000。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.一种基于动态时空相关性的交通流预测方法，其特征在于，主要包括以下步骤：

S1、进行数据设计，根据道路上的历史交通信息预测某一段时间内的交通流信息，对交通流信息进行预处理，将交通流信息编码后形成的固定序列输入到模型中，最后进行定义；

2.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S1中交通流信息预处理主要包括以下步骤：

S111、利用线性插值方法填充交通流的缺失值；

S112、在输入模型之前，利用最小-最大归一化方法将交通流值缩放到范围[0，1]，在评估中，将预测的交通流值重新调整到正常水平，与地面真实值进行比较；

S113、利用one-hot编码将交通流值形成二进制特征向量。

3.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S1中进行定义的具体步骤如下：

S121、将整个城市分割成一个a×b的网格图，总共有n个区域，n＝a×b，用{1，2，...，n}来表示，同时将整个时间段，分成m个等长的连续时间间隔；

为第t个时间间隔内区域i的开始交通流，

为第t个时间间隔内区域i的结束交通流，设

为从时间间隔t中的区域i开始到时间间隔τ中的区域j结束的交通流。

4.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S2中通过卷积神经网络CNN建立模型空间依赖性，具体过程为：对于每个时间间隔t，将目标区域i及其周围的邻居设为一个S×S的图像，它具有两个通道Y_i，t∈R^S×S×2；一个通道包含起始交通流信息，另一个通道包含结束交通流信息，目标区域在图像的中心；卷积神经网络CNN取Y_i，t作为输入Y_i，t ⁽⁰⁾，每个卷积层的公式为：

Y_i，t ^(k)＝ReLU(W^(k)*Y_i，t ^(k-1)+b^(k)) (I)

其中，Y_i，t ^(k)表示目标区域i在t时刻第k层卷积的输出；Y_i，t ^(k-1)表示目标区域i在t时刻第k-1层卷积的输出；W^(k)表示Y_i，t ^(k-1)的权重参数；b^(k)表示Y_i，t ^(k)的偏差参数；ReLU()为激励函数，在叠加k个卷积层后，利用全连接层来展开，则区域i的空间表示为y_i，t。

5.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S2中通过门控循环网络GRU捕捉时间序列依赖性，将其表述为：

h_i，t＝GRU([y_i，t；e_i，t]，h_i，t-1) (2)

其中，h_i，t是在时间间隔t时区域i的输出；y_i，t是在时间间隔t时区域i的输入；e_i，t是外部因素。

6.根据权利要求1所述的一种基于动态时空相关性的交通流预测方法，其特征在于，步骤S2中通过流门控机制FGM捕捉层次结构中的动态空间依赖性的具体过程为：

S211、通过构造局部空间图获取交通流的空间相关性，将一个时间间隔内，与某个区域相关的交通流分为两类，从其他位置出发的流入该区域的交通流和从该区域出发向其他位置流出的交通流，构建该区域的两个流动矩阵，其中，每个元素表示从该区域到其他相应区域的流入和流出；

S212、设定一个区域，从当前时间之前的1个时间戳，获取交通流矩阵进一步叠加，用F_i，t∈R^S×S×2l表示，其中，S×S表示周围的区域的大小，2l是交通流量矩阵的数量，即每个时间间隔两个矩阵；

S213、利用卷积神经网络CNN模拟区域间的空间流动相互作用，用F_i，t作为输入F_i，t ⁽⁰⁾，每个卷积层的公式为：

F_i，t ^(k)＝ReLU(W_f ^(k)*F_i，t ^(k-1)+b_f ^(k)) (3)

其中，F_i，t ^(k)表示经过流门控机制FGM后目标区域i在t时刻第k层卷积的输出；F_i，t ^(k-1)表示经过流门控机制FGM后目标区域i在t时刻第k-1层卷积的输出；W_f ^(k)表示F_i，t ^(k-1)的权重参数；b_f ^(k)表示F_i，t ^(k)的偏差参数；ReLU()为激励函数；

S214、利用流门控机制FGM限制每一层空间信息，进而捕捉区域之间的动态相似性，形式上，将公式(1)调整为：