CN113379156A - 速度预测方法、装置、设备及存储介质 - Google Patents
速度预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113379156A CN113379156A CN202110738509.6A CN202110738509A CN113379156A CN 113379156 A CN113379156 A CN 113379156A CN 202110738509 A CN202110738509 A CN 202110738509A CN 113379156 A CN113379156 A CN 113379156A
- Authority
- CN
- China
- Prior art keywords
- traffic
- neural network
- training set
- convolutional neural
- standard
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000009826 distribution Methods 0.000 claims abstract description 82
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 80
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种速度预测方法、装置、设备及存储介质,属于预测技术领域。本发明的速度预测方法包括对获取到的交通速度数据进行划分,得到训练集和测试集;分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集;根据标准训练集和标准测试集,构建交通路网图;根据交通路网图,构建时空图卷积神经网络模型;根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布;对模型参数的权重分布进行抽样拟合,得到预测交通速度。这种速度预测方法能够对交通速度较为准确地进行预测,误差较小。
Description
技术领域
本发明涉及预测技术领域,尤其涉及一种速度预测方法、装置、设备及存储介质。
背景技术
随着智能化的发展,常常需要通过预测交通速度来提高交通活动的安全性,而目前常常由于随机干扰等因素会使得对交通速度的预测存在一定的误差,影响预测准确性,因此,如何提供一种准确性较高的速度预测方法,减小预测误差,成为了亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种速度预测方法,能够对交通速度较为准确地进行预测,误差较小。
本发明还提出一种具有上述速度预测方法的速度预测装置。
本发明还提出一种具有上述速度预测方法的电子设备。
本发明还提出一种计算机可读存储介质。
根据本发明的第一方面实施例的速度预测方法,包括:
对获取到的交通速度数据进行划分,得到训练集和测试集;
分别对所述训练集和所述测试集中的数据进行预处理,得到标准训练集和标准测试集;
根据所述标准训练集和所述标准测试集,构建交通路网图;
根据所述交通路网图,构建时空图卷积神经网络模型;
根据所述时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布;
对所述模型参数的权重分布进行抽样拟合,得到预测交通速度。
根据本发明实施例的速度预测方法,至少具有如下有益效果:这种速度预测方法通过对获取到的交通速度数据进行划分,得到训练集和测试集,进而分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,这样能够提高数据准确性,根据标准训练集和标准测试集,构建交通路网图,通过交通路网图,构建对应的时空图卷积神经网络模型,进而根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,最后对模型参数的权重分布,得到预测交通速度,这样能够在对交通速度预测的过程中量化不确定性,提高时空图卷积神经网络模型的有效性和泛化能力,从而能够对交通速度较为准确地进行预测,误差较小。
根据本发明的一些实施例,所述分别对所述训练集和所述测试集中的数据进行预处理,得到标准训练集和标准测试集,包括:
根据线性插值法对所述训练集和所述测试集中的数据进行增补处理,得到初步训练集和初步测试集;
分别对所述初步训练集和所述初步测试集中的数据进行标准归一化,得到所述标准训练集和所述标准测试集。
根据本发明的一些实施例,所述根据所述标准训练集和所述标准测试集,构建交通路网图,包括:
根据所述标准训练集和所述标准测试集,得到交通路网拓扑结构;
根据预设的映射关系,将所述交通路网拓扑结构映射成交通路网图;
其中,所述预设的映射关系包括:所述交通路网拓扑结构中的道路节点为所述交通路网图的节点,所述交通路网拓扑结构中的道路连接关系为所述交通路网图的边,所述道路节点的视觉序列为所述节点的属性特征。
根据本发明的一些实施例,所述根据所述交通路网图,构建时空图卷积神经网络模型,包括:
分别提取所述交通路网图中的时间维度信息和道路网络结构信息;
根据所述时间维度信息和道路网络结构信息,构建时空图卷积神经网络模型。
根据本发明的一些实施例,所述根据所述时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,包括:
对所述时空图卷积神经网络模型的模型参数进行先验分布,得到所述时空图卷积神经网络模型的模型参数的先验概率;
根据预设的变分参数对所述时空图卷积神经网络模型的模型参数进行变分近似贝叶斯推断,得到所述时空图卷积神经网络模型的模型参数的后验概率。
根据本发明的一些实施例,所述对所述时空图卷积神经网络模型的模型参数进行先验分布,得到所述时空图卷积神经网络模型的模型参数的先验概率,包括:
对所述时空图卷积神经网络模型的模型参数进行高斯分布先验,得到所述先验概率。
根据本发明的一些实施例,所述对所述模型参数的权重分布进行抽样拟合,得到预测交通速度,包括:
根据蒙特卡洛抽样算法对所述模型参数的权重分布进行抽样并对所述时空图卷积神经网络模型进行前向传播,得到预测期望值;
根据所述预测期望值,得到预测交通速度。
根据本发明的第二方面实施例的速度预测装置,包括:
数据集获取模块,用于对获取到的交通速度数据进行划分,得到训练集和测试集;
预处理模块,用于分别对所述训练集和所述测试集中的数据进行预处理,得到标准训练集和标准测试集;
交通路网图构建模块,用于根据所述标准训练集和所述标准测试集,构建交通路网图;
神经网络模型构建模块,用于根据所述交通路网图,构建时空图卷积神经网络模型;
权重计算模块,用于根据所述时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布;
预测模块,用于对所述模型参数的权重分布进行抽样拟合,得到预测交通速度。
根据本发明实施例的速度预测装置,至少具有如下有益效果:这种速度预测装置通过数据集获取模块对获取到的交通速度数据进行划分,得到训练集和测试集,进而预处理模块分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,这样能够提高数据准确性,交通路网图构建模块根据标准训练集和标准测试集,构建交通路网图,神经网络模型构建模块通过交通路网图,构建对应的时空图卷积神经网络模型,进而权重计算模块根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,最后预测模块对模型参数的权重分布进行抽样拟合,得到预测交通速度,这样能够在对交通速度预测的过程中量化不确定性,提高时空图卷积神经网络模型的有效性和泛化能力,从而能够对交通速度较为准确地进行预测,误差较小。
根据本发明的第三方面实施例的电子设备,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如第一方面实施例所述的速度预测方法。
根据本发明实施例的电子设备,至少具有如下有益效果:这种电子设备采用上述速度预测方法,通过对获取到的交通速度数据进行划分,得到训练集和测试集,进而分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,这样能够提高数据准确性,根据标准训练集和标准测试集,构建交通路网图,通过交通路网图,构建对应的时空图卷积神经网络模型,进而根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,最后对模型参数的权重分布进行抽样拟合,得到预测交通速度,这样能够在对交通速度预测的过程中量化不确定性,提高时空图卷积神经网络模型的有效性和泛化能力,从而能够对交通速度较为准确地进行预测,误差较小。
根据本发明的第四方面实施例的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可执行指令,所述计算机可执行指令用于使计算机执行如第一方面实施例所述的速度预测方法。
根据本发明实施例的计算机可读存储介质,至少具有如下有益效果:这种计算机可读存储介质执行上述速度预测方法通过对获取到的交通速度数据进行划分,得到训练集和测试集,进而分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,这样能够提高数据准确性,根据标准训练集和标准测试集,构建交通路网图,通过交通路网图,构建对应的时空图卷积神经网络模型,进而根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,最后对模型参数的权重分布进行抽样拟合,得到预测交通速度,这样能够在对交通速度预测的过程中量化不确定性,提高时空图卷积神经网络模型的有效性和泛化能力,从而能够对交通速度较为准确地进行预测,误差较小。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明,其中:
图1为本发明实施例的速度预测方法的流程图;
图2为图1中步骤S200的流程图;
图3为图1中步骤S300的流程图;
图4为图1中步骤S400的流程图;
图5为图1中步骤S500的流程图;
图6为图1中步骤S600的流程图;
图7为本发明实施例的速度预测装置的结构示意图。
附图标记:710、数据集获取模块;720、预处理模块;730、交通路网图构建模块;740、神经网络模型构建模块;750、权重计算模块;760、预测模块。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
第一方面,参照图1,本发明实施例的速度预测方法包括:
S100,对获取到的交通速度数据进行划分,得到训练集和测试集;
S200,分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集;
S300,根据标准训练集和标准测试集,构建交通路网图;
S400,根据交通路网图,构建时空图卷积神经网络模型;
S500,根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布;
S600,对模型参数的权重分布进行抽样拟合,得到预测交通速度。
在对交通速度预测的过程中,首先获取交通速度数据,对获取到的交通速度数据进行划分,即训练集和测试集,例如,根据获取到的交通速度数据,分别建立两个不同分布的数据集,例如,两个数据集可以是分别来源于美国加州高速公路性能评估系统(PeMS)提供的从2012年5月到6月的228个站点的交通速度集和中国深圳市交通运输局维护的156个主干道从2015年1月1日到1月31日的出租车轨迹数据。然后对两个数据集分别进行划分,每一数据集划分得到对应的训练集和测试集,需要说明的是,两个数据集的数据采集时间间隔可以根据实际情况设定,例如,两个数据集的数据采集实际间隔为5分钟,这样每个节点每天包括有24*12=288个交通速度数据;这样分别对每一数据集对应的训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,预处理的过程包括数据清洗、数据筛除以及数据增补等等,这样能够保证数据的完整性与准确性。进而根据标准训练集和标准测试集,构建交通路网图,具体地,可以根据标准训练集和标准测试集得到交通路网拓扑结构,根据预设的映射关系,将交通路网拓扑结构映射成交通路网图,将交通路网拓扑结构表示为图网络的形式,这样能够直观地检测每一节点的状态,根据每一节点的状态反映出当前的交通道路情况。进一步地,对交通路网图中的特征信息进行提取,根据交通路网图中的特征信息,构建时空图卷积神经网络模型,从而根据时空图卷积神经网络模型进行贝叶斯推断,得到时空图卷积神经网络模型的先验分布和后验分布等等,从而根据先验分布、后验分布这一系列的概率参数得到模型参数的权重分布,最后对模型参数的权重分布进行抽样拟合,能够方便地得到预测交通速度,这种预测方法能够量化预测过程的不确定性,提高了预测模型的泛化能力和鲁棒性,从而能够对交通速度较为准确地进行预测,误差较小。
参照图2,在一些实施例中,步骤S200,包括:
S210,根据线性插值法对训练集和测试集中的数据进行增补处理,得到初步训练集和初步测试集;
S220,分别对初步训练集和初步测试集中的数据进行标准归一化,得到标准训练集和标准测试集。
在对训练集和测试集中的数据进行预处理时,可以根据线性插值法对训练集和测试集中的数据进行增补处理,得到初步训练集和初步测试集,这样能够对缺失的数据进行增补,保证了数据的完整性,进而再分别对初步训练集和初步测试集中的数据进行标准归一化,即通过Z-Score方法归一化处理初步训练集和初步测试集中的数据,从而得到标准训练集和标准测试集,这样能够保证数据的准确性,以便基于标准训练集和标准测试集的数据对交通速度进行预测,提高预测准确性。
需要解释的是,线性插值是指插值函数为一次多项式的插值方式,其在插值节点上的插值误差为零。线性插值相比其他插值方式,如抛物线插值,具有简单、方便的特点。线性插值的几何意义即为概述图中利用过A点和B点的直线来近似表示原函数。线性插值可以用来近似代替原函数,也可以用来计算得到查表过程中表中没有的数值。
参照图3,在一些实施例中,步骤S300,包括:
S310,根据标准训练集和标准测试集,得到交通路网拓扑结构;
S320,根据预设的映射关系,将交通路网拓扑结构映射成交通路网图;
其中,预设的映射关系包括:交通路网拓扑结构中的道路节点为交通路网图的节点,交通路网拓扑结构中的道路连接关系为交通路网图的边,道路节点的视觉序列为节点的属性特征。
在构建交通路网图时,先根据标准训练集和标准测试集,得到交通路网拓扑结构,进而将城市交通状态构建为图网络形式,根据预设的映射关系,将交通路网拓扑结构映射成交通路网图,其中,预设的映射关系包括:交通路网拓扑结构中的道路节点为交通路网图的节点(即道路节点表示为网络节点),交通路网拓扑结构中的道路连接关系为交通路网图的边(即节点连接关系映射为图网络的边表达),道路节点的视觉序列为节点的属性特征(即将每个道路节点的每个滑窗时段的交通状态序列作为节点特征输入),进一步地,这一交通路网图的数学形式可以表征为无向图G=(V,E),其中,V={v1,v2,……vN}为N个道路节点集合,E为图网络的边,同时可以采用领接矩阵表达对应路段的连接情况,这样能够直观地检测每一节点的状态,根据每一节点的状态反映出当前的交通道路情况。
参照图4,在一些实施例中,步骤S400,包括:
S410,分别提取交通路网图中的时间维度信息和道路网络结构信息;
S420,根据时间维度信息和道路网络结构信息,构建时空图卷积神经网络模型。
在对交通速度预测的过程中,还需要对交通路网图中的特征信息进行提取,根据交通路网图中的特征信息,构建时空图卷积神经网络模型,即分别提取交通路网图中的时间维度信息和道路网络结构信息,具体地,采用时间卷积块提取时间维度信息,将滑窗长度为r的图网数据输入时域卷积块提取时间维度上的周期特征,采用空间图卷积块提取道路图网结构信息,通过残差连接来缓解神经网络模型的退化,根据时间维度信息和道路网络结构信息,构建时空图卷积神经网络模型,时空图卷积神经网络模型的输出层包括一个时域卷积层和一个全连接层,根据对交通速度预测的过程将时空图卷积神经网络模型表征为数学形式,即其中,vl+1代表下一时刻的真实值,vl代表模型预测,和是时域卷积的内核,Θl是空域卷积的内核,这样可以进一步地根据时空图卷积神经网络模型进行贝叶斯推断以获取每一交通速度数据对应的权重,以便基于每一交通速度数据对应的权重对交通速度进行预测,提高预测准确性。
参照图5,在一些实施例中,步骤S500,包括:
S510,对时空图卷积神经网络模型的模型参数进行先验分布,得到时空图卷积神经网络模型的模型参数的先验概率;
S520,根据预设的变分参数对时空图卷积神经网络模型的模型参数进行变分近似贝叶斯推断,得到时空图卷积神经网络模型的模型参数的后验概率。
在根据时空图卷积神经网络模型进行贝叶斯推断时,首先对时空图卷积神经网络模型的模型参数进行先验分布,得到时空图卷积神经网络模型模型参数的先验概率,具体地,对时空图卷积神经网络模型的模型参数进行高斯分布先验,得到先验概率,根据时空图卷积神经网络模型的预测性能,得到先验置信。进而,根据预设的变分参数对时空图卷积神经网络模型的模型参数进行变分近似贝叶斯推断,得到时空图卷积神经网络模型的模型参数的后验概率,由于对于一个新输入的样本,贝叶斯预测是从神经网络集合中求得,其中每个神经网络权重服从其后验分布,数学形式为其中,y*是隐变量,x*是观测变量,贝叶斯推断对神经网络权重的精确求解难度较大,因此使用变分近似贝叶斯推断能够降低后验分布的难度,将后验分布的求解问题变成优化问题,即求解变分后验分布和真实后验分布的距离最小时变分分布参数θ,其数学表达式为q(w|θ)为变分分布,又由于真实后验分布未知,基于最小化变分后验分布和真实后验分布散度可以等价于求解证据下界的最大化问题,即优化问题可重新表征为基于变分后验分布的重建似然函数和有关变分后验分布与先验分布的散度的关系,其数学表达为:其中,从而根据先验分布、后验分布这一系列的概率参数得到模型参数的权重分布,最后根据蒙特卡洛抽样算法对模型参数的权重分布进行抽样拟合,能够方便地得到预测交通速度,这种预测方法能够量化预测过程的不确定性,提高了预测模型的泛化能力和鲁棒性,从而能够对交通速度较为准确地进行预测,误差较小。
在一些实施例中,步骤S510,包括:
对时空图卷积神经网络模型的模型参数进行高斯分布先验,得到先验概率。在对时空图卷积神经网络模型的模型参数进行先验分布时,对时空图卷积神经网络模型的模型参数进行高斯分布先验,其中高斯分布先验的数学形式为其中,π为子分布权重参数,模型参数的先验分布是一个含有两个子正态分布的高斯混合模型。进而根据时空图卷积神经网络模型的预测性能,得到先验置信,这样能方便地根据先验概率、先验置信等得到每一交通速度数据对应的权重,以便基于每一交通速度数据对应的权重对交通速度进行预测,提高预测准确性。
参照图6,在一些实施例中,步骤S600,包括:
S610,根据蒙特卡洛抽样算法对模型参数的权重分布进行抽样并对时空图卷积神经网络模型进行前向传播,得到预测期望值;
S620,根据预测期望值,得到预测交通速度。
为了量化预测过程的不确定性,可以根据蒙特卡洛抽样算法对模型参数的权重分布进行抽样,并对时空图卷积神经网络模型进行前向传播,得到预测期望值,即使用蒙特卡罗抽样算法集成近似可能结果,从而根据预测期望值,得到预测交通速度,具体地,蒙特卡洛抽样算法是描述装备运用过程中各种随机现象的基本方法,为了求解问题,首先建立一个概率模型或随机过程,使它的参数或数字特征等于问题的解:然后通过对模型或过程的观察或抽样试验来计算这些参数或数字特征,最后给出所求解的近似值。解的精确度用估计值的标准误差来表示。蒙特卡洛法的主要理论基础是概率统计理论,主要手段是随机抽样、统计试验。用蒙特卡洛法求解实际问题的基本步骤为:(1)根据实际问题的特点.构造简单而又便于实现的概率统计模型.使所求的解恰好是所求问题的概率分布或数学期望;(2)给出模型中各种不同分布随机变量的抽样方法;(3)统计处理模拟结果,给出问题解的统计估计值和精度估计值。因此,使用蒙特卡洛抽样算法拟合预测的期望值的数学表达为:其中,T为蒙特卡洛采样次数。这样能够量化预测过程的不确定性,提高了预测模型的泛化能力和鲁棒性,从而能够对交通速度较为准确地进行预测,误差较小。
第二方面,参照图7,本发明实施例的速度预测装置包括:
数据集获取模块710,用于对获取到的交通速度数据进行划分,得到训练集和测试集;
预处理模块720,用于分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集;
交通路网图构建模块730,用于根据标准训练集和标准测试集,构建交通路网图;
神经网络模型构建模块740,用于根据交通路网图,构建时空图卷积神经网络模型;
权重计算模块750,用于根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布;
预测模块760,用于对所述模型参数的权重分布进行抽样拟合,得到预测交通速度。
在对交通速度预测的过程中,首先获取交通速度数据,数据集获取模块710对获取到的交通速度数据进行划分,即训练集和测试集,例如,根据获取到的交通速度数据,分别建立两个不同分布的数据集,然后对两个数据集分别进行划分,每一数据集划分得到对应的训练集和测试集,需要说明的是,两个数据集的数据采集时间间隔可以根据实际情况设定,例如,两个数据集的数据采集实际间隔为5分钟,这样每个节点每天包括有24*12=288个交通速度数据;这样预处理模块720分别对每一数据集对应的训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,预处理的过程包括数据清洗、数据筛除以及数据增补等等,这样能够保证数据的完整性与准确性。进而交通路网图构建模块730根据标准训练集和标准测试集,构建交通路网图,具体地,可以根据标准训练集和标准测试集得到交通路网拓扑结构,根据预设的映射关系,将交通路网拓扑结构映射成交通路网图,将交通路网拓扑结构表示为图网络的形式,这样能够直观地检测每一节点的状态,根据每一节点的状态反映出当前的交通道路情况。进一步地,神经网络模型构建模块740对交通路网图中的特征信息进行提取,根据交通路网图中的特征信息,构建时空图卷积神经网络模型,从而权重计算模块750根据时空图卷积神经网络模型进行贝叶斯推断,得到时空图卷积神经网络模型的先验分布和后验分布等等,从而根据先验分布、后验分布这一系列的概率参数得到模型参数的权重分布,最后预测模块760对模型参数的权重分布进行抽样拟合,能够方便地得到预测交通速度,这种预测方法能够量化预测过程的不确定性,提高了预测模型的泛化能力和鲁棒性,从而能够对交通速度较为准确地进行预测,误差较小。
第三方面,本发明实施例的电子设备,包括至少一个处理器,以及与至少一个处理器通信连接的存储器;其中,存储器存储有指令,指令被至少一个处理器执行,以使至少一个处理器执行指令时实现如第一方面实施例的速度预测方法。
根据本发明实施例的电子设备,至少具有如下有益效果:这种电子设备采用上述速度预测方法,通过对获取到的交通速度数据进行划分,得到训练集和测试集,进而分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,这样能够提高数据准确性,根据标准训练集和标准测试集,构建交通路网图,通过交通路网图,构建对应的时空图卷积神经网络模型,进而根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,最后对模型参数的权重分布进行抽样拟合,得到预测交通速度,这样能够在对交通速度预测的过程中量化不确定性,提高时空图卷积神经网络模型的有效性和泛化能力,从而能够对交通速度较为准确地进行预测,误差较小。
第四方面,本发明还提出一种计算机可读存储介质。计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如第一方面实施例的速度预测方法。
根据本发明实施例的计算机可读存储介质,至少具有如下有益效果:这种计算机可读存储介质执行上述速度预测方法通过对获取到的交通速度数据进行划分,得到训练集和测试集,进而分别对训练集和测试集中的数据进行预处理,得到标准训练集和标准测试集,这样能够提高数据准确性,根据标准训练集和标准测试集,构建交通路网图,通过交通路网图,构建对应的时空图卷积神经网络模型,进而根据时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,最后对模型参数的权重分布进行抽样拟合,得到预测交通速度,这样能够在对交通速度预测的过程中量化不确定性,提高时空图卷积神经网络模型的有效性和泛化能力,从而能够对交通速度较为准确地进行预测,误差较小。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。此外,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.速度预测方法,其特征在于,包括:
对获取到的交通速度数据进行划分,得到训练集和测试集;
分别对所述训练集和所述测试集中的数据进行预处理,得到标准训练集和标准测试集;
根据所述标准训练集和所述标准测试集,构建交通路网图;
根据所述交通路网图,构建时空图卷积神经网络模型;
根据所述时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布;
对所述模型参数的权重分布进行抽样拟合,得到预测交通速度。
2.根据权利要求1所述的速度预测方法,其特征在于,所述分别对所述训练集和所述测试集中的数据进行预处理,得到标准训练集和标准测试集,包括:
根据线性插值法对所述训练集和所述测试集中的数据进行增补处理,得到初步训练集和初步测试集;
分别对所述初步训练集和所述初步测试集中的数据进行标准归一化,得到所述标准训练集和所述标准测试集。
3.根据权利要求1所述的速度预测方法,其特征在于,所述根据所述标准训练集和所述标准测试集,构建交通路网图,包括:
根据所述标准训练集和所述标准测试集,得到交通路网拓扑结构;
根据预设的映射关系,将所述交通路网拓扑结构映射成交通路网图;
其中,所述预设的映射关系包括:所述交通路网拓扑结构中的道路节点为所述交通路网图的节点,所述交通路网拓扑结构中的道路连接关系为所述交通路网图的边,所述道路节点的视觉序列为所述节点的属性特征。
4.根据权利要求1所述的速度预测方法,其特征在于,所述根据所述交通路网图,构建时空图卷积神经网络模型,包括:
分别提取所述交通路网图中的时间维度信息和道路网络结构信息;
根据所述时间维度信息和道路网络结构信息,构建时空图卷积神经网络模型。
5.根据权利要求1所述的速度预测方法,其特征在于,所述根据所述时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布,包括:
对所述时空图卷积神经网络模型的模型参数进行先验分布,得到所述时空图卷积神经网络模型的模型参数的先验概率;
根据预设的变分参数对所述时空图卷积神经网络模型的模型参数进行变分近似贝叶斯推断,得到所述时空图卷积神经网络模型的模型参数的后验概率。
6.根据权利要求5所述的速度预测方法,其特征在于,所述对所述时空图卷积神经网络模型的模型参数进行先验分布,得到所述时空图卷积神经网络模型的模型参数的先验概率,包括:
对所述时空图卷积神经网络模型的模型参数进行高斯分布先验,得到所述先验概率.。
7.根据权利要求1至6任一项所述的速度预测方法,其特征在于,所述对所述模型参数的权重分布进行抽样拟合,得到预测交通速度,包括:
根据蒙特卡洛抽样算法对所述模型参数的权重分布进行抽样并对所述时空图卷积神经网络模型进行前向传播,得到预测期望值;
根据所述预测期望值,得到预测交通速度。
8.速度预测装置,其特征在于,包括:
数据集获取模块,用于对获取到的交通速度数据进行划分,得到训练集和测试集;
预处理模块,用于分别对所述训练集和所述测试集中的数据进行预处理,得到标准训练集和标准测试集;
交通路网图构建模块,用于根据所述标准训练集和所述标准测试集,构建交通路网图;
神经网络模型构建模块,用于根据所述交通路网图,构建时空图卷积神经网络模型;
权重计算模块,用于根据所述时空图卷积神经网络模型进行贝叶斯推断,得到模型参数的权重分布;
预测模块,用于对所述模型参数的权重分布进行抽样拟合,得到预测交通速度。
9.电子设备,其特征在于,包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述指令时实现如权利要求1至7任一项所述的速度预测方法。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的速度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738509.6A CN113379156A (zh) | 2021-06-30 | 2021-06-30 | 速度预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738509.6A CN113379156A (zh) | 2021-06-30 | 2021-06-30 | 速度预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379156A true CN113379156A (zh) | 2021-09-10 |
Family
ID=77580220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738509.6A Pending CN113379156A (zh) | 2021-06-30 | 2021-06-30 | 速度预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379156A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299723A (zh) * | 2022-02-15 | 2022-04-08 | 北京科技大学 | 一种交通流量预测方法 |
CN114596702A (zh) * | 2021-11-12 | 2022-06-07 | 南方科技大学 | 一种交通状态预测模型构建方法及交通状态预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN111079931A (zh) * | 2019-12-27 | 2020-04-28 | 浙江大学 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
CN111723674A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 基于马尔科夫链蒙特卡洛与变分推断的半贝叶斯深度学习的遥感图像场景分类方法 |
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN112419718A (zh) * | 2020-11-17 | 2021-02-26 | 东北大学秦皇岛分校 | 一种基于时空图卷积神经网络的交通拥塞传播预测方法 |
CN112651436A (zh) * | 2020-12-23 | 2021-04-13 | 深圳市安软科技股份有限公司 | 一种基于权重不确定的图卷积神经网络的优化方法、装置 |
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
-
2021
- 2021-06-30 CN CN202110738509.6A patent/CN113379156A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
CN110503833A (zh) * | 2019-08-29 | 2019-11-26 | 桂林电子科技大学 | 一种基于深度残差网络模型的入口匝道联动控制方法 |
CN111079931A (zh) * | 2019-12-27 | 2020-04-28 | 浙江大学 | 一种基于图神经网络的状态空间概率性多时间序列预测方法 |
CN111723674A (zh) * | 2020-05-26 | 2020-09-29 | 河海大学 | 基于马尔科夫链蒙特卡洛与变分推断的半贝叶斯深度学习的遥感图像场景分类方法 |
CN111785014A (zh) * | 2020-05-26 | 2020-10-16 | 浙江工业大学 | 一种基于dtw-rgcn的路网交通数据修复的方法 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN112419710A (zh) * | 2020-10-22 | 2021-02-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
CN112419718A (zh) * | 2020-11-17 | 2021-02-26 | 东北大学秦皇岛分校 | 一种基于时空图卷积神经网络的交通拥塞传播预测方法 |
CN112651436A (zh) * | 2020-12-23 | 2021-04-13 | 深圳市安软科技股份有限公司 | 一种基于权重不确定的图卷积神经网络的优化方法、装置 |
CN112687102A (zh) * | 2020-12-23 | 2021-04-20 | 大连理工大学 | 基于知识图谱和深度时空卷积的城域交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
杨博雄等: "深度学习理论与实践", vol. 1, 北京邮电大学出版社, pages: 148 - 149 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596702A (zh) * | 2021-11-12 | 2022-06-07 | 南方科技大学 | 一种交通状态预测模型构建方法及交通状态预测方法 |
CN114596702B (zh) * | 2021-11-12 | 2023-07-04 | 南方科技大学 | 一种交通状态预测模型构建方法及交通状态预测方法 |
CN114299723A (zh) * | 2022-02-15 | 2022-04-08 | 北京科技大学 | 一种交通流量预测方法 |
CN114299723B (zh) * | 2022-02-15 | 2022-11-08 | 北京科技大学 | 一种交通流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abbasabadi et al. | An integrated data-driven framework for urban energy use modeling (UEUM) | |
Duan et al. | An efficient realization of deep learning for traffic data imputation | |
Pui et al. | A comparison of alternatives for daily to sub-daily rainfall disaggregation | |
Li et al. | Data mining of cellular automata's transition rules | |
Haddad et al. | Regional flood frequency analysis in eastern Australia: Bayesian GLS regression-based methods within fixed region and ROI framework–Quantile Regression vs. Parameter Regression Technique | |
Ariza-Villaverde et al. | Multifractal analysis of axial maps applied to the study of urban morphology | |
CN111080070B (zh) | 一种基于空间误差的城市土地利用模拟元胞自动机方法 | |
Wang et al. | A patch‐based cellular automaton for simulating land‐use changes at fine spatial resolution | |
CN113379156A (zh) | 速度预测方法、装置、设备及存储介质 | |
Ben Alaya et al. | Probabilistic Gaussian copula regression model for multisite and multivariable downscaling | |
Pradhan et al. | Uncertainty propagation in an integrated land use-transportation modeling framework: Output variation via UrbanSim | |
Mauá et al. | Robustifying sum-product networks | |
Wagener et al. | Identification and evaluation of watershed models | |
Schmidinger et al. | Validation of uncertainty predictions in digital soil mapping | |
Park et al. | The threshold bootstrap and threshold jackknife | |
Wu et al. | Local and global Bayesian network based model for flood prediction | |
Zhou et al. | Prediction and early warning method of inundation process at waterlogging points based on Bayesian model average and data-driven | |
Guan et al. | HGAT-VCA: Integrating high-order graph attention network with vector cellular automata for urban growth simulation | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
CN112070129A (zh) | 地面沉降风险识别方法、装置以及系统 | |
Li et al. | Expert knowledge-driven Bayesian network modeling for marine disaster assessment under the small sample condition | |
Du et al. | Comparison between CBR and CA methods for estimating land use change in Dongguan, China | |
Yin | Dynamical fractal: Theory and case study | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
Wang et al. | Real-time estimation of the urban air quality with mobile sensor system |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |