CN113822460A - 一种交通流量预测方法、装置、电子设备和存储介质 - Google Patents

一种交通流量预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113822460A
CN113822460A CN202110696394.9A CN202110696394A CN113822460A CN 113822460 A CN113822460 A CN 113822460A CN 202110696394 A CN202110696394 A CN 202110696394A CN 113822460 A CN113822460 A CN 113822460A
Authority
CN
China
Prior art keywords
traffic
traffic flow
flow
area
prediction
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
Application number
CN202110696394.9A
Other languages
English (en)
Inventor
杨润
杨思骞
蒋正锴
王亚彪
汪铖杰
黄飞跃
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110696394.9A priority Critical patent/CN113822460A/zh
Publication of CN113822460A publication Critical patent/CN113822460A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种交通流量预测方法、装置、电子设备和存储介质；可以根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域中每一交通区域与其他交通区域之间的交通流量流转信息，通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征，基于交通流量特征进行交通流量预测，得到预测结果，基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量；由于本发明实施例根据交通流量流转信息进行交通流量预测，提高了交通流量预测结果的准确性。

Description

一种交通流量预测方法、装置、电子设备和存储介质
技术领域
本发明涉及交通信息处理技术领域，具体涉及一种交通流量预测方法、装置、电子设备和存储介质。
背景技术
随着当前经济和科技的快速发展，人们越来越关注智慧城市、智慧交通等领域的发展，其中，交通流量是一项不可忽视的信息，在交通管理、城市发展规划、城市治理等多个领域中都有非常重要的作用。
目前，在预测交通流量时采取的主要方法是，通过图卷积神经网络模型，根据历史的交通流量信息进行交通流量预测。但是采用这种方案，需要技术人员根据先验知识来预定义图结构进行图卷积操作，而预定义的图不能包含交通流量信息中有关于空间相关性的信息，并且不能与当前的交通流量预测任务直接相关，会导致预测结果存在偏差。
发明内容
本发明实施例提供一种交通流量预测方法、装置、电子设备和存储介质，可以通过图卷积计算过程准确提取历史交通流量矩阵中包含的各交通区域之间的交通流量流转信息，提高了交通流量预测结果的准确性。
本发明实施例提供一种交通流量预测方法，包括：
根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与所述多个交通区域中其他交通区域之间的交通流量流转信息，所述多个交通区域包括所述待预测区域所在的目标交通区域；
通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征；
基于所述交通流量特征进行交通流量预测，得到预测结果；
基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
相应的，本发明实施例还提供一种交通流量预测装置，包括：
矩阵获取模块，用于根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与所述多个交通区域中其他交通区域之间的交通流量流转信息，所述多个交通区域包括所述待预测区域所在的目标交通区域；
特征提取模块，用于通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征；
流量预测模块，用于基于所述交通流量特征进行交通流量预测，得到预测结果；
流量确定模块，用于基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
可选的，所述特征提取模块，用于通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，其中，若当前图卷积单元为第一个图卷积单元，所述前一图卷积单元输出的交通流量特征为空；
将所述当前图卷积单元的后一图卷积单元作为新的当前图卷积单元，返回执行所述通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征的步骤，直到最后一个图卷积单元输出交通流量特征为止。
可选的，在本发明实施例提供的交通流量预测装置中，图卷积单元包括第一特征提取单元、第二特征提取单元、第三特征提取单元和特征融合单元；
对应的，所述特征提取模块，用于通过当前图卷积单元中第一特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第一流量流转特征向量，对所述第一流量流转特征向量进行第一特征提取处理，得到第一交通流量特征；
通过当前图卷积单元中第二特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第二流量流转特征向量，对所述第二流量流转特征向量进行第二特征提取处理，得到第二交通流量特征；
通过当前图卷积单元中的第三特征提取单元，对所述第二交通流量特征与所述前一图卷积单元输出的交通流量特征进行点乘得到第一乘积向量；
通过所述第三特征提取单元的邻接矩阵，基于所述最初的历史交通流量矩阵和所述第一乘积向量提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第三流量流转特征向量，对所述第三流量流转特征向量进行第三特征提取处理，得到第三交通流量特征；
通过所述特征融合单元，计算所述第一交通流量特征与所述前一图卷积单元输出的交通流量特征的第二乘积向量，以及所述第一交通流量特征对应的目标矩阵与所述第三交通流量特征的第三乘积向量，计算所述第二乘积向量和所述第三乘积向量之和，得到所述当前图卷积单元输出的交通流量特征，其中，所述目标矩阵通过单位矩阵与所述第一交通流量特征做减法运算得到。
可选的，所述历史交通流量矩阵的数量为至少两个，每个历史交通流量矩阵对应的交通区域相同，且流量监测时间区域不同；
所述特征提取模块，用于通过邻接矩阵基于各所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到各所述历史交通流量矩阵对应的流量流转特征向量，对各所述流量流转特征向量进行特征提取，得到各所述历史交通流量矩阵对应的交通流量特征。
可选的，所述流量预测模块，用于对各所述历史交通流量矩阵对应的交通流量特征进行特征融合，得到融合后交通流量特征；
基于所述融合后交通流量特征进行交通流量预测，得到预测结果。
可选的，所述流量预测模块，用于基于所述交通流量特征进行交通流量预测，得到所述多个交通区域中每个交通区域的预测结果；
对应的，所述流量确定模块，用于基于所述多个交通区域中每个交通区域的预测结果，得到所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
可选的，所述矩阵获取模块，用于根据需要预测交通流量的待预测时刻，确定所述待预测时刻之前的至少两个流量监测时间区域；
对各流量监测时间区域基于预设的时间间隔划分为多个时间片；
根据需要预测交通流量的待预测区域，确定所述待预测区域所在的目标交通区域以及所述目标交通区域对应的参考交通区域，作为监测交通区域；
针对各监测交通区域，获取各所述时间片中所述监测交通区域与其他监测交通区域的交通流量流转信息；
针对各流量监测时间区域，基于所述流量监测时间区域的时间片中各监测交通区域与其他监测交通区域的交通流量流转信息，得到所述流量监测时间区域中各交通区域的所述子向量；
基于各所述流量监测时间区域对应的所述子向量，得到各所述流量监测时间区域对应的所述历史交通流量矩阵。
可选的，所述流量预测模块包括非线性映射模块和流量预测子模块；
所述非线性映射模块，用于对所述交通流量特征进行非线性映射，得到映射后特征向量；
所述流量预测子模块，用于根据所述映射后特征向量进行交通流量预测，得到预测结果。
可选的，所述非线性映射模块，用于对所述交通流量特征进行第一卷积运算，得到第一卷积向量；
根据预设的激活函数，对所述第一卷积向量进行特征映射，得到非线性卷积向量；
对所述非线性卷积向量进行第二卷积运算，得到映射后特征向量。
可选的，所述矩阵获取模块之前，还包括模型训练模块，所述模型训练模块包括样本获取模块、样本特征提取模块、样本预测模块和模型调整模块；
样本获取模块，用于获取交通流量矩阵样本，所述交通流量矩阵样本标注有样本预测时刻和样本交通区域对应的实际交通流量，所述交通流量矩阵样本中包括多个样本交通区域的子向量，每一子向量包括对应的样本交通区域在所述样本预测时刻之前，与所述多个样本交通区域中其他样本交通区域之间的交通流量流转信息；
样本特征提取模块，用于通过待训练流量预测模型中图卷积单元的邻接矩阵，基于所述交通流量矩阵样本提取每一样本交通区域和其他样本交通区域的交通流量之间的流转特征，得到样本流量流转特征向量，对所述样本流量流转特征向量进行特征提取，得到样本交通流量特征；
样本预测模块，用于基于所述待训练流量预测模型的流量预测单元，基于所述样本交通流量特征进行交通流量预测，得到各个样本交通区域的样本预测结果；
模型调整模块，用于根据各样本交通区域的所述样本预测结果以及对应的实际交通流量，对所述待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
可选的，在本发明实施例的流量预测模型中，所述流量预测单元为至少两个，每个流量预测单元，用于预测一种目标类型的交通流量；
对应的，所述样本预测模块，用于通过各流量预测单元对所述样本交通流量特征分别进行交通流量预测，得到各目标类型下各样本交通区域的样本预测结果；
所述模型调整模块，用于针对每一目标类型，根据所述目标类型下各样本交通区域的样本预测结果和对应的实际交通流量，计算所述目标类型对应的类型预测损失；
根据各所述目标类型对应的类型预测损失，计算所述待训练流量预测模型的样本预测损失；
根据所述样本预测损失对所述待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
相应的，本发明实施例还提供一种电子设备，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行本发明实施例所提供的任一种交通流量预测方法中的步骤。
此外，本发明实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本发明实施例所提供的任一种交通流量预测方法中的步骤。
采用本发明实施例的方案，可以根据待预测区域和待预测时刻，获取历史交通流量矩阵，该历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与该多个交通区域中其他交通区域之间的交通流量流转信息，该多个交通区域包括该待预测区域所在的目标交通区域，通过邻接矩阵基于该历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对该流量流转特征向量进行特征提取，得到交通流量特征，基于该交通流量特征进行交通流量预测，得到预测结果，基于该预测结果中该目标交通区域在该待预测时刻下的交通流量，确定该待预测时刻下该待预测区域对应的交通流量；由于本发明实施例通过邻接矩阵，提取了历史交通流量矩阵中各交通区域之间的交通流量流转信息，进而根据具有空间相关性的交通流量流转信息进行交通流量预测，提高了交通流量预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
图1是本发明实施例提供的交通流量预测方法的场景示意图；
图2是本发明实施例提供的交通流量预测方法的流程图；
图3是本发明实施例提供的图卷积单元包括第一特征提取单元、第二特征提取单元、第三特征提取单元以及特征融合单元的示意图；
图4是本发明实施例提供的图卷积单元循环计算过程的示意图；
图5是本发明实施例提供的包含预测OD交通量、区域进流量、区域出流量三项预测任务的流量预测模型示意图；
图6是本发明实施例提供的流量预测模型训练过程示意图；
图7是本发明实施例提供的交通流量预测方法的另一流程图；
图8是本发明实施例提供的交通流量预测装置的结构示意图；
图9是本发明实施例提供的交通流量预测装置的另一结构示意图；
图10是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种交通流量预测方法、装置、电子设备和存储介质。具体地，本发明实施例提供适用于交通流量预测装置的交通流量预测方法，该交通流量预测装置可以集成在电子设备中。
该电子设备可以为终端等设备，包括但不限于移动终端和固定终端，例如移动终端包括但不限于智能手机、智能手表、平板电脑、笔记本电脑、智能车辆、智能车载等，其中，固定终端包括但不限于台式电脑、智能电视等。
该电子设备还可以为服务器等设备，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器，但并不局限于此。
本发明实施例的交通流量预测方法，可以由服务器实现，也可以由终端和服务器共同实现。
下面以终端和服务器共同实现该交通流量预测方法为例，对该方法进行说明。
如图1所示，本发明实施例提供的交通流量预测系统包括终端10和服务器20等；终端10与服务器20之间通过网络连接，比如，通过有线或无线网络连接等，其中，终端10可以作为用户向服务器20发送交通流量预测请求的终端存在。
其中，终端10可以为用户选择待预测时刻和待预测区域的终端，用于向服务器20发送包含需要预测交通流量的待预测时刻和待预测区域的用户数据。
服务器20，可以用于根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与多个交通区域中其他交通区域之间的交通流量流转信息，多个交通区域包括待预测区域所在的目标交通区域，通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征，基于交通流量特征进行交通流量预测，得到预测结果，基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
以下分别进行详细说明。需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本发明实施例将从交通流量预测装置的角度进行描述，该交通流量预测装置具体可以集成在服务器或终端中。
如图2所示，本实施例的交通流量预测方法的具体流程可以如下：
201、根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与多个交通区域中其他交通区域之间的交通流量流转信息，多个交通区域包括待预测区域所在的目标交通区域。
如本申请所公开的交通流量预测方法，其中历史交通流量矩阵、交通流量矩阵样本等数据可保存于区块链上。
其中，交通流量，又称为交通出行量或者O(origin，出行的出发地点)D(destination，出行的目的地)交通量。OD交通量，是指起终点区域之间的交通流量，即在一定时间段内从起点区域流向终点区域的交通流量，此处的交通流量具体可以包括人流量、车流量、移动设备流量等等，本申请在此不对OD流量具体对应的对象做任何限定。
对应的，历史交通流量矩阵可以是根据某一段或者某几段历史时间内的历史交通流量矩阵生成的交通流量矩阵，例如，历史交通流量矩阵可以是根据过去七天内某个区域的交通流量数据生成的矩阵，或者，历史交通流量矩阵可以是根据过去24小时和过去48-72小时内某个或某些交通区域的交通流量数据生成的交通流量矩阵等等。
其中，待预测区域可以直接为目标交通区域，或者，待预测区域可以是目标交通区域中的一部分，本发明实施例对此不作限定。
可以理解的是，历史时间可以是当前时刻之前的时间，也可以是待预测时刻之前的时间，等等。例如，在测试过程中，技术人员可以选择一个历史时刻作为待预测时刻进行预测。
例如，某个时刻或者某个时间段内的交通流量矩阵(历史交通流量矩阵)可以用X∈RN×N表示，X表示历史交通流量矩阵，N表示目标交通区域和其他交通区域的总数量，R表示X当中的数值均为实数。
比如，历史交通流量矩阵可以为一个5*5的矩阵，其中可以包括5个交通区域之间的交通流量流转信息。例如，矩阵中的第i行第i列可以表示第i个小区与其他4个小区之间的交通流量流转信息，比如，计算第i行的数据可以得到第i个小区的出流量，计算第i列的数据可以得到第i个小区的入流量，等等。可以理解的是，上述示例不应理解为对本发明实施例历史交通流量矩阵形式的限定。
再比如，历史交通流量矩阵也可以是n个n*n的子向量，可以设置每个子向量中第1行表示对应的交通区域到其他n-1个交通区域的出流量，第1列表示对应的交通区域到其他n-1个交通区域的入流量，比如，可以第一行第一列的数据表示对应的交通区域的OD交通量，位于第一行第二列的数据表示对应的交通区域到位于排列顺序上第2个交通区域的出流量，位于第二行第一列的数据表示对应的交通区域到位于排列顺序上第2个交通区域的入流量，等等。
其中，历史交通流量矩阵或者子向量中的数据的排列顺序，可以是根据交通区域的自定义编号顺序进行排列，或者，也可以是根据每个子向量对应的交通区域与其他交通区域之间的距离进行排列，等等。
其中，出入流量，包括在一定时间段内流出某区域的交通流量和流入该区域的交通流量，此处的交通流量具体可以包括人流量、车流量、移动设备流量等等，本申请在此不对出入流量具体对应的对象做任何限定。
在实际应用过程中，出入流量与OD交通量之间具有特定的关联关系，具体的，从某起点区域流向各个终点区域的OD交通量之和应当等于该起点区域的流出流量，从各个起点区域流向某终点区域的OD交通量之和应当等于该终点区域的流入流量；出入流量的预测与OD交通量的预测实质上应该是有机融合的整体。
可以理解的是，为了节省计算资源，若选择多个时刻或者时间段内的交通流量数据都作为历史交通流量矩阵共同参与交通流量预测，此时，历史交通流量矩阵可以用X∈RB ×N×N表示，其中B表示交通流量数据的组数。
其中，交通区域可以是但不限于由一定等级的道路围合而成的区域，具体可以为交通规划及管理领域中的交通小区，在交通管理、城市规划、城市治理等领域中常被作为研究分析的基本空间单元。或者，交通区域也可以是由技术人员自定义划分的区域，例如，可以是将长为5公里、宽为5公里的正方形区域作为一个交通区域。交通区域的划分方式有多种，本发明对此不作限定，技术人员可以根据实际应用需求进行划分。
在一个可选的示例中，历史交通流量矩阵应当同时与待预测时刻和待预测区域对应，具体的，步骤“根据待预测区域和待预测时刻，获取历史交通流量矩阵”，可以包括：
根据需要预测交通流量的待预测时刻，确定待预测时刻对应的参考时刻；
根据需要预测交通流量的待预测区域，确定待预测区域所在的目标交通区域；
基于预设的参考区域选择规则，选择目标交通区域对应的参考交通区域；
获取目标交通区域和参考交通区域在参考时刻对应的交通流量数据，作为历史交通流量矩阵。
其中，参考时刻可以是当前时刻之前的时刻，也可以是待预测时刻之前的时刻，等等，参考时刻可以是一个，也可以是多个。比如，用户在终端上选择预测6月10日下午16：00的交通流量，则参考时刻可以为6月10日下午15：00、6月9日下午16：00以及6月3日下午16：00，等等。
可以理解的是，历史交通流量矩阵可以直接是目标交通区域和参考交通区域在参考时刻的交通流量数据，或者，可以根据参考时刻确定对应的参考时间，则历史交通流量矩阵可以是目标交通区域和参考交通区域在参考时间的交通流量数据。比如，参考时刻为6月10日下午15：00、6月9日下午16：00以及6月3日下午16：00时，参考时间为6月10日下午15：00-15：30、6月9日下午15：00-15：30以及6月3日下午15：00-15：30，等等。具体的参考时间的确定规则，可以由技术人员根据实际应用自行确定。
在实际应用过程中，技术人员也可以定义一个时间片(timeslot)，时间片为最小的时间间隔，比如一个时间片的时间长度可以为30分钟后或者1小时，等等。在流量监测时间区域后，可以由技术人员自行获取与流量监测时间区域对应的n个时间片内的交通流量数据，生成历史交通流量矩阵。即，步骤“根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域的子向量”，可以包括：
根据需要预测交通流量的待预测时刻，确定待预测时刻之前的至少两个流量监测时间区域；
对各流量监测时间区域基于预设的时间间隔划分为多个时间片；
根据需要预测交通流量的待预测区域，确定待预测区域所在的目标交通区域以及目标交通区域对应的参考交通区域，作为监测交通区域；
针对各监测交通区域，获取各时间片中监测交通区域与其他监测交通区域的交通流量流转信息；
针对各流量监测时间区域，基于流量监测时间区域的时间片中各监测交通区域与其他监测交通区域的交通流量流转信息，得到流量监测时间区域中各交通区域的子向量；
基于各流量监测时间区域对应的子向量，得到各流量监测时间区域对应的历史交通流量矩阵。
其中，不同的流量监测时间区域应当是互不重叠的时间段，对应的，时间片所对应的时间也应当是互不重叠的时间段。
例如，待预测时刻为明天下午17：00，则流量监测时间区域可以为今天下午16：00到17：00以及昨天下午16：00到17：00，等等。
其中，参考交通区域可以是与目标交通区域有交通流量流转的交通区域，或者，也可以是距离目标交通区域一定距离内的交通区域，等等。比如，可以将距离目标交通区域边界50公里以内的交通区域作为参考交通区域。
在本发明实施例对交通流量的预测过程中，涉及到人工智能(ArtificialIntelligence,AI)技术，人工智能技术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、自动驾驶技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等。
例如，本发明实施例提供的交通流量预测方法可以应用于自动驾驶、虚拟助理或者无人驾驶等领域，其中，自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，有着广泛的应用前景。比如，在自动驾驶或者无人驾驶领域，可以结合本发明实施例提供的交通流量预测方法进行智能车辆的路径规划，当智能车辆当前规划路径中某一段路径的交通流量大于预设阈值，则重新规划路径，等等。
202、通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征。
其中，邻接矩阵可以用于提取每个交通区域与其他交通区域之间的连接关系。每个交通区域与其他交通区域之间的连接关系，可以理解为每个交通区域与其他交通区域在地理位置上的是否相邻接的连接关系，也可以理解为每个交通区域与其他交通区域之间的交通流量流转关系。
其中，邻接矩阵可以通过如下计算过程得到：
softmax(IN+ReLU(E·ET))
其中，E为邻接关系指示参数，ET为E的转置，ReLU为激活函数，IN为N维的单位矩阵，softmax为激活函数，可以将矩阵映射到(0，1)区间内。
可以理解的是，邻接关系指示参数可以用E∈RN×d表示，E表示随机初始化的嵌入向量，维度为(N,d)，可以用于指示历史交通流量矩阵中每个交通区域与其他交通区域之间的连接关系。其中，d为每个交通区域中提取的隐向量的个数。d的数值可以由开发人员自行设定，或者d可以在训练时可以随机设置，通过训练过程确定出训练效果最好的d，E中的数值也可以是随机生成的，通过训练过程逐渐确定出效果最好的值。
其中，ReLU函数表示线性整流函数(Rectified Linear Unit,ReLU)，又称修正线性单元，是一种人工神经网络中常用的激活函数，通常指代以斜坡函数及其变种为代表的非线性函数。
可以理解的是，技术人员也可以选择其他的激活函数进行计算特征映射的作用，例如softplus函数、Leaky ReLU函数等等。
在一些实施例中，随机初始化的嵌入向量E在训练过程中是可学习的，以捕捉训练过程中不同样本历史流量数据之间的隐藏依赖关系，并获得图卷积的邻接关系。E·ET可以保留具有连接关系的交通区域(节点)的权重，ReLU函数可以通过映射的过程将未连接节点(不具有连接关系的交通区域)的权重设置为零。
对应的，交通流量流转向量可以用softmax(IN+ReLU(E·ET))X表示。
在通过样本历史交通流量矩阵进行训练的过程中，softmax(IN+ReLU(E·ET))可以根据交通流量预测任务，自适应地学习样本历史交通流量矩阵中各交通区域之间的相关关系，进而生成最为有效的邻接矩阵。
其中，softmax函数的计算方式如下：
Figure BDA0003128597820000141
其中，i或j表示矩阵中的第i或j个元素。
在一个可选的示例中，可以先通过邻接矩阵提取历史交通流量矩阵中各交通区域在空间上的相关关系，在根据这种相关关系和历史交通流量矩阵中的数据，计算得到流量流转特征向量，即步骤202可以包括：
通过邻接矩阵，对历史交通流量矩阵进行区域连接关系提取，得到历史交通流量矩阵对应的区域连接关系；
基于区域连接关系和历史交通流量矩阵，生成流量流转特征向量。
具体的，区域连接关系可以表示每个交通区域与其他交通区域在地理位置上的是否相邻接的连接关系，也可以表示每个交通区域与其他交通区域之间的交通流量流转关系。
在实际应用过程中，可以通过循环计算的方式，提高预测结果的准确性，即步骤“通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征”，可以包括：
通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征，其中，若当前图卷积单元为第一个图卷积单元，前一图卷积单元输出的交通流量特征为空；
将当前图卷积单元的后一图卷积单元作为新的当前图卷积单元，返回执行通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征的步骤，直到最后一个图卷积单元输出交通流量特征为止。
其中，最初的历史交通流量矩阵为第一次进行循环计算时(第一个图卷积单元)输入的历史交通流量矩阵。
其中，最后一个图卷积单元可以是位于图卷积单元连接关系上的最后一个图卷积单元，也可以是根据预设的循环结束条件确定的图卷积单元，例如，循环结束条件可以为相邻2次或n次得到的交通流量特征之间的差距小于某个判断值时结束循环，则最后一个图卷积单元即为相邻交通流量特征之间的差距小于某个判断值的循环单元中的第n个等等。其中，交通流量特征之间的差距可以通过计算向量之间的相似度等方式得到。
在一些可选的示例中，为了增强可解释性，图卷积单元可以包括第一特征提取单元、第二特征提取单元、第三特征提取单元和特征融合单元。
对应的，步骤“通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征”可以包括：
通过当前图卷积单元中第一特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第一流量流转特征向量，对第一流量流转特征向量进行第一特征提取处理，得到第一交通流量特征；
通过当前图卷积单元中第二特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第二流量流转特征向量，对第二流量流转特征向量进行第二特征提取处理，得到第二交通流量特征；
通过当前图卷积单元中的第三特征提取单元，对第二交通流量特征与前一图卷积单元输出的交通流量特征进行点乘得到第一乘积向量；
通过第三特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和第一乘积向量提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第三流量流转特征向量，对第三流量流转特征向量进行第三特征提取处理，得到第三交通流量特征；
通过特征融合单元，计算第一交通流量特征与前一图卷积单元输出的交通流量特征的第二乘积向量，以及第一交通流量特征对应的目标矩阵与第三交通流量特征的第三乘积向量，计算第二乘积向量和第三乘积向量之和，得到当前图卷积单元输出的交通流量特征，其中，所述目标矩阵通过单位矩阵与第一交通流量特征做减法运算得到。
其中，第一特征提取单元可以为图3中zt或“第一特征提取单元”指示的计算单元，第二特征提取单元可以为图3中rt或“第二特征提取单元”指示的计算单元，第三特征提取单元可以为图3中
Figure BDA0003128597820000161
或“第三特征提取单元”指示的计算单元，特征融合单元可以是图3中如
Figure BDA0003128597820000162
或“特征融合单元”指示的计算单元。
在另一些示例中，如图4所示，也可以通过循环计算的方式，提高预测结果的准确性，其中，将输出ht的图卷积单元作为当前图卷积单元，ht-1表示两个相连接的图卷积单元中，前一图卷积单元输出的交通流量特征。比如，ht-2为输出ht-1的图卷积单元之前的前一图卷积单元输出的交通流量特征。
比如，以输出ht的当前图卷积单元为例，各个单元的计算方式可以如下：
其中，第一特征提取单元的输出的第一交通流量特征
Figure BDA0003128597820000163
第二特征提取单元输出的第二交通流量特征
Figure BDA0003128597820000164
rt决定需要从前一图卷积单元得到的ht-1中决定应丢弃或保留哪些信息。来自前一图卷积单元的信息ht-1和当前输入的信息X:t同时传递到sigmoid函数中去，rt输出值介于0和1之间，越接近0意味着越应该丢弃，越接近1意味着越应该保留；第三特征提取单元输出的第三交通流量特征
Figure BDA0003128597820000165
其中，
Figure BDA0003128597820000166
为邻接矩阵，
Figure BDA0003128597820000167
[X:t,ht-1]表示将最新的交通流量特征向量与最初的历史交通流量矩阵进行融合的过程。
在本示例中，σ表示Sigmoid函数，可以作为神经网络的激活函数，将变量映射到(0,1)之间。tanh表示双曲正切函数，可以在深度学习领域的神经网络中作为神经元的激活函数，通过tanh函数进行特征调节，可以在循环过程中不断扩大特征效果
可以理解的是，技术人员也可以选择其他的激活函数进行计算以实现特征提取或者特征调节的作用。
对应的，最终输出的交通流量特征可以是由zt控制需要从前一循环单元得到的ht-1中丢弃多少信息，需要加入多少当前图卷积单元中的第三交通流量特征
Figure BDA0003128597820000171
的信息，最后得到特征融合单元输出的交通流量特征
Figure BDA0003128597820000172
Figure BDA0003128597820000173
其中，⊙表示哈达玛(Hadamard)积，表示对应位置元素相乘。
可以理解的是，通过哈达玛积的方式对向量进行融合，只是本发明实施例提供的一种可选的融合方式，技术人员也可以想到使用向量相乘、向量拼接等方式实现向量之间的融合，本发明实施例对具体的融合方式不做限定。
在本发明实施例中，采用的是为每个交通区域提供了对应且唯一的参数空间进行学习的模式。在这样的思想下，可学习参数的维度为(N,C,F)。但是这样的参数空间对于节点量较多的交通网络来说，造成了很大的训练负担，因此，原来(N,C,F)维的参数矩阵被分解为了节点嵌入矩阵(邻接关系指示参数)E和权重池矩阵(特征转换参数)W的乘积形式。
例如，在对流量流转特征向量进行特征提取的过程中，可以基于特征提取参数EW进行特征提取，其中W为特征转换参数，具体的，W∈Rd×C×F，C为对流量流转特征向量进行特征提取的输入维度，F为对流量流转特征向量进行特征提取后的输出维度。W中的数值是预先设置的，也可以是随机生成再通过训练过程逐渐确定出效果最好的值。
对应的，EWz、EWr和
Figure BDA0003128597820000174
可以分别为EW对应的第一特征提取参数、第二特征提取参数和第三特征提取参数。
其中，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，可以是先对最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征进行直接拼接、卷积计算、矩阵左乘、或者矩阵右乘等特征融合计算后再进行特征提取。具体的特征融合计算方式有很多，本发明对此不做限定。
在实际应用过程中，对于城市OD交通量预测，深度学习模型或者神经网络需要可以同步捕捉数据时间以及空间上的相关性。交通流量数据在时间上往往有着复杂的周期特性，本发明实施例可以通过输入相同交通区域在不同时间阶段的数据，进而捕获历史交通流量矩阵在时间上具有的不同周期性质。
因此，在实际应用过程中，历史交通流量矩阵的数量为至少两个，每个历史交通流量矩阵对应的交通区域相同，且流量监测时间区域不同；
对应的，步骤202可以包括：
通过邻接矩阵基于各历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到各历史交通流量矩阵对应的流量流转特征向量，对各流量流转特征向量进行特征提取，得到各历史交通流量矩阵对应的交通流量特征。
其中，流量监测时间区域可以指的是各交通区域的交通流量发生变化的时间，或者是成功收集各交通区域的交通流量数据的时间，等等。
在获取历史交通流量矩阵时，可以是根据流量监测时间区域获取对应的交通流量数据生成历史交通流量矩阵。
例如，技术人员设置流量监测时间区域获取5个时间片内的交通流量数据，则最终获取的交通流量数据可以是4组，分别为距离6月10日下午15：00、6月9日下午16：00、6月8日下午16：00以及6月3日下午16：00时最近的5个时间片内的交通流量数据，等等。
再例如，实际应用过程中，由于自然时间上相邻最近的历史交通流量矩阵和我们的目标有着相对较高的相关性，可以输入距离待预测时刻最近的n个时间片内的交通流量数据用来捕捉时间上的临近性；由于待预测时刻的交通流量一般与之前一天活着几天的同时段的交通流量在周期上有一定的相似性，因此，可以输入距离待预测时刻24小时前与48小时前的最近的n个时间片用来捕捉时间序列的周期性；另外，为了捕捉可能存在的长周期性以及抑制可能的数据异常，可以输入距离待预测时刻168小时前与170小时前的最近的n个时间片用来捕捉时间序列的长周期性。
203、基于交通流量特征进行交通流量预测，得到预测结果。
可以理解的是，在具有多个历史交通流量矩阵时，距离待预测时刻的时间不同的历史交通流量矩阵，对于预测结果的影响力也是有区别的，因此，可以对不同的历史交通流量矩阵对应的交通流量特征通过加权求和等方式进行融合，使得交通流量特征可以包含不同时间段内不同的历史交通流量矩阵的重要性。步骤203，包括：
对各所述历史交通流量矩阵对应的交通流量特征进行特征融合，得到融合后交通流量特征；
基于所述融合后交通流量特征进行交通流量预测，得到预测结果。
其中，特征融合方法，可以是直接拼接、或者加权计算等方式。比如，交通流量特征Y可以通过如下方式计算得到，Y＝Hh⊙Wh+Ht⊙Wt+Hω⊙Wω，其中，Hh、Ht和Hω分别为三个不同流量监测时间区域内的历史交通流量矩阵对应的交通流量特征，Wh、Wt和Wω分别为三组流量监测时间区域内的历史交通流量矩阵对应的权重系数。
在实际应用过程中，为了得到更好的预测效果可以对交通流量特征进行处理后再进行预测。
即，步骤203可以包括：
对交通流量特征进行非线性映射，得到映射后特征向量；
根据映射后特征向量进行交通流量预测，得到预测结果。
其中，非线性映射的具体过程可以包括卷积处理、激活函数映射等过程，因此，步骤“对交通流量特征进行非线性映射，得到映射后特征向量”，可以包括：
对交通流量特征进行第一卷积运算，得到第一卷积向量；
根据预设的激活函数，对第一卷积向量进行特征映射，得到非线性卷积向量；
对非线性卷积向量进行第二卷积运算，得到映射后特征向量。
其中，第一卷积运算和第二卷积运算可以是以相同的方式进行卷积运算，例如都通过CONV2D网络进行卷积运算，或者，第一卷积运算和第二卷积运算也可以是以不同的方式进行卷积运算，又例如，第一卷积运算是通过CONV2D网络进行卷积运算，第二卷积运算是通过CONV1D网络进行卷积运算，等等。
比如，如图5所示，可以通过CONV2D网络对交通流量特征和非线性卷积向量进行卷积运算，预设的激活函数可以为ReLU函数，等等。
具体的，根据映射后特征向量进行交通流量预测可以是基于线性或非线性分类方法例如SVM(线性核)、朴素贝叶斯，KNN，决策树，SVM(非线性核)等方法进行分类，等等。
204、基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
在一些可选的示例中，由于历史交通流量矩阵中包括多个交通区域的子向量，相应的，基于各历史交通流量矩阵中的子向量进行特征提取得到的交通流量特征也会与各个交通区域对应。因此，在预测过程中，可以先预测得到各个交通区域的流量，再确定待预测区域对应的交通流量，即步骤“基于交通流量特征进行交通流量预测，得到预测结果”，可以包括：
基于交通流量特征进行交通流量预测，得到多个交通区域中每个交通区域的预测结果；
相应的，步骤204可以包括：
基于多个交通区域中每个交通区域的预测结果，得到目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
其中，预测结果可以是向量或者矩阵的形式，比如，预测结果可以为一个n*n维的矩阵，则矩阵中第i行第i列可以表示第i个小区与其他n-1个小区之间的交通流量流转信息，比如，计算第i行的数据可以得到第i个小区的出流量，计算第i列的数据可以得到第i个小区的入流量，等等。
在一些实施例中，可以在矩阵中设置特定行列为目标交通区域对应的行列，比如设置第1行计算可以得到目标交通区域的出流量，第1列计算可以得到目标交通区域的入流量，等等。对应的，可以设置其他行列分别与其他交通区域对应，等等。
其中，待预测区域可以直接是目标交通区域，或者，待预测区域也可以是目标交通区域中的一部分，等等。具体的，在确定待预测时刻下待预测区域对应的交通流量时，若待预测区域是目标交通区域，可以直接将目标交通区域在待预测时刻下的交通流量，作为待预测时刻下待预测区域对应的交通流量。若待预测区域是目标交通区域中的一个子区域，可以对目标交通区域进行子区域划分，计算目标交通区域中各子区域的交通流量，等等。
可以理解的是，为了交通流量预测的准确性，如图6所示，可以在实际应用前，预先对交通流量模型进行训练，即步骤201之前，本发明实施例中还可以包括：
获取交通流量矩阵样本，交通流量矩阵样本标注有样本预测时刻和样本交通区域对应的实际交通流量，交通流量矩阵样本中包括多个样本交通区域的子向量，每一子向量包括对应的样本交通区域在样本预测时刻之前，与多个样本交通区域中其他样本交通区域之间的交通流量流转信息；
通过待训练流量预测模型中图卷积单元的邻接矩阵，基于交通流量矩阵样本提取每一样本交通区域和其他样本交通区域的交通流量之间的流转特征，得到样本流量流转特征向量，对样本流量流转特征向量进行特征提取，得到样本交通流量特征；
基于待训练流量预测模型的流量预测单元，基于样本交通流量特征进行交通流量预测，得到各个样本交通区域的样本预测结果；
根据各样本交通区域的样本预测结果以及对应的实际交通流量，对待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
其中，流量预测模型中各单元包括但不限于图卷积单元和流量预测单元，当输入多组历史交通流量矩阵时，还可以在流量预测模型中加入特征融合单元，等等。
可以理解的是，在训练过程中，可以利用不同训练任务之间的相互约束来提高交通流量模型的表现能力，即，流量预测单元为至少两个，每个流量预测单元，用于预测一种目标类型的交通流量；
基于待训练流量预测模型的流量预测单元，基于样本交通流量特征进行交通流量预测，得到各个样本交通区域的样本预测结果，包括：
通过各流量预测单元对样本交通流量特征分别进行交通流量预测，得到各目标类型下各样本交通区域的样本预测结果；
根据各样本交通区域的样本预测结果以及对应的实际交通流量，对待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型，包括：
针对每一目标类型，根据目标类型下各样本交通区域的样本预测结果和对应的实际交通流量，计算目标类型对应的类型预测损失；
根据各目标类型对应的类型预测损失，计算待训练流量预测模型的样本预测损失；
根据样本预测损失对待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
其中，目标类型的交通流量包括但不限于OD交通量、区域进流量以及区域出流量等等。
比如，如图5所示，可以同时设置用于预测OD交通量、区域进流量、区域出流量三种目标类型的交通流量的流量预测单元，最终根据三个流量预测单元的预测结果确定待训练流量预测模型的损失后，再对待训练流量预测模型中各单元的参数进行调整。
对应的，训练过程中待训练流量预测模型的样本预测损失可以通过如下方式计算：
Loss＝LossIN+LossOUT+LossOD
其中，预测区域进流量任务的损失为
Figure BDA0003128597820000221
预测区域出流量任务的损失为
Figure BDA0003128597820000222
预测OD交通量任务的损失为
Figure BDA0003128597820000223
其中，pi,t表示预测的第i个交通区域在时间片t内的流入流量，
Figure BDA0003128597820000224
表示第i个交通区域对应的实际流入流量，qi,t、
Figure BDA0003128597820000225
Mt以及
Figure BDA0003128597820000226
的定义与前述pi,t、
Figure BDA0003128597820000227
类似，本发明对此不再赘述。G表示所有参与预测的交通区域，gi表示所有参与预测的交通区域中的第i个交通区域。t表示第t组交通流量矩阵样本，T的数值为所有交通流量矩阵样本的数量。
例如，根据样本预测损失对待训练流量预测模型中各单元的参数进行调整，可以是对图卷积单元中的E和W的相关参数进行调整，对对各所述历史交通流量矩阵对应的交通流量特征进行特征融合过程中的权重系数Wh、Wt和Wω进行调整，以及流量预测单元中的参数进行调整，等等。
在实际应用过程中，由于预测结果可能存在误差，因此，可以对待预测区域的邻近或邻接区域等的交通流量也进行预测，综合各交通区域(包括目标交通区域)的预测结果，确定待预测区域的交通流量。即，步骤204后还可以包括：根据待预测区域，确定待预测区域对应的参考预测区域；
根据待预测时刻和参考预测区域，获取参考预测区域对应的历史交通流量矩阵，执行通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征的步骤，直到确定待预测时刻下参考预测区域对应的交通流量；
基于参考预测区域对应的交通流量和待预测区域对应的交通流量进行计算，确定待预测时刻下待预测区域对应的目标交通流量。
其中，基于参考预测区域对应的交通流量和待预测区域对应的交通流量进行计算，可以是根据各参考预测区域的交通流量，计算待预测区域到各参考预测区域的出流量，以及各参考预测区域到待预测区域的入流量，根据出流量和入流量对待预测区域对应的交通流量进行调整，得到待预测时刻下待预测区域对应的目标交通流量。
其中，参考预测区域可以是与目标交通区域相邻接的交通区域，或者距离目标交通区域一定距离的交通区域，等等。
比如，得到待预测区域A的交通流量后，可以确定两个参考预测区域B、C，根据B和C分别到A的出流量，以及B和C接收到由A输入的入流量，计算A的参考交通流量，如果参考交通流量与得到的待预测区域对应的交通流量不同，则对待预测区域对应的交通流量进行调整，得到目标交通流量。
由上可知，本发明实施例可以根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与多个交通区域中其他交通区域之间的交通流量流转信息，多个交通区域包括待预测区域所在的目标交通区域，通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征，基于交通流量特征进行交通流量预测，得到预测结果，基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量；由于本发明实施例通过邻接矩阵，提取了历史交通流量矩阵中各交通区域之间的交通流量流转信息，进而根据具有空间相关性的交通流量流转信息进行交通流量预测，提高了交通流量预测结果的准确性。
根据前面实施例所描述的方法，以下将举例作进一步详细说明。
在本发明实施例中，将结合图1的系统进行说明。
如图7所示，本实施例的交通流量预测方法，具体流程可以如下：
701、终端接收用户提交的待预测时刻和待预测区域，将包含有待预测时刻和待预测区域的信息发送给服务器。
例如，用户可以在终端上显示的页面上选择一个时刻作为待预测时刻，或者，用户也可以选择一段时间进行预测。
用户也可以通过在终端上显示的页面上手动输入一个地址确定待预测区域，或者终端可以将目前终端所处的位置作为待预测区域，等等。
当用户选择提交待预测时刻和待预测区域后，终端可以将包含有待预测时刻和待预测区域的信息发送给服务器，信息中还可以包含终端的标识码以及用户标识等等，本发明对此不做限定。
702、服务器接收终端发送的包含有待预测时刻和待预测区域的信息，根据待预测区域和待预测时刻，获取至少两组历史交通流量矩阵。
其中，每个历史交通流量矩阵对应的交通区域相同，且流量监测时间区域不同。
可以理解的是，包含有待预测时刻和待预测区域的信息可以从中直接提取出待预测时刻和待预测区域，或者，也可以由服务器对信息进行解析后再得到待预测时刻和待预测区域。
例如，可以将某个城市划分为6个区域，则历史交通流量矩阵可以为一个5*5的矩阵，第一行可以代表1号区域到2、3、4、5、6号区域的流量，第一列代表第2、3、4、5、6号区域到1号区域的流量，把矩阵横向求和就会得到1号区域的出流量，纵向求和就会得到1号区域的进流量，等等。
703、服务器通过当前图卷积单元邻接矩阵，基于最初的各历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到各历史交通流量矩阵对应的流量流转特征向量，对各流量流转特征向量进行特征提取，得到各历史交通流量矩阵对应的交通流量特征。
其中，若当前图卷积单元为第一个图卷积单元，前一图卷积单元输出的交通流量特征为空。
其中，邻接矩阵用于提取历史交通流量矩阵中每个交通区域与其他交通区域之间的连接关系。
具体的，邻接矩阵可以通过如下计算过程得到：
softmax(IN+ReLU(E·ET))
其中，E为邻接关系指示参数，ET为E的转置，ReLU为激活函数，IN为N维的单位矩阵，softmax为激活函数。
704、服务器将当前图卷积单元的后一图卷积单元作为新的当前图卷积单元，返回步骤703，直到最后一个图卷积单元输出交通流量特征为止。
其中，每个图卷积单元可以包括第一特征提取单元、第二特征提取单元、第三特征提取单元和特征融合单元。
可以理解的是，最后一个图卷积单元可以是位于图卷积单元连接关系上的最后一个图卷积单元，也可以是根据预设的循环结束条件确定的图卷积单元，例如，循环结束条件可以为相邻2次或n次得到的交通流量特征之间的差距小于某个判断值时结束循环，则最后一个图卷积单元即为相邻交通流量特征之间的差距小于某个判断值的循环单元中的第n个等等。
其中，将输出ht的图卷积单元作为当前图卷积单元，ht-1表示两个相连接的图卷积单元中，前一图卷积单元输出的交通流量特征。比如，ht-2为输出ht-1的图卷积单元之前的前一图卷积单元输出的交通流量特征。
比如，以输出ht的当前图卷积单元为例，各个单元的计算方式可以如下：
其中，第一特征提取单元的输出的第一交通流量特征
Figure BDA0003128597820000261
第二特征提取单元输出的第二交通流量特征
Figure BDA0003128597820000262
rt决定需要从前一图卷积单元得到的ht-1中决定应丢弃或保留哪些信息。来自前一图卷积单元的信息ht-1和当前输入的信息X:t同时传递到sigmoid函数中去，rt输出值介于0和1之间，越接近0意味着越应该丢弃，越接近1意味着越应该保留；第三特征提取单元输出的第三交通流量特征
Figure BDA0003128597820000263
其中，
Figure BDA0003128597820000264
为邻接矩阵，
Figure BDA0003128597820000265
[X:t,ht-1]表示将最新的交通流量特征向量与最初的历史交通流量矩阵进行融合的过程。
在本示例中，σ表示Sigmoid函数，可以作为神经网络的激活函数，将变量映射到(0,1)之间。tanh表示双曲正切函数，可以在深度学习领域的神经网络中作为神经元的激活函数，通过tanh函数进行特征调节，可以在循环过程中不断扩大特征效果。
可以理解的是，技术人员也可以选择其他的激活函数进行计算以实现特征提取或者特征调节的作用。
对应的，最终输出的交通流量特征可以是由zt控制需要从前一循环单元得到的ht-1中丢弃多少信息，需要加入多少当前图卷积单元中的第三交通流量特征
Figure BDA0003128597820000266
的信息，最后得到特征融合单元输出的交通流量特征
Figure BDA0003128597820000267
Figure BDA0003128597820000268
其中，⊙表示哈达玛(Hadamard)积，表示对应位置元素相乘。
705、服务器对各历史交通流量矩阵对应的交通流量特征进行特征融合，得到融合后交通流量特征。
其中，特征融合的方法，可以是直接拼接、或者加权计算等方式。比如，交通流量特征向量Y可以通过如下方式计算得到，Y＝Hh⊙Wh+Ht⊙Wt+Hω⊙Wω，其中，Hh、Ht和Hω分别为三组不同组的历史交通流量子数据对应的交通流量特征子向量，Wh、Wt和Wω分别为三组交通流量特征子向量对应的权重系数。
通过特征融合，交通流量特征向量可以表示不同时间段内不同组的历史交通流量矩阵的重要性。
706、服务器对交通流量特征进行非线性映射，得到映射后特征向量，根据映射后特征向量进行交通流量预测，得到预测结果。
其中，非线性映射的具体过程可以包括卷积处理、激活函数映射等过程，因此，步骤“对交通流量特征进行非线性映射，得到映射后特征向量”，可以包括：
对交通流量特征进行第一卷积运算，得到第一卷积向量；
根据预设的激活函数，对第一卷积向量进行特征映射，得到非线性卷积向量；
对非线性卷积向量进行第二卷积运算，得到映射后特征向量。
比如，如图5所示，非线性计算过程可以是对交通流量特征向量通过CONV2D网络进行卷积运算后，通过预设的激活函数例如ReLU函数进行映射后，再次通过CONV2D网络进行卷积运算。
707、服务器基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
其中，待预测时刻可以是当前时刻，也可以是过去的某一时刻或者未来的某一时刻，待预测区域可以直接为目标交通区域，或者，待预测区域可以是目标交通区域中的一部分，本发明实施例对此不作限定。
例如，在用户通过网约车业务约车时，可以设定第二天8点为车辆到达时刻，此时可以将第二天八点作为待预测时刻，将用户的途径区域作为待预测区域，为用户提供第二天8点时途径区域的交通流量情况。
在一些可选的示例中，预测结果可以为交通流量矩阵的形式，可以在交通流量矩阵中设置特定行列为目标交通区域对应的行列，比如设置第1行计算可以得到目标交通区域的出流量，第1列计算可以得到目标交通区域的入流量，等等。
服务器计算得到待预测时刻下待预测区域对应的交通流量后，可以将数据发送给终端进行显示。
由上可知，本发明实施例的方案可以提取历史交通流量矩阵中各交通区域之间的交通流量流转信息，进而根据具有空间相关性的交通流量流转信息进行交通流量预测，提高了交通流量预测结果的准确性。
为了更好地实施以上方法，相应的，本发明实施例还提供一种交通流量预测装置。
参考图8，交通流量预测装置可以包括：
矩阵获取模块801，可以用于根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中可以包括多个交通区域的子向量，每一子向量可以包括对应的交通区域与多个交通区域中其他交通区域之间的交通流量流转信息，多个交通区域可以包括待预测区域所在的目标交通区域；
特征提取模块802，可以用于通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征；
流量预测模块803，可以用于基于交通流量特征进行交通流量预测，得到预测结果；
流量确定模块804，可以用于基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
可选的，特征提取模块802，可以用于通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征，其中，若当前图卷积单元为第一个图卷积单元，前一图卷积单元输出的交通流量特征为空；
将当前图卷积单元的后一图卷积单元作为新的当前图卷积单元，返回执行通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征的步骤，直到最后一个图卷积单元输出交通流量特征为止。
可选的，在本发明实施例提供的交通流量预测装置中，图卷积单元可以包括第一特征提取单元、第二特征提取单元、第三特征提取单元和特征融合单元；
对应的，特征提取模块802，可以用于通过当前图卷积单元中第一特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第一流量流转特征向量，对第一流量流转特征向量进行第一特征提取处理，得到第一交通流量特征；
通过当前图卷积单元中第二特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第二流量流转特征向量，对第二流量流转特征向量进行第二特征提取处理，得到第二交通流量特征；
通过当前图卷积单元中的第三特征提取单元，对第二交通流量特征与前一图卷积单元输出的交通流量特征进行点乘得到第一乘积向量；
通过第三特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和第一乘积向量提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第三流量流转特征向量，对第三流量流转特征向量进行第三特征提取处理，得到第三交通流量特征；
通过特征融合单元，计算第一交通流量特征与前一图卷积单元输出的交通流量特征的第二乘积向量，以及第一交通流量特征对应的目标矩阵与第三交通流量特征的第三乘积向量，计算第二乘积向量和第三乘积向量之和，得到当前图卷积单元输出的交通流量特征，其中，目标矩阵通过单位矩阵与第一交通流量特征做减法运算得到。
可选的，历史交通流量矩阵的数量为至少两个，每个历史交通流量矩阵对应的交通区域相同，且流量监测时间区域不同；
特征提取模块802，可以用于通过邻接矩阵基于各历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到各历史交通流量矩阵对应的流量流转特征向量，对各流量流转特征向量进行特征提取，得到各历史交通流量矩阵对应的交通流量特征。
可选的，流量预测模块803，可以用于对各历史交通流量矩阵对应的交通流量特征进行特征融合，得到融合后交通流量特征；
基于融合后交通流量特征进行交通流量预测，得到预测结果。
可选的，流量预测模块803，可以用于基于交通流量特征进行交通流量预测，得到多个交通区域中每个交通区域的预测结果；
对应的，流量确定模块804，可以用于基于多个交通区域中每个交通区域的预测结果，得到目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
可选的，矩阵获取模块801，可以用于根据需要预测交通流量的待预测时刻，确定待预测时刻之前的至少两个流量监测时间区域；
对各流量监测时间区域基于预设的时间间隔划分为多个时间片；
根据需要预测交通流量的待预测区域，确定待预测区域所在的目标交通区域以及目标交通区域对应的参考交通区域，作为监测交通区域；
针对各监测交通区域，获取各时间片中监测交通区域与其他监测交通区域的交通流量流转信息；
针对各流量监测时间区域，基于流量监测时间区域的时间片中各监测交通区域与其他监测交通区域的交通流量流转信息，得到流量监测时间区域中各交通区域的子向量；
基于各流量监测时间区域对应的子向量，得到各流量监测时间区域对应的历史交通流量矩阵。
可选的，流量预测模块803可以包括非线性映射模块和流量预测子模块；
非线性映射模块，可以用于对交通流量特征进行非线性映射，得到映射后特征向量；
流量预测子模块，可以用于根据映射后特征向量进行交通流量预测，得到预测结果。
可选的，非线性映射模块，可以用于对交通流量特征进行第一卷积运算，得到第一卷积向量；
根据预设的激活函数，对第一卷积向量进行特征映射，得到非线性卷积向量；
对非线性卷积向量进行第二卷积运算，得到映射后特征向量。
可选的，如图9所示，矩阵获取模块801之前，还可以包括模型训练模块805，模型训练模块可以包括样本获取模块、样本特征提取模块、样本预测模块和模型调整模块；
样本获取模块，可以用于获取交通流量矩阵样本，交通流量矩阵样本标注有样本预测时刻和样本交通区域对应的实际交通流量，交通流量矩阵样本中可以包括多个样本交通区域的子向量，每一子向量可以包括对应的样本交通区域在样本预测时刻之前，与多个样本交通区域中其他样本交通区域之间的交通流量流转信息；
样本特征提取模块，可以用于通过待训练流量预测模型中图卷积单元的邻接矩阵，基于交通流量矩阵样本提取每一样本交通区域和其他样本交通区域的交通流量之间的流转特征，得到样本流量流转特征向量，对样本流量流转特征向量进行特征提取，得到样本交通流量特征；
样本预测模块，可以用于基于待训练流量预测模型的流量预测单元，基于样本交通流量特征进行交通流量预测，得到各个样本交通区域的样本预测结果；
模型调整模块，可以用于根据各样本交通区域的样本预测结果以及对应的实际交通流量，对待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
可选的，在本发明实施例的流量预测模型中，流量预测单元为至少两个，每个流量预测单元，可以用于预测一种目标类型的交通流量；
对应的，样本预测模块，可以用于通过各流量预测单元对样本交通流量特征分别进行交通流量预测，得到各目标类型下各样本交通区域的样本预测结果；
模型调整模块，可以用于针对每一目标类型，根据目标类型下各样本交通区域的样本预测结果和对应的实际交通流量，计算目标类型对应的类型预测损失；
根据各目标类型对应的类型预测损失，计算待训练流量预测模型的样本预测损失；
根据样本预测损失对待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
由上可知，通过交通流量预测装置，可以提取历史交通流量矩阵中各交通区域之间的交通流量流转信息，进而根据具有空间相关性的交通流量流转信息进行交通流量预测，提高了交通流量预测结果的准确性。
此外，本发明实施例还提供一种电子设备，该电子设备可以为终端或者服务器等等，如图10所示，其示出了本发明实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括射频(RF，Radio Frequency)电路1001、包括有一个或一个以上计算机可读存储介质的存储器1002、输入单元1003、显示单元1004、传感器1005、音频电路1006、无线保真(WiFi，Wireless Fidelity)模块1007、包括有一个或者一个以上处理核心的处理器1008、以及电源1009等部件。本领域技术人员可以理解，图10中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
RF电路1001可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器1008处理；另外，将涉及上行的数据发送给基站。通常，RF电路1001包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM，Subscriber Identity Module)卡、收发信机、耦合器、低噪声放大器(LNA，Low Noise Amplifier)、双工器等。此外，RF电路1001还可以通过无线通信与网络和其他设备通信。无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GSM，Global System of Mobile communication)、通用分组无线服务(GPRS，GeneralPacket Radio Service)、码分多址(CDMA，Code Division Multiple Access)、宽带码分多址(WCDMA，Wideband Code Division Multiple Access)、长期演进(LTE，Long TermEvolution)、电子邮件、短消息服务(SMS，Short Messaging Service)等。
存储器1002可用于存储软件程序以及模块，处理器1008通过运行存储在存储器1002的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器1002可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器1002还可以包括存储器控制器，以提供处理器1008和输入单元1003对存储器1002的访问。
输入单元1003可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，在一个具体的实施例中，输入单元1003可包括触敏表面以及其他输入设备。触敏表面，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面上或在触敏表面附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1008，并能接收处理器1008发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面。除了触敏表面，输入单元1003还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1004可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元1004可包括显示面板，可选的，可以采用液晶显示器(LCD，Liquid CrystalDisplay)、有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。进一步的，触敏表面可覆盖显示面板，当触敏表面检测到在其上或附近的触摸操作后，传送给处理器1008以确定触摸事件的类型，随后处理器1008根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图10中，触敏表面与显示面板是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面与显示面板集成而实现输入和输出功能。
电子设备还可包括至少一种传感器1005，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在电子设备移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于电子设备还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路1006、扬声器，传声器可提供用户与电子设备之间的音频接口。音频电路1006可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路1006接收后转换为音频数据，再将音频数据输出处理器1008处理后，经RF电路1001以发送给比如另一电子设备，或者将音频数据输出至存储器1002以便进一步处理。音频电路1006还可能包括耳塞插孔，以提供外设耳机与电子设备的通信。
WiFi属于短距离无线传输技术，电子设备通过WiFi模块1007可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块1007，但是可以理解的是，其并不属于电子设备的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1008是电子设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行电子设备的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1008可包括一个或多个处理核心；优选的，处理器1008可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1008中。
电子设备还包括给各个部件供电的电源1009(比如电池)，优选的，电源可以通过电源管理系统与处理器1008逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1009还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，电子设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备中的处理器1008会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1002中，并由处理器1008来运行存储在存储器1002中的应用程序，从而实现各种功能，如下：
根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与多个交通区域中其他交通区域之间的交通流量流转信息，多个交通区域包括待预测区域所在的目标交通区域；
通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征；
基于交通流量特征进行交通流量预测，得到预测结果；
基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种交通流量预测方法中的步骤。例如，该指令可以执行如下步骤：
根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与多个交通区域中其他交通区域之间的交通流量流转信息，多个交通区域包括待预测区域所在的目标交通区域；
通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征；
基于交通流量特征进行交通流量预测，得到预测结果；
基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种交通流量预测方法中的步骤，因此，可以实现本发明实施例所提供的任一种交通流量预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
根据本申请的一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述实施例中的各种可选实现方式中提供的方法。
以上对本发明实施例所提供的一种交通流量预测方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (14)

1.一种交通流量预测方法，其特征在于，包括：
根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与所述多个交通区域中其他交通区域之间的交通流量流转信息，所述多个交通区域包括所述待预测区域所在的目标交通区域；
通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征；
基于所述交通流量特征进行交通流量预测，得到预测结果；
基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
2.根据权利要求1所述的交通流量预测方法，其特征在于，所述通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，包括：
通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，其中，若当前图卷积单元为第一个图卷积单元，所述前一图卷积单元输出的交通流量特征为空；
将所述当前图卷积单元的后一图卷积单元作为新的当前图卷积单元，返回执行所述通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征的步骤，直到最后一个图卷积单元输出交通流量特征为止。
3.根据权利要求1所述的交通流量预测方法，其特征在于，图卷积单元包括第一特征提取单元、第二特征提取单元、第三特征提取单元和特征融合单元；
所述通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，包括：
通过当前图卷积单元中第一特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第一流量流转特征向量，对所述第一流量流转特征向量进行第一特征提取处理，得到第一交通流量特征；
通过当前图卷积单元中第二特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第二流量流转特征向量，对所述第二流量流转特征向量进行第二特征提取处理，得到第二交通流量特征；
通过当前图卷积单元中的第三特征提取单元，对所述第二交通流量特征与所述前一图卷积单元输出的交通流量特征进行点乘得到第一乘积向量；
通过所述第三特征提取单元的邻接矩阵，基于所述最初的历史交通流量矩阵和所述第一乘积向量提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第三流量流转特征向量，对所述第三流量流转特征向量进行第三特征提取处理，得到第三交通流量特征；
通过所述特征融合单元，计算所述第一交通流量特征与所述前一图卷积单元输出的交通流量特征的第二乘积向量，以及所述第一交通流量特征对应的目标矩阵与所述第三交通流量特征的第三乘积向量，计算所述第二乘积向量和所述第三乘积向量之和，得到所述当前图卷积单元输出的交通流量特征，其中，所述目标矩阵通过单位矩阵与所述第一交通流量特征做减法运算得到。
4.根据权利要求1所述的交通流量预测方法，其特征在于，所述历史交通流量矩阵的数量为至少两个，每个历史交通流量矩阵对应的交通区域相同，且流量监测时间区域不同；
所述通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，包括：
通过邻接矩阵基于各所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到各所述历史交通流量矩阵对应的流量流转特征向量，对各所述流量流转特征向量进行特征提取，得到各所述历史交通流量矩阵对应的交通流量特征。
5.根据权利要求4所述的交通流量预测方法，其特征在于，所述基于所述交通流量特征进行交通流量预测，得到预测结果，包括：
对各所述历史交通流量矩阵对应的交通流量特征进行特征融合，得到融合后交通流量特征；
基于所述融合后交通流量特征进行交通流量预测，得到预测结果。
6.根据权利要求1所述的交通流量预测方法，其特征在于，所述基于所述交通流量特征进行交通流量预测，得到预测结果，包括：
基于所述交通流量特征进行交通流量预测，得到所述多个交通区域中每个交通区域的预测结果；
所述基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量，包括：
基于所述多个交通区域中每个交通区域的预测结果，得到所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
7.根据权利要求4所述的交通流量预测方法，其特征在于，所述根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，包括：
根据需要预测交通流量的待预测时刻，确定所述待预测时刻之前的至少两个流量监测时间区域；
对各流量监测时间区域基于预设的时间间隔划分为多个时间片；
根据需要预测交通流量的待预测区域，确定所述待预测区域所在的目标交通区域以及所述目标交通区域对应的参考交通区域，作为监测交通区域；
针对各监测交通区域，获取各所述时间片中所述监测交通区域与其他监测交通区域的交通流量流转信息；
针对各流量监测时间区域，基于所述流量监测时间区域的时间片中各监测交通区域与其他监测交通区域的交通流量流转信息，得到所述流量监测时间区域中各交通区域的所述子向量；
基于各所述流量监测时间区域对应的所述子向量，得到各所述流量监测时间区域对应的所述历史交通流量矩阵。
8.根据权利要求1-4任一项所述的交通流量预测方法，其特征在于，基于所述交通流量特征进行交通流量预测，得到预测结果，包括：
对所述交通流量特征进行非线性映射，得到映射后特征向量；
根据所述映射后特征向量进行交通流量预测，得到预测结果。
9.根据权利要求8所述的交通流量预测方法，其特征在于，所述对所述交通流量特征进行非线性映射，得到映射后特征向量，包括：
对所述交通流量特征进行第一卷积运算，得到第一卷积向量；
根据预设的激活函数，对所述第一卷积向量进行特征映射，得到非线性卷积向量；
对所述非线性卷积向量进行第二卷积运算，得到映射后特征向量。
10.根据权利要求1所述的交通流量预测方法，其特征在于，所述根据待预测区域和待预测时刻，获取历史交通流量矩阵之前，所述交通流量预测方法还包括：
获取交通流量矩阵样本，所述交通流量矩阵样本标注有样本预测时刻和样本交通区域对应的实际交通流量，所述交通流量矩阵样本中包括多个样本交通区域的子向量，每一子向量包括对应的样本交通区域在所述样本预测时刻之前，与所述多个样本交通区域中其他样本交通区域之间的交通流量流转信息；
通过待训练流量预测模型中图卷积单元的邻接矩阵，基于所述交通流量矩阵样本提取每一样本交通区域和其他样本交通区域的交通流量之间的流转特征，得到样本流量流转特征向量，对所述样本流量流转特征向量进行特征提取，得到样本交通流量特征；
基于所述待训练流量预测模型的流量预测单元，基于所述样本交通流量特征进行交通流量预测，得到各个样本交通区域的样本预测结果；
根据各样本交通区域的所述样本预测结果以及对应的实际交通流量，对所述待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
11.根据权利要求10所述的交通流量预测方法，其特征在于，所述流量预测单元为至少两个，每个流量预测单元，用于预测一种目标类型的交通流量；
所述基于所述待训练流量预测模型的流量预测单元，基于所述样本交通流量特征进行交通流量预测，得到各个样本交通区域的样本预测结果，包括：
通过各流量预测单元对所述样本交通流量特征分别进行交通流量预测，得到各目标类型下各样本交通区域的样本预测结果；
所述根据各样本交通区域的所述样本预测结果以及对应的实际交通流量，对所述待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型，包括：
针对每一目标类型，根据所述目标类型下各样本交通区域的样本预测结果和对应的实际交通流量，计算所述目标类型对应的类型预测损失；
根据各所述目标类型对应的类型预测损失，计算所述待训练流量预测模型的样本预测损失；
根据所述样本预测损失对所述待训练流量预测模型中各单元的参数进行调整，得到训练后的流量预测模型。
12.一种交通流量预测装置，其特征在于，包括：
矩阵获取模块，用于根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与所述多个交通区域中其他交通区域之间的交通流量流转信息，所述多个交通区域包括所述待预测区域所在的目标交通区域；
特征提取模块，用于通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征；
流量预测模块，用于基于所述交通流量特征进行交通流量预测，得到预测结果；
流量确定模块，用于基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
13.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至11任一项所述的交通流量预测方法中的步骤。
14.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至11任一项所述的交通流量预测方法中的步骤。
CN202110696394.9A 2021-06-23 2021-06-23 一种交通流量预测方法、装置、电子设备和存储介质 Pending CN113822460A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110696394.9A CN113822460A (zh) 2021-06-23 2021-06-23 一种交通流量预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110696394.9A CN113822460A (zh) 2021-06-23 2021-06-23 一种交通流量预测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113822460A true CN113822460A (zh) 2021-12-21

Family

ID=78923999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110696394.9A Pending CN113822460A (zh) 2021-06-23 2021-06-23 一种交通流量预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113822460A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501518A (zh) * 2022-04-01 2022-05-13 香港中文大学（深圳） 流量预测方法、装置、设备、介质和程序产品
CN114913689A (zh) * 2022-06-01 2022-08-16 南通大学 一种基于先验知识时变图卷积网络的交通流预测方法
CN116431923A (zh) * 2023-04-24 2023-07-14 浪潮智慧科技有限公司 一种针对城市道路的交通出行预测方法、设备及介质
CN118097971A (zh) * 2024-04-24 2024-05-28 湖南创博龙智信息科技股份有限公司 基于gis的城市交通拥堵监测方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114501518A (zh) * 2022-04-01 2022-05-13 香港中文大学（深圳） 流量预测方法、装置、设备、介质和程序产品
CN114913689A (zh) * 2022-06-01 2022-08-16 南通大学 一种基于先验知识时变图卷积网络的交通流预测方法
CN116431923A (zh) * 2023-04-24 2023-07-14 浪潮智慧科技有限公司 一种针对城市道路的交通出行预测方法、设备及介质
CN116431923B (zh) * 2023-04-24 2024-02-02 浪潮智慧科技有限公司 一种针对城市道路的交通出行预测方法、设备及介质
CN118097971A (zh) * 2024-04-24 2024-05-28 湖南创博龙智信息科技股份有限公司 基于gis的城市交通拥堵监测方法及系统
CN118097971B (zh) * 2024-04-24 2024-07-05 湖南创博龙智信息科技股份有限公司 基于gis的城市交通拥堵监测方法及系统

Similar Documents

Publication Publication Date Title
CN113822460A (zh) 一种交通流量预测方法、装置、电子设备和存储介质
CN112989229B (zh) 出行路线的推荐方法、装置、计算机设备及存储介质
CN111432347B (zh) 信息处理方法、装置、存储介质及电子设备
CN110798718B (zh) 一种视频推荐方法以及装置
CN113284142B (zh) 图像检测方法、装置、计算机可读存储介质及计算机设备
CN110516113B (zh) 一种视频分类的方法、视频分类模型训练的方法及装置
CN112084959B (zh) 一种人群图像处理方法及装置
CN114722937B (zh) 一种异常数据检测方法、装置、电子设备和存储介质
CN111813910A (zh) 客服问题的更新方法、系统、终端设备及计算机存储介质
CN114092920B (zh) 一种模型训练的方法、图像分类的方法、装置及存储介质
CN112328911B (zh) 地点推荐方法、装置、设备及存储介质
CN113765928A (zh) 物联网入侵检测方法、系统、设备及介质
CN112632380A (zh) 兴趣点推荐模型的训练方法和推荐兴趣点的方法
CN112214677A (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
CN113886721B (zh) 个性化兴趣点推荐方法、装置、计算机设备及存储介质
CN107832848A (zh) 应用管理方法、装置、存储介质及电子设备
CN117115596B (zh) 对象动作分类模型的训练方法、装置、设备及介质
CN113766633A (zh) 数据处理方法、装置、电子设备以及存储介质
CN112862021A (zh) 一种内容标注方法和相关装置
CN112948763B (zh) 件量预测方法、装置、电子设备及存储介质
CN115690544B (zh) 多任务学习方法及装置、电子设备和介质
CN115049730B (zh) 零件装配方法、装置、电子设备及存储介质
CN114528994B (zh) 一种识别模型的确定方法和相关装置
CN113762585B (zh) 数据的处理方法、账号类型的识别方法及装置
CN115439141A (zh) 用户交际圈画像的处理方法、装置、电子设备及存储介质

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