CN114154740A - 基于兴趣点时空残差神经网络的多方向交通流量预测方法 - Google Patents

基于兴趣点时空残差神经网络的多方向交通流量预测方法 Download PDF

Info

Publication number
CN114154740A
CN114154740A CN202111510019.7A CN202111510019A CN114154740A CN 114154740 A CN114154740 A CN 114154740A CN 202111510019 A CN202111510019 A CN 202111510019A CN 114154740 A CN114154740 A CN 114154740A
Authority
CN
China
Prior art keywords
traffic flow
matrix
time
layer
dimensional
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
CN202111510019.7A
Other languages
English (en)
Inventor
何宏
王欣峰
孙笑笑
俞东进
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.)
Hangzhou Dianzi University
Hangzhou Dianzi University Shangyu Science and Engineering Research Institute Co Ltd
Original Assignee
Hangzhou Dianzi University
Hangzhou Dianzi University Shangyu Science and Engineering Research Institute 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 Hangzhou Dianzi University, Hangzhou Dianzi University Shangyu Science and Engineering Research Institute Co Ltd filed Critical Hangzhou Dianzi University
Priority to CN202111510019.7A priority Critical patent/CN114154740A/zh
Publication of CN114154740A publication Critical patent/CN114154740A/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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08G1/0125—Traffic data processing

Landscapes

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

Abstract

本发明公开了一种基于兴趣点时空残差神经网络的多方向交通流量预测方向。该方法基于短时车辆轨迹数据，通过加入时间信号和兴趣点信号来增强时空特征，利用3D CNN提取车流变化随时间变化的时空特征，结合残差神经网络避免模型过拟合，最后对带有时空特征信息进行加权压缩，输出带有移动状态的车流分布矩阵，实现了对区域交通流量的预测。本发明方法良好地关联了车流的空间分布随时间变化的特征，并综合了时间信号与兴趣点信号关系，有精度高、实用性强等特点，可以为公共设施部署、交通导流、用地规划等提供决策支撑。

Description

基于兴趣点时空残差神经网络的多方向交通流量预测方法
技术领域
本发明涉及交通流预测领域，尤其涉及一种基于兴趣点时空残差神经网络的多方向交通流量预测方法。
背景技术
交通数据作为一种普遍存在的时空数据类型，同时在时间和空间维度上表现出相关性。此外，过去几十年的交通预测研究主要集中在出租车、私家车和共享单车上，而对电动自行车的研究较少。另外，又由于电动自行车行驶时间短、行驶距离短等原因，导致电动自行车行驶轨迹数据周期性不明显，多种原因使得电动自行车的预测比传统的交通预测更具挑战性。近年来，电动自行车由于价格低廉、体积小，逐渐成为人们日常生活中不可缺少的交通工具。据统计，我国电动自行车保有量近3亿辆，几乎家家户户都至少拥有一辆电动自行车。而大量的电动自行车会导致许多交通问题，如非机动车车道拥堵等。因此，电动自行车交通流预测已成为解决部分交通问题的一项有价值的课题。此外，电动自行车流量的实时预测还可以为各种交通服务提供大量的数据支持：1)提高电动自行车的导航精度；2)移动充电桩的实施；3)为乘客提供更详细的交通信息，以便乘客制定更好的出行计划。
综上所述，准确预测电动自行车的流量非常具有挑战性，主要受到以下4 个因素的影响：
1、空间相关性：由于空间的局部相关性，在相邻位置获得的观测值相互关联。
2、时间相关性：在连续时间间隔获得的观测值高度相关，即，如果从最近几个连续时间间隔内的观测值中检测到上升趋势，则下一时刻的观测值很有可能会增加。
3、地理环境：地理环境对电动自行车流量预测有显著影响，即购物中心和公司集群在早高峰时间段内具有更大的吸力，而住宅集群在早高峰时间段内具有更大的斥力。
4、异质性：交通数据在空间和时间两个维度上都表现出异质性，即两个地点之间的相互影响随距离和地理环境而变化。同样，时间影响的强度也因地区而异。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于兴趣点时空残差神经网络的电瓶车流量预测方法，可有效解决上述问题。本发明具体采用的技术方案如下：
一种基于兴趣点时空残差神经网络的多方向交通流量预测方法，其包括以下步骤：
S1、获取待预测区域中待预测时刻前的历史车流数据，所述历史车流数据中包含待预测区域中不同车辆在不同时间的位置以及车辆行驶方向；从所述历史车流数据中按预设的时间片间隔提取若干个车流数据时间片；
S2、对待预测区域进行栅格化处理从而划分为一系列栅格，每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每个时间片中的不同移动状态分别构建车流二维矩阵，每一种移动状态在所有时间片中的车流二维矩阵按时间维度叠加形成车流三维矩阵；
S3、从待预测时刻中提取小时字段和分钟字段，拼接形成一个二元的时间信号向量；
S4、获取所有兴趣点(POI)空间地理位置，并将不同功能类别的兴趣点均映射到所述待预测区域的栅格中，对每个栅格中每一组功能类别的兴趣点总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每一组功能类别的兴趣点分别构建一张二维矩阵形式的兴趣点切片，所有功能类别的兴趣点切片叠加形成三维张量形式的兴趣点信号；
S5、将所述车流三维矩阵、所述时间信号向量和所述兴趣点信号作为经过训练的多方向交通流量预测模型的输入，所述多方向交通流量预测模型包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层，由第一全连接神经网络根据所述时间信号向量输出时间信号矩阵，由第二全连接神经网络根据所述兴趣点信号输出兴趣点信号矩阵，由三维残差卷积网络根据所述车流三维矩阵、所述兴趣点信号矩阵和所述时间信号矩阵的融合特征输出结果矩阵，最终将结果矩阵在重校正层中经过带权压缩操作后，得到多方向交通流量预测结果。
作为优选，在S1中，所述待预测区域为矩形区域；所述历史车流数据的时间跨度为[t,t+(m-1)*τ]，且其按τ分钟为时间片间隔提取m个车流数据时间片。
进一步的，所述S2的具体实现步骤如下：
S21、对待预测区域进行栅格化处理，共划分为I*J个栅格，第i行第j列的栅格为Pij；
S22、每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；
S23、对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计，将时间片t内栅格Pij内移动状态为d的车流量记为
Figure BDA0003405381870000031
将所有I*J个栅格对应的
Figure BDA0003405381870000032
构建为时间片t内整个待预测区域中移动状态为d的车流二维矩阵
Figure BDA0003405381870000033
车流二维矩阵
Figure BDA0003405381870000034
中第i行第j列的元素值为
Figure BDA0003405381870000035
S24、将所有m个车流数据时间片的车流二维矩阵
Figure BDA0003405381870000036
按时间维度进行拼接，形成车流三维矩阵
Figure BDA0003405381870000037
进一步的，所述S3的具体实现步骤如下：
将待预测时刻tpred转化为含有小时字段tpred_hour和分钟字段tpred_minute两个元素的时间信号向量ht＝[tpred_hour,tpred_minute]。
作为优选，所述S4的具体实现步骤如下：
S41、获取所有兴趣点的空间地理位置，并将所有兴趣点按照其位置均映射到所述待预测区域的各Pij栅格中；
S42、将所有兴趣点按照不同功能类别分成n组，统计每个兴趣点分组g在栅格Pij内的兴趣点数量并作为栅格Pij的栅格值
Figure BDA0003405381870000041
将每个兴趣点分组g对应的所有栅格的栅格值
Figure BDA0003405381870000042
构建为兴趣点分组g对应的兴趣点切片Υg，Υg大小为I*J；
S43、将所有n组兴趣点分组对应的兴趣点切片拼接，得到兴趣点信号Ψ＝[Υ1,Υ2,…,Υn]，其大小为n*I*J。
作为优选，所述S5的具体实现步骤如下：
S51：将所述车流三维矩阵
Figure BDA0003405381870000043
所述时间信号向量ht和所述兴趣点信号Ψ输入经过训练的多方向交通流量预测模型中，所述多方向交通流量预测模型中包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层；
S52、所述时间信号ht被输入至包含Lts层全连接层级联的第一全连接神经网络中，其中第1层全连接层的输入为时间信号ht，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure BDA0003405381870000044
将
Figure BDA0003405381870000045
向量逐元素映射到大小为(I*J)的一个矩阵当中，得到大小为(I,J)的时间信号矩阵Ht；
S53、所述兴趣点信号Ψ＝[Υ1,Υ2,…,Υn]输入后，先对其中的每个兴趣点切片Υg获取其平均自权重zg：
Figure BDA0003405381870000046
得到兴趣点信号Ψ的平均自权重矩阵Z＝{z1,z2,…,zn}，其中n表示兴趣点分组的个数；
然后将平均自权重矩阵Z输入包含Lps层全连接层级联的第二全连接神经网络逐层计算，其中第1层全连接层的输入为平均自权重矩阵Z，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure BDA0003405381870000047
再后，采用门机制将输出
Figure BDA0003405381870000048
映射为0到1之间的变量，其计算过程如下：
Figure BDA0003405381870000049
其中fsi为激活函数；
最后，通过计算获取兴趣点信号矩阵
Figure BDA00034053818700000410
Figure BDA00034053818700000411
其中，⊙表示矩阵点乘；
S54、将车流三维矩阵
Figure BDA00034053818700000412
兴趣点信号矩阵
Figure BDA00034053818700000413
和时间信号矩阵Ht进行特征融合，
Figure BDA0003405381870000051
中的第k个车流数据时间片的融合特征
Figure BDA0003405381870000052
计算公式如下：
Figure BDA0003405381870000053
其中，
Figure BDA0003405381870000054
Figure BDA0003405381870000055
和
Figure BDA0003405381870000056
均为可训练的参数，m为
Figure BDA0003405381870000057
中车流数据时间片的个数；
最终得到融合后的车流矩阵
Figure BDA0003405381870000058
S55、将融合后的车流矩阵XΓ输入包含Lc层三维残差卷积层级联的三维残差卷积网络中逐层计算，其中第一层三维残差卷积层的输入车流矩阵XΓ，每一层三维残差卷积层经过三维残差卷积操作后得到的结果作为下一层三维残差卷积层的输入，三维残差卷积网络中所有三维残差卷积层的输出拼接形成最终的结果矩阵XST；其中对于任意第l层三维残差卷积层，其中执行的三维残差卷积操作如下：
首先，对当前三维残差卷积层的输入进行三维卷积操作得到卷积结果：
Figure BDA0003405381870000059
其中，Cov3D表示三维卷积操作，
Figure BDA00034053818700000510
表示第l-1层三维残差卷积层的输出，其中
Figure BDA00034053818700000511
Figure BDA00034053818700000512
和
Figure BDA00034053818700000513
为第l层三维卷积操作中可训练的参数，fc为激活函数；
然后，对三维卷积操作输出的卷积结果
Figure BDA00034053818700000514
中每个元素进行批正则化操作，得到批正则结果
Figure BDA00034053818700000515
最后，将批正则结果
Figure BDA00034053818700000516
再与上一层的输出矩阵
Figure BDA00034053818700000517
相加，得到第l层三维残差卷积层的输出矩阵
Figure BDA00034053818700000518
公式为：
Figure BDA00034053818700000519
S56、在重校正层中对最终输出的结果矩阵XST中所有维进行带权压缩操作，得到预测结果
Figure BDA00034053818700000520
其计算公式如下：
Figure BDA00034053818700000521
其中
Figure BDA00034053818700000522
是可学习的参数矩阵。
作为优选，所述多方向交通流量预测模型预先通过训练数据进行训练，训练过程中通过损失函数不断迭代预测结果
Figure BDA00034053818700000523
与真实结果Φ之间的损失值，当达到迭代终止条件时，输出多方向交通流量预测模型用于进行实际的预测。
作为优选，所述的多方向交通流量预测模型的损失函数Loss公式为：
Figure BDA0003405381870000061
其中
Figure BDA0003405381870000062
为矩阵
Figure BDA0003405381870000063
中各个元素的值，
Figure BDA0003405381870000064
为矩阵Φ中各个元素的值，M为训练样本数。
作为优选，所述的m取5，时间片间隔τ取4。
作为优选，所述的车辆在栅格中的移动状态根据车辆行驶轨迹经过该栅格时的车辆行驶方向确定。
本发明提出的预测模型从空间和时间两个视图对车流变化信息进行了提取，同时加入了时间信号和兴趣点信号提升了预测的准确度。相比于传统的交通流量预测方法，本法明具有如下收益：1、采用四种新的移动状态来描述电瓶车流的变化趋势；2、融入了时间信号来加强数据的时间特征；3、使用了兴趣点注意力机制，可以自适应地捕获不同的兴趣点对车流变化产生的影响，进一步加强了数据的空间上的地理特征；4、使用残差网络解决了梯度消失问题。
附图说明
图1为基于兴趣点时空残差神经网络的多方向交通流量预测方法的流程图；
图2为本发明使用的车流量栅格化计算方法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
作为本发明的一种较佳实现形式，提供了一种基于兴趣点时空残差神经网络的多方向交通流量预测方法，包括以下步骤：
S1、获取待预测区域中待预测时刻前的历史车流数据，所述历史车流数据中包含待预测区域中不同车辆在不同时间的位置以及车辆行驶方向；从所述历史车流数据中按预设的时间片间隔提取若干个车流数据时间片。
在该较佳实现形式中，在S1中，所述待预测区域为矩形区域；所述历史车流数据的时间跨度为[t,t+(m-1)*τ]，且其按τ分钟为时间片间隔提取m个车流数据时间片。
S2、对待预测区域进行栅格化处理从而划分为一系列栅格，每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每个时间片中的不同移动状态分别构建车流二维矩阵，每一种移动状态在所有时间片中的车流二维矩阵按时间维度叠加形成车流三维矩阵。其中，车辆在栅格中的移动状态可以根据车辆行驶轨迹经过该栅格时的车辆行驶方向确定。
在该较佳实现形式中，所述S2的具体实现步骤如下：
S21、对待预测区域进行栅格化处理，共划分为I*J个栅格，第i行第j列的栅格为pij；
S22、每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；
S23、对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计，将时间片t内栅格Pij内移动状态为d的车流量记为
Figure BDA0003405381870000071
将所有I*J个栅格对应的
Figure BDA0003405381870000072
构建为时间片t内整个待预测区域中移动状态为d的车流二维矩阵
Figure BDA0003405381870000073
车流二维矩阵
Figure BDA0003405381870000074
中第i行第j列的元素值为
Figure BDA0003405381870000075
S24、将所有m个车流数据时间片的车流二维矩阵
Figure BDA0003405381870000076
按时间维度进行拼接，形成车流三维矩阵
Figure BDA0003405381870000077
S3、从待预测时刻中提取小时字段和分钟字段，拼接形成一个二元的时间信号向量。
在该较佳实现形式中，所述S3的具体实现步骤如下：
将待预测时刻tpred转化为含有小时字段tpred_hour和分钟字段tpred_minute两个元素的时间信号向量ht＝[tpred_hour,tpred_minute]。
S4、获取所有兴趣点空间地理位置，并将不同功能类别的兴趣点均映射到所述待预测区域的栅格中，对每个栅格中每一组功能类别的兴趣点总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每一组功能类别的兴趣点分别构建一张二维矩阵形式的兴趣点切片，所有功能类别的兴趣点切片叠加形成三维张量形式的兴趣点信号。
在该较佳实现形式中，所述S4的具体实现步骤如下：
S41、获取所有兴趣点的空间地理位置，并将所有兴趣点按照其位置均映射到所述待预测区域的各Pij栅格中；
S42、将所有兴趣点按照不同功能类别分成n组，统计每个兴趣点分组g在栅格Pij内的兴趣点数量并作为栅格Pij的栅格值
Figure BDA0003405381870000081
将每个兴趣点分组g对应的所有栅格的栅格值
Figure BDA0003405381870000082
构建为兴趣点分组g对应的兴趣点切片Υg，Υg大小为I*J；
S43、将所有n组兴趣点分组对应的兴趣点切片拼接，得到兴趣点信号Ψ＝[Υ1,Υ2,…,Υn]，其大小为n*I*J。
S5、将所述车流三维矩阵、所述时间信号向量和所述兴趣点信号作为经过训练的多方向交通流量预测模型的输入，所述多方向交通流量预测模型包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层，由第一全连接神经网络根据所述时间信号向量输出时间信号矩阵，由第二全连接神经网络根据所述兴趣点信号输出兴趣点信号矩阵，由三维残差卷积网络根据所述车流三维矩阵、所述兴趣点信号矩阵和所述时间信号矩阵的融合特征输出结果矩阵，最终将结果矩阵在重校正层中经过带权压缩操作后，得到多方向交通流量预测结果。
在该较佳实现形式中，所述S5的具体实现步骤如下：
S51：将所述车流三维矩阵
Figure BDA0003405381870000083
所述时间信号向量ht和所述兴趣点信号Ψ输入经过训练的多方向交通流量预测模型中，所述多方向交通流量预测模型中包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层；
S52、所述时间信号ht被输入至包含Lts层全连接层级联的第一全连接神经网络中，其中第1层全连接层的输入为时间信号ht，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure BDA0003405381870000084
将
Figure BDA0003405381870000085
向量逐元素映射到大小为(I*J)的一个矩阵当中，得到大小为(I,J)的时间信号矩阵Ht；
S53、所述兴趣点信号Ψ＝[Υ1,Υ2,…,Υn]输入后，先对其中的每个兴趣点切片Υg获取其平均自权重zg：
Figure BDA0003405381870000091
得到兴趣点信号Ψ的平均自权重矩阵Z＝{z1,z2,…,zn}，其中n表示兴趣点分组的个数；
然后将平均自权重矩阵z输入包含Lps层全连接层级联的第二全连接神经网络逐层计算，其中第1层全连接层的输入为平均自权重矩阵Z，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure BDA0003405381870000092
再后，采用门机制将输出
Figure BDA0003405381870000093
映射为0到1之间的变量，其计算过程如下：
Figure BDA0003405381870000094
其中fsi为激活函数；
最后，通过计算获取兴趣点信号矩阵
Figure BDA0003405381870000095
Figure BDA0003405381870000096
其中，⊙表示矩阵点乘；
S54、将车流三维矩阵
Figure BDA0003405381870000097
兴趣点信号矩阵
Figure BDA0003405381870000098
和时间信号矩阵Ht进行特征融合，
Figure BDA0003405381870000099
中的第k个车流数据时间片的融合特征
Figure BDA00034053818700000910
计算公式如下：
Figure BDA00034053818700000911
其中，
Figure BDA00034053818700000912
Figure BDA00034053818700000913
和
Figure BDA00034053818700000914
均为可训练的参数，m为
Figure BDA00034053818700000915
中车流数据时间片的个数；
最终得到融合后的车流矩阵
Figure BDA00034053818700000916
S55、将融合后的车流矩阵XΓ输入包含Lc层三维残差卷积层级联的三维残差卷积网络中逐层计算，其中第一层三维残差卷积层的输入车流矩阵XΓ，每一层三维残差卷积层经过三维残差卷积操作后得到的结果作为下一层三维残差卷积层的输入，三维残差卷积网络中所有三维残差卷积层的输出拼接形成最终的结果矩阵XST；其中对于任意第l层三维残差卷积层，其中执行的三维残差卷积操作如下：
首先，对当前三维残差卷积层的输入进行三维卷积操作得到卷积结果：
Figure BDA0003405381870000101
其中，Cov3D表示三维卷积操作，
Figure BDA0003405381870000102
表示第l-1层三维残差卷积层的输出，其中
Figure BDA0003405381870000103
Figure BDA0003405381870000104
和
Figure BDA0003405381870000105
为第l层三维卷积层(即前述三维卷积操作 Cov3D)可训练的参数，fc为激活函数；
然后，对三维卷积层输出的卷积结果
Figure BDA0003405381870000106
中每个元素进行批正则化操作，得到批正则结果
Figure BDA0003405381870000107
其公式如下：
Figure BDA0003405381870000108
其中，E[x]表示每维矩阵的均值，Var[x]为每维矩阵的方差，∈是为防止方差为0设置的常数，Υ与β为可学习参数；
最后，将批正则结果
Figure BDA0003405381870000109
再与上一层的输出矩阵
Figure BDA00034053818700001010
相加，得到第l层三维残差卷积层的输出矩阵
Figure BDA00034053818700001011
公式为：
Figure BDA00034053818700001012
S56、在重校正层中对最终输出的结果矩阵XST中所有维进行带权压缩操作，得到预测结果
Figure BDA00034053818700001013
其计算公式如下：
Figure BDA00034053818700001014
其中
Figure BDA00034053818700001015
是可学习的参数矩阵。
需要注意的是，上述S5中，多方向交通流量预测模型预先通过训练数据进行训练，训练过程中通过损失函数不断迭代预测结果
Figure BDA00034053818700001016
与真实结果Φ之间的损失值，当达到迭代终止条件时，输出多方向交通流量预测模型用于进行实际的预测。
作为一种多方向交通流量预测模型的损失函数Loss的实现形式，其公式为：
Figure BDA00034053818700001017
其中
Figure BDA00034053818700001018
为矩阵
Figure BDA00034053818700001019
中各个元素的值，
Figure BDA00034053818700001020
为矩阵Φ中各个元素的值，M为训练样本数。
下面将上述S1～S5所描述的基于兴趣点时空残差神经网络的多方向交通流量预测方法应用于一个具体的实例中，通过实施例进一步展示其技术效果。
实施例
本实施例所用的原始数据为郑州的真实电瓶车轨迹数据集。通过预处理，每条电瓶车轨迹记录保留了车辆编号、经度、纬度、方向和时间这5个字段。至此形成许多条数据σ＝<车辆编号，经度，维度，方向，时间>，其时间单位为分钟。将每条σ按照时间，映射至每个时间的地图中。将地图按照每方格 400米*400米大小进行栅格化。统计每个栅格相同行驶状态下所有车辆总和，再统计每个栅格相同分组下的兴趣点总和，分别生成车流矩阵和兴趣点信号，再将待预测时刻处理成时间信号。最后将车流矩阵、兴趣点信号和时间信号按照上述的方法输入至模型中进行训练，使用训练好的模型进行结果预测。如图 1所示，本实施例中的基于兴趣点时空残差神经网络的多方向交通流量预测方法具体包括以下步骤：
步骤1)定义待预测区域：将需要进行预测的待预测区域定义为边长为I*J 的矩形区域；
步骤2)定义车流移动状态：对待预测区域内的所有移动车辆区分状态，每辆车的移动状态表示为d，d包括向上、向下、向左、向右四种移动状态，即移动状态d取Leftward，Rightward，Upward和Downward四种状态；
步骤3)对车流进行栅格化处理：将待预测区域自坐标系原点置于二维坐标系中，按照I*J的栅格对待预测区域进行分割，栅格在x轴与y轴方向上的序号分别为i与j，将栅格记为Pij；
步骤4)对每个栅格进行车流赋值，并计算区域车流二维矩阵：将时间范围划分出为多个时长ξ的时间片，对时间片t内每个栅格内包含的所有车辆进行区分移动状态求和，即时间片t内每个栅格Pij内移动状态为d的车流量记为
Figure BDA0003405381870000111
时间片t内待预测区域内移动状态为d的车流量二维矩阵记为
Figure BDA0003405381870000112
大小为(I*J)；
步骤5)获取区域车流三维矩阵：对预测时刻前m*τ分钟的车流数据按τ分钟间隔依次执行m次步骤2到步骤6步骤，得到m个I*J的时间片，将其记作车流三维矩阵
Figure BDA0003405381870000113
大小为(m*I*J)，如图2所示；
步骤6)获取时间信号：将预测时刻tpred转化为含有两个元素的时间信号，表示为ht＝[tpred_hour,tpred_minute]；
步骤7)获取兴趣点信号，具体包含以下子步骤：
步骤71)获取所有兴趣点空间地理位置，将兴趣点映射到平面上，然后同步骤3对平面进行栅格划分，将栅格记为Pij；
步骤72)将兴趣点按照功能性分成n组，对其中的兴趣点分组g，计算栅格 Pij内的兴趣点数量和得到栅格值
Figure BDA0003405381870000121
依次对每个栅格执行求和操作后得到第g 组兴趣点的兴趣点切片Υg，其大小为I*J；
步骤73)对兴趣点分组内的每个分组迭代执行步骤72)操作，得到n个 I*J的兴趣点切片，将其记作兴趣点信号Ψ＝[Υ1,Υ2,…,Υn]，其大小为(n*I*J)；
步骤8)训练多方向交通流量预测模型，具体包含以下子步骤：
步骤81)获取时间信号矩阵，包含以下子步骤：
步骤811)首先将时间信号ht迭代输入至包含Lts个全连接层的第一全连接神经网络，其中下一个全连接层的输入为上一个全连接层的输出，网络逐层计算的公式如下：
Figure BDA0003405381870000122
其中Lts是第一全连接神经网络中全连接层的数量，
Figure BDA0003405381870000123
和
Figure BDA0003405381870000124
分别表示第l-1层和第l层的输出，
Figure BDA0003405381870000125
和
Figure BDA0003405381870000126
是第l层的两个可学习参数，fts表示激活函数，全连接层的第一层输入
Figure BDA0003405381870000127
为时间信号ht，最后一个全连接层的输出为
Figure BDA0003405381870000128
步骤812)将
Figure BDA0003405381870000129
向量逐元素映射到大小为(I*J)的一个矩阵当中，得到时间信号矩阵Ht，其大小为(I*J)；该逐元素映射过程实际上相当于
Figure BDA00034053818700001210
的元素重构，将
Figure BDA00034053818700001211
的前J个元素作为矩阵的第1行，前J+1到2J个元素作为矩阵的第2行，以此类推，从而形成I*J大小的时间信号矩阵Ht。
步骤82)获取兴趣点信号矩阵，包含以下子步骤：
步骤821)输入兴趣点信号Ψ＝[Υ1,Υ2,…,Υn]，对于其中的每个兴趣点切片Υg，获取其平均自权重zg：
Figure BDA00034053818700001212
对所有兴趣点切片执行上述操作，得到兴趣点信号Ψ的平均自权重矩阵 Z＝{z1,z2,…,zn}，其中n表示兴趣点分组的个数；
步骤822)将平均自权重矩阵Z输入包含Lps个全连接层的第二全连接神经网络，其中下一个全连接层的输入为上一个全连接层的输出，网络逐层计算的公式为：
Figure BDA0003405381870000131
其中Lps是第二全连接神经网络中全连接层的数量，
Figure BDA0003405381870000132
和
Figure BDA0003405381870000133
分别表示第l-1层和第l层的输出，
Figure BDA0003405381870000134
和
Figure BDA0003405381870000135
是第l层的两个可学习参数，fps表示激活函数，第一层全连接层的输入
Figure BDA0003405381870000136
为平均自权重矩阵Z，最后一个全连接层的输出为
Figure BDA0003405381870000137
步骤823)采用门机制将步骤822)中第二全连接神经网络的输出
Figure BDA0003405381870000138
映射为0到1之间的变量，其计算过程如下：
Figure BDA0003405381870000139
其中fsi为激活函数；
步骤824)获取兴趣点信号矩阵
Figure BDA00034053818700001310
其过程为：
Figure BDA00034053818700001311
其中，⊙表示矩阵点乘，Υg表示第g组兴趣点的兴趣点切片；
步骤83)将车流三维矩阵
Figure BDA00034053818700001312
兴趣点信号矩阵
Figure BDA00034053818700001313
和时间信号矩阵Ht进行特征融合，对
Figure BDA00034053818700001314
中的每个时间片的融合过程，其中
Figure BDA00034053818700001315
中的第k个车流数据时间片的融合特征
Figure BDA00034053818700001316
计算公式如下：
Figure BDA00034053818700001317
其中，
Figure BDA00034053818700001318
和
Figure BDA00034053818700001319
均为可训练的参数，m为
Figure BDA00034053818700001320
中时间片的个数；
最终得到融合后的车流矩阵
Figure BDA00034053818700001321
步骤84)将融合后的车流矩阵XΓ依次输入包含Lc个三维残差卷积层的三维残差卷积网络，最终得到结果矩阵XST，其具体过程如下：
步骤841)将XΓ输入第l个三维残差卷积层进行三维卷积操作，其卷积结果的计算公式如下：
Figure BDA00034053818700001322
(l需初始化为1)
其中，Cov3D表示三维卷积操作，
Figure BDA0003405381870000141
表示第l-1层三维残差卷积层的输出，
Figure BDA0003405381870000142
Figure BDA0003405381870000143
和
Figure BDA0003405381870000144
为第l层可训练的参数，fc为激活函数Sigmoid。
步骤842)然后对
Figure BDA0003405381870000145
中每个元素进行批正则化操作，其公式如下：
Figure BDA0003405381870000146
其中，E[x]表示每维矩阵的均值，Var[x]为每维矩阵的方差，∈是为防止方差为0设置的常数，Υ与β为可学习参数；
步骤843)最后将经过批正则函数后的结果
Figure BDA0003405381870000147
与上一层的输出结果
Figure BDA0003405381870000148
相加，得到该层三维残差卷积层的输出矩阵
Figure BDA0003405381870000149
公式为：
Figure BDA00034053818700001410
其中
Figure BDA00034053818700001411
和
Figure BDA00034053818700001412
分别表示第l个三维残差卷积层和第l-1个三维残差卷积层的输出经过步骤842)和步骤843)操作后得到的输出矩阵；
步骤844)对于剩余Lc-1层三维残差卷积层，不断循环执行Lc-1次步骤 841)到步骤843)，其中下一个三维残差卷积层的输入为上一个三维残差卷积层的输出，最后完成所有三维残差卷积层的特征提取后，将Lc层三维残差卷积层的输出矩阵
Figure BDA00034053818700001413
拼接，最终输出的结果矩阵记为XST；
步骤85)对结果矩阵XST进行带权压缩操作，得到预测结果
Figure BDA00034053818700001414
其计算公式如下：
Figure BDA00034053818700001415
其中
Figure BDA00034053818700001416
是可学习的参数矩阵；
步骤86)通过损失函数不断迭代预测结果
Figure BDA00034053818700001417
与真实结果Φ之间的损失值，当达到迭代终止条件时，输出多方向交通流量预测模型
Figure BDA00034053818700001418
本实施例中模型的损失函数Loss公式为：
Figure BDA00034053818700001419
其中
Figure BDA00034053818700001420
为矩阵
Figure BDA00034053818700001421
中各个元素的值，
Figure BDA00034053818700001422
为矩阵Φ中各个元素的值，M为训练样本总数。
本实施例中采用Adam作为优化器，多方向交通流量预测模型
Figure BDA00034053818700001423
的迭代终止条件可以设置为迭代轮次达到10次或者损失函数值小于0.1％。
步骤9)预测结果：在推理阶段，与步骤5)、步骤6)和步骤7)操作一致，分别获取待预测时间前m*τ分钟的车流矩阵、时间信号向量和兴趣点信号矩阵，输入至多方向交通流量预测模型
Figure BDA0003405381870000151
后得到车流预测结果矩阵
Figure BDA0003405381870000152
在本实施例中，时长ξ取1分钟。m取5，时间片的间隔τ取4min。第一全连接网络中，全连接层数Lts取2，激活函数fts取ReLU。第二全连接网络中，全连接层数Lps取2，激活函数fps取ReLU。三维残差卷积网络中，三维残差卷积层的层数Lc取32，激活函数fc取ReLU。
另外，兴趣点POI是实现城市功能的地理实体，体现了不同出发地和目的地对交通量的变化的影响。例如，餐饮POI在午餐和晚餐时间影响周边地区的交通量，而旅游景点POI主要影响周末和节假日的交通量。在本实施例中，兴趣点分组数n取9，具体的类别形式如表1所示。
表1.兴趣点及其类别的详细信息。
Figure BDA0003405381870000153
为了便于对比本发明的效果，本实施例中将本发明方法(简称MDSTN) 与若干传统预测方法进行了比较，作为对照的预测方法有：(1)HA：使用对应时间最近的历史数据的平均值作为预测值；(2)ARIMA：差分整合移动平均自回归模型，又称整合移动平均自回归模型；(3)LSTM：长短是记忆神经网络，循环神经网络的一个变种。(4)GRU：门控循环单元，循环神经网络的一个变种。(5)ConvLSTM：卷积长短时记忆神经网络，一种能够捕获时空相关性的增强型LSTM。(6)ST-ResNet：一种深层神经网络模型，融合了卷积操作和残差单元的网络。(7)ST-3DNets：一种改进的深度神经网络的模型，利用三维卷积和残差单元来探索时空相关性。本实施例以均方误差(MSE)与平均百分比误差(MAPE)作为预测准确度指标，具体定义如下：
Figure BDA0003405381870000161
Figure BDA0003405381870000162
其中
Figure BDA0003405381870000163
为真实值，
Figure BDA0003405381870000164
为预测值，ij表示区域，t表示时间，m为样本的数量。
表1预测结果比较
Figure BDA0003405381870000165
实验结果如表所示，结果表明本发明提出的方法预测精度(MSE、MAPE) 明显优于传统数学方法与机器学习相关方法，证明了本发明方法的有效性。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，包括以下步骤：
S1、获取待预测区域中待预测时刻前的历史车流数据，所述历史车流数据中包含待预测区域中不同车辆在不同时间的位置以及车辆行驶方向；从所述历史车流数据中按预设的时间片间隔提取若干个车流数据时间片；
S2、对待预测区域进行栅格化处理从而划分为一系列栅格，每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每个时间片中的不同移动状态分别构建车流二维矩阵，每一种移动状态在所有时间片中的车流二维矩阵按时间维度叠加形成车流三维矩阵；
S3、从待预测时刻中提取小时字段和分钟字段，拼接形成一个二元的时间信号向量；
S4、获取所有兴趣点空间地理位置，并将不同功能类别的兴趣点均映射到所述待预测区域的栅格中，对每个栅格中每一组功能类别的兴趣点总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每一组功能类别的兴趣点分别构建一张二维矩阵形式的兴趣点切片，所有功能类别的兴趣点切片叠加形成三维张量形式的兴趣点信号；
S5、将所述车流三维矩阵、所述时间信号向量和所述兴趣点信号作为经过训练的多方向交通流量预测模型的输入，所述多方向交通流量预测模型包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层，由第一全连接神经网络根据所述时间信号向量输出时间信号矩阵，由第二全连接神经网络根据所述兴趣点信号输出兴趣点信号矩阵，由三维残差卷积网络根据所述车流三维矩阵、所述兴趣点信号矩阵和所述时间信号矩阵的融合特征输出结果矩阵，最终将结果矩阵在重校正层中经过带权压缩操作后，得到多方向交通流量预测结果。
2.如权利要求1所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，在S1中，所述待预测区域为矩形区域；所述历史车流数据的时间跨度为[t，t+(m-1)*τ]，且其按τ分钟为时间片间隔提取m个车流数据时间片。
3.如权利要求2所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述S2的具体实现步骤如下：
S21、对待预测区域进行栅格化处理，共划分为I*J个栅格，第i行第j列的栅格为Pij；
S22、每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；
S23、对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计，将时间片t内栅格Pij内移动状态为d的车流量记为
Figure FDA0003405381860000021
将所有I*J个栅格对应的
Figure FDA0003405381860000022
构建为时间片t内整个待预测区域中移动状态为d的车流二维矩阵
Figure FDA0003405381860000029
车流二维矩阵
Figure FDA0003405381860000023
中第i行第j列的元素值为
Figure FDA0003405381860000024
S24、将所有m个车流数据时间片的车流二维矩阵
Figure FDA0003405381860000025
按时间维度进行拼接，形成车流三维矩阵
Figure FDA0003405381860000026
4.如权利要求3所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述S3的具体实现步骤如下：
将待预测时刻tpred转化为含有小时字段tpred_hour和分钟字段tpred_minute两个元素的时间信号向量ht＝[tpred_hour，tpred_minute]。
5.如权利要求4所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述S4的具体实现步骤如下：
S41、获取所有兴趣点的空间地理位置，并将所有兴趣点按照其位置均映射到所述待预测区域的各Pij栅格中；
S42、将所有兴趣点按照不同功能类别分成n组，统计每个兴趣点分组g在栅格Pij内的兴趣点数量并作为栅格Pij的栅格值
Figure FDA0003405381860000027
将每个兴趣点分组g对应的所有栅格的栅格值
Figure FDA0003405381860000028
构建为兴趣点分组g对应的兴趣点切片γg，γg大小为I*J；
S43、将所有n组兴趣点分组对应的兴趣点切片拼接，得到兴趣点信号Ψ＝[γ1，γ2，...，γn]，其大小为n*I*J。
6.如权利要求5所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述S5的具体实现步骤如下：
S51：将所述车流三维矩阵
Figure FDA00034053818600000313
所述时间信号向量ht和所述兴趣点信号Ψ输入经过训练的多方向交通流量预测模型中，所述多方向交通流量预测模型中包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层；
S52、所述时间信号ht被输入至包含Lts层全连接层级联的第一全连接神经网络中，其中第1层全连接层的输入为时间信号ht，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure FDA00034053818600000311
将
Figure FDA00034053818600000312
向量逐元素映射到大小为(I*J)的一个矩阵当中，得到大小为(I，J)的时间信号矩阵Ht；
S53、所述兴趣点信号Ψ＝[γ1，γ2，...，γn]输入后，先对其中的每个兴趣点切片γg获取其平均自权重zg：
Figure FDA0003405381860000031
得到兴趣点信号Ψ的平均自权重矩阵Z＝{z1，z2，...，zn}，其中n表示兴趣点分组的个数；
然后将平均自权重矩阵Z输入包含Lps层全连接层级联的第二全连接神经网络逐层计算，其中第1层全连接层的输入为平均自权重矩阵Z，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure FDA0003405381860000032
再后，采用门机制将输出
Figure FDA0003405381860000033
映射为0到1之间的变量，其计算过程如下：
Figure FDA0003405381860000034
其中fsi为激活函数；
最后，通过计算获取兴趣点信号矩阵
Figure FDA0003405381860000035
Figure FDA0003405381860000036
其中，⊙表示矩阵点乘；
S54、将车流三维矩阵
Figure FDA0003405381860000037
兴趣点信号矩阵
Figure FDA0003405381860000038
和时间信号矩阵Ht进行特征融合，
Figure FDA0003405381860000039
中的第k个车流数据时间片的融合特征
Figure FDA00034053818600000310
计算公式如下：
Figure FDA0003405381860000041
其中，
Figure FDA0003405381860000042
和
Figure FDA0003405381860000043
均为可训练的参数，m为
Figure FDA0003405381860000044
中车流数据时间片的个数；
最终得到融合后的车流矩阵
Figure FDA0003405381860000045
S55、将融合后的车流矩阵XΓ输入包含Lc层三维残差卷积层级联的三维残差卷积网络中逐层计算，其中第一层三维残差卷积层的输入车流矩阵XΓ，每一层三维残差卷积层经过三维残差卷积操作后得到的结果作为下一层三维残差卷积层的输入，三维残差卷积网络中所有三维残差卷积层的输出拼接形成最终的结果矩阵XST；其中对于任意第l层三维残差卷积层，其中执行的三维残差卷积操作如下：
首先，对当前三维残差卷积层的输入进行三维卷积操作得到卷积结果：
Figure FDA0003405381860000046
其中，Cov3D表示三维卷积操作，
Figure FDA0003405381860000047
表示第l-1层三维残差卷积层的输出，其中
Figure FDA0003405381860000048
Figure FDA0003405381860000049
和
Figure FDA00034053818600000410
为第l层三维卷积操作中可训练的参数，fc为激活函数；
然后，对三维卷积操作输出的卷积结果
Figure FDA00034053818600000411
中每个元素进行批正则化操作，得到批正则结果
Figure FDA00034053818600000412
最后，将批正则结果
Figure FDA00034053818600000413
再与上一层的输出矩阵
Figure FDA00034053818600000414
相加，得到第l层三维残差卷积层的输出矩阵
Figure FDA00034053818600000415
公式为：
Figure FDA00034053818600000416
S56、在重校正层中对最终输出的结果矩阵XST中所有维进行带权压缩操作，得到预测结果
Figure FDA00034053818600000417
其计算公式如下：
Figure FDA00034053818600000418
其中
Figure FDA00034053818600000419
是可学习的参数矩阵。
7.如权利要求1所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述多方向交通流量预测模型预先通过训练数据进行训练，训练过程中通过损失函数不断迭代预测结果
Figure FDA00034053818600000420
与真实结果Φ之间的损失值，当达到迭代终止条件时，输出多方向交通流量预测模型用于进行实际的预测。
8.如权利要求1所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述的多方向交通流量预测模型的损失函数Loss公式为：
Figure FDA0003405381860000051
其中
Figure FDA0003405381860000052
为矩阵
Figure FDA0003405381860000053
中各个元素的值，
Figure FDA0003405381860000054
为矩阵Φ中各个元素的值，M为训练样本数。
9.如权利要求1所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述的m取5，时间片间隔τ取4。
10.如权利要求1所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法，其特征在于，所述的车辆在栅格中的移动状态根据车辆行驶轨迹经过该栅格时的车辆行驶方向确定。
CN202111510019.7A 2021-12-10 2021-12-10 基于兴趣点时空残差神经网络的多方向交通流量预测方法 Pending CN114154740A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111510019.7A CN114154740A (zh) 2021-12-10 2021-12-10 基于兴趣点时空残差神经网络的多方向交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111510019.7A CN114154740A (zh) 2021-12-10 2021-12-10 基于兴趣点时空残差神经网络的多方向交通流量预测方法

Publications (1)

Publication Number Publication Date
CN114154740A true CN114154740A (zh) 2022-03-08

Family

ID=80450638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111510019.7A Pending CN114154740A (zh) 2021-12-10 2021-12-10 基于兴趣点时空残差神经网络的多方向交通流量预测方法

Country Status (1)

Country Link
CN (1) CN114154740A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114327840A (zh) * 2022-03-11 2022-04-12 北京骑胜科技有限公司 数据处理方法和数据处理装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114327840A (zh) * 2022-03-11 2022-04-12 北京骑胜科技有限公司 数据处理方法和数据处理装置
CN114327840B (zh) * 2022-03-11 2022-06-10 北京骑胜科技有限公司 数据处理方法和数据处理装置

Similar Documents

Publication Publication Date Title
Chu et al. Deep multi-scale convolutional LSTM network for travel demand and origin-destination predictions
CN108537192B (zh) 一种基于全卷积网络的遥感影像地表覆盖分类方法
CN109446970B (zh) 一种基于深度学习的变电站巡检机器人道路场景识别方法
Hu et al. Stochastic origin-destination matrix forecasting using dual-stage graph convolutional, recurrent neural networks
CN111223301B (zh) 一种基于图注意力卷积网络的交通流量预测方法
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN113870318B (zh) 一种基于多帧点云的运动目标检测系统和方法
Gong et al. Potential passenger flow prediction: A novel study for urban transportation development
CN110599521B (zh) 生成易受伤害道路使用者轨迹预测模型的方法及预测方法
CN116797787B (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN111860233A (zh) 基于选择注意力网络的sar图像复杂建筑物提取方法及系统
CN113780665B (zh) 一种基于增强循环神经网络的私家车停留位置预测方法和系统
CN113012177A (zh) 基于几何特征提取和边缘感知编码的三维点云分割方法
CN114019467A (zh) 一种基于MobileNet模型迁移学习的雷达信号识别与定位方法
CN115471754A (zh) 一种基于多维多尺度U-net网络的遥感图像道路提取方法
CN114154740A (zh) 基于兴趣点时空残差神经网络的多方向交通流量预测方法
Alrajhi et al. A deep-learning model for predicting and visualizing the risk of road traffic accidents in Saudi Arabia: A tutorial approach
CN114299727A (zh) 一种基于物联网和边缘计算的交通流预测系统及云平台
CN114445624A (zh) 一种城市地理空间内细粒度交通事故风险识别方法
CN107203587B (zh) 构建地磁图方向适配性特征的方法
CN110826810B (zh) 一种空间推理与机器学习相结合的区域降雨预测方法
CN115410047A (zh) 基于改进YOLO v5s的红外图像电动自行车目标检测方法
CN111327453B (zh) 一种考虑网格化动态、静态分量的通信带宽估算方法
CN114511740A (zh) 车辆图像分类方法、车辆轨迹还原方法、装置及设备
Jiang et al. Knowledge distillation from 3d to bird’s-eye-view for lidar semantic segmentation

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