CN114360239A - 一种多层时空交通知识图谱重建的交通预测方法及系统 - Google Patents
一种多层时空交通知识图谱重建的交通预测方法及系统 Download PDFInfo
- Publication number
- CN114360239A CN114360239A CN202111465207.2A CN202111465207A CN114360239A CN 114360239 A CN114360239 A CN 114360239A CN 202111465207 A CN202111465207 A CN 202111465207A CN 114360239 A CN114360239 A CN 114360239A
- Authority
- CN
- China
- Prior art keywords
- traffic
- layer
- data
- flow
- road network
- 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
Images
Abstract
本发明涉及一种多层时空交通知识图谱重建的交通预测方法及系统，包括：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于实时路况数据、交通道路网数据和ST‑GCN模型计算得到交通流量预测值；根据交通流量预测值对路网层进行重建，得到交通知识图谱流量层；利用算法对交通流量层的数据进行聚类并以此进行重建，得到交通知识图谱功能层；基于功能层对待预测区域进行功能划分并对待预测区域的交通进行预测。本发明通过融合待预测区域的交通道路网数据和实时路况数据，构建一个多层交通知识图谱并将其分为路网层、流量层和功能层，该交通知识图谱通过感知其他节点的信息作为补充，实现对未来短时间交通流量更准确的预测。
Description
技术领域
本发明属于交通流预测技术领域，尤其涉及一种多层时空交通知识图谱重建的交通预测方法及系统。
背景技术
近年来，在物联网时代的大背景下，城市交通逐渐向智能化、网联化、绿色化等方向发展，提高交通通行效率是城市交通发展的重要方向。交通预测是助力交通控制、路径优化、车辆调度等各种应用的必要条件。交通预测不仅可以为交通管理人员提供科学依据，以便提前感知交通拥堵和限制车辆，而且还为城市旅行者提供安全性，以选择适当的旅行路线，提高旅行效率。
传统的交通预测方法通常是通过历史交通特性，以预测未来时刻的流量。虽然可以对非线性关系进行建模，但在捕捉时间特征时，其模型架构浅易、参数有限且计算效率较低致使其仅限于交通状况简单或交通数据规模较小的场景。但是，很难实现准确的流量预测，因为未来的交通态不仅取决于历史状态，而且也可能受到各种静态和动态外部因素的影响。近年来，前馈神经网络、深度信念网络、递归神经网络等深度学习模型被广泛用于各种复杂关系的预测任务中，RNN作为一种特殊设计的神经网络，能够学习交通数据的长期时间相关性。然而现有模型只考虑了交通大数据的时间特性，对路网结构中存在的空间特性考虑不足，且几乎都以顺序方式分别捕获空间和时间依赖性，而空间和时间依赖关系紧密交织在一起交通数据。例如，关键道路中的交通事故导致对相关道路的严重拥堵，但在不同的时间，由于交通拥堵的逐步形成和分散。分别建模的限制是忽略空间特征和时间特征之间的潜在相互作用，这可能会损害预测性能。
发明内容
为解决上述技术问题，本发明提供了一种多层时空交通知识图谱重建的交通预测方法及系统。
本发明的一种多层时空交通知识图谱重建的交通预测方法的技术方案如下：
基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值；
根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；
利用Mean-Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；
基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
本发明的一种多层时空交通知识图谱重建的交通预测方法的有益效果如下：
本发明的方法通过融合待预测区域的交通道路网数据和实时路况数据，构建一个多层交通知识图谱并将其分为路网层、流量层和功能层，该交通知识图谱通过感知其他节点的信息作为补充，实现对未来短时间交通流量更准确的预测。
在上述方案的基础上，本发明的一种多层时空交通知识图谱重建的交通预测方法还可以做如下改进。
进一步，在所述基于待预测区域的交通道路网数据构建交通知识图谱路网层之前，还包括：
基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型。
进一步，在所述基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型之前，还包括：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
进一步，所述基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值，具体包括：
根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST-GCN模型，计算得到所述交通流量预测值。
进一步，所述交通知识图谱路网层包括：多个无向的路段实体；所述根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层，具体包括：基于所述交通流量预测值对所述交通知识图谱路网层中的所述多个无向的路段实体之间的关系进行重建，得到所述交通知识图谱流量层。
本发明的一种多层时空交通知识图谱重建的交通预测系统的技术方案如下：
包括：创建模块、第一处理模块、第二处理模块、运行模块；
所述创建模块用于：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值；
所述第一处理模块用于：根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；
所述第二处理模块用于：利用Mean-Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；
所述运行模块用于：基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
本发明的一种多层时空交通知识图谱重建的交通预测系统的有益效果如下：
本发明的系统通过融合待预测区域的交通道路网数据和实时路况数据，构建一个多层交通知识图谱并将其分为路网层、流量层和功能层，该交通知识图谱通过感知其他节点的信息作为补充，实现对未来短时间交通流量更准确的预测。
在上述方案的基础上，本发明的一种多层时空交通知识图谱重建的交通预测系统还可以做如下改进。
进一步，在所述创建模块之前，还包括：训练模块；
所述训练模块用于：基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型。
进一步，在所述训练模块之前，还包括：预处理模块；
所述预处理模块用于：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
进一步，所述创建模块具体用于：
根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST-GCN模型，计算得到所述交通流量预测值。
进一步，所述交通知识图谱路网层包括：多个无向的路段实体；所述第一处理模块具体用于：基于所述交通流量预测值对所述交通知识图谱路网层中的所述多个无向的路段实体之间的关系进行重建，得到所述交通知识图谱流量层。
本发明的一种存储介质的技术方案如下：
存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的一种多层时空交通知识图谱重建的交通预测方法的步骤。
本发明的一种电子设备的技术方案如下：
包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，使所述计算机执行如本发明的一种多层时空交通知识图谱重建的交通预测方法的步骤。
附图说明
图1为本发明实施例的一种多层时空交通知识图谱重建的交通预测方法的流程示意图；
图2为本发明实施例的一种多层时空交通知识图谱重建的交通预测方法中的交通知识图谱层级结构图；
图3为本发明实施例的一种多层时空交通知识图谱重建的交通预测方法中的交通知识图谱的具体流程图；
图4为本发明实施例的一种多层时空交通知识图谱重建的交通预测系统的结构示意图。
具体实施方式
如图1所示，本发明实施例的一种多层时空交通知识图谱重建的交通预测方法，包括如下步骤：
步骤S1：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值。
其中，待预测区域为预先选定的某个城市中需进行交通预测的区域；交通道路网数据可从互联网地图中获取，如谷歌地图，百度地图等。
其中，构建的交通知识图谱路网层为最基本的路网结构，以实体的形式表示路段和兴趣点，线条表示路段，点表示路段之间的连接点；以关系的形式表示两条路段之间是否具有邻接的关系和路段和兴趣点之间是否具有邻近的关系，路网层的结构为无向图。实时路况数据包括：实时交通数据、实时兴趣点数据、实时天气数据。
其中，ST-GCN模型为时空图卷积网络模型，ST-GCN模型不仅考虑了空间上的相邻节点，也考虑了时间上的相邻节点，将邻域的概念扩展到了时间上，实验效果表明精度也更高。因此，采用ST-GCN模型对路况数据进行训练。
该步骤S1通过将待预测区域的实时路况数据和交通道路网数据代入训练后的ST-GCN模型，能够计算该区域的交通流隐藏状态，获得当前及其后续短暂时间内交通流量预测值。
步骤S2：根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层。
其中，对交通知识图谱路网层进行重建包括：将获取到的交通流量预测值代入交通知识图谱路网层中，流量层实体是路网层实体中的一部分，利用交通流量预测值为路网层中路段实体之间的关系补充上下游的方向和路段实体之间游走的概率，在实体间建立流量数据中包含的路段实体之间的关系，并学习路段实体在现实流量的定位，以此完成对交通知识图谱路网层的重建，并得到交通知识图谱流量层。
步骤S3：利用Mean-Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层。
其中，Mean-Shift算法能够实现对图像的聚类，如图2所示，对交通知识图谱流量层的流量数据进行聚类后，能够得到聚类后的图像数据，利用聚类后的图像数据对交通知识图谱流量层进行重建，得到交通知识图谱功能层。
需要说明的是，聚类后的各个区域的边界是不规则的，最终的聚类结果则作为该实体所属的功能区域的标签。
步骤S4：基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
其中，对交通知识图谱功能层的功能划分具体为：根据聚类后的流量范围值，对整个待预测区域进行划分，以通过不同颜色区分待预测区域中的未来短时间的交通，便于合理安排人力进行交通管控。
本实施例的技术方案通过融合待预测区域的交通道路网数据和实时路况数据，构建一个多层交通知识图谱并将其分为路网层、流量层和功能层，该交通知识图谱通过感知其他节点的信息作为补充，实现对未来短时间交通流量更准确的预测。
较优地，在所述步骤S1之前，还包括：基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型。
其中，历史路况数据与实时路况数据采集的时间不同，但数据类型相同，具体包括：历史交通数据，历史兴趣点数据和历史天气数据。例如，实时路况数据可采集当前时刻的交通数据、兴趣点数据和天气数据，而历史路况数据可采集当前时刻之前任意时刻的交通数据、兴趣点数据和天气数据。
其中，采用该待预测区域的历史路况数据和交通道路网数据对预设的ST-GCN模型进行训练，得到能够用于该待预测区域的训练后的ST-GCN模型。
通过对预设的ST-GCN模型进行训练，能够得到更加适用于该待预测区域的ST-GCN模型，以提高交通流量预测值的精准度。较优地，在所述基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型之前，还包括：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
其中，对历史路况数据进行预处理，能够提高对预设的ST-GCN模型进行训练的效率，对当前路况数据进行预处理，能够提高获取交通预测值的精准度。
通过对数据进行预处理，便于检查获取的交通数据的时效性和完整性。
较优地，所述基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值，具体包括：
根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST-GCN模型，计算得到所述交通流量预测值。
其中，交通流量预测值为待预测区域车流量预测值。
其中，无向图邻接矩阵的具体构建过程为：将交通道路网数据建模为无向图G＝(V，E)，其中，V＝{v1，v2，…，vN}表示节点V的集合，节点V表示道路中的路段，N表示道路中路段的数量；E＝{E1，E2，…，EN}表示边E的集合，E表示连接两路段的边，M表示边的数量，基于无向图G创建道路网络的邻接矩阵A∈RN×N来描述路段间的连通关系，矩阵A中的1表示对应行列所代表的两条路段连通，0则表示不连通。
其中，属性矩阵是通过基于特征矩阵X、POIS信息向量P和天气信息矩阵B构建的。具体地，根据实时交通数据构建特征矩阵X，根据实时兴趣点数据构建POIS信息向量P，根据实时天气数据构建天气信息矩阵B。
其中，特征矩阵X是基于实时交通数据中的出租车轨迹数据集构建而成的；将交通速度作为道路网络上各路段的固有特征属性，用特征矩阵X∈RN×S表示，S表示划分时间段的个数，每一行表示路段在不同时间段上的交通速度变化，Xs是矩阵X中的第S列，表示在第S时刻各路段上交通的速度情况。具体地，出租车轨迹数据集是作为预测待预测区域的道路中流量的输入条件，用于根据道路上车辆的行驶速度，判断道路是否堵车；交通速度为该路段的流量数据，是对知识图谱路网层进行重建的固有特征属性。
其中，POIS信息向量P是基于POIS数据集构建而成的；POIS数据集作为路段的辅助特征信息，由实时兴趣点数据获取。若POIS类别共有L类,则各类别对应编号0，1，2，3，…，L-1，统计各路段所包含的各类POIS数量，将占比最大的兴趣点类别编号作为该路段的特征，即可构建大小为N*1的POIS信息向量P，POIS信息属于静态特征。具体地，POIS数据集为兴趣点数据集，例如道路旁的医院、学校和建筑物信息，POIS数据集作为辅助特征信息，用于在对知识图谱路网层进行重建的流量数据进行修正。
其中，天气信息矩阵B是基于天气数据集构建而成的；构建的天气信息矩阵B大小即为N*S，描述路段上天气随时间的变化，属于动态外部因素，作为路段的辅助特征信息，由实时天气数据获取。其中，天气情况可分为J类，在矩阵中分别用值0，1，2，3，…，J-1表示，Bs是矩阵B中的第S列，表示第S时刻各路段上的天气情况。具体地，天气数据集作为辅助特征信息，用于在对知识图谱路网层进行重建的流量数据进行修正。
其中，基于特征矩阵X、POIS信息向量P和天气信息矩阵B构建当前t时刻的属性矩阵Kt＝[Xt，P，Bt]，大小为N×3，Xt表明选用当前时刻交通速度作为一列特征，Bt表明选用当前时刻天气作为一列特征。
较优地，所述交通知识图谱路网层包括：多个无向的路段实体；所述步骤S2具体包括：基于所述交通流量预测值对所述交通知识图谱路网层中的所述多个无向的路段实体之间的关系进行重建，得到所述交通知识图谱流量层。
其中，交通知识图谱路网层包括多个无向的路段实体，交通流量预测值能够在多个无向的路段实体之间建立流量数据中包含的路段实体之间的关系并完成对交通知识图谱路网层的重建，得到所述交通知识图谱流量层。
如图3所示，本实施例的技术方案与现有技术相比，本实施例针对传统城市交通预测模型中无法综合考虑影响交通状况的外部因素问题，提出了一种多层时空交通知识图谱重建的交通预测方法，提出了一个多层交通地理知识图谱并将其分为路网层、流量层和功能层，通过感知其他节点的信息可以作为信息的补充，不仅能够融合静态外部因素数据，还能够融合动态外部因素数据，使得交通预测结果更加精准。
如图4所示，本发明实施例的一种多层时空交通知识图谱重建的交通预测系统200，包括：创建模块210、第一处理模块220、第二处理模块230、运行模块240；
所述创建模块210用于：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值；
所述第一处理模块220用于：根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；
所述第二处理模块230用于：利用Mean-Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；
所述运行模块240用于：基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
较优地，在所述创建模块210之前，还包括：训练模块；
所述训练模块用于：基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型。
较优地，在所述训练模块之前，还包括：预处理模块；
所述预处理模块用于：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
较优地，所述创建模块210具体用于：
根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST-GCN模型，计算得到所述交通流量预测值。
较优地，所述交通知识图谱路网层包括：多个无向的路段实体；所述第一处理模块220具体用于：基于所述交通流量预测值对所述交通知识图谱路网层中的所述多个无向的路段实体之间的关系进行重建，得到所述交通知识图谱流量层。
本实施例的技术方案通过融合待预测区域的交通道路网数据和实时路况数据，构建一个多层交通知识图谱并将其分为路网层、流量层和功能层，该交通知识图谱通过感知其他节点的信息作为补充，实现对未来短时间交通流量更准确的预测。
上述关于本发明的一种多层时空交通知识图谱重建的交通预测系统200中的各参数和各个模块实现相应功能的步骤，可参考上文中关于一种多层时空交通知识图谱重建的交通预测方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上文中的一种多层时空交通知识图谱重建的交通预测方法的步骤，具体可参考上文中一种多层时空交通知识图谱重建的交通预测方法的实施例中的各参数和步骤，在此不做赘述。
计算机存储介质例如：优盘、移动硬盘等。
本发明实施例提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，使所述计算机执行如上文中的一种多层时空交通知识图谱重建的交通预测方法的步骤，具体可参考上文中的一种多层时空交通知识图谱重建的交通预测方法的实施例中的各参数和步骤，在此不做赘述。
所属技术领域的技术人员知道，本发明可以实现为方法、装置、存储介质和电子设备。
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)，只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种多层时空交通知识图谱重建的交通预测方法，其特征在于，包括：
基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值；
根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；
利用Mean-Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；
基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
2.根据权利要求1所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，在所述基于待预测区域的交通道路网数据构建交通知识图谱路网层之前，还包括：
基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型。
3.根据权利要求2所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，在所述基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型之前，还包括：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
4.根据权利要求1所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，所述基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值，具体包括：
根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST-GCN模型，计算得到所述交通流量预测值。
5.根据权利要求4所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，所述交通知识图谱路网层包括：多个无向的路段实体；所述根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层，具体包括：基于所述交通流量预测值对所述交通知识图谱路网层中的所述多个无向的路段实体之间的关系进行重建，得到所述交通知识图谱流量层。
6.一种多层时空交通知识图谱重建的交通预测系统，其特征在于，包括：创建模块、第一处理模块、第二处理模块、运行模块；
所述创建模块用于：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST-GCN模型计算得到交通流量预测值；
所述第一处理模块用于：根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；
所述第二处理模块用于：利用Mean-Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；
所述运行模块用于：基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
7.根据权利要求6所述的一种多层时空交通知识图谱重建的交通预测系统，其特征在于，在所述创建模块之前，还包括：训练模块；
所述训练模块用于：基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST-GCN模型进行训练，得到所述训练后的ST-GCN模型。
8.根据权利要求7所述的一种多层时空交通知识图谱重建的交通预测系统，其特征在于，在所述训练模块之前，还包括：预处理模块；
所述预处理模块用于：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
9.根据权利要求6所述的一种多层时空交通知识图谱重建的交通预测系统，其特征在于，所述创建模块具体用于：
根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST-GCN模型，计算得到所述交通流量预测值。
10.根据权利要求9所述的一种多层时空交通知识图谱重建的交通预测系统，其特征在于，所述交通知识图谱路网层包括：多个无向的路段实体；所述第一处理模块具体用于：基于所述交通流量预测值对所述交通知识图谱路网层中的所述多个无向的路段实体之间的关系进行重建，得到所述交通知识图谱流量层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465207.2A CN114360239A (zh) | 2021-12-03 | 2021-12-03 | 一种多层时空交通知识图谱重建的交通预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111465207.2A CN114360239A (zh) | 2021-12-03 | 2021-12-03 | 一种多层时空交通知识图谱重建的交通预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114360239A true CN114360239A (zh) | 2022-04-15 |
Family
ID=81096972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111465207.2A Pending CN114360239A (zh) | 2021-12-03 | 2021-12-03 | 一种多层时空交通知识图谱重建的交通预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114360239A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115171377A (zh) * | 2022-06-30 | 2022-10-11 | 武汉工程大学 | 一种基于深度学习的交通流参数检测分析方法和装置 |
| CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
| CN116543561A (zh) * | 2023-07-06 | 2023-08-04 | 之江实验室 | 一种基于知识和数据双驱动的交通拥堵传播预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
| CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
| CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
| CN112669595A (zh) * | 2020-12-10 | 2021-04-16 | 浙江大学 | 一种基于深度学习的网约车流量预测方法 |
| 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
- 2021-12-03 CN CN202111465207.2A patent/CN114360239A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101751777A (zh) * | 2008-12-02 | 2010-06-23 | 同济大学 | 基于空间聚类分析的城市路网交通小区动态划分方法 |
| CN110598747A (zh) * | 2019-08-13 | 2019-12-20 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
| CN111598335A (zh) * | 2020-05-15 | 2020-08-28 | 长春理工大学 | 一种基于改进谱聚类算法的交通区域划分方法 |
| CN112669595A (zh) * | 2020-12-10 | 2021-04-16 | 浙江大学 | 一种基于深度学习的网约车流量预测方法 |
| 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 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115171377A (zh) * | 2022-06-30 | 2022-10-11 | 武汉工程大学 | 一种基于深度学习的交通流参数检测分析方法和装置 |
| CN115171377B (zh) * | 2022-06-30 | 2024-01-09 | 武汉工程大学 | 一种基于深度学习的交通流参数检测分析方法和装置 |
| CN115292523A (zh) * | 2022-08-04 | 2022-11-04 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
| CN115292523B (zh) * | 2022-08-04 | 2023-09-22 | 中国科学院空天信息创新研究院 | 一种基于图表示学习的时空信息推理方法 |
| CN116543561A (zh) * | 2023-07-06 | 2023-08-04 | 之江实验室 | 一种基于知识和数据双驱动的交通拥堵传播预测方法 |
| CN116543561B (zh) * | 2023-07-06 | 2023-10-31 | 之江实验室 | 一种基于知识和数据双驱动的交通拥堵传播预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091708B (zh) | 车辆轨迹预测方法及装置 | |
| CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
| JP2021531462A (ja) | トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム | |
| JP2021157833A (ja) | 道路状況予測方法、道路状況予測モデルを確立する方法及びその対応装置、電子機器、記録媒体並びにコンピュータプログラム製品 | |
| WO2023207437A1 (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
| CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| CN112015847A (zh) | 一种障碍物的轨迹预测方法、装置、存储介质及电子设备 | |
| Rahmani et al. | Graph neural networks for intelligent transportation systems: A survey | |
| JP2022020043A (ja) | 目的地の予測方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| Gao et al. | A data-driven lane-changing behavior detection system based on sequence learning | |
| CN114519932A (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
| US20210217307A1 (en) | Real-time traffic safety management system | |
| CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
| Kolekar et al. | Behavior prediction of traffic actors for intelligent vehicle using artificial intelligence techniques: A review | |
| CN115100867B (zh) | 一种基于数字孪生的城市智能交通仿真方法 | |
| CN114997307A (zh) | 一种轨迹预测方法、装置、设备及存储介质 | |
| Lv et al. | Digital twins based VR simulation for accident prevention of intelligent vehicle | |
| Wang et al. | A traffic prediction model based on multiple factors | |
| Aqib et al. | A deep learning model to predict vehicles occupancy on freeways for traffic management | |
| CN113643532A (zh) | 一种区域交通的预测方法以及设备 | |
| Khan et al. | Short-term traffic prediction using deep learning long short-term memory: taxonomy, applications, challenges, and future trends | |
| CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
| CN116861262A (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
| Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
| CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |