CN114360242B - 一种基于混合卷积lstm的城市短时交通流预测方法及系统 - Google Patents
一种基于混合卷积lstm的城市短时交通流预测方法及系统 Download PDFInfo
- Publication number
- CN114360242B CN114360242B CN202111508145.9A CN202111508145A CN114360242B CN 114360242 B CN114360242 B CN 114360242B CN 202111508145 A CN202111508145 A CN 202111508145A CN 114360242 B CN114360242 B CN 114360242B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- module
- graph
- convolution
- flow graph
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 79
- 230000008447 perception Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 230000002441 reversible effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007493 shaping process Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于智慧城市交通预测技术领域，涉及一种基于混合卷积LSTM的城市短时交通流预测方法及系统，包括构建短时交通流预测模型，其包括特征融合模块、混合卷积模块和空间感知多注意力模块；引入外部因素，采用特征融合模块融合交通流图和外部因素生成特征融合图，并利用混合卷积模块进行处理生成多个隐藏图，将所有隐藏图融合得到完整隐藏图；对其上采样后送入空间感知多注意力模块，得到模块输出图；将模块输出图与交通流图卷积生成预测交通流图，将其反归一化产生真实交通流量值；本发明将混合卷积模块嵌入LSTM，提取时间和空间特征，捕获两者的相互关系，多注意力空间感知模块采用全局感知和局部感知提升重要时空信息的权重占比，提高了预测性能。
Description
技术领域
本发明属于智慧城市交通预测技术领域，具体涉及一种基于混合卷积LSTM的城市短时交通流预测方法及系统。
背景技术
城市地域面积的不断扩张和城市人口数量的迅猛增长带来了一系列城市病，其中较为显著的是交通拥堵。而随着传感器、无线传感网络、移动设备的普及，越来越多的时空数据为智能交通系统的实现提供了便利，例如车载GPS数据、移动手机信令数据、可穿戴设备定位数据等；这些时空数据一般为一系列时间和经纬度坐标的序列，可以反映人、车辆的迁移和活动。其中，将城市根据经纬度划分为多个大小相等的网格，每个网格称为一个区域；一段时间内，从一个区域到另一个区域称为流动，简称为流(包含交通流和人流)。但是交通流动具有非线性时空依赖的特性，在预测方面存在一定困难。
近年来，传统时序预测和机器学习方法在智能交通系统的时间序列预测任务中取得非凡成果，但是传统的时序预测和机器学习方法虽然充分挖掘了时间关联性，但是忽略了或者只考虑了非常有限的区域之间的空间依赖性；相邻区域和远距离地区的空间依赖挖掘不充分，预测性能受限。此外，深度学习也在交通预测领域得到广泛应用。一种典型的深度学习网络DeepST使用卷积神经网络建模空间相关性，并由三个时间分支(临近时间、日周期、周周期)捕获时间依赖；在此基础上，ST-ResNet引入残差结构以此代替简单的卷积操作，避免随着网络深度加深导致特征弥散。DeepSTN+设计了一种ConvPlus结构，长距离的空间依赖得意更好捕获。ST-3DNet引入3D卷积来同时提取空间和时间特征。但上述方法对时间维度的建模都是基于严格的时间周期，但是实际生活中时间依赖是动态变化的。
为了建模时间依赖，一些用于序列建模的方法被广泛用于交通预测任务，例如递归神经网络及其变体LSTM等。他们使用一系列记忆单元来选择保留或者遗忘关键信息，达到长时间记忆。ConvLSTM在LSTM内部设计了一个卷积操作，结合卷积神经网络擅于捕获空间特征和递归神经网络捕获时间特征的特点，以捕获时间和空间的相关性。E3D-LSTM将自注意力机制和3D卷积嵌入LSTM，来建模长期和短期的时空依赖。虽然这些方法已经取得了显著的进展，但应用在复杂的城市空间中，效果仍有提升空间，他们存在以下几点局限性：
1、简单的应用2D卷积提取空间特征会忽略时间和空间特征之间的相互关系并且相邻时间间隔的特征的动态变化无法捕获；
2、直接运用3D卷积提取时空特征会使得局部空间特征细节挖掘不充分并且会引入较多冗余空间特征信息；
3、局部卷积操作对远距离空间依赖挖掘不充分。
发明内容
为解决上述问题，本发明提出一种基于混合卷积LSTM的城市短时交通流预测方法，构建基于混合卷积LSTM的短时交通流预测模型，该模型包括特征融合模块、混合卷积模块和空间感知多注意力模块，基于混合卷积LSTM的城市短时交通流预测方法包括以下步骤：
S1.根据经纬度将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据；
S2.对获取的原始轨迹数据进行处理后分为N个时间步，每个时间步包含m个时刻的交通流图；
S3.将交通流图按时间信息划分为节假日的交通流图和星期一到星期天的交通流图，将划分的交通流图作为外部因素；
S4.将每个时间步的交通流图和其该时间步对应时间的外部因素输入特征融合模块进行特征融合，每个时间步有m帧特征融合图；
S5.将每个时间步的特征融合图分别输入混合卷积模块获得对应的隐藏图，将得到的所有隐藏图进行拼接，得到一个完整隐藏图；
S6.对完整隐藏图进行上采样后送入空间感知多注意力模块，得到模块输出图；
S7.将模块输出图与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。
进一步的，将一个时间步的交通流图与其对应的外部因素输入特征融合模块，得到特征融合图的过程为：
S11.采用3D跨步卷积对原交通流图进行降采样，得到新的交通流图，其长和宽的尺寸为原交通流图的一半；
S12.对外部因素进行卷积，并对卷积后的外部因素复制整形使其尺寸与新的交通流图一致；
S13.将新的交通流图和复制整形后的外部因素进行拼接，得到特征融合图。
进一步的，混合卷积模块包括混合卷积单元和LSTM网络，将一个时间步的特征融合图输入混合卷积模块得到隐藏图的过程包括：
S21.采用3D卷积对时间步内的m帧特征融合图进行卷积，得到3D特征图；
S22.采用2D卷积对时间步内的最后一帧特征融合图进行空间特征提取，得到2D特征图；
S23.对2D特征图进行UNsqueeze，并与3D特征图进行融合，得到特征结合图；
S24.将特征结合图输入LSTM网络获取隐藏图。
进一步的，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：
第一种融合策略：
第二种融合策略：
其中，
表示3D卷积，
表示为2D卷积操作，
表示一个时间步内的m帧特征融合图，Ft表示一个时间步内的最后一帧特征融合图。
进一步的，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：
其中，
表示3D卷积，
表示为2D卷积操作，Concat(·)表示沿轴拼接操作，
表示一个时间步内的m帧特征融合图，Ft表示一个时间步内的最后一帧特征融合图。
进一步的，步骤S6包括：
对完整隐藏图进行上采样得到新完整隐藏图，新完整隐藏图的长和宽尺寸变为完整隐藏图的2倍；
将新完整隐藏图输入通道注意力模块进行全局感知，获取最有意义的通道特征；
将最有意义的通道特征送入空间注意力模块进行局部感知，获取具体的空间位置；
将新完整隐藏图与具体的空间位置进行融合，得到模块输出图。
进一步的，通道注意力模块和空间注意力模块对新完整隐藏图进行处理的过程表示为：
MG(·)＝σ(FC(AvgPool(·))+FC(MaxPool(·)))；
ML(·)＝σ(Conv3d(Concat[Avg(·),Max(·)]))；
其中
为新隐藏图，
为最有意义的通道特征，
为具体的空间位置，
为模块输出图，MG(·)为通道注意力模块，ML(·)为空间注意力模块，AvgPool(·)和MaxPool(·)分别为(T×1×1)的3D自适应平均池化和3D自适应最大池化，
表示对通道进行缩放操作，
表示3D卷积，Avg(·)和Max(·)为沿着通道轴的平均值和计算最大值的操作，LeakyReLU为激活函数，Concat(·)表示沿轴拼接操作，σ为sigmoid激活函数，Conv3d(·)表示3D卷积。
进一步的，步骤S7中对预测的交通流图进行反归一化产生真实交通流量值的公式为：
其中，Xt表示最后一个时间步的最后一帧交通流图，
为模块输出图，Conv3d表示3D卷积，Tanh为激活函数。
一种基于混合卷积LSTM的城市短时交通流预测系统，包括处理模块、特征融合模块、混合卷积模块、拼接模块、空间感知多注意力模块和预测模块：
处理模块，用于将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据，处理获取的原始轨迹数据，生成交通流图；
特征融合模块，用于将处理模块生成的交通流图与节假日的交通流数据、星期一到星期天的交通流数据进行融合，得到特征融合图；
混合卷积模块，用于对特征融合模块生成的特征融合图进行空间特征提取，生成隐藏图；
拼接模块，用于将混合卷积模块生成的所有隐藏图进行拼接，得到完整隐藏图；
空间感知多注意力模块，用于对完整隐藏图进行全局感知和局部感知；
预测模块，用于融合交通流图与空间感知多注意力模块的输出结果，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。
本发明的有益效果：
本发明设计了一个混合卷积模块(Hybrid Convolution Module)替换时空LSTM中的简单卷积操作，包含2D卷积、3D卷积和融合操作；2D卷积提取局部空间特征，3D卷积捕获相邻时间间隔的空间特征变化，通过融合操作将2D特征图和3D特征图拼接；将混合卷积模块嵌入时空LSTM中，能有效地同时提取时间和空间特征，捕获时空特征间的相互关系。
本发明使用跨步卷积将交通流图及特征图尺寸减小，减少计算量的同时增大相对感受野，更有效的捕获长距离空间特征；还设计了一个多注意力空间感知模块(Multi-attention Space Perception Module)，该模块结合降采样(Downsampling)和上采样(Upsampling)操作，先将交通流图降尺度来提取远距离空间依赖并减少计算量，再将特征图还原到原画幅尺寸进行局部和全局的空间特征的感知操作；多注意力空间感知模块能有效地从全局和局部的角度出发，再一次感知各部分的重要性，从而提高重要的时空信息的权重占比，提高了预测性能。
附图说明
图1为本发明的预测方法流程图；
图2为本发明的模型框架图。
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，本领域普通技术人员在没有做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。
一种基于混合卷积LSTM的城市短时交通流预测方法，本发明构建短时交通流预测模型，该模型包括特征融合模块、混合卷积模块和空间感知多注意力模块，基于混合卷积LSTM的城市短时交通流预测方法包括以下步骤
S1.根据经纬度将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据；
S2.对获取的原始轨迹数据进行处理后分为N个时间步，每个时间步包含m个时刻的交通流图；
S3.获取节假日的交通流数据和星期的交通流数据，统称为外部因素；
S4.依次将N个时间步的交通流图和其对应的外部因素输入特征融合模块进行特征融合，每个时间步得到m帧特征融合图；
S5.依次将N个时间步的特征融合图输入混合卷积模块获得对应的隐藏图，将N个隐藏图进行拼接，得到一个完整隐藏图；
S6.对完整隐藏图进行上采样后送入空间感知多注意力模块，得到模块输出图；
S7.将模块输出图与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。
优选地，本发明根据经纬度将整个城市划分为多个(I×J)网格，每个网格的尺寸都相同且各自表示城市的一个区域。一个物体的原始轨迹记作Tr，是一个由一系列带有时间戳的位置点构成的有限序列，每个点形如gk(xk,yk,tk)，则有Tr＝g1,g2,…,gl，其中l为Tr的长度。采集网格的轨迹数据，假设
是所有移动物体在t时的轨迹合集，对于一个特定的区域(i,j)，当时间为t时，该特定区域的进/出流表示为：
进流：
出流：
其中gt∈(i,j)表示轨迹点gt在时间t时处于区域(i,j)，
表示在时间t-1时刻不处于区域(i,j)，
表示在时间t+1时刻不处于区域(i,j)。
城市每个区域在t时的进/出流可以表示为一个三维的交通流图Xt∈R2×I×J，获取交通流历史观测值{Xt∣t＝1,2,3,…,n}，并对Xt进行最大最小归一化处理，使其都介于[-1,1]之间。
优选地，为进一步提升预测效果，引入包括节假日和星期一到星期天交通流数据的外部因素(External Factors)，并将外部因素编码为独热向量(One-hot)进行使用，表示为{Et∣t＝1,2,3,…,n}。
具体地，将外部因素编码为独热向量，例如用两个状态码表示是否为节假日，若是节假日，则用状态码01表示，若不是节假日，则用状态码10表示；星期一到星期天共7个状态值，则用7位来表示，例如1000000为星期一，0100000为星期二，同理0000001为星期天。
优选地，将一个时间步的交通流图与其对应的外部因素输入特征融合模块，得到特征融合图的过程为：
S11.采用3D跨步卷积对原交通流图进行降采样，得到新的交通流图，其长和宽的尺寸为原交通流图的一半；
S12.对外部因素进行卷积，并对卷积后的外部因素复制整形使其尺寸与新的交通流图一致；
S13.将新的交通流图和复制整形后的外部因素进行拼接，得到特征融合图。
优选地，混合卷积模块采用混合卷积+LSTM的结构，将一个时间步的特征融合图输入混合卷积模块得到隐藏图的过程包括：
S21.采用3D卷积对时间步内的m帧特征融合图进行卷积，得到3D特征图；
S22.采用2D卷积对时间步内的最后一帧特征融合图进行空间特征提取，得到2D特征图；
S23.对2D特征图进行UNsqueeze，并与3D特征图进行融合，得到特征结合图；
S24.将特征结合图输入LSTM网络获取隐藏图。
具体地，LSTM的结构为E3D-LSTM提出的时空LSTM网络，其中时空LSTM单元中的每个变换操作都替换为本发明提出的混合卷积模块(Hybrid Convolution Module)，时空LSTM网络表示如下：
其中，时空LSTM网络包含四个主要输入：时间步的特征融合图
其由步骤S4得到或者上一层LSTM层的隐藏状态；
为前一个时间戳的隐藏状态；
为前一个时间戳的记忆单元；
为前一个时空记忆状态；
σ表示为sigmoid函数，·表示矩阵乘法，⊙表示矩阵的哈达玛积，
为输入门，
为输入调制门，
为召回门，τ为记忆的历史信息的长度，LN(·)为层正则化操作；相似的，
为时空记忆状态
的相对应的三个门，
为输出门，
为卷积核为(1×1×1)大小的3D卷积，Softmax计算概率函数，Tanh为一种激活函数。
均为对不同输入所做的混合卷积操作，br、bi、bg、b′p、b′i、b′g为各自对应项的偏置变量。
在一实施例中，对获取的原始轨迹数据进行处理后分为3个时间步，每个时间步包含2个时刻的交通流图，第一个时间步包含t-2时刻和t-1时刻的交通流图，第二个时间步包含t-1时刻和t时刻的交通流图。第三个时间步包含t时刻和t+1时刻的交通流图，每个交通流图的长都为I,宽都为J；
第一时间步输入特征融合模块，首先进行降采样，采用3D跨步卷积将t-2时刻和t-1时刻的交通流图的尺寸降为之前的一半，即
然后将第一时间步所对应的外部因素进行卷积，将卷积后的外部因素复制整形，使其与降采样后的交通流图形状一致，沿通道轴将降采样后的交通流图与其复制整形后的外部因素进行拼接，得到第一时间步的2帧特征融合图；
将第一时间步的2帧特征融合图输入混合卷积模块，采用3D卷积对第一时间步内的2帧特征融合图进行卷积，得到3D特征图，再采用2D卷积对第一时间步内的最后一帧特征融合图进行空间特征提取，得到2D特征图，2D特征图进行UNsqueeze后与3D特征图进行融合，得到第一时间步的特征结合图；将第一时间步的特征结合图输入LSTM网络获取第一时间步的隐藏图；
第二时间步和第三时间步重复上述相同的操作，得到第二时间步的隐藏图和第三时间步的隐藏图，将三个时间步的隐藏图进行拼接得到完整隐藏图。
在一实施例中，采用两种融合策略，将2D特征图与3D特征图结合在一起，表示为：
第一种融合策略：
第二种融合策略：
其中，
表示3D卷积，
表示为2D卷积操作，Concat(·)表示沿轴拼接操作，
表示一个时间步内的m帧特征融合图，Ft表示一个时间步内的最后一帧特征融合图。
优选地，将完整隐藏图送入空间感知多注意力模块，得到模块输出图的过程包括：
对完整隐藏图进行上采样得到新完整隐藏图，新完整隐藏图的长和宽尺寸变为完整隐藏图的2倍；
将新完整隐藏图输入通道注意力模块进行全局感知，获取最有意义的通道特征；
将最有意义的通道特征送入空间注意力模块进行局部感知，获取具体的空间位置；
将新完整隐藏图与具体的空间位置进行融合，得到模块输出图。
具体地，通道注意力模块和空间注意力模块对新完整隐藏图进行处理的过程表示为：
MG(·)＝σ(FC(AvgPool(·))+FC(MaxPool(·)))；
ML(·)＝σ(Conv3d(Concat[Avg(·),Max(·)]))；
其中
为新隐藏图，
为最有意义的通道特征，
为具体的空间位置，
为模块输出图，MG(·)为通道注意力模块，ML(·)为空间注意力模块，AvgPool(·)和MaxPool(·)分别为(T×1×1)的3D自适应平均池化和3D自适应最大池化，
表示对通道进行缩放操作，为一种多层感知机(MLP)的操作，即全局感知拼接后的通道数为C，公式内层将通道数压缩为C/r，r为通道缩放因子，可以根据任务调整r来调整到最佳预测性能，外层将通道数回放到C，
表示3D卷积，Avg(·)和Max(·)为沿着通道轴的平均值和计算最大值的操作，LeakyReLU为激活函数；
具体地，全局感知(通道注意力模块)先对新完整隐藏图进行平均池化和最大池化，分别得到(T×1×1)的特征图，接着送入一个拥有两层1×1×1的3D卷积的神经网络，两层3D卷积共享参数，σ为sigmoid激活函数，在激活后生成通道注意力特征，该特征即为一种权重，与其输入的
进行元素相乘得到局部感知(空间注意力模块)所需要的输入。
优选地，将模块输出图与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图，并对预测的交通流图进行反归一化产生真实交通流量值的公式为：
其中，Xt表示最后一个时间步的最后一帧交通流图，
为模块输出图，Conv3d表示3D卷积，Tanh为激活函数。
在一实施例中，构建基于混合卷积LSTM的短时交通流预测模型，进行城市短时交通流预测的流程如图1所示，包括：
S101、获取城市的原始轨迹数据，对获取的原始轨迹数据进行缺失值处理，将处理后的数据进行最大最小归一化，使其都介于[-1,1]之间；
S102、将步骤S101得到的数据进行时间步划分，每个时间步都包含进出交通流图；
S103、获取每个时间步对应的外部因素并编码成独热向量；
S104、将步骤S102与步骤S103的结果进行特征融合，得到特征融合图；
S105、将特征融合图送入混合卷积模块进行空间特征提取，然后输入时空LSTM单元得到每个时间步的隐藏图；
S106、将所有隐藏图进行拼接得到完整隐藏图，对完整隐藏图进行上采样后送入空间感知多注意力模块；
S107、在空间感知多注意力模块得到模块输出图，将其与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图；
S108、对预测的交通流图进行反归一化产生真实交通流量值。
在一实施例中，提出一种基于混合卷积LSTM的城市短时交通流预测系统，如图2所示，包括处理模块、特征融合模块、混合卷积模块、拼接模块、空间感知多注意力模块和预测模块：
处理模块，用于将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据，处理获取的原始轨迹数据，生成交通流图；
特征融合模块，用于将处理模块生成的交通流图与节假日的交通流数据、星期的交通流数据进行融合；
混合卷积模块，用于对特征融合模块生成的特征融合图进行空间特征提取，生成隐藏图；
拼接模块，用于将混合卷积模块生成的所有隐藏图进行拼接，得到完整隐藏图；
空间感知多注意力模块，用于对完整隐藏图进行全局感知和局部感知；
预测模块，用于融合交通流图与空间感知多注意力模块的输出结果，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，构建基于混合卷积LSTM的短时交通流预测模型，该模型包括特征融合模块、混合卷积模块和空间感知多注意力模块，基于混合卷积LSTM的城市短时交通流预测方法包括以下步骤：
S1.根据经纬度将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据；
S2.对获取的原始轨迹数据进行处理后分为N个时间步，每个时间步包含m个时刻的交通流图；
S3.将交通流图按时间信息划分为节假日交通流图和星期一到星期天的交通流图，将划分好的交通流图作为外部因素；
S4.将每个时间步的交通流图和该时间步对应时间的外部因素输入特征融合模块进行特征融合，每个时间步融合得到m帧特征融合图；
将一个时间步的交通流图与其对应的外部因素输入特征融合模块，得到特征融合图的过程为：
S11.采用3D跨步卷积对原交通流图进行降采样，得到新的交通流图，其长和宽的尺寸为原交通流图的一半；
S12.对外部因素进行卷积，并对卷积后的外部因素复制整形使其尺寸与新的交通流图一致；
S13.将新的交通流图和复制整形后的外部因素进行拼接，得到特征融合图；
S5.将每个时间步的特征融合图分别输入混合卷积模块获得对应的隐藏图，将得到的所有隐藏图进行拼接，得到一个完整隐藏图；
混合卷积模块包括混合卷积单元和LSTM网络，将一个时间步的特征融合图输入混合卷积模块得到隐藏图的过程包括：
S21.采用3D卷积对时间步内的m帧特征融合图进行卷积，得到3D特征图；
S22.采用2D卷积对时间步内的最后一帧特征融合图进行空间特征提取，得到2D特征图；
S23.对2D特征图进行UNsqueeze，并与3D特征图进行融合，得到特征结合图；
S24.将特征结合图输入LSTM网络获取隐藏图；
S6.对完整隐藏图进行上采样后送入空间感知多注意力模块，得到模块输出图；
S7.将模块输出图与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。
2.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：
其中，
表示3D卷积，
表示为2D卷积操作，
表示一个时间步内的m帧特征融合图，Ft表示一个时间步内的最后一帧特征融合图。
3.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：
其中，
表示3D卷积，
表示为2D卷积操作，Concat(·)表示沿轴拼接操作，
表示一个时间步内的m帧特征融合图，Ft表示一个时间步内的最后一帧特征融合图。
4.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S6包括：
对完整隐藏图进行上采样得到新完整隐藏图，新完整隐藏图的长和宽尺寸变为完整隐藏图的2倍；
将新完整隐藏图输入通道注意力模块进行全局感知，获取最有意义的通道特征；
将最有意义的通道特征送入空间注意力模块进行局部感知，获取具体的空间位置；
将新完整隐藏图与具体的空间位置进行融合，得到模块输出图。
5.根据权利要求4所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，通道注意力模块和空间注意力模块对新完整隐藏图进行处理的过程表示为：
MG(·)＝σ(FC(AvgPool(·))+FC(MaxPool(·)))
ML(·)＝σ(Conv3d(Concat[Avg(·)，Max(·)]))；
其中
为新隐藏图，
为最有意义的通道特征，
为具体的空间位置，
为模块输出图，MG(·)为通道注意力模块，ML(·)为空间注意力模块，σ为sigmoid激活函数，AvgPool(·)和MaxPool(·)分别为(T×1×1)的3D自适应平均池化和3D自适应最大池化，
表示对通道进行缩放操作，
表示3D卷积，Avg(·)和Max(·)为沿着通道轴的平均值和计算最大值的操作，LeakyReLU为激活函数，Conv3d表示3D卷积。
6.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S7中对预测的交通流图进行反归一化产生真实交通流量值的公式为：
其中，Xt表示最后一个时间步的最后一帧交通流图，
为模块输出图，Conv3d表示3D卷积，Tanh为激活函数。
7.一种基于混合卷积LSTM的城市短时交通流预测系统，其特征在于，所述系统实现权利要求1至6任一项所述一种基于混合卷积LSTM的城市短时交通流预测方法，所述系统包括处理模块、特征融合模块、混合卷积模块、拼接模块、空间感知多注意力模块和预测模块：
处理模块，用于将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据，处理获取的原始轨迹数据，生成交通流图；
特征融合模块，用于将处理模块生成的交通流图与节假日的交通流数据、星期一到星期天的交通流数据进行融合，得到特征融合图；
混合卷积模块，用于对特征融合模块生成的特征融合图进行空间特征提取，生成隐藏图；
拼接模块，用于将混合卷积模块生成的所有隐藏图进行拼接，得到完整隐藏图；
空间感知多注意力模块，用于对完整隐藏图进行全局感知和局部感知；
预测模块，用于融合交通流图与空间感知多注意力模块的输出结果，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111508145.9A CN114360242B (zh) | 2021-12-10 | 2021-12-10 | 一种基于混合卷积lstm的城市短时交通流预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111508145.9A CN114360242B (zh) | 2021-12-10 | 2021-12-10 | 一种基于混合卷积lstm的城市短时交通流预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114360242A CN114360242A (zh) | 2022-04-15 |
| CN114360242B true CN114360242B (zh) | 2023-04-07 |
Family
ID=81098854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111508145.9A Active CN114360242B (zh) | 2021-12-10 | 2021-12-10 | 一种基于混合卷积lstm的城市短时交通流预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114360242B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071778B (zh) * | 2023-03-31 | 2023-06-27 | 成都运荔枝科技有限公司 | 一种冷链食品仓储管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
| WO2020040411A1 (ko) * | 2018-08-21 | 2020-02-27 | 한국과학기술정보연구원 | 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체 |
| CN112508173A (zh) * | 2020-12-02 | 2021-03-16 | 中南大学 | 交通时空序列多步预测方法、系统及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111130839B (zh) * | 2019-11-04 | 2021-07-16 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
| CN112966853B (zh) * | 2021-02-04 | 2023-12-22 | 南通大学 | 基于时空残差混合模型的城市路网短时交通流预测方法 |
| CN113450568B (zh) * | 2021-06-30 | 2022-07-19 | 兰州理工大学 | 一种基于时空注意力机制的卷积网络交通流预测模型 |
| CN113724504B (zh) * | 2021-08-06 | 2023-04-07 | 之江实验室 | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 |
-
2021
- 2021-12-10 CN CN202111508145.9A patent/CN114360242B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020040411A1 (ko) * | 2018-08-21 | 2020-02-27 | 한국과학기술정보연구원 | 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체 |
| CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
| CN112508173A (zh) * | 2020-12-02 | 2021-03-16 | 中南大学 | 交通时空序列多步预测方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114360242A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112257934A (zh) | 一种基于时空动态神经网络的城市人流预测方法 | |
| Liu et al. | Dynamic spatial-temporal representation learning for traffic flow prediction | |
| Stec et al. | Forecasting crime with deep learning | |
| Mohan et al. | Internet of video things in 2030: A world with many cameras | |
| CN111223301A (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
| US20210150196A1 (en) | Methods and Systems for Forecasting Crowd Dynamics | |
| CN110992414B (zh) | 一种基于卷积神经网络的室内单目场景深度估计的方法 | |
| CN110070489A (zh) | 一种基于视差注意力机制的双目图像超分辨方法 | |
| WO2021177324A1 (ja) | 画像生成装置、画像生成方法、記録媒体生成方法、学習モデル生成装置、学習モデル生成方法、学習モデル、データ処理装置、データ処理方法、推論方法、電子機器、生成方法、プログラム及び非一時的コンピュータ可読媒体 | |
| CN114360242B (zh) | 一种基于混合卷积lstm的城市短时交通流预测方法及系统 | |
| CN113077505B (zh) | 一种基于对比学习的单目深度估计网络的优化方法 | |
| WO2024060558A1 (zh) | 可行域预测方法、装置、系统和存储介质 | |
| Li et al. | Supreme: Fine-grained radio map reconstruction via spatial-temporal fusion network | |
| CN113673769A (zh) | 基于多元时间序列插补的图神经网络交通流预测方法 | |
| CN113159414B (zh) | 一种基于时序图神经网络的交通速度预测方法 | |
| CN114299111B (zh) | 一种基于半监督孪生网络的红外弱小目标跟踪方法 | |
| CN111508013A (zh) | 立体匹配方法 | |
| WO2023160557A1 (zh) | 一种主站调度系统后台画面图像的动态识别方法 | |
| US20140340405A1 (en) | Crowd movement prediction using optical flow algorithm | |
| CN115662128A (zh) | 一种基于注意力机制的动态时空神经网络交通流量预测方法 | |
| CN114663307B (zh) | 基于不确定性网络的集成图像去噪系统 | |
| Alotaibi et al. | Sky imager data reduction using autoencoder and Internet of Things computing | |
| CN115330631A (zh) | 一种基于堆叠沙漏网络的多尺度融合去雾方法 | |
| CN115762147A (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
| CN115131414A (zh) | 基于深度学习的无人机图像对齐方法、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230804 Address after: Room 1001-76, No. 323 Guoding Road, Yangpu District, Shanghai, 200000 Patentee after: Shanghai Footbook Information Technology Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20230804 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231101 Address after: Building 1-1530, Area D2, Fuxing City, No. 32 Binhai Avenue, Longhua District, Haikou City, Hainan Province, 570100 Patentee after: Hainan Kaipu Digital Technology Co.,Ltd. Address before: Room 1001-76, No. 323 Guoding Road, Yangpu District, Shanghai, 200000 Patentee before: Shanghai Footbook Information Technology Co.,Ltd. |