CN114360254B

CN114360254B - 一种基于时空的交通流量预测方法及相关设备

Info

Publication number: CN114360254B
Application number: CN202210263896.7A
Authority: CN
Inventors: 胡春华; 曾萼岚; 缪和; 孙思源; 李子豪
Original assignee: Hunan University of Technology
Current assignee: Hunan University of Technology
Priority date: 2022-03-17
Filing date: 2022-03-17
Publication date: 2022-06-21
Anticipated expiration: 2042-03-17
Also published as: CN114360254A

Abstract

本申请公开了一种基于时空的交通流量预测方法，应用于智慧交通技术领域，用于提高交通流量的预测准确性。本申请提供的方法包括：基于交通流量预测模型对交通流量进行预测，获取预设时间区间内的交通流量信息和天气特征信息，根据所述交通流量信息和所述天气特征信息生成天气特征矩阵；将所述天气特征矩阵输入到所述时间卷积神经网络生成时序特征；通过所述双图卷积网络和预设的动态邻接矩阵生成空间特征，根据卷积层的卷积深度特征，对空间特征、时序特征以及天气特征矩阵进行融合，得到多个融合结果；根据所述全连接层对所述多个融合结果进行融合处理，得到预设时间节点的交通流量预测结果。

Description

一种基于时空的交通流量预测方法及相关设备

技术领域

本申请涉及智慧交通技术领域，尤其涉及一种基于时空的交通流量预测方法及相关设备。

背景技术

交通预测是智能交通系统中的关键部分，是实现交通规划、交通管理和交通控制的重要手段。为了提高对城市交通流的预测结果准确性，以高效实现城市交通管控。

现有技术一般基于交通流的时间相关性对交通路段的交通流量进行预测，以得到交通路段构成的交通区域在未来一段时间区间的交通流量，但是由于交通路网的复杂性，采用单一维度对交通流进行预测，忽略了影响交通流变化的其他因素，造成最终的交通流预测结果不准确。另外，T-GCN等基于图卷积的交通流预测方法，虽然考虑了交通流的空间相关性，在对空间相关性进行度量时，忽略了空间相关性的的动态和静态联系，造成了预测误差，导致最后的预测结果不准确。

发明内容

本申请提供一种基于时空的交通流量预测方法、装置、计算机设备及存储介质，以提高对交通流量进行预测的准确性。

一种基于时空的交通流量预测方法，交通流量预测模型包括时间卷积神经网络、双图卷积网络和全连接层，所述方法包括：

获取预设时间区间内的交通流量信息和天气特征信息，根据所述交通流量信息和所述天气特征信息生成天气特征矩阵；

将所述天气特征矩阵输入到所述时间卷积神经网络中提取时序相关性信息，并基于所述时序相关性信息生成时序特征；

通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征，并将所述空间特征与所述天气特征矩阵、所述时序特征进行融合，得到当前卷积深度的交通流量潜在特征；

通过所述全连接层对所有卷积深度的所述交通流量潜在特征进行融合处理，得到预设时间节点的交通流量预测结果。

一种基于时空的交通流量预测装置，交通流量预测模型包括时间卷积神经网络、双图卷积网络和全连接层，包括：

天气矩阵生成模块，用于获取预设时间区间内的交通流量信息和天气特征信息，根据所述交通流量信息和所述天气特征信息生成天气特征矩阵；

时序特征提取模块，用于将所述天气特征矩阵输入到所述时间卷积神经网络中提取时序相关性信息，并基于所述时序相关性信息生成时序特征；

空间特征提取模块，用于通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征，并将所述空间特征与所述天气特征矩阵、所述时序特征进行融合，得到当前卷积深度的交通流量潜在特征；

预测结果输出模块，用于通过所述全连接层对所有卷积深度的所述交通流量潜在特征进行融合处理，得到预设时间节点的交通流量预测结果。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并在所述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实现上述一种基于时空的交通流量预测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于时空的交通流量预测方法的步骤。

本申请提供的基于时空的交通流量预测方法、装置、计算机设备及存储介质，获取天气特征信息，并通过卷积计算将天气特征信息与交通流量信息进行融合，得到天气特征矩阵，进一步通过时间卷积神经网络提取天气特征矩阵中的时序相关性信息，并生成时序特征，并通过双图卷积网络和预设的动态邻接矩阵，提取时序特征的空间相关性信息，并根据空间相关性信息生成空间特征，得到当前卷积深度的交通流量潜在特征，通过全连接层融合所有卷积深度的交通流量潜在特征，得到包括了天气特征、时序特征以及空间特征的交通流量预测结果，通过多个维度对交通流量进行特征提取，以得到最后的交通流量预测结果，进一步保证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申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例中基于时空的交通流量预测方法的一应用环境示意图；

图2是本申请一实施例中基于时空的交通流量预测方法的一流程图；

图3是本申请一实施例中基于时空的交通流量预测装置的结构示意图；

图4是本申请一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。

本申请实施例提供的基于时空的交通流量预测方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

系统框架100可以包括终端设备、网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备通过网络与服务器交互，以接收或者发送消息等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的基于时空的交通流量预测方法由服务器执行，相应地，基于时空的交通流量预测装置设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备具体可以对应的是实际生产中的应用系统。

在一实施例中，如图2所示，提供一种基于时空的交通流量预测方法，交通流量预测模型包括时间卷积神经网络、双图卷积网络和全连接层，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10，获取预设时间区间内的交通流量信息和天气特征信息，根据交通流量信息和天气特征信息生成天气特征矩阵。

具体的，针对某个交通路段区域，获取该交通路段区域在预设时间区间的交通流量信息和天气特征信息。

其中，交通路段区域由多个交通路段相互交错组成，交通路段之间存在相互关系构成交通路网，通过交通路网构成交通路段区域。

将每个交通路段作为采集节点，通过传感器获取每个采集节点的交通流量信息，得到交通路段区域内的交通流量信息。

进一步的，将某个区域作为采集节点，则获取该区域在预设时间区间内的交通流量信息。

获取交通路段区域在预设时间区间内的交通流量信息以及天气特征信息，预设时间区间是指由起始时间节点和终止时间节点组成的时间区间，例如，起始时间节点是星期一，终止时间节点是星期三，则预设的时间区间则是[星期一，星期三]。获取交通路段区域在[星期一，星期三]的交通流量信息，并获取预设时间区间的天气情况得到天气特征信息。

按照预设的时间节点，按照时间节点以及每个时间节点的交通流量，构成流量信息矩阵。并将每个时间节点的天气特征与交通流量进行绑定，通过卷积计算，融合交通流量和天气特征，得到天气特征矩阵。其中，天气特征矩阵包括了每个交通路段交通流量和天气特征。

进一步的，某个交通路段区域通过传感器获取交通流量信息，根据当前交通路段区域传感器数量n获取交通流量序列作为交通流量信息，交通流量序列是指一序列时间节点的交通流量构成的序列，例如某一交通流量序列

,根据交通流量序列构成流量特征。作为一种可选的实施方式，以流量特征矩阵的形式表示。其中，序列长度为n。每个时刻均对应一个天气特征，例如W_t={“晴”}表示当前交通流量区域的天气特征为“晴”。

将天气特征和流量特征进行融合，得到流量增广矩阵，对流量增广矩阵进行卷积计算，得到天气特征矩阵。

作为一种可选的实施方式，按照不同天气类型对交通流量的影响程度，将天气特征划分为无影响（包括晴、多云、阴），弱影响（包括小雨、小雪），中等影响（包括中雨、中雪、雾、浮尘）和强影响（包括大雨、暴雨、大雪、雷暴、冻雨、沙尘暴）四类，并对其量化。如W_t={“晴”}则有W_t={1}，如W_t={“小雨”}则有W_t={2}，以此类推对天气因素进行量化。

S20,将天气特征矩阵输入到时间卷积神经网络中提取时序相关性信息，并基于时序相关性信息生成时序特征。

具体的，将天气特征矩阵输入时间卷积神经网络，根据时序相关信息生成时序特征。

具体的，时间卷积神经网络中包括扩散卷积和门控机制，通过扩散卷积获取时间区间内的时间序列，构成时序相关信息并以此生成时序特征，通过门控机制减少提取出的时序特征的噪声。

作为一种可选的实施方式，根据流量增广矩阵进行卷积计算，得到时序特征。

S30,通过双图卷积网络和预设的动态邻接矩阵，获取时序特征的空间相关性信息，并基于空间相关性信息生成空间特征，并将空间特征与天气特征矩阵、时序特征进行融合，得到当前卷积深度的交通流量潜在特征。

具体的，当前卷积深度用于表征进行当前卷积计算中，参与进行卷积计算的神经元构成的卷积层。不同卷积层的神经元进行卷积计算产生不同卷积深度的交通流量潜在特征。

需要说明的是，每层卷积层通过跳跃连接，记录提取的时序特征、空间特征，根据交通流量预测模型在当前卷积深度，对时序特征、空间特征以及天气特征矩阵进行卷积计算，得到当前卷积深度的交通流量潜在特征。

具体的，获取预设的动态邻接矩阵，根据tucker分解计算得到动态邻接矩阵的拉普拉斯矩阵，通过对时序图特征和拉普拉斯矩阵进行卷积计算，提取空间相关性信息，由双图卷积网络输出空间特征。

其中，根据天气特征矩阵中的时间节点，获取交通流量序列对应的因子矩阵

，由此计算动态邻接矩阵

，该矩阵与拉普拉斯矩阵一样，均为

的矩阵。

进一步的，其中，时间卷积神经网络包括多个卷积层，每个卷积层提取时序相关性信息，得到时序特征。

S40,通过所述全连接层对所有卷积深度的所述交通流量潜在特征进行融合处理，得到预设时间节点的交通流量预测结果。

将每层卷积层得到的时序特征输入双图卷积网络提取空间特征，重复执行步骤S20至S30，得到多层卷积深度下的交通流量潜在特征，最终，通过全连接层对所有的卷积深度的交通流量潜在特征进行融合，得到预设时间节点的交通流量信息。

本申请实施例提供的基于时空的交通流量预测方法，获取天气特征信息，并通过卷积计算将天气特征信息与交通流量信息进行融合，得到天气特征矩阵，进一步通过时间卷积神经网络提取天气特征矩阵中的时序相关性信息，并生成时序特征，并通过双图卷积网络和预设的动态邻接矩阵，提取时序特征的空间相关性信息，并根据空间相关性信息生成空间特征，并得到当前卷积深度的交通流量潜在特征，再通过全连接层对所述卷积深度的交通流量潜在特征进行融合，得到包括了天气特征、时序特征以及空间特征的预设时间节点的交通流量预测结果，通过多个维度对交通流量进行特征提取，以得到最后的交通流量预测结果，进一步保证了交通流量预测结果的准确性。

进一步的，在本实施例中，作为一种可选的实施方式，在步骤S10中，获取预设时间区间内的交通流量信息和天气特征信息，根据交通流量信息和天气特征信息生成天气特征矩阵包括：

S101,根据交通路段标识，获取交通路段标识对应的交通流量信息，将交通流量信息作为流量特征。

S102,获取每个时间节点的天气特征，将天气特征与流量特征进行融合，得到流量增广矩阵。

S103,对流量增广矩阵进行卷积计算，得到交通路段标识的天气特征矩阵。

具体的，根据交通路段的标识，获取每个交通路段的路段流量以及每个交通路段在一系列时间节点时的路段信息，将每个交通路段的路段流量作为流量特征。

具体的，获取每个时间节点的天气特征，按照时间节点，将天气特征和交通流量信息绑定，其中，流量增广矩阵根据如下公式表示：

其中，d_i,t表示第i个交通路段第t个时间节点的交通流量信息，w_i,t表示第i个路段第t个时间节点的天气特征信息，n指的是传感器的数量，即交通流量序列的长度。

通过卷积计算操作将流量增广矩阵中的天气特征和交通流量信息进行卷积计算，融合天气特征信息和交通流量信息，得到天气特征矩阵。

天气特征矩阵根据如下公式表示：

f_i,t表示第i个交通路段第t个时间节点的交通流量，其中每个交通流量包括当前时间节点的天气特征。

在本实施例中，通过将天气特征信息与交通流量信息进行融合，生成天气特征矩阵，得到了天气特征和交通流量的相互关系，用于表征天气特征对交通流量的影响程度，在生成天气特征矩阵的过程中，对天气特征进行精确度量，进而保证能够根据天气特征矩阵准确描述天气特征对于交通流量的影响程度，将天气特征矩阵作为预测交通流量的维度之一，保证了交通流量的预测准确度。

进一步的，在本实施例中，作为一种可选的实施方式，在步骤S20中，将天气特征矩阵输入到时间卷积神经网络中提取时序相关性信息，并基于时序相关性信息生成时序特征包括：

S201,将天气特征矩阵输入时间卷积神经网络，通过每层卷积层对天气特征矩阵进行扩散卷积，提取出时序子特征。

S202,基于跳跃连接方式，对每层卷积层提取出的时序子特征进行融合，生成时序特征。

具体的，时间卷积神经网络包括多层卷积层，每层卷积层对应的卷积深度特征不同。按照当前卷积深度特征，将天气特征矩阵输入时间卷积神经网络中对应的卷积层，并对天气特征矩阵进行扩散卷积，提取出时序子特征，时序子特征表示每个采集节点的时间关联关系，将时序子特征通过跳跃连接进行记录，并对时序子特征进行融合，得到时序特征。进一步的，时序特征通过跳跃连接模块记录。

其中，时序特征通过N个

维的矩阵表示，其中，N为时间卷积神经网络隐含层的个数，n为传感器的个数及交通流量序列的长度，t表示时间节点的个数。

进一步的，时间卷积神经网络包括门控机制模块，通过门控机制模块定期遗忘天气特征矩阵中的非关键因素，从而削弱噪声对交通流量预测结果的影响，更好地提取出时序子特征。

时间卷积神经网络上输出时序特征后，将时序特征输入到动态图卷积网络中，得到时序特征的起始时间节点，根据Tucker分解的逆运算，获取每个时间节点的动态邻接矩阵。在本实施例中，通过时间卷积神经网络，对天气特征矩阵中的时间相关性进行处理，提取出时序特征，时序特征用于描述交通路段之间的时间相关性对于交通流量的影响，进而能够保证在对交通流量进行预测时，能够参考时间相关性即时序特征对于交通流量的影响，有利于提高交通流量预测结果的准确性。需要说明的是，每个时间节点对应一个动态邻接矩阵。

进一步的，在本实施例中，作为一种可选的实施方式，在步骤S30中，通过双图卷积网络和预设的动态邻接矩阵，获取时序特征的空间相关性信息，并基于空间相关性信息生成空间特征包括：

S301,基于动态邻接矩阵，根据张量运算方式，生成时序特征的权重参数，并基于权重参数，得到动态空间特征。

S302,通过图卷积网络对动态空间特征进行融合，得到空间特征。

具体的，根据地理交互信息，获取邻接矩阵，并计算邻接矩阵的拉普拉斯矩阵，并根据拉普拉斯矩阵为时序特征中的每个路段节点添加权重参数，得到权重输出特征，其中，权重参数表示每个路段节点由于地理空间造成的静态相关关系。

其中，静态相关关系是指交通路段之间因为地理位置相邻，并且因为地理位置存在交通流的交叉。

例如，静态相关关系是指交通路段之间存在连接关系的信息。例如，某一交通路段区域包括交通路段1与交通路段2，其中，交通路段1与交通路段2存在交叉路口，则交通路段1与交通路段2之前存在静态相关关系，将提取出的静态相关关系以邻接矩阵表示。

具体的，邻接矩阵用于表示交通路段节点之间的连通关系，例如，交通路段节点1与交通路段节点3相连，则邻接矩阵第一行第三列为1，否则为0。

可以得出，若交通路段1出现交通拥堵，则交通路段2不可避免也会出现交通拥堵。根据拉普拉斯矩阵获取其中的地理相互信息，生成空间特征，用于描述交通路段的连接关系对于交通流量的影响关系，从而将空间特征用于预测交通流量。

需要说明的是，在根据图卷积网络对地理相互信息和权重输出特征进行卷积操作，将地理相互信息和权重输出特征进行融合的过程中，需要对动态邻接矩阵进行反向训练，通过损失函数对动态邻接矩阵进行更新，从而能够更准确地度量区域间的动态相互关系。

例如，某个城市划分分为“工作区”、“居民区”、“商业区”等多个不同的区域，假设大家均为5点至6点之间下班，此时工作区会发生较大的拥堵，但居民区则不会出现拥堵，其拥堵时间点通常在6点至7点左右。显然两个区域即使在空间上并不相临，此时确存在很强的动态相关关系。通过图卷积机制获取其中的动态相关关系，根据动态相关关系和静态相关关系对空间相关性信息进行描述，得到空间特征。

在本实施例中，通过图卷积网络获取空间相关信息，根据空间相关信息生成空间特征，通过空间特征描述不同交通路段之间的空间相关性，根据空间相关性生成空间特征，将空间特征作为预测交通流量的维度，提高交通流量的预测结果的准确性。

进一步的，在本实施例中，作为一种可选的实施方式，在步骤S302中，获取地理相互信息，通过图卷积网络对地理相互信息和权重输出特征进行融合，得到空间特征包括：

S3021，根据地理相互信息和权重输出特征进行卷积计算，得到卷积结果。

S3022,根据卷积结果和权重输出特征，确定残差值，将残差值与卷积结果相加，得到空间特征。

具体的，通过扩散卷积对地理相互信息和权重输出特征进行卷积计算，得到卷积结果，在卷积计算的过程中，存在一定程度的特征损失，根据权重输出特征的序列长度以及卷积结果的序列长度，确定残差值，将残差值与卷积结果进行相加，得到残差结果，将残差结果作为残差连接后的结果，即空间特征。

在本实施例中，通过残差连接，进一步保存在卷积计算过程中损失的特征，保证最后的空间特征能够准确描述空间相关性，进一步保证交通流量预测结果的准确性。

进一步的，在本实施例中，作为一种可选的实施方式，在步骤S30，通过双图卷积网络和预设的动态邻接矩阵，获取时序特征的空间相关性信息，并基于空间相关性信息生成空间特征之前，包括：

S31,基于交通流量信息，确定每个时间节点的交通流量，并基于交通流量生成动态图。

S32,针对同一时间节点，通过tucker逆分解方式，从动态图获取每个时间节点的动态邻接矩阵。

具体的，获取每个时间节点的交通流量，其中，交通流量由多个交通路段节点在当前时间节点的交通流量组成。

针对每个时间节点的交通流量，通过Tucker分解的逆运算，获取当前时间节点对应的动态邻接矩阵，其中，动态邻接矩阵的维度由交通路段节点的个数决定。

动态邻接矩阵根据如下公式表示：

其中

表示核张量，

、

分别表示两个因子矩阵，

则表示T时刻对应的因子矩阵，e表示动态图的嵌入维度。

根据获得的因子矩阵计算得到动态邻接矩阵。进一步的，按照预设的时间长度将时间长度内所有的动态邻接矩阵作为自适应动态图，自适应动态图用于记录不同时间节点各个交通路段节点之间的动态相互作用。

其中，自适应动态图根据如下公式表示：

其中，一个时间节点对应一个动态邻接矩阵，时间长度是指由多个时间节点组成的具有时间跨度的时间区间，可以是一天，一个小时等。其中，时间长度至少应该包括一个时间节点。

在本实施例中，通过构建动态邻接矩阵用于描述各个交通路段节点之间的动态关系，从而能够得到更准确的交通流量预测结果。动态邻接矩阵需要根据反向传播进行更新，从而动态更新各个交通路段节点之间的动态关系，进而生成更准确的动态关系描述。

进一步的，在本实施例中，作为一种可选的实施方式，在步骤S40中，根据全连接层对天气特征矩阵、时序特征和空间特征进行融合处理，得到预设时间节点的交通流量预测结果包括：

S401,获取时间卷积网络每一层的时序特征以及对应的空间特征。

S402，通过全连接层对每一层的时序特征和空间特征进行融合，得到交通路段区域在预设时间节点的交通流量预测结果。

具体的，获取时间卷积网络中每一层卷积层输出的时序特征，以及根据时序特征生成的空间特征，将多层时序特征以及多层空间特征与天气特征矩阵进行融合，通过全连接层对每层卷积层的时序特征和空间特征进行连接，得到预设时间节点内的交通流量预测结果，将各个时间节点的交通流量预测信息构成交通流量预测序列，作为交通流量预测结果。

交通流量预测结果根据如下公式表示：

其中

、

、

、

表示全连接层的权重和偏置，

表示激活函数，

表示连接操作。

交通流量预测模型在训练过程不断通过反向传播优化交通流量预测模型的模型参数，以此获得更好的预测结果。

交通流量预测模型训练的过程，函数曲线不断靠近真实曲线的过程，也是误差不断变小的过程。为更好学习所有特征，我们以平均绝对误差作为模型的损失函数来对预测结果进行调整：

其中

和

分别代表预测值和真实值。最终使模型的误差尽可能小，同时保持足够的泛化性。首先使用了融合动态图卷积和图卷积的双图卷积机制来捕获交通流中精准的空间相关关系，通过融合区域流量的动态相关性和地理空间的静态相关性调整交通流预测函数的曲线，以此获得更为精准的预测结果。

在本实施例中，通过全连接层对所有的时序特征和空间特征进行融合，使得最终得到的交通流量预测结果能够包括时序特征和空间特征，以及天气特征，将影响交通流量变化的维度，用于预测交通流量，以此生成更为准确的交通流量预测结果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在一实施例中，提供一种基于时空的交通流量预测装置，该基于时空的交通流量预测装置与上述实施例中基于时空的交通流量预测方法一一对应。如图3所示，该基于时空的交通流量预测装置包括天气矩阵生成模块31、时序特征提取模块32、空间特征提取模块33和预测结果输出模块34。各功能模块详细说明如下：

天气矩阵生成模块31，用于获取预设时间区间内的交通流量信息和天气特征信息，根据交通流量信息和天气特征信息生成天气特征矩阵。

时序特征提取模块32，用于将天气特征矩阵输入到时间卷积神经网络中提取时序相关性信息，并基于时序相关性信息生成时序特征。

空间特征提取模块33，用于通过双图卷积网络和预设的动态邻接矩阵，获取时序特征的空间相关性信息，并基于空间相关性信息生成空间特征，并将空间特征与天气特征矩阵、时序特征进行融合，得到当前卷积深度的交通流量潜在特征。

预测结果输出模块34，用于通过全连接层对所有卷积深度的交通流量潜在特征进行融合处理，得到预设时间节点的交通流量预测结果。进一步的，天气矩阵生成模块31包括：

流量特征获取单元，用于根据交通路段标识，获取交通路段标识对应的交通流量信息，将交通流量信息作为流量特征。

增广矩阵生成单元，用于获取每个时间节点的天气特征，将天气特征与流量特征进行融合，得到流量增广矩阵。

天气矩阵生成单元，用于对流量增广矩阵进行卷积计算，得到交通路段标识的天气特征矩阵。

进一步的，时序特征提取模块32包括：

时序子特征提取单元，用于将天气特征矩阵输入时间卷积神经网络，通过每层卷积层对天气特征矩阵进行扩散卷积，提取出时序子特征。

时序特征生成单元，用于基于跳跃连接方式，对每层卷积层提取出的时序子特征进行融合，生成时序特征。

进一步的，空间特征提取模块33包括：

权重生成单元，用于基于动态邻接矩阵，根据张量运算方式，生成时序特征的权重参数，并基于所述权重参数，得到动态空间特征。

空间特征生成单元，用于通过图卷积网络对动态空间特征特征进行融合，得到空间特征。

进一步的，空间特征生成单元包括：

卷积计算子单元，用于根据地理相互信息和权重输出特征进行卷积计算，得到卷积结果。

空间特征生成子单元，用于根据卷积结果和权重输出特征，确定残差值，将残差值与卷积结果相加，得到空间特征。

进一步的，预测结果输出模块34包括：

特征获取单元，用于获取时间卷积网络每一层的时序特征以及对应的空间特征。

结果预测单元，用于通过全连接层对每一层的时序特征和空间特征进行融合，得到交通路段区域在预设时间节点的交通流量预测结果。

进一步的，基于时空的交通流量预测装置包括如下模块：

时间节点流量确定模块，用于基于交通流量信息，确定每个时间节点的交通流量，并基于交通流量生成动态图。

动态矩阵生成模块，用于针对同一时间节点，通过tucker逆分解方式，从动态图获取每个时间节点的动态邻接矩阵。

其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。

关于基于时空的交通流量预测装置的具体限定可以参见上文中对于基于时空的交通流量预测方法的限定，在此不再赘述。上述基于时空的交通流量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于时空的交通流量预测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于时空的交通流量预测方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于时空的交通流量预测方法的步骤，例如图2所示的步骤S10至步骤S40及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于时空的交通流量预测装置的各模块/单元的功能，例如图3所示模块31至模块34的功能。为避免重复，这里不再赘述。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器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手机的使用所创建的数据（比如音频数据、视频数据等）等。

所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于时空的交通流量预测方法的步骤，例如图2所示的步骤S10至步骤S40及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于时空的交通流量预测装置的各模块/单元的功能，例如图3所示模块31至模块34的功能。为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims

1.一种基于时空的交通流量预测方法，其特征在于，交通流量预测模型包括时间卷积神经网络、双图卷积网络和全连接层，所述方法包括：

其中，获取预设时间区间内的交通流量信息和天气特征信息，根据所述交通流量信息和所述天气特征信息生成天气特征矩阵包括：

根据交通路段标识，获取所述交通路段标识对应的交通流量信息，将所述交通流量信息作为流量特征；

获取每个时间节点的天气特征，将所述天气特征与所述流量特征进行融合，得到流量增广矩阵；

对所述流量增广矩阵进行卷积计算，得到所述交通路段标识的天气特征矩阵；

通过Tucker分解的逆运算获取预设的动态邻接矩阵；

通过所述双图卷积网络和所述预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征，并将所述空间特征与所述天气特征矩阵、所述时序特征进行融合，得到当前卷积深度的交通流量潜在特征；

2.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，所述将所述天气特征矩阵输入到所述时间卷积神经网络中提取时序相关性信息，并基于所述时序相关性信息生成时序特征包括：

将所述天气特征矩阵输入所述时间卷积神经网络，通过每层卷积层对所述天气特征矩阵进行扩散卷积，提取出时序子特征；

基于跳跃连接方式，对每层卷积层提取出的所述时序子特征进行融合，生成所述时序特征。

3.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，所述通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征包括：

基于所述动态邻接矩阵，根据张量运算方式，生成所述时序特征的权重参数，并基于所述权重参数，得到动态空间特征；

通过所述图卷积网络对动态空间特征进行融合，得到所述空间特征。

4.根据权利要求3所述的一种基于时空的交通流量预测方法，其特征在于，通过所述图卷积网络对动态空间特征进行融合，得到所述空间特征包括：

根据地理相互信息，获取邻接矩阵，基于所述邻接矩阵计算得到权重输出特征，并根据所述地理相互信息和所述权重输出特征进行卷积计算，得到卷积结果；

根据所述卷积结果和所述权重输出特征，确定残差值，将所述残差值与所述卷积结果相加，得到所述空间特征。

5.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，在通过所述双图卷积网络和预设的动态邻接矩阵，获取所述时序特征的空间相关性信息，并基于所述空间相关性信息生成空间特征之前，所述方法包括：

基于所述交通流量信息，确定每个时间节点的交通流量，并基于所述交通流量生成动态图；

针对同一时间节点，通过tucker逆分解方式，从所述动态图获取每个时间节点的动态邻接矩阵。

6.根据权利要求1所述的一种基于时空的交通流量预测方法，其特征在于，所述根据所述全连接层对所述天气特征矩阵、所述时序特征和所述空间特征进行融合处理，得到预设时间节点的交通流量预测结果包括：

获取所述时间卷积网络每一层的时序特征以及对应的空间特征；

通过所述全连接层对每一层的时序特征和所述空间特征进行融合，得到交通路段区域在预设时间节点的交通流量预测结果。

7.一种基于时空的交通流量预测装置，其特征在于，交通流量预测模型包括时间卷积神经网络、双图卷积网络和全连接层，包括：

其中，天气矩阵生成模块包括：

流量特征获取单元，用于根据交通路段标识，获取所述交通路段标识对应的交通流量信息，将所述交通流量信息作为流量特征；

增广矩阵生成单元，用于获取每个时间节点的天气特征，将所述天气特征与所述流量特征进行融合，得到流量增广矩阵；

天气矩阵生成单元，用于对所述流量增广矩阵进行卷积计算，得到所述交通路段标识的天气特征矩阵；

动态矩阵生成模块，用于针对同一时间节点，通过Tucker逆分解方式，从动态图获取每个时间节点的动态邻接矩阵；

8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并在所述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实现如权利要求1至6中任一项所述一种基于时空的交通流量预测方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述一种基于时空的交通流量预测方法的步骤。