CN114529081B - 一种时空联合的交通流量预测方法及装置 - Google Patents
一种时空联合的交通流量预测方法及装置 Download PDFInfo
- Publication number
- CN114529081B CN114529081B CN202210150863.1A CN202210150863A CN114529081B CN 114529081 B CN114529081 B CN 114529081B CN 202210150863 A CN202210150863 A CN 202210150863A CN 114529081 B CN114529081 B CN 114529081B
- Authority
- CN
- China
- Prior art keywords
- time
- traffic flow
- space
- flow prediction
- data
- 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 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012795 verification Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种时空联合的交通流量预测方法及装置，属于交通流量预测技术领域，其中，该方法包括：获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据数据集构建监测站点无向图，同时将数据集划分训练集、测试集和验证集；基于监测站点无向图，构建时空联合的交通流量预测模型；利用训练集对时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型；将验证集输入到最优时空联合的交通流量预测模型中，计算未来交通流量预测值。该方法通过对时空注意力进行解耦，将数据进行更加细粒性的特征划分，充分考虑到每个监测点和每个时刻的特征，更高效的提取数据中的空间相关性和时间。
Description
技术领域
本发明涉及交通流量预测技术领域，特别涉及一种时空联合的交通流量预测方法及装置。
背景技术
随着社会的发展，车辆普及到每一户人家，城市道路出现大规模的拥堵情况。科研人员对交通流量预测进行深入研究，发现交通流量预测不是简单受到车辆多少的影响，还受到时间周期，路况，人流等复杂因素的影响，这些因素导致预测结果与实际的结果有很大的差距。当今，科技不断进步，监测设备成本降低，大量监控设备加入到各个道路之中，更多和更加精准的数据被共享，这为交通流量预测打下坚实的数据基础。简单来讲，通过对监测点数据的挖掘，可以更加清晰的了解两个监测点的相关性和一个监测点不同时间段上的流量变化趋势。
交通预测是智能城市发展的基石。准确的交通预测对现实世界是必不可少的，例如城市可以通过交通流量预测有效的缓解拥堵；交通警察可以通过交通流量预测合理安排人手，减少工作负担；各种网络打车软件可以通过交通流量预测合理的规划行驶路线，帮助司机师傅获取更多订单和金钱，帮助乘客节约更多的金钱；打车软件也可以提前将车辆预先分配到高需求地区来满足乘客的需要。交通流量数据的不断增加，为我们建设新型城市提供了一个全新的视角。
交通流量预测模型研究的深入，涌出了大量的模型和方法，大致可以分为几个方向：确定性方法、迁移学习方法、统计学方法、深度学习方法。ARIMA模型是基础和使用最广泛的时间序列模型之一，其具有统计学特性以及在构建模型时用到著名的Box-Jenkins方法论。ARIMA模型主要由三部分组成：AR模型、MA模型和差分的阶数，通过这三个部分可以消除数据中的噪音，从而更好的获取其长期序列。E Tzeng，J Hoffman，N Zhang等人提出了迁移学习的方式，将模型中的参数迁移到外部进行计算，这样无法对TCN等一些卷积参数进行迁移，导致结果并不是十分的理想。随着数据量的逐渐增多，人们使用机器学习来处理这部分数据，但是对于高维度、不稳定、非线性的交通流量数据很难进行有效的分析。而且在特征这方面极度依赖专家经验。
传统的卷积可以有效地提取数据的局部特征，但只能应用于标准网格数据，深度学习的不断发展为解决非欧式数据提供了新的处理方法。在时间序列处理方面：长期短期记忆(LSTM)模型可以捕获时间序列数据的时间依赖性；Fu等人应用LSTM模型及其变体GRU模型预测短期交通流量；陈等人使用包含时间序列折叠和多粒度学习技术的卷积神经网络(CNN)来预测流量；R等人首次应用GRU方法预测乘用车交通流量，并且在后续中wang等人继续对GRU进行改进来达到一个更好的效果。在空间结构处理方面：Velickovic P等人利用自我注意层通过神经网络处理图结构数据，并取得了不错的效果；MAGNN重点提出了元路径级聚合机制，它首先聚合不同元路径实例之间的信息，然后聚合每个元路径中的节点和边缘数据，虽然它具有一定的提升，但是忽略时间相关性；HetSANN设计了一个具有类型感知能力的注意层，而不使用元路径进行信息聚合；HGT提出了一种基于元关系学习和异构自我注意的信息聚合方法。虽然这些方法在HIN嵌入方面表现出良好的性能，但仍存在一些局限性；Jeong等人通过SVM可以建模更复杂的数据，但SVM对空间关系考虑不足，只重视一个节点数据融合，致使预测结果不精准。在时空数据处理方面：duan等人结合CNN和LSTM网络，利用轨迹数据预测交通流量，但是他们没有考虑到交通流量时间数据存在周期相关性，仅仅空间上的相关和一定时间的相关无法准确获取特征，导致其预测结果不精准。Yu等人提出了一种图卷积网络模型(GCN)来解决交通预测问题，并且GCN在节点分类和网络表示方面也表现出了优异的性能；Guo等人考虑到了时间具有一定的周期性，并且将其划分成三个模组分别进行训练，得到预测值，取得较好的结果，但从注意力机制角度出发，其时间粒度划分过大，无法得到每一个时刻的特征。
综上所述，目前的研究工作主要存在的问题是过多的将时空化为一个整体，忽视了单一节点单一时刻特征描绘；较少关注节点之间的高阶邻接关系，每一个节点都不是相互独立的，且互相都有或多或少的影响；忽视了交通流量数据的周期性特征。
发明内容
本发明提供一种时空联合的交通流量预测方法及装置，以用于解决现有技术将时空化为一个整体，忽视了单一节点单一时刻特征描绘；较少关注节点之间的高阶邻接关系，每一个节点都不是相互独立的，且互相都有或多或少的影响；忽视了交通流量数据的周期性特征的技术问题。
本发明一方面实施例提供一种时空联合的交通流量预测方法，包括以下步骤：
步骤S1，获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据所述数据集构建监测站点无向图，同时将所述数据集划分训练集、测试集和验证集；
步骤S2，基于所述监测站点无向图，构建时空联合的交通流量预测模型；
步骤S3，利用所述训练集对所述时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型；
步骤S4，将所述验证集输入到所述最优时空联合的交通流量预测模型中，计算未来交通流量预测值。
本发明另一方面实施例提供一种时空联合的交通流量预测装置，包括：
获取模块，用于获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据所述数据集构建监测站点无向图，同时将所述数据集划分训练集、测试集和验证集；
构建模块，用于基于所述监测站点无向图，构建时空联合的交通流量预测模型；
训练模块，用于利用所述训练集对所述时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型；
预测模块，用于将所述验证集输入到所述最优时空联合的交通流量预测模型中，计算未来交通流量预测值。
本发明又一方面实施例提供一种交通流量预测设备，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，所述处理器执行所述计算机程序时，实现如上述实施例所述的时空联合的交通流量预测方法。
本发明还一方面实施例提供一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例所述的时空联合的交通流量预测方法。
本发明的技术方案，至少实现了如下有益的技术效果：在通过对时空注意力进行解耦，将数据进行更加细粒性的特征划分，充分考虑到每个监测点和每个时刻的特征，更高效的提取数据中的空间相关性和时间相关性；充分考虑到三个模块之间的隐性关系，丰富监测点特征信息；通过构建三个模块间的时序相关性，得到准确的流量预测结果。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种时空联合的交通流量预测方法的流程图；
图2为根据本发明一个实施例的时空联合的交通流量预测方法的模型框架图；
图3为本发明实施例所提供的一种时空联合的交通流量预测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的时空联合的交通流量预测方法及装置，首先将参照附图描述根据本发明实施例提出的时空联合的交通流量预测方法。
图1为本发明实施例所提供的一种时空联合的交通流量预测方法的流程图。
如图1所示，该时空联合的交通流量预测方法包括以下步骤：
在步骤S1中，获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据数据集构建监测站点无向图，同时将数据集划分训练集、测试集和验证集。
进一步地，在本发明的一个实施例中，步骤S1具体包括：
步骤S101，采集预设监测站点的监测数据，提取所有监测站点的特征数据；
步骤S102，将所有监测站点的特征数据按照时间周期性规律进行分类并建立数据集；
步骤S103，根据数据集的各个监测站点之间存在的连通性，把所有的监测站点构成无向图；
步骤S104，对数据集进行预处理，并将预处理后的数据集划分为训练集、测试集和验证集。
具体地，如图1和2所示，数据集包括各个监测点的信息和监测站点的特征数据。在交通流量数据集中，每个监测点都有f时间序列的数据f∈(1，2，...，F)所有节点在τ时间段内所有的特征值定义为χ＝(X1，X2，...，Xt)T∈RN×T×t其中表示所有节点在t时刻所有的特征值。/>表示节点i在t时刻所有的特征值。使用/>表示节点i在t时刻的第c个特征值；
然后采集各个监测点的数据集，假设采样频率为每天q次，假设当前时间为t0，预测窗口的大小为Tp、Th、Td和Tw的三个时间序列段，分别作为最近、日周期和周周期分量的输入。
(1)最近时间：与预测周期直接相邻的历史时间序列段：
(2)日周期：由过去几天与预测期相同时间段的节段组成：
(3)周周期：由过去几周的数据段组成，它们与预测周期具有相同的周属性时间间隔。
接下来根据各个监测站点之间存在的连通性将所有的监测站点构成一张无向图，其中无向图节点表示监测站点的各个特征值，把交通网络定义为无向图G＝(V,E,A)，V是有限节点的集合，E是两个节点的边，A∈RN×N，表示邻接矩阵。将各个节点的特征信息嵌入其中。
最后将数据集进行预处理，以8:1:1的比例划分为训练集、测试集和验证集。
在步骤S2中，基于监测站点无向图，构建时空联合的交通流量预测模型。
进一步地，在本发明的一个实施例中，步骤S2具体包括：
步骤S201，将步骤S1中的时间周期性规律分别为三个时间序列段，并分别输入到三个独立模块中，对每个节点进行图卷积，根据无向图对相邻的监测站点进行卷积操作，得到一阶邻居信息，其中，单个独立模型分别为空间自注意力机制模块、时间特征提取模块和时间自注意力机制模块；
步骤S202，将一阶邻居信息输入到空间自注意力机制模块中，通过对各个节点进行一维卷积的方式得到注意力矩阵，将注意力矩阵与一阶邻居信息相乘，得到高阶邻居信息；
步骤S203，将高阶邻居信息的输入到所诉时间特征提取模块中，对单个节点的连续三个时间数据进行卷积操作，进一步堆叠时间维度中的标准卷积层，通过合并相邻时间切片上的信息来更新节点的信息，得到一阶时间序列；
步骤S204，将一阶时间序列输入到时间自注意力机制模块中，将相邻时间序列进行一维卷积操作，得到时间注意力矩阵，并将时间注意力矩阵与一阶时间序列相乘，得到长时间序列特征；
步骤S205，将高阶邻居信息、一阶时间序列和包含长时间序列特征进行融合，算出三个模型之间的权重影响因子；
步骤S206，重复步骤S202-S205，并添加残差网络，分别得到三个模块的输出结果；
步骤S207，将三个模块的输出结果进行拼接，通过GRU进行时序计算，再对三个模块的时序性刻画，提前对未来流量进行学习，完成时空联合的交通流量预测模型的构建。
具体地，将步骤S102中划分的三个时间序列χh、χd、χw分别入到三个独立模块中，对每个节点进行图卷积，根据步骤S103中所构建的无向图，对相邻的监测站点进行卷积操作，得到包含一阶邻居信息的输出，表示为es；
图卷积操作具体通过以下方式实现：
(1)将每个时间切片上采用基于谱图论的图卷积来直接处理信号，利用空间维度上交通网络上的信号相关性。光谱方法将图转换为代数形式来分析图的拓扑属性。最后通过拉普拉斯矩阵来表示图中各个节点的特征，并通过运算得到图结构性质。图的拉普拉斯矩阵定义：
(2)利用空间维度上交通网络上的信号相关性。光谱方法将图转换为代数形式来分析图的拓扑属性，如图结构中的连通性，得到其卷积公式：
gθ*Gx＝gθ(L)x＝gθ(U∧UT)x＝Ugθ(∧)UTx
通过傅里叶变换和切比雪夫不等式得到最终结果：
(3)将三个时间序列χh、χd、χw分别输入到三个独立模块中，通过上述公式进行计算，得到包含一阶邻居信息的输出，以单个独立模块为例，表示为es。
然后将得到的包含一阶邻居信息的输出es输入到空间自注意力机制模块中，通过对各个监测点进行一维卷积的方式得到Q(x)、K(x)、V(x)，得到其注意力矩阵S∈RN×N，将注意力矩阵S与es相乘得到包含高阶邻居信息的结果，表示为esa；
空间注意力操作通过以下方式实现：
(1)对各个监测点进行一维卷积的方式得到Q(x)、K(x)、V(x)，具体公式如下：
其中，为各个节点的特征向量/>N为空间节点数，C为通道个数、ti为i时刻的时间。K(x)、Q(x)和V(x)通过对各个节点进行一维卷积的方式得到。
(2)通过Q、K、V可以得到其空间注意力矩阵：
经过自注意力机制得到权重矩阵S,S为每一个时刻各个节点之间的特征权重，最终得到包含高阶空间相关性的结果esa。
接下来，将包含空间相关性结果的esa输入到时间特征提取模块中，对单个节点的连续三个时间数据进行卷积操作，进一步堆叠时间维度中的标准卷积层，通过合并相邻时间切片上的信息来更新节点的信息，获取节点更加丰富的特征，输出结果表示为et；
时间卷积操作通过以下方式实现：
捕获空间维度中的每个节点的相邻信息的图卷积操作之后，进一步堆叠时间维度中的标准卷积层，通过合并相邻时间切片上的信息来更新节点的信号。以最近组件中的第r层的操作为例：
其中，*表示标准卷积运算，Φ为时间维数卷积核的参数，激活函数为ReLU，最终结果用et表示。
再接下来，将步骤2.3中包含一阶时间序列的结果输入到时间自注意力机制模块中。在一段时间中，将相邻时间序列进行一维卷积操作得到Q(x)、K(x)、V(x)，得到其时间注意力矩阵T∈RT×T，将注意力矩阵T与es相乘得到包含长时间序列特征的输出结果，表示为eta；
时间注意力操作通过以下方式实现：
(1)取一个监测点的一段时间，将相邻的时间进行一维卷积操作得到3个权重矩阵Q(x)、K(x)、V(x)，具体公式如下：
其中，为第i个节点的特征向量/>T为每个节点的一段时间的集合，C为通道个数。K(x)、Q(x)和V(x)分别为各个节点一维向量。
(2)通过Q、K、V得到其时间注意力矩阵：
通过时间自注意力的方式得到其注意力矩阵T∈RT×T，Ti,j表示某一结点在时间片i对时间片j的影响程度，T为每一个节点各个时刻之间的特征权重。最后得到一个时空块的结果，用表示，r表示在第几层模块。
再接下来将三个独立模块的输出eta进行融合，通过算出三个模型之间的权重影响，进行矩阵相乘就得到了拥有更多特征的特征矩阵，有利于模型进一步的训练；
三个独立模块的权重影响操作通过以下方式实现：
算出各个模型之间的权重影响，进行矩阵相乘，得到了拥有更多特征的特征矩阵，这有利于模型进一步的训练。以第r层时空块为例，每个独立模块的时空块输出分别为通过设定其权重值/>以最近时间的模块进行融合进行解释：
最终得到三个模块的输出为
然后，重复三个独立模块的步骤，并添加残差网络，保证数据本身的特征，最终得到三个模块的输出
的残差网络操作通过以下方式实现：
把输出结果作为所需的基本映射，让堆叠的非线性层适合另一个映射那么原映射便转化成：/>假设优化剩余的映射，比优化原来未引用的映射更容易。如果身份映射是最佳的，那么将剩余的映射堆为零，就比用一堆非线性层来适应身份映射更容易。通过上述方式可以更好的进行模型的深度训练，获取更多的特征数据，得到新的输出结果/>
最后将三个模块的输出结果进行拼接通过GRU进行时序计算，进一步对三个模块的时序性刻画，提前对未来流量进行学习；
GRU时序训练通过以下方式实现：
(1)将三个模块的输出结果进行拼接得到新的矩阵；
(2)将步拼接得到的新矩阵通过GRU进行时序计算，具体公式如下。
zt＝σ(WzXt+Uzht-1)
rt＝σ(WtXt+Utht-1)
zt＝σ(WXt+U(rtoht-1))
其中，zt和rt分别代表更新门和重置门。更新门用于控制上层输出的信息有多少特征应该被保留并与当前特征进行融合，重置门选择当前的信息有多少用于最终预测。Wz、Wt、W是节点的主要学习参数。模型的实现方式为将三个模块的数据进行拼接得到新的特征矩阵，按照节点将数据进行切分，将数据输入到GRU中得到最终的预测值，得到最终的预测值表示节点i从τ到τ+Tp时间段的未来预测值。
在步骤S3中，利用训练集对时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型。
进一步地，在本发明的一个实施例中，步骤S3具体包括：
步骤S301，将训练集中的数据输入到时空联合的交通流量预测模型，得到最终预测结果；
步骤S302，通过计算最终预测结果与真实流量值之间的误差来更新模型的参数，以优化时空联合的交通流量预测模型，得到最优时空联合的交通流量预测模型。
在步骤S4中，将验证集输入到最优时空联合的交通流量预测模型中，计算未来交通流量预测值。
根据本发明实施例提出的时空联合的交通流量预测方法，在通过对时空注意力进行解耦，将数据进行更加细粒性的特征划分，充分考虑到每个监测点和每个时刻的特征，更高效的提取数据中的空间相关性和时间相关性；充分考虑到三个模块之间的隐性关系，丰富监测点特征信息；通过构建三个模块间的时序相关性，得到准确的流量预测结果。
为了实现上述实施例，本发明还提出了一种时空联合的交通流量预测装置，图3是根据本发明一个实施例的一种时空联合的交通流量预测装置的结构示意图，如图3所示，该一种时空联合的交通流量预测装置10包括：获取模块100、构建模块200、训练模块300和预测模块400。
其中，获取模块10，用于获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据数据集构建监测站点无向图，同时将数据集划分训练集、测试集和验证集。构建模块200，用于基于监测站点无向图，构建时空联合的交通流量预测模型。训练模块300，用于利用训练集对时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型。预测模块400，用于将验证集输入到最优时空联合的交通流量预测模型中，计算未来交通流量预测值。
在本发明的一个实施例中，获取模块100具体包括：提取单元，用于采集预设监测站点的监测数据，提取所有监测站点的特征数据；分类和建立单元，用于将所有监测站点的特征数据按照时间周期性规律进行分类并建立数据集；构图单元，用于根据数据集的各个监测站点之间存在的连通性，把所有的监测站点构成无向图；预处理和划分单元，用于对数据集进行预处理，并将预处理后的数据集划分为训练集、测试集和验证集。
在本发明的一个实施例中，构建单元200具体包括：卷积单元，用于将步骤S1中的时间周期性规律分别为三个时间序列段，并分别输入到三个独立模块中，对每个节点进行图卷积，根据无向图对相邻的监测站点进行卷积操作，得到一阶邻居信息，其中，单个独立模型分别为空间自注意力机制模块、时间特征提取模块和时间自注意力机制模块；第一处理单元，用于将一阶邻居信息输入到空间自注意力机制模块中，通过对各个节点进行一维卷积的方式得到注意力矩阵，将注意力矩阵与一阶邻居信息相乘，得到高阶邻居信息；第二处理单元，用于将高阶邻居信息的输入到时间特征提取模块中，对单个节点的连续三个时间数据进行卷积操作，进一步堆叠时间维度中的标准卷积层，通过合并相邻时间切片上的信息来更新节点的信息，得到一阶时间序列；第三处理单元，用于将一阶时间序列输入到时间自注意力机制模块中，将相邻时间序列进行一维卷积操作，得到时间注意力矩阵，并将时间注意力矩阵与一阶时间序列相乘，得到长时间序列特征；融合单元，用于将高阶邻居信息、一阶时间序列和长时间序列特征进行融合，算出三个模型之间的权重影响因子；迭代单元，用于重复步骤S202-S205，并添加残差网络，分别得到三个模块的输出结果；构建单元，用于将三个模块的输出结果进行拼接，通过GRU进行时序计算，再对三个模块的时序性刻画，提前对未来流量进行学习，完成时空联合的交通流量预测模型的构建。
在本发明的一个实施例中，训练模块300具体包括：预测单元，用于将训练集中的数据输入到时空联合的交通流量预测模型，得到最终预测结果；优化单元，用于通过计算最终预测结果与真实流量值之间的误差来更新模型的参数，以优化时空联合的交通流量预测模型，得到最优时空联合的交通流量预测模型。
需要说明的是，前述对一种时空联合的交通流量预测方法实施例的解释说明也适用于该实施例的一种时空联合的交通流量预测装置，其实现原理类似，此处不再赘述。
综上，本发明实施例的一种时空联合的交通流量预测装置，在通过对时空注意力进行解耦，将数据进行更加细粒性的特征划分，充分考虑到每个监测点和每个时刻的特征，更高效的提取数据中的空间相关性和时间相关性；充分考虑到三个模块之间的隐性关系，丰富监测点特征信息；通过构建三个模块间的时序相关性，得到准确的流量预测结果。
为了实现上述实施例，本发明还提出了一种交通流量预测设备，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，所述处理器执行所述计算机程序时，实现如前述实施例所述的时空联合的交通流量预测方法。
为了实现上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施例所述的时空联合的交通流量预测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。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 (8)
1.一种时空联合的交通流量预测方法，其特征在于，包括以下步骤：
步骤S1，获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据所述数据集构建监测站点无向图，同时将所述数据集划分训练集、测试集和验证集；
步骤S2，基于所述监测站点无向图，构建时空联合的交通流量预测模型；
所述步骤S2具体包括：
步骤S201，将所述步骤S1中的时间周期性规律分为三个时间序列段，并分别输入到三个独立模型中，对每个节点进行图卷积，根据所述无向图对相邻的监测站点进行卷积操作，得到一阶邻居信息，其中，每个独立模型由空间自注意力机制模块、时间特征提取模块和时间自注意力机制模块组成；
步骤S202，将所述一阶邻居信息输入到所述空间自注意力机制模块中，通过对各个节点进行一维卷积的方式得到注意力矩阵，将所述注意力矩阵与所述一阶邻居信息相乘，得到高阶邻居信息；
步骤S203，将所述高阶邻居信息的输入到所述时间特征提取模块中，对单个节点的连续三个时间数据进行卷积操作，进一步堆叠时间维度中的标准卷积层，通过合并相邻时间切片上的信息来更新节点的信息，得到一阶时间序列；
步骤S204，将所述一阶时间序列输入到所述时间自注意力机制模块中，将相邻时间序列进行一维卷积操作，得到时间注意力矩阵，并将时间注意力矩阵与所述一阶时间序列相乘，得到长时间序列特征；
步骤S205，将三个独立模型的输出进行融合，算出三个独立模型之间的权重影响因子，通过算出三个独立模型之间的权重影响因子，进行矩阵相乘就得到了拥有更多特征的特征矩阵；
步骤S206，重复所述步骤S202-S204，并添加残差网络，分别得到三个独立模型的输出结果；
步骤S207，将所述三个独立模型的输出结果进行拼接，通过GRU进行时序计算，再对三个独立模型的时序性刻画，提前对未来流量进行学习，完成所述时空联合的交通流量预测模型的构建；
步骤S3，利用所述训练集对所述时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型；
步骤S4，将所述验证集输入到所述最优时空联合的交通流量预测模型中，计算未来交通流量预测值。
2.根据权利要求1所述的时空联合的交通流量预测方法，其特征在于，所述步骤S1具体包括：
步骤S101，采集预设监测站点的监测数据，提取所有监测站点的特征数据；
步骤S102，将所述所有监测站点的特征数据按照时间周期性规律进行分类并建立数据集；
步骤S103，根据所述数据集的各个监测站点之间存在的连通性，把所有的监测站点构成无向图；
步骤S104，对所述数据集进行预处理，并将预处理后的数据集划分为训练集、测试集和验证集。
3.根据权利要求1所述的时空联合的交通流量预测方法，其特征在于，所述步骤S3具体包括：
步骤S301，将所述训练集中的数据输入到所述时空联合的交通流量预测模型，得到最终预测结果；
步骤S302，通过计算所述最终预测结果与真实流量值之间的误差来更新模型的参数，以优化所述时空联合的交通流量预测模型，得到最优时空联合的交通流量预测模型。
4.一种时空联合的交通流量预测装置，其特征在于，包括：
获取模块，用于获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据所述数据集构建监测站点无向图，同时将所述数据集划分训练集、测试集和验证集；
构建模块，用于基于所述监测站点无向图，构建时空联合的交通流量预测模型；
所述构建模块具体包括：
卷积单元，用于将时间周期性规律分为三个时间序列段，并分别输入到三个独立模型中，对每个节点进行图卷积，根据所述无向图对相邻的监测站点进行卷积操作，得到一阶邻居信息，其中，每个独立模型由空间自注意力机制模块、时间特征提取模块和时间自注意力机制模块组成；
第一处理单元，用于将所述一阶邻居信息输入到所述空间自注意力机制模块中，通过对各个节点进行一维卷积的方式得到注意力矩阵，将所述注意力矩阵与所述一阶邻居信息相乘，得到高阶邻居信息；
第二处理单元，用于将所述高阶邻居信息的输入到所述时间特征提取模块中，对单个节点的连续三个时间数据进行卷积操作，进一步堆叠时间维度中的标准卷积层，通过合并相邻时间切片上的信息来更新节点的信息，得到一阶时间序列；
第三处理单元，用于将所述一阶时间序列输入到所述时间自注意力机制模块中，将相邻时间序列进行一维卷积操作，得到时间注意力矩阵，并将时间注意力矩阵与所述一阶时间序列相乘，得到长时间序列特征；
融合单元，将三个独立模型的输出进行融合，算出三个独立模型之间的权重影响因子，通过算出三个独立模型之间的权重影响因子，进行矩阵相乘就得到了拥有更多特征的特征矩阵；
迭代单元，用于重复第一处理单元、第二处理单元和第三处理单元，并添加残差网络，分别得到三个独立模型的输出结果；
构建单元，用于将所述三个独立模型的输出结果进行拼接，通过GRU进行时序计算，再对三个独立模型的时序性刻画，提前对未来流量进行学习，完成所述时空联合的交通流量预测模型的构建；
训练模块，用于利用所述训练集对所述时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型；
预测模块，用于将所述验证集输入到所述最优时空联合的交通流量预测模型中，计算未来交通流量预测值。
5.根据权利要求4所述的时空联合的交通流量预测装置，其特征在于，所述获取模块具体包括：
提取单元，用于采集预设监测站点的监测数据，提取所有监测站点的特征数据；
分类和建立单元，用于将所述所有监测站点的特征数据按照时间周期性规律进行分类并建立数据集；
构图单元，用于根据所述数据集的各个监测站点之间存在的连通性，把所有的监测站点构成无向图；
预处理和划分单元，用于对所述数据集进行预处理，并将预处理后的数据集划分为训练集、测试集和验证集。
6.根据权利要求4所述的时空联合的交通流量预测装置，其特征在于，所述训练模块具体包括：
预测单元，用于将所述训练集中的数据输入到所述时空联合的交通流量预测模型，得到最终预测结果；
优化单元，用于通过计算所述最终预测结果与真实流量值之间的误差来更新模型的参数，以优化所述时空联合的交通流量预测模型，得到最优时空联合的交通流量预测模型。
7.一种交通流量预测设备，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，所述处理器执行所述计算机程序时，实现如权利要求1-3中任一所述的时空联合的交通流量预测方法。
8.一种非临时性计算机可读存储介质，其上存储有计算机程序，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1-3中任一所述的时空联合的交通流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210150863.1A CN114529081B (zh) | 2022-02-18 | 2022-02-18 | 一种时空联合的交通流量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210150863.1A CN114529081B (zh) | 2022-02-18 | 2022-02-18 | 一种时空联合的交通流量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114529081A CN114529081A (zh) | 2022-05-24 |
| CN114529081B true CN114529081B (zh) | 2024-06-11 |
Family
ID=81622301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210150863.1A Active CN114529081B (zh) | 2022-02-18 | 2022-02-18 | 一种时空联合的交通流量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114529081B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115146837B (zh) * | 2022-06-21 | 2024-07-23 | 南京航空航天大学 | 一种基于gcn-gru的订单剩余完工期预测方法 |
| CN115240418B (zh) * | 2022-07-20 | 2023-07-25 | 浙江科技学院 | 基于因果门控-低通图卷积网络的短时交通流量预测方法 |
| CN115423212A (zh) * | 2022-09-29 | 2022-12-02 | 北京骑胜科技有限公司 | 需求预测的方法和装置 |
| CN116071932B (zh) * | 2023-03-09 | 2023-06-20 | 华东交通大学 | 交通流量预测方法、系统、存储介质及终端设备 |
| CN116206453B (zh) * | 2023-05-05 | 2023-08-11 | 湖南工商大学 | 一种基于迁移学习的交通流预测方法、装置及相关设备 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108877223A (zh) * | 2018-07-13 | 2018-11-23 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
| CN111639787B (zh) * | 2020-04-28 | 2024-03-15 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
| CN111815956B (zh) * | 2020-09-11 | 2021-02-09 | 浙江高速信息工程技术有限公司 | 一种高速公路交通流量预测方法 |
| CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
| CN112801355B (zh) * | 2021-01-20 | 2022-05-24 | 南京航空航天大学 | 基于长短期时空数据多图融合时空注意力的数据预测方法 |
| CN112927510B (zh) * | 2021-02-08 | 2021-12-17 | 湖南大学 | 一种交通流量预测方法 |
| CN113112792A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于语义信息的多模块交通密集度预测方法 |
| CN113298314B (zh) * | 2021-06-10 | 2023-09-01 | 重庆大学 | 一种考虑动态时空相关性的轨道交通客流预测方法 |
| 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 |
| CN113705880B (zh) * | 2021-08-25 | 2024-09-20 | 杭州远眺科技有限公司 | 基于时空注意力图卷积网络的交通速度预测方法和装置 |
-
2022
- 2022-02-18 CN CN202210150863.1A patent/CN114529081B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting;Shengnan Guo et al,;The Thirty-Third AAAI Conference on Artificial Intelligence(AAAI-19);20190228;全文 * |
| 基于时空多图卷积网络的交通站点流量预测;荣斌等，;计算机工程;20200531;第46卷(第5期);26-33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114529081A (zh) | 2022-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114529081B (zh) | 一种时空联合的交通流量预测方法及装置 | |
| Guo et al. | Attention based spatial-temporal graph convolutional networks for traffic flow forecasting | |
| CN113316808B (zh) | 通过交通状态的时空扩展搜索空间控制交通信号 | |
| CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN110969854A (zh) | 一种交通流量的预测方法、系统及终端设备 | |
| Song et al. | A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling | |
| CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
| CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
| CN115691137A (zh) | 一种基于因果马尔科夫模型的多模态数据预测方法 | |
| CN113112792A (zh) | 一种基于语义信息的多模块交通密集度预测方法 | |
| CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
| Zhao et al. | Unifying Uber and taxi data via deep models for taxi passenger demand prediction | |
| CN116486624A (zh) | 基于时空图卷积神经网络的交通流预测方法及系统 | |
| CN105139328B (zh) | 面向车牌识别数据的旅行时间实时预测方法及装置 | |
| CN114418606A (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
| Yu et al. | A hybrid prediction approach for road tunnel traffic based on spatial-temporary data fusion | |
| CN116258253A (zh) | 一种基于贝叶斯神经网络的车辆od预测方法 | |
| CN116362120A (zh) | 一种基于mgcn-gru模型的交通流预测方法及装置 | |
| CN116484912A (zh) | 模型构建方法、装置、设备及存储介质 | |
| Zhu et al. | Research on spatio-temporal network prediction model of parallel–series traffic flow based on Transformer and GCAT | |
| CN113689694A (zh) | 一种车流量预测方法、装置、设备及可读存储介质 | |
| CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
| Xian et al. | Passenger flow prediction and management method of urban public transport based on SDAE model and improved Bi-LSTM neural network | |
| CN117456738B (zh) | 一种基于etc门架数据的高速公路交通量预测方法 | |
| CN115225546B (zh) | 一种网络流量的预测方法、装置及设备 |
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 |