CN114724386B - 智慧交通下的短时交通流量预测方法、系统和电子设备 - Google Patents

智慧交通下的短时交通流量预测方法、系统和电子设备 Download PDF

Info

Publication number
CN114724386B
CN114724386B CN202210334844.4A CN202210334844A CN114724386B CN 114724386 B CN114724386 B CN 114724386B CN 202210334844 A CN202210334844 A CN 202210334844A CN 114724386 B CN114724386 B CN 114724386B
Authority
CN
China
Prior art keywords
matrix
feature
probabilistic
traffic
feature matrix
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
Application number
CN202210334844.4A
Other languages
English (en)
Other versions
CN114724386A (zh
Inventor
姜咏琦
刘军
胡标
陈本威
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN202210334844.4A priority Critical patent/CN114724386B/zh
Publication of CN114724386A publication Critical patent/CN114724386A/zh
Application granted granted Critical
Publication of CN114724386B publication Critical patent/CN114724386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)

Abstract

本申请公开了一种智慧交通下的短时交通流量预测方法、系统和电子设备，其通过卷积神经网络模型提取出各个路段在各个预定时间段的车流量的高维关联特征，以及所述各个路段间的拓扑特征和连接关系特征，并且通过流量特征矩阵、邻接特征矩阵和拓扑特征矩阵转换到概率空间，实现了矩阵间在高维空间上的空间尺度的一致性，再进一步通过基于连续函数域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。

Description

智慧交通下的短时交通流量预测方法、系统和电子设备
技术领域
本发明涉及智慧交通的领域，且更为具体地，涉及一种智慧交通下的短时交通流量预测方法、系统和电子设备。
背景技术
智慧交通是在智能交通的基础上，融入物联网、云计算、大数据、移动互联等高新IT技术，通过高新技术汇集交通信息，提供实时交通数据下的交通信息服务。大量使用了数据模型、数据挖掘等数据处理技术，实现了智慧交通的系统性、实时性、信息交流的交互性以及服务的广泛性。
随着智慧交通系统的高速发展，有效地缓解了交通拥堵、减少了交通事故的发生，而精确的交通流量预测作为交通规划、交通诱导、交通控制、制定出行方案等的重要前提，在智能交通系统中发挥着重要作用。
因此，为了提高对于交通流量预测的精准度，期望一种智慧交通下的短时交通流量预测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智慧交通下的短时交通流量预测方法、系统和电子设备，其通过卷积神经网络模型提取出各个路段在各个预定时间段的车流量的高维关联特征，以及所述各个路段间的拓扑特征和连接关系特征，并且通过流量特征矩阵、邻接特征矩阵和拓扑特征矩阵转换到概率空间，实现了矩阵间在高维空间上的空间尺度的一致性，再进一步通过基于连续函数域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。
根据本申请的一个方面，提供了一种智慧交通下的短时交通流量预测方法，其包括：
获取各个路段在各个预定时间段的车流量；
将各个所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量；
将各个所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵；
获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一；
获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；
将所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵；
将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵；
以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵；
融合所述概率化流量特征矩阵、所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵以获得分类矩阵；
获取待预测路段在当前时间点之前的多个预定时间段的车流量；
将所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量；
将所述分类矩阵与所述预测特征向量进行矩阵相乘以生成解码特征向量；以及
将所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
根据本申请的另一方面，提供了一种智慧交通下的短时交通流量预测系统，其包括：
车流量获取单元，用于获取各个路段在各个预定时间段的车流量；
编码单元，用于将各个所述车流量获取单元获得的所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量；
第一卷积单元，用于将各个所述编码单元获得的所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵；
邻接矩阵获取单元，用于获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一；
拓扑矩阵获取单元，用于获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；
特征提取单元，用于将所述邻接矩阵获取单元获得的所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵获取单元获得的所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵；
概率化单元，用于将所述第一卷积单元获得的所述流量特征矩阵、所述特征提取单元获得的所述邻接特征矩阵和所述特征提取单元获得的所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵；
逻辑激活单元，用于以所述概率化单元获得的所述概率化流量特征矩阵分别对所述概率化单元获得的所述概率化邻接特征矩阵和所述概率化单元获得的所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵；
融合单元，用于融合所述概率化单元获得的所述概率化流量特征矩阵、所述逻辑激活单元获得的所述逻辑激活后邻接特征矩阵和所述逻辑激活单元获得的所述逻辑激活后拓扑特征矩阵以获得分类矩阵；
当前车流量获取单元，用于获取待预测路段在当前时间点之前的多个预定时间段的车流量；
当前编码单元，用于将所述当前车流量获取单元获得的所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量；
映射单元，用于将所述融合单元获得的所述分类矩阵与所述当前编码单元获得的所述预测特征向量进行矩阵相乘以生成解码特征向量；以及
解码回归单元，用于将所述映射单元获得的所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的智慧交通下的短时交通流量预测方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智慧交通下的短时交通流量预测方法。
与现有技术相比，本申请提供的智慧交通下的短时交通流量预测方法、系统和电子设备，其通过卷积神经网络模型提取出各个路段在各个预定时间段的车流量的高维关联特征，以及所述各个路段间的拓扑特征和连接关系特征，并且通过流量特征矩阵、邻接特征矩阵和拓扑特征矩阵转换到概率空间，实现了矩阵间在高维空间上的空间尺度的一致性，再进一步通过基于连续函数域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的智慧交通下的短时交通流量预测方法的应用场景图；
图2为根据本申请实施例的智慧交通下的短时交通流量预测方法的流程图；
图3为根据本申请实施例的智慧交通下的短时交通流量预测方法的系统架构示意图；
图4为根据本申请实施例的智慧交通下的短时交通流量预测系统的框图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，随着智慧交通系统的高速发展，有效地缓解了交通拥堵、减少了交通事故的发生，而精确的交通流量预测作为交通规划、交通诱导、交通控制、制定出行方案等的重要前提，在智能交通系统中发挥着重要作用。
因此，为了提高对于交通流量预测的精准度，期望一种智慧交通下的短时交通流量预测方案。
应可以理解，在对待预测路段的交通流量进行预测的同时，如何利用各个路段在各个预定时间段的车流量的关联性以及各个路段之间的关联关系进行更准确地预测是值得思考的。而这本质上是一个回归问题，可基于神经网络的特征提取器以及时序编码器来实现。
具体地，首先获取各个路段在各个预定时间段（例如，15分钟）的车流量。应可以理解，同一路段的车流量在时间分布上存在关联，各个路段的车流量在同一时间段内存在时空关联，各个路段的车流量在不同时间段之间也存在关联。
并且考虑到，在本申请的技术方案中，空间关联可采用邻接矩阵和拓扑矩阵来同时表示，其中，邻接矩阵表示两个路段是否连通，而拓扑矩阵主要表示各个路段之间的距离关系，应可以理解，如果两个路段连通而车流量关联会存在固定的关系，例如，分流、汇流等，而车流量之间的关联会随着距离的增加而变弱。
相应地，将各个路段在各个预定时间段的车流量通过时序编码器以获得各个路段的特征向量；然后，将各个路段的特征向量进行二维排列为矩阵后通过第一卷积神经网络以获得特征矩阵。
然后，将邻接矩阵通过第二卷积神经网络以提取出高维隐含空间关联特征信息，从而获得邻接特征矩阵；接着，将拓扑矩阵通过第三卷积神经网络以提取出所述各个路段之间的拓扑关联特征，从而获得拓扑特征矩阵。
在对流量特征矩阵、邻接特征矩阵和拓扑特征矩阵进行融合时，由于流量特征对应于连续函数域，而邻接特征和拓扑特征均对应离散函数域，因此如果不考虑连续函数域和离散函数域之间的域偏移，直接融合会导致融合后的分类特征矩阵的分类效果变差。
基于此，在本申请的技术方案中，首先将流量特征矩阵、邻接特征矩阵和拓扑特征 矩阵转换到概率空间，并将转换后的流量特征矩阵、邻接特征矩阵和拓扑特征矩阵分别记 为，和，然后，以连续函数域下的流量特征矩阵分别对离散函数域下的邻接 特征矩阵和拓扑特征矩阵和进行逻辑激活，表示为：
和
其中、和分别表示矩阵的按位置加、减和乘，表示矩阵相乘，且表示 单位矩阵。
再将流量特征矩阵和逻辑激活后的邻接特征矩阵和拓扑特征矩阵融 合以得到分类矩阵。
当需要对待预测路段的交通流量进行预测，首先获取待预测路段在当前时间点之前的多个预定时间段的车流量，并将多个预定时间段的车流量数据通过时序编码器以获得预测特征向量。
然后，将预测特征向量与分类矩阵进行查询以获得解码特征向量。接着，将解码特征向量通过解码器以获得待预测路段的交通流量预测值。
这样，通过流量特征矩阵、邻接特征矩阵和拓扑特征矩阵转换到概率空间，实现了矩阵间在高维空间上的空间尺度的一致性，再进一步通过基于连续函数域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。
基于此，本申请提出了一种智慧交通下的短时交通流量预测方法，其包括：获取各个路段在各个预定时间段的车流量；将各个所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量；将各个所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵；获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一；获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；将所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵；将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵；以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵；融合所述概率化流量特征矩阵、所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵以获得分类矩阵；获取待预测路段在当前时间点之前的多个预定时间段的车流量；将所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量；将所述分类矩阵与所述预测特征向量进行矩阵相乘以生成解码特征向量；以及，将所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
图1图示了根据本申请实施例的智慧交通下的短时交通流量预测方法的应用场景图。如图1所示，在该应用场景中，首先，通过部署于各个路段（例如，如图1中所示意的R）的检测器（例如，如图1中所示意的T）来获取所述各个路段在各个预定时间段的车流量，并且基于所述各个路段的连接情况以及距离来获取各个所述路段之间的邻接矩阵和各个所述路段之间的拓扑矩阵。然后，将获得的所述各个路段在各个预定时间段的车流量以及各个所述路段之间的邻接矩阵和拓扑矩阵输入至部署有智慧交通下的短时交通流量预测算法的服务器中（例如，如图1中所示意的S），其中，所述服务器能够以智慧交通下的短时交通流量预测算法对所述各个路段在各个预定时间段的车流量以及各个所述路段之间的邻接矩阵和拓扑矩阵进行处理，以生成所述待预测路段的交通流量预测值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了智慧交通下的短时交通流量预测方法的流程图。如图2所示，根据本申请实施例的智慧交通下的短时交通流量预测方法，包括：S110，获取各个路段在各个预定时间段的车流量；S120，将各个所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量；S130，将各个所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵；S140，获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一；S150，获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；S160，将所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵；S170，将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵；S180，以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵；S190，融合所述概率化流量特征矩阵、所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵以获得分类矩阵；S200，获取待预测路段在当前时间点之前的多个预定时间段的车流量；S210，将所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量；S220，将所述分类矩阵与所述预测特征向量进行矩阵相乘以生成解码特征向量；以及，S230，将所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
图3图示了根据本申请实施例的智慧交通下的短时交通流量预测方法的架构示意图。如图3所示，在所述智慧交通下的短时交通流量预测方法的网络架构中，首先，将获得的各个所述路段在各个预定时间段的车流量（例如，如图3中所示意的P1）通过包含全连接层和一维卷积层的时序编码器（例如，如图3中所示意的E）以获得对应于各个路段的第一特征向量（例如，如图3中所示意的VF1）；接着，将各个所述路段的第一特征向量进行二维排列为特征矩阵（例如，如图3中所示意的MF1）后通过第一卷积神经网络（例如，如图3中所示意的CNN1）以获得流量特征矩阵（例如，如图3中所示意的MF2）；然后，将获得的所述邻接矩阵（例如，如图3中所示意的M1）通过第二卷积神经网络（例如，如图3中所示意的CNN2）以获得邻接特征矩阵（例如，如图3中所示意的MF3），以及，将所述拓扑矩阵（例如，如图3中所示意的M2）通过第三卷积神经网络（例如，如图3中所示意的CNN3）以获得拓扑特征矩阵（例如，如图3中所示意的MF4）；接着，将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵（例如，如图3中所示意的MP1）、概率化邻接特征矩阵（例如，如图3中所示意的MP2）和概率化拓扑特征矩阵（例如，如图3中所示意的MP3）；然后，以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵（例如，如图3中所示意的MA1）和逻辑激活后拓扑特征矩阵（例如，如图3中所示意的MA2）；接着，融合所述概率化流量特征矩阵、所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵以获得分类矩阵（例如，如图3中所示意的MF）；然后，将所述待预测路段在当前时间点之前的多个预定时间段的车流量（例如，如图3中所示意的P2）通过所述包含全连接层和一维卷积层的时序编码器（例如，如图3中所示意的E）以获得预测特征向量（例如，如图3中所示意的VF2）；接着，将所述分类矩阵与所述预测特征向量进行矩阵相乘以生成解码特征向量（例如，如图3中所示意的VF）；以及，最后，将所述解码特征向量通过解码器（例如，如图3中所示意的D）进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
在步骤S110和步骤S120中，获取各个路段在各个预定时间段的车流量，并将各个所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量。如前所述，应可以理解，在对待预测路段的交通流量进行预测的同时，如何利用各个路段在各个预定时间段的车流量的关联性以及各个路段之间的关联关系进行更准确地预测是值得思考的。而这本质上是一个回归问题，可基于神经网络的特征提取器以及时序编码器来实现。
具体地，首先通过部署于各个路段的检测器来获取所述各个路段在各个预定时间段的车流量。应可以理解，同一路段的车流量在时间分布上存在关联，而各个路段的车流量在同一时间段内存在时空关联，各个路段的车流量在不同时间段之间也存在关联。然后，进一步将各个所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器中进行处理，以获得对应于各个路段的第一特征向量。应可以理解，通过对所述各个路段在各个预定时间段的车流量进行编码处理，可以提取出所述各个路段的车流量信息在所述多个路段数据维度和时间维度上的高维关联特征信息，这样不仅可以通过关联信息来消除数据沿时序方向上的漂移产生的影响，还能够通过所提取的体现输入数据之间的关联信息的高维特征来代替原始数据进行计算，可以消除所述原始数据在数据维度上的误差的影响。
具体地，在本申请实施例中，将各个所述路段在各个预定时间段的车流量通过包 含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量的过程，包 括：首先，将各个所述路段在各个预定时间段的车流量按照时间维度排列为对应于各个所 述路段的一维的输入向量。然后，使用所述时序编码器的全连接层以如下公式对所述输入 向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中， 所述公式为：，其中是输入向量，是输出向量，是权重矩阵，是 偏置向量，表示矩阵乘。最后，使用时序编码器的一维卷积层以如下公式对所述输入向 量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关 联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在步骤S130中，将各个所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵。也就是，在本申请的技术方案中，在得到各个所述路段的第一特征向量后，进一步将所述第一特征向量进行二维排列后通过第一卷积神经网络中进行处理，以提取出所述各个路段间的在各个时间段的车流量高维关联特征，从而得到流量特征矩阵。相应地，在一个具体示例中，所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层输出所述流量特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在步骤S140和步骤S150中，获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一，并获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。应可以理解，在本申请的技术方案中，考虑到空间关联可采用邻接矩阵和拓扑矩阵来同时表示，其中，所述邻接矩阵表示两个路段是否连通，而所述拓扑矩阵主要表示各个路段之间的距离关系，应可以理解，如果所述两个路段连通而车流量关联会存在固定的关系，例如，分流、汇流等，而车流量之间的关联会随着距离的增加而变弱。
因此，在本申请的技术方案中，进一步基于所述各个路段的连接情况以及距离来获取各个所述路段之间的邻接矩阵和各个所述路段之间的拓扑矩阵。这里，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一。并且所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。
在步骤S160中，将所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵。也就是，在本申请的技术方案中，再将获得的所述邻接矩阵通过第二卷积神经网络中进行处理，以提取出所述各个路段之间的连接关联特征信息，从而获得邻接特征矩阵。同时将所述拓扑矩阵通过第三卷积神经网络中进行处理，以提取出所述各个路段间的拓扑关联特征，从而获得拓扑特征矩阵。相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述邻接特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述邻接矩阵；以及，所述第三卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
在步骤S170中，将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵。应可以理解，在对所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵进行融合时，由于所述流量特征对应于连续函数域，而所述邻接特征和所述拓扑特征均对应离散函数域，因此如果不考虑连续函数域和离散函数域之间的域偏移，直接融合会导致融合后的分类特征矩阵的分类效果变差。
因此，在本申请的技术方案中，进一步将所述流量特征矩阵、所述邻接特征矩阵和 所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩 阵和概率化拓扑特征矩阵。相应地，在一个具体示例中，将所述流量特征矩阵、所述 邻接特征矩阵和所述拓扑特征矩阵输入Sigmoid激活函数以将所述流量特征矩阵、所述邻 接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得所述概率化流量特征矩阵、所述 概率化邻接特征矩阵和所述概率化拓扑特征矩阵。特别地，值得一提的是，这样通过将所述 流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转换到概率空间，实现了矩阵间在 高维空间上的空间尺度的一致性。
在步骤S180和步骤S190中，以所述概率化流量特征矩阵分别对所述概率化邻接特 征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑 激活后拓扑特征矩阵，并融合所述概率化流量特征矩阵、所述逻辑激活后邻接特征矩阵和 所述逻辑激活后拓扑特征矩阵以获得分类矩阵。也就是，在本申请的技术方案中，进一步以 连续函数域下的所述概率化流量特征矩阵分别对离散函数域下的所述概率化邻接特征 矩阵和所述概率化拓扑特征矩阵进行逻辑激活,以获得逻辑激活后邻接特征矩阵 和逻辑激活后拓扑特征矩阵。然后，融合所述概率化流量特征矩阵、所述逻辑激活后邻接特 征矩阵和所述逻辑激活后拓扑特征矩阵以获得分类矩阵。应可以理解，通过基于连续函数 域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的 实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维 逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。
特别地，在一个具体示例中，首先计算单位矩阵与单位矩阵与所述概率化邻接特征矩阵之间的差分矩阵与所述概率化流量特征矩阵之间的矩阵乘积之间的差分矩阵，以获得第一逻辑激活矩阵；接着，计算所述概率化流量特征矩阵和所述概率化邻接特征矩阵之间的矩阵乘积以获得第二逻辑激活矩阵；然后，计算所述第一逻辑激活矩阵和所述第二逻辑激活矩阵之间的按位置加权和以获得所述逻辑激活后邻接特征矩阵；接着，计算单位矩阵与单位矩阵与所述概率化拓扑特征矩阵之间的差分矩阵与所述概率化流量特征矩阵之间的矩阵乘积之间的差分矩阵，以获得第三逻辑激活矩阵；然后，计算所述概率化流量特征矩阵和所述概率化拓扑特征矩阵之间的矩阵乘积以获得第四逻辑激活矩阵；最后，计算所述第三逻辑激活矩阵和所述第四逻辑激活矩阵之间的按位置加权和以获得所述逻辑激活后拓扑特征矩阵。
具体地，在本申请实施例中，以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵的过程，包括：以如下公式以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵；
其中，所述公式为：
和
其中，为单位矩阵，为概率化流量特征矩阵，为概率化邻接特征矩阵，为概率化拓扑特征矩阵，、和分别表示矩阵的按位置加、减和乘，表示矩阵相 乘。
在步骤S200和步骤S210中，获取待预测路段在当前时间点之前的多个预定时间段的车流量，并将所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量。也就是，在本申请的技术方案中，在预测时，同样地，首先通过部署于待预测路段的检测器来获取所述待预测路段在当前时间点之前的多个预定时间段的车流量，并且将获得的所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器中进行编码处理，以获得所述待预测路段在时间分布上的高维关联特征信息，从而得到预测特征向量。
在步骤S220和步骤S230中，将所述分类矩阵与所述预测特征向量进行矩阵相乘以生成解码特征向量，并将所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。也就是，在本申请的技术方案中，在得到所述分类矩阵与所述预测特征向量后，进一步将这两者进行矩阵相乘，以将所述预测特征向量作为查询向量以映射到所述分类矩阵的高维特征空间中，从而获得解码特征向量。然后，进一步将所述解码特征向量通过解码器进行解码回归以获得用于表示所述待预测路段的交通流量预测值的解码值。
具体地，在本申请实施例中，将所述解码特征向量通过解码器进行解码回归以获 得解码值的过程，包括：使用所述解码器的多个全连接层以如下公式对所述解码特征向量 进行解码回归以获得所述解码值，其中，所述公式为：，其中是回 归特征向量，是解码值，是权重矩阵，是偏置向量，表示矩阵乘，为激活函 数。
综上，本申请实施例的智慧交通下的短时交通流量预测方法被阐明，其通过卷积神经网络模型提取出各个路段在各个预定时间段的车流量的高维关联特征，以及所述各个路段间的拓扑特征和连接关系特征，并且通过流量特征矩阵、邻接特征矩阵和拓扑特征矩阵转换到概率空间，实现了矩阵间在高维空间上的空间尺度的一致性，再进一步通过基于连续函数域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。
示例性系统
图4图示了根据本申请实施例的智慧交通下的短时交通流量预测系统的框图。如图4所示，根据本申请实施例的智慧交通下的短时交通流量预测系统400，包括：车流量获取单元 410，用于获取各个路段在各个预定时间段的车流量；编码单元 420，用于将各个所述车流量获取单元 410获得的所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量；第一卷积单元 430，用于将各个所述编码单元 420获得的所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵；邻接矩阵获取单元 440，用于获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一；拓扑矩阵获取单元 450，用于获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；特征提取单元 460，用于将所述邻接矩阵获取单元 440获得的所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵获取单元 450获得的所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵；概率化单元 470，用于将所述第一卷积单元 430获得的所述流量特征矩阵、所述特征提取单元 460获得的所述邻接特征矩阵和所述特征提取单元 460获得的所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵；逻辑激活单元 480，用于以所述概率化单元 470获得的所述概率化流量特征矩阵分别对所述概率化单元 470获得的所述概率化邻接特征矩阵和所述概率化单元 470获得的所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵；融合单元 490，用于融合所述概率化单元 470获得的所述概率化流量特征矩阵、所述逻辑激活单元 480获得的所述逻辑激活后邻接特征矩阵和所述逻辑激活单元 480获得的所述逻辑激活后拓扑特征矩阵以获得分类矩阵；当前车流量获取单元 500，用于获取待预测路段在当前时间点之前的多个预定时间段的车流量；当前编码单元 510，用于将所述当前车流量获取单元 500获得的所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量；映射单元 520，用于将所述融合单元 490获得的所述分类矩阵与所述当前编码单元 510获得的所述预测特征向量进行矩阵相乘以生成解码特征向量；以及，解码回归单元 530，用于将所述映射单元 520获得的所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
在一个示例中，在上述智慧交通下的短时交通流量预测系统 400中，所述编码单 元 420，进一步用于：将各个所述路段在各个预定时间段的车流量按照时间维度排列为对 应于各个所述路段的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述 输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其 中，所述公式为：，其中是输入向量，是输出向量，是权重矩阵， 是偏置向量，表示矩阵乘；使用时序编码器的一维卷积层以如下公式对所述输入向量进 行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特 征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
在一个示例中，在上述智慧交通下的短时交通流量预测系统 400中，所述特征提取单元 460，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述邻接特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述邻接矩阵；以及，所述第三卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
在一个示例中，在上述智慧交通下的短时交通流量预测系统 400中，所述概率化单元 470，进一步用于：将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵输入Sigmoid激活函数以将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得所述概率化流量特征矩阵、所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵。
在一个示例中，在上述智慧交通下的短时交通流量预测系统 400中，所述逻辑激活单元 480，进一步用于：计算单位矩阵与单位矩阵与所述概率化邻接特征矩阵之间的差分矩阵与所述概率化流量特征矩阵之间的矩阵乘积之间的差分矩阵，以获得第一逻辑激活矩阵；计算所述概率化流量特征矩阵和所述概率化邻接特征矩阵之间的矩阵乘积以获得第二逻辑激活矩阵；计算所述第一逻辑激活矩阵和所述第二逻辑激活矩阵之间的按位置加权和以获得所述逻辑激活后邻接特征矩阵；计算单位矩阵与单位矩阵与所述概率化拓扑特征矩阵之间的差分矩阵与所述概率化流量特征矩阵之间的矩阵乘积之间的差分矩阵，以获得第三逻辑激活矩阵；计算所述概率化流量特征矩阵和所述概率化拓扑特征矩阵之间的矩阵乘积以获得第四逻辑激活矩阵；以及，计算所述第三逻辑激活矩阵和所述第四逻辑激活矩阵之间的按位置加权和以获得所述逻辑激活后拓扑特征矩阵。
在一个示例中，在上述智慧交通下的短时交通流量预测系统 400中，所述逻辑激活单元 480，进一步用于：以如下公式以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵；
其中，所述公式为：
和
其中，为单位矩阵，为概率化流量特征矩阵，为概率化邻接特征矩阵，为概率化拓扑特征矩阵，、和分别表示矩阵的按位置加、减和乘，表示矩阵相 乘。
在一个示例中，在上述智慧交通下的短时交通流量预测系统 400中，所述解码回 归单元 530，进一步用于：使用所述解码器的多个全连接层以如下公式对所述解码特征向 量进行解码回归以获得所述解码值，其中，所述公式为：，其中是 回归特征向量，是解码值，是权重矩阵，是偏置向量，表示矩阵乘，为激活 函数。
这里，本领域技术人员可以理解，上述智慧交通下的短时交通流量预测系统 400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的智慧交通下的短时交通流量预测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的智慧交通下的短时交通流量预测系统 400可以实现在各种终端设备中，例如智慧交通下的短时交通流量预测算法的服务器等。在一个示例中，根据本申请实施例的智慧交通下的短时交通流量预测系统 400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智慧交通下的短时交通流量预测系统 400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智慧交通下的短时交通流量预测系统 400同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该智慧交通下的短时交通流量预测系统 400与该终端设备也可以是分立的设备，并且该智慧交通下的短时交通流量预测系统 400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。如图5所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的智慧交通下的短时交通流量预测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如拓扑特征矩阵、分类矩阵等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线装置和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括解码值、交通流量预测值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的智慧交通下的短时交通流量预测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的智慧交通下的短时交通流量预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种智慧交通下的短时交通流量预测方法，其特征在于，包括：
获取各个路段在各个预定时间段的车流量；
将各个所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量；
将各个所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵；
获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一；
获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；
将所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵；
将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵；
以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵；
融合所述概率化流量特征矩阵、所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵以获得分类矩阵；
获取待预测路段在当前时间点之前的多个预定时间段的车流量；
将所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量；
将所述分类矩阵与所述预测特征向量进行矩阵相乘以生成解码特征向量；以及
将所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
2.根据权利要求1所述的智慧交通下的短时交通流量预测方法，其中，将各个所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量，包括：
将各个所述路段在各个预定时间段的车流量按照时间维度排列为对应于各个所述路段的一维的输入向量；
使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述 输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其 中是输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；
使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
3.根据权利要求2所述的智慧交通下的短时交通流量预测方法，其中，将所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵，包括：
所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述邻接特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述邻接矩阵；以及
所述第三卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第三卷积神经网络的最后一层输出所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
4.根据权利要求3所述的智慧交通下的短时交通流量预测方法，其中，将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵，包括：
将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵输入Sigmoid激活函数以将所述流量特征矩阵、所述邻接特征矩阵和所述拓扑特征矩阵转化到概率空间中以获得所述概率化流量特征矩阵、所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵。
5.根据权利要求4所述的智慧交通下的短时交通流量预测方法，其中，以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵，包括：
计算单位矩阵与单位矩阵与所述概率化邻接特征矩阵之间的差分矩阵与所述概率化流量特征矩阵之间的矩阵乘积之间的差分矩阵，以获得第一逻辑激活矩阵；
计算所述概率化流量特征矩阵和所述概率化邻接特征矩阵之间的矩阵乘积以获得第二逻辑激活矩阵；
计算所述第一逻辑激活矩阵和所述第二逻辑激活矩阵之间的按位置加权和以获得所述逻辑激活后邻接特征矩阵；
计算单位矩阵与单位矩阵与所述概率化拓扑特征矩阵之间的差分矩阵与所述概率化流量特征矩阵之间的矩阵乘积之间的差分矩阵，以获得第三逻辑激活矩阵；
计算所述概率化流量特征矩阵和所述概率化拓扑特征矩阵之间的矩阵乘积以获得第四逻辑激活矩阵；以及
计算所述第三逻辑激活矩阵和所述第四逻辑激活矩阵之间的按位置加权和以获得所述逻辑激活后拓扑特征矩阵。
6.根据权利要求4所述的智慧交通下的短时交通流量预测方法，其中，以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵，包括：
以如下公式以所述概率化流量特征矩阵分别对所述概率化邻接特征矩阵和所述概率化拓扑特征矩阵进行逻辑激活以获得所述逻辑激活后邻接特征矩阵和所述逻辑激活后拓扑特征矩阵；
其中，所述公式为：
和
其中，为单位矩阵，为概率化流量特征矩阵，为概率化邻接特征矩阵，为 概率化拓扑特征矩阵，、和分别表示矩阵的按位置加、减和乘，表示矩阵相乘。
7.根据权利要求6所述的智慧交通下的短时交通流量预测方法，其中，将所述解码特征向量通过解码器进行解码回归以获得解码值，包括：
使用所述解码器的多个全连接层以如下公式对所述解码特征向量进行解码回归以获 得所述解码值，其中，所述公式为：，其中是回归特征向量，是解 码值，是权重矩阵，是偏置向量，表示矩阵乘，为激活函数。
8.一种智慧交通下的短时交通流量预测系统，其特征在于，包括：
车流量获取单元，用于获取各个路段在各个预定时间段的车流量；
编码单元，用于将各个所述车流量获取单元获得的所述路段在各个预定时间段的车流量通过包含全连接层和一维卷积层的时序编码器以获得对应于各个路段的第一特征向量；
第一卷积单元，用于将各个所述编码单元获得的所述路段的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得流量特征矩阵；
邻接矩阵获取单元，用于获取各个所述路段之间的邻接矩阵，所述邻接矩阵中非对角线位置上各个位置的特征值用于表示相应两个路段之间是否连通，所述邻接矩阵中对角线位置上各个位置的特征值为一；
拓扑矩阵获取单元，用于获取各个所述路段之间的拓扑矩阵，所述拓扑矩阵中非对角线位置上各个位置的特征值为两个路段之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；
特征提取单元，用于将所述邻接矩阵获取单元获得的所述邻接矩阵通过第二卷积神经网络以获得邻接特征矩阵，以及，将所述拓扑矩阵获取单元获得的所述拓扑矩阵通过第三卷积神经网络以获得拓扑特征矩阵；
概率化单元，用于将所述第一卷积单元获得的所述流量特征矩阵、所述特征提取单元获得的所述邻接特征矩阵和所述特征提取单元获得的所述拓扑特征矩阵转化到概率空间中以获得概率化流量特征矩阵、概率化邻接特征矩阵和概率化拓扑特征矩阵；
逻辑激活单元，用于以所述概率化单元获得的所述概率化流量特征矩阵分别对所述概率化单元获得的所述概率化邻接特征矩阵和所述概率化单元获得的所述概率化拓扑特征矩阵进行逻辑激活以获得逻辑激活后邻接特征矩阵和逻辑激活后拓扑特征矩阵；
融合单元，用于融合所述概率化单元获得的所述概率化流量特征矩阵、所述逻辑激活单元获得的所述逻辑激活后邻接特征矩阵和所述逻辑激活单元获得的所述逻辑激活后拓扑特征矩阵以获得分类矩阵；
当前车流量获取单元，用于获取待预测路段在当前时间点之前的多个预定时间段的车流量；
当前编码单元，用于将所述当前车流量获取单元获得的所述待预测路段在当前时间点之前的多个预定时间段的车流量通过所述包含全连接层和一维卷积层的时序编码器以获得预测特征向量；
映射单元，用于将所述融合单元获得的所述分类矩阵与所述当前编码单元获得的所述预测特征向量进行矩阵相乘以生成解码特征向量；以及
解码回归单元，用于将所述映射单元获得的所述解码特征向量通过解码器进行解码回归以获得解码值，所述解码值为所述待预测路段的交通流量预测值。
9.根据权利要求8所述的智慧交通下的短时交通流量预测系统，其中，所述编码单元，进一步用于：
将各个所述路段在各个预定时间段的车流量按照时间维度排列为对应于各个所述路 段的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全 连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是输入向量，是输出向量，是权重矩阵，是偏置向量， 表示矩阵乘；使用时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码 以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征，其中，所述公 式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的智慧交通下的短时交通流量预测方法。
CN202210334844.4A 2022-03-31 2022-03-31 智慧交通下的短时交通流量预测方法、系统和电子设备 Active CN114724386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210334844.4A CN114724386B (zh) 2022-03-31 2022-03-31 智慧交通下的短时交通流量预测方法、系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210334844.4A CN114724386B (zh) 2022-03-31 2022-03-31 智慧交通下的短时交通流量预测方法、系统和电子设备

Publications (2)

Publication Number Publication Date
CN114724386A CN114724386A (zh) 2022-07-08
CN114724386B true CN114724386B (zh) 2023-10-27

Family

ID=82242662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210334844.4A Active CN114724386B (zh) 2022-03-31 2022-03-31 智慧交通下的短时交通流量预测方法、系统和电子设备

Country Status (1)

Country Link
CN (1) CN114724386B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470857B (zh) * 2022-09-16 2023-05-23 广东电网能源发展有限公司 变电站全景数字孪生系统及其方法
CN117131999B (zh) * 2023-09-14 2024-04-30 浙江非线数联科技股份有限公司 基于数字孪生的轨道交通客流量预测系统及其方法
CN117061322A (zh) * 2023-09-27 2023-11-14 广东云百科技有限公司 物联网流量池管理方法及系统
CN117116051B (zh) * 2023-10-25 2023-12-22 深圳市交投科技有限公司 基于人工智能的智慧交通管理系统及其方法
CN117935562B (zh) * 2024-03-22 2024-06-07 山东双百电子有限公司 一种基于深度学习的交通灯控制方法及系统
CN118096479A (zh) * 2024-04-28 2024-05-28 济南市勘察测绘研究院 基于gis技术的不动产测绘信息管理系统及方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629978A (zh) * 2018-06-07 2018-10-09 重庆邮电大学 一种基于高维路网和循环神经网络的交通轨迹预测方法
CN108629976A (zh) * 2018-05-17 2018-10-09 同济大学 基于gps的城市交通拥堵预测深度学习方法
CN109034449A (zh) * 2018-06-14 2018-12-18 华南理工大学 基于深度学习和乘客行为模式的短期公交客流预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
CN110674987A (zh) * 2019-09-23 2020-01-10 北京顺智信科技有限公司 一种交通流量预测系统、方法及模型训练方法
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111860787A (zh) * 2020-07-27 2020-10-30 南京工程学院 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置
CN111899510A (zh) * 2020-07-28 2020-11-06 南京工程学院 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113053115A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于多尺度图卷积网络模型的交通预测方法
CN113129585A (zh) * 2021-03-05 2021-07-16 浙江工业大学 基于重构交通网络的图聚合机制的道路交通流预测方法
CN113973156A (zh) * 2021-12-22 2022-01-25 杭州远传新业科技有限公司 一种话务量预测方法及系统、话务量预测装置
CN114220271A (zh) * 2021-12-21 2022-03-22 南京理工大学 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108629976A (zh) * 2018-05-17 2018-10-09 同济大学 基于gps的城市交通拥堵预测深度学习方法
CN108629978A (zh) * 2018-06-07 2018-10-09 重庆邮电大学 一种基于高维路网和循环神经网络的交通轨迹预测方法
CN109034449A (zh) * 2018-06-14 2018-12-18 华南理工大学 基于深度学习和乘客行为模式的短期公交客流预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
CN110674987A (zh) * 2019-09-23 2020-01-10 北京顺智信科技有限公司 一种交通流量预测系统、方法及模型训练方法
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111860787A (zh) * 2020-07-27 2020-10-30 南京工程学院 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置
CN111899510A (zh) * 2020-07-28 2020-11-06 南京工程学院 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113129585A (zh) * 2021-03-05 2021-07-16 浙江工业大学 基于重构交通网络的图聚合机制的道路交通流预测方法
CN113053115A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于多尺度图卷积网络模型的交通预测方法
CN114220271A (zh) * 2021-12-21 2022-03-22 南京理工大学 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN113973156A (zh) * 2021-12-22 2022-01-25 杭州远传新业科技有限公司 一种话务量预测方法及系统、话务量预测装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测;徐先峰;黄刘洋;龚美;;工业仪表与自动化装置(01);全文 *
基于时空相关性的短时交通流量预测方法;闫杨等;《计算机工程》(第01期);全文 *
路网交通流在时空分析背景下的预测研究;李彤伟等;《计算机工程与应用》(第17期);全文 *

Also Published As

Publication number Publication date
CN114724386A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN114724386B (zh) 智慧交通下的短时交通流量预测方法、系统和电子设备
CN115796173B (zh) 针对监管报送需求的数据处理方法和系统
CN115203380A (zh) 基于多模态数据融合的文本处理系统及其方法
CN113254785B (zh) 推荐模型训练方法、推荐方法和相关设备
CN115783923A (zh) 基于大数据的电梯故障模式识别系统
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN115834433B (zh) 基于物联网技术的数据处理方法及系统
CN114387567A (zh) 一种视频数据的处理方法、装置、电子设备及存储介质
CN115186774B (zh) 智能电缆剥线设备及其方法
CN116247824B (zh) 电力设备的控制方法及其系统
CN116702156B (zh) 信息安全风险评价系统及其方法
CN115827257B (zh) 用于处理器体系的cpu容量预测方法及其系统
CN115731513B (zh) 基于数字孪生的智慧园区管理系统
CN116279504A (zh) 基于ar的车辆速度辅助系统及其方法
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
CN115471216A (zh) 智慧实验室管理平台的数据管理方法
CN114565812A (zh) 语义分割模型的训练方法、装置和图像的语义分割方法
CN115373813A (zh) 云计算环境中基于gpu虚拟化的调度方法、系统和电子设备
CN115880036A (zh) 一种车位级动态共享智能管控交易平台
CN115144312A (zh) 基于物联网的室内空气细颗粒测量方法及其系统
CN114610488A (zh) 基于负载均衡的数据采集方法、系统和电子设备
CN115118675A (zh) 基于智能网卡设备实现的数据流传输加速方法及其系统
CN117330890B (zh) 输电线路故障诊断系统及方法
CN112800217A (zh) 基于向量关联性矩阵的政务事务处理报告的智能评估方法
CN117495421A (zh) 基于电力通信网建设的电网通信工程造价预测方法

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