CN114758311B - 一种基于异质特征融合的交通流量预测方法及系统 - Google Patents
一种基于异质特征融合的交通流量预测方法及系统 Download PDFInfo
- Publication number
- CN114758311B CN114758311B CN202210663816.7A CN202210663816A CN114758311B CN 114758311 B CN114758311 B CN 114758311B CN 202210663816 A CN202210663816 A CN 202210663816A CN 114758311 B CN114758311 B CN 114758311B
- Authority
- CN
- China
- Prior art keywords
- node
- traffic
- nodes
- sequence
- cloud
- 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 60
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 36
- 230000008859 change Effects 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于异质特征融合的交通流量预测方法及系统,属于数据预测技术领域,解决了现有交通流量预测特征维度单一且未考虑气象因素的问题。包括构建各交通节点的流量数据序列,根据气象云图集合提取各交通节点的云图特征值序列;根据流量数据序列构建相关度矩阵,将最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列,构建新的相关度矩阵,重复上述过程直至得到预置数量的交通节点,作为样本节点;将样本节点的流量数据序列和云图特征值序列融合后作为时空图卷积网络的输入数据,训练得到预测模型;将待预测的交通节点在当前时刻前融合后的数据输入预测模型,预测出交通流量。实现了交通流量的精确预测。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种基于异质特征融合的交通流量预测方法及系统。
背景技术
近年来,全国车辆数量快速增加,交通拥堵问题也日益严重。精确及时的交通流量预测,便于分析交通变化趋势,评估交通状况。
国内外研究学者对于交通流量预测的方法进行过系统性的研究,主要可将其划分为基于数学建模的方法和基于机器学习的方法。基于数学建模的方法,如ARIMA方法、卡尔曼滤波方法,一般通过数学建模,设置相应参数,利用数学表达式计算出预测值。该类方法的优势在于模型简单,然而难以挖掘动态的深层次影响;基于机器学习的方法,特别是基于深度学习的模型,如卷积神经网络(CNN)模型、循环神经网络(RNN)模型、长短时记忆网络(LSTM)模型等,可以通过大量数据的训练学习各特征的权重,实现对交通流量的预测。
但现有的交通流量的预测大多是针对一个站点或一条交通线路,且多集中于关注交通流量的时空特性,而忽略了气象对于路网交通的影响。根据实际情况分析可知,遇到不利的气象条件,人们会自发地减少出行量,再加上高速公路按要求封闭、公共交通停运等原因,车辆出行数量会因恶劣气象自动减少。部分研究者也考虑了天气的影响,但将天气特征仅局限于“晴、阴、雨、雪”等量化值,无法捕捉小区域内天气变化,影响预测结果的准确性。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于异质特征融合的交通流量预测方法及系统,用以解决现有交通流量预测特征维度单一且未考虑气象因素的问题。
一方面,本发明实施例提供了一种基于异质特征融合的交通流量预测方法,包括以下步骤:
预处理交通流量历史数据,构建各交通节点的流量数据序列;预处理原始气象云图,获取各交通节点的气象云图集合;
将气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列;
根据流量数据序列,构建节点间的相关度矩阵,将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列,构建新的相关度矩阵,并将新的相关度矩阵中最小元素值对应的两个节点合并成新节点,重复上述过程直至得到预置数量的交通节点,作为样本节点;
将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,输入时空图卷积网络进行训练,得到训练好的交通流量预测模型;
将待预测的交通节点在当前时刻前的流量数据序列和云图特征值序列融合后输入交通流量预测模型,预测出交通流量。
基于上述方法的进一步改进,构建各交通节点的流量数据序列,包括:
根据预置的时间间隔划分得到多个时间片,基于预处理后的交通流量历史数据,统计在各时间片经过各交通节点的车辆数量,按时间片顺序放入各交通节点的流量数据序列中。
基于上述方法的进一步改进,预处理原始气象云图包括:
根据多个时间片,获取对应的原始气象云图;
对每张原始气象云图的RGB三个通道分别进行直方图均衡化,得到增强后的原始气象云图;
对增强后的原始气象云图进行归一化处理,将RGB三个通道的像素值从[0,255]转换到[0,1]。
基于上述方法的进一步改进,获取各交通节点的气象云图集合,包括:在每张预处理后的原始气象云图中,以各交通节点的地理位置为中心,按照预置范围截取出气象云图,分别放入各交通节点的气象云图集合中。
基于上述方法的进一步改进,将气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列,包括:
基于气象云图集合,将各交通节点的气象云图集合作为输入数据,将各交通节点在每个时间片的流量数据作为对应的气象云图的特征标签,通过已预训练的卷积神经网络,输出各交通节点在各时间片的w维云图特征值,1≤w≤10,得到各交通节点的云图特征值序列。
基于上述方法的进一步改进,根据流量数据序列,构建节点间的相关度矩阵,包括:
将各交通节点放入节点集合;
基于皮尔逊相关系数,构建节点集合中任意两个节点的流量数据序列的相关系数;根据递减函数,将相关系数变式后与对应的两个节点的流量数据序列之间的二范数相乘,得到任意两个节点的距离测度;
将得到的所有距离测度构建成一个对称的相关度矩阵,其对角线元素值为0,非对角线元素值为所在行列对应的交通节点的距离测度。
基于上述方法的进一步改进,将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列,构建新的相关度矩阵,包括:
选择相关度矩阵中非对角线的最小元素值,根据其对应的两个节点的流量数据序列,对相同时间片的流量数据和云图特征值分别求和取平均后,得到合并后的新节点的流量数据序列和云图特征值序列;
在节点集合中,删除最小元素值对应的两个节点,并加入合并后的新节点,更新节点集合;
根据更新后的节点集合中各节点的流量数据序列,构建新的相关度矩阵。
基于上述方法的进一步改进,将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,包括:
将每个样本节点的1维流量数据序列和w维云图特征值序列拼接成w+1维的融合数据序列;
对每个样本节点的融合数据序列,将预置的时间片数量作为滑窗窗口长度,按步长为1且从最大的时间片开始逐步平移,依次得到每个样本节点的多组融合数据,作为输入数据。
基于上述方法的进一步改进,时空图卷积网络包括:至少1个时空图卷积块、1个卷积层和1个全连接层,其中,每个时空图卷积块中包含2个时间卷积块和1个空间卷积块,输入数据作为第1个时空图卷积块的输入。
另一方面,本发明实施例提供了一种基于异质特征融合的交通流量预测系统,包括:
数据预处理模块,用于预处理交通流量历史数据,构建各交通节点流量数据序列;预处理原始气象云图,获取各交通节点的气象云图集合;
云图特征值提取模块,用于将气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列;
样本节点获取模块,用于根据流量数据序列,构建节点间的相关度矩阵,将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列,构建新的相关度矩阵,并将新的相关度矩阵中最小元素值对应的两个节点合并成新节点,重复上述过程直至得到预置数量的交通节点,作为样本节点;
预测模型训练模块,将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,输入时空图卷积网络进行训练,得到训练好的交通流量预测模型;
交通流量预测模块,将待预测的交通节点在当前时刻前的流量数据序列和云图特征值序列融合后输入交通流量预测模型,预测出交通流量。
与现有技术相比,本发明至少可实现如下有益效果之一:
1、不仅考虑交通流量历史数据,还兼顾各交通节点各时间点的气象云图对交通的影响,提取出多维气象特征与交通流量数据融合,并将其放入时空图卷积网络中学习,捕捉节点气象特征受周围节点及时间变化的影响,使得对道路交通流量的预测更加准确有效,及时掌握交通流量的变化趋势,对提升车辆运行效率具有重要的现实意义;
2、考虑到交通流量分布的空间特性与路网连接情况有关,将两个时序变量之间的相关度作为两个节点相关度的判定依据,减少交通节点,实现历史交通流量和气象特征数据的降维,提高数据训练速度和精确度。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明实施例1中一种基于异质特征融合的交通流量预测方法的流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例,公开了一种基于异质特征融合的交通流量预测方法,如图1所示,包括以下步骤:
S11:预处理交通流量历史数据,构建各交通节点的流量数据序列;预处理原始气象云图,获取各交通节点的气象云图集合。
需要说明的是,对交通流量历史数据进行预处理,包括数据清洗、平滑处理和归一化处理。在预处理中,对于缺失数据通过线性插值构造一个合理的值填充缺失位置;对同一节点的数据进行平滑操作,去除时序信号的噪声波动,便于后续学习预测路网交通流量的变化趋势;归一化处理在保持数据之间相对关系的同时,使得数据具有可比性,加快后续模型训练的收敛速度。
基于预处理后的交通流量历史数据,构建各交通节点的流量数据序列,包括:
根据预置的时间间隔划分得到多个时间片,统计在各时间片经过各交通节点的车辆数量,按时间片顺序放入各交通节点的流量数据序列中。
预置的时间间隔可以是15分钟、30分钟或60分钟。考虑到交通流量具有一定的月周期性,多个时间片的时间跨度至少1个月,优选地,将3个月的交通流量历史数据,按时间间隔划分得到多个时间片。
气象云图是发射到太空中的气象卫星拍摄到的关于云场在地球上空的分布图像,不同地点的交通流量状况受当前地点气象影响,而该点的气象变化与该点周围云场分布有关。与交通路网结构不同,气象的变化与经纬度有关,在气象云图上,表现为与周围图像像素值的时空变化相关,因此本实施例中对原始气象云图预处理后,根据每个交通节点的位置信息截取对应的小区域云图,提取出气象云图特征值,以此作为基础数据,便于后续挖掘出气象特征的时空影响,提高预测的准确度。
对原始气象云图进行预处理,包括:
根据多个时间片,获取对应的原始气象云图;
对每张原始气象云图的RGB三个通道分别进行直方图均衡化,得到增强后的原始气象云图;
对增强后的原始气象云图进行归一化处理,将RGB三个通道的像素值从[0,255]转换到[0,1]。
进一步地,在每张预处理后的原始气象云图中,以各交通节点的地理位置为中心,按照预置范围截取出气象云图,分别放入各交通节点的气象云图集合中,得到各交通节点的气象云图集合,其中,表示节点n在第t个时间片的RGB三个通道上的气象云图。所有N 0 个交通节点的气象云图集合表示为。
优选地,以经纬度2.56°作为预置范围的边长,以每个交通节点的地理位置为中心,从每个时间片对应的原始气象云图中,截取对应的方形图片,作为各交通节点各时间片的气象云图。
现有交通流量预测中将天气特征仅局限于“晴、阴、雨、雪”等量化值,无法捕捉小区域内天气变化。本实施例中选择原始的气象云图,在保留更多特征的同时,与每个交通节点的位置和时间关联,获取更具代表性的小区域图片,用于云图特征的提取,使得预测更加准确有效。
S12:将气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列。
需要说明的是,该网络需要提前使用各交通节点的气象云图集合和流量数据序列进行训练,预训练与本步骤提取云图特征值序列的输入数据的时间片范围不同,但方法相同,包括:
基于气象云图集合,将各交通节点的气象云图集合作为输入数据,将各交通节点在每个时间片的流量数据作为对应的气象云图的特征标签,通过已预训练的卷积神经网络,输出各交通节点在各时间片的w维云图特征值,1≤w≤10,得到各交通节点的云图特征值序列。
需要说明的是,以流量数据作为标签,使卷积神经网络学习云图与交通流量数据之间的关系。
输出的云图特征值维度w,由卷积神经网络的输出决定。示例性地,表1给出了一种卷积神经网络的结构。
在表1的卷积神经网络中,第一层为卷积层,输入通道为3,图像大小为256*256,输出通道设置为16,通过大小为3*3的卷积核,得到通道数为16,图像大小为128*128的输出,第二层为最大池化层,第三层为卷积层,第四层为最大池化层,第五层为卷积层,第六层为全连接层,第七层也为全连接层,该层的输出作为卷积神经网络的输出,最终输出通道数为w,图像大小为1的值。优选地,w设置为3。
S13:根据流量数据序列,构建节点间的相关度矩阵,将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列,构建新的相关度矩阵,并将新的相关度矩阵中最小元素值对应的两个节点合并成新节点,重复上述过程直至得到预置数量的交通节点,作为样本节点。
需要说明的是,该步骤是一个迭代过程,通过以下步骤S131-步骤S134进行细分说明。
S131:根据流量数据序列,构建节点间的相关度矩阵。
具体来说,相关度矩阵是根据任意两个节点间的距离测度所构建的对称矩阵。构建方法包括:
①将各交通节点放入节点集合;
需要说明的是,将路网中各交通节点作为初始的孤立节点,放入节点集合。
②基于皮尔逊相关系数,构建节点集合中任意两个节点的流量数据序列的相关系数;根据递减函数,将相关系数变式后与对应的两个节点的流量数据序列之间的二范数相乘,得到任意两个节点的距离测度;
需要说明的是,皮尔逊相关系数用来度量两个时序变量之间的线性相关度,根据节点集合中任意两个节点的流量数据序列,通过以下公式得到任意两个节点p和q间的相关系数:
其中,t表示第t个时间片,表示节点p的流量数据序列X p 中第t个时间片的流量数据,表示节点q的流量数据序列X q 中第t个时间片的流量数据。-1≤CORT(X p ,X q )≤1,相关系数越接近于1,对应的两个节点的流量数据变化趋势越相似;相关系数越接近于0,对应的两个节点的流量数据变化趋势越不相似;相关系数越接近于-1,对应的两个节点的流量数据变化趋势越相反。
根据递减函数,将相关系数变式后与对应的两个节点的流量数据序列之间的二范数相乘,得到任意两个节点的距离测度,公式如下:
③将得到的所有距离测度构建成一个对称的相关度矩阵,其对角线元素值为0,非对角线元素值为所在行列对应的交通节点的距离测度。
具体来说,相关度矩阵通过下式来表示:
S132:将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列。
需要说明的是,相关度矩阵中非对角线元素值中相关度越小,表示对应的两个节点的距离测度越小,流量数据序列越相似,因此,通过合并交通节点减少节点数量。
具体来说,选择相关度矩阵中非对角线的最小元素值,根据其对应的两个节点的流量数据序列,对相同时间片的流量数据和云图特征值分别求和取平均后,得到合并后的新节点的流量数据序列和云图特征值序列。
S133:在节点集合中,删除最小元素值对应的两个节点,并加入合并后的新节点,更新节点集合。
S134:判断当前节点集合中的节点数量,如果不等于预置数量,返回步骤S131,根据更新后的节点集合中各节点的流量数据序列,构建新的相关度矩阵,并将新的相关度矩阵中最小元素值对应的两个节点合并成新节点,重复上述过程直至得到预置数量的交通节点,作为样本节点。
具体来说,每次迭代过程中,根据公式(1)-公式(5),得到合并新节点后的相关度矩阵。原始交通节点数量是N 0,预置数量为N,则经过N 0-N次迭代后,将N 0个交通节点转换为N个新节点,得到N个新节点的交通流程数据序列和云图特征值序列。
优选地,预置数量为N的范围是[N 0/2,N 0)。
本实施例考虑到交通流量分布的空间特性与路网连接情况相关,将两个时序变量之间的相关度作为两个节点相关度的判定依据,减少交通节点,实现历史交通流量和气象特征数据的降维,提高数据训练速度和精确度。
S14:将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,输入时空图卷积网络进行训练,得到训练好的交通流量预测模型。
需要说明的是,将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,包括:
对每个样本节点的融合数据序列,将预置的时间片数量作为滑窗窗口长度,按步长为1且从最大的时间片开始逐步平移,依次得到每个样本节点的多组融合数据,作为输入数据。
具体来说,预置的时间片数量为timestep_input,则每个交通节点得到(T-timestep_input+1)组融合数据。
另外,根据样本节点的路网连接情况,建立邻接矩阵A,并根据邻接矩阵得到度矩阵S。
具体来说,若样本节点中任意两个节点间有直接的路网连接,则这两个节点在邻接矩阵中对应位置的元素值为1,否则为0;对于样本节点中由合并得到的新节点,继承合并前两个节点的路网连接关系。
示例性地,样本节点1分别与样本节点2和样本节点3间有直接的路网连接,样本节点7与样本节点8间有直接的路网连接,则样本节点1和样本节点7合并得到的新节点,与样本节点2、样本节点3和样本节点8间都有直接的路网连接。
建立的邻接矩阵A表示如下:
其中,邻接矩阵A的对角元素为0,非对角线元素a pq 的值为节点p和节点q的路网连接情况,p,q=1,2,...,N。
根据邻接矩阵得到的度矩阵S是一个对角矩阵,其对角线元素s d 的值为邻接矩阵第d行所有元素值之和,d=1,2,...,N,度矩阵表示如下:
根据样本节点的多组融合数据和邻接矩阵,构建时空图卷积网络,时空图卷积网络表示为G=(V,A),其中,V表示每个样本节点的多组融合数据,A为邻接矩阵,表示各样本节点间的连接关系。该网络包括:至少1个时空图卷积块、1个卷积层和1个全连接层,其中,每个时空图卷积块中包含2个时间卷积块和1个空间卷积块,样本节点的多组融合数据作为输入数据,输入第1个时空图卷积块。
示例性地,以预置的时间片数量为timestep_input,预置的预测数量为timestep_output,建立如表2所示的时空图卷积网络。
其中,输入数据大小timestep_input*(w+1)*N,表示N个样本节点每组数据中有timestep_input个(w+1)维的数据,输出大小timestep_output*1*N,表示得到N个样本节点每组timestep_output个预测数据。
需要说明的是,每个时空图卷积块的计算过程为:
其中,和分别为时空图卷积块输入和输出,和为时空图卷积块中的两个时间卷积核,为时空图卷积块中的谱图卷积核,表示时间卷积符号,表示图卷积符号,将样本节点的流量数据序列和云图特征值序列融合后得到的输入数据作为第一个时空图卷积块的输入。
时间卷积块由两个LSTM层组成,计算过程为:
空间卷积块的计算过程为:
训练时,将每个样本节点的多组融合数据按照8:2的比例分为训练集和测试集样本,使用Adam优化器(Adaptive moment estimation,自适应矩估计),均方误差MSE(MeanSquare Error)作为损失函数,得到训练好的交通流量预测模型。
S15:将待预测的交通节点在当前时刻前的流量数据序列和云图特征值序列融合后输入交通流量预测模型,预测出交通流量。
需要说明的是,对待预测的交通节点按照步骤S11和S12得到当前时刻前的流量数据序列和云图特征值序列,按照步骤S14,得到融合后的输入数据,构建出邻接矩阵和度矩阵;将输入数据输入训练好的交通流量预测模型,实现使用N个样本节点timestep_input个时间片的数据预测未来timestep_out个时间片的数据,得到N个样本节点timestep_out个未来时间片的交通流量预测数据。
与现有技术相比,本实施例提供的一种基于异质特征融合的交通流量预测方法不仅考虑交通流量历史数据,还兼顾各交通节点各时间点的气象云图对交通的影响,提取出多维气象特征与交通流量数据融合,并将其放入时空图卷积网络中学习,捕捉节点气象特征受周围节点及时间变化的影响,使得对道路交通流量的预测更加准确有效,及时掌握交通流量的变化趋势,对提升车辆运行效率具有重要的现实意义;考虑到交通流量分布的空间特性与路网连接情况有关,将两个时序变量之间的相关度作为两个节点相关度的判定依据,减少交通节点,实现历史交通流量和气象特征数据的降维,提高数据训练速度和精确度。
实施例2
本发明的另一个实施例,公开了一种基于异质特征融合的交通流量预测系统,从而实现实施例1中的预测方法。各模块的具体实现方式参照实施例1中的相应描述。该系统包括:
数据预处理模块,用于预处理交通流量历史数据,构建各交通节点流量数据序列;预处理原始气象云图,获取各交通节点的气象云图集合;
云图特征值提取模块,用于将气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列;
样本节点获取模块,用于根据流量数据序列,构建节点间的相关度矩阵,将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列,构建新的相关度矩阵,并将新的相关度矩阵中最小元素值对应的两个节点合并成新节点,重复上述过程直至得到预置数量的交通节点,作为样本节点;
预测模型训练模块,将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,输入时空图卷积网络进行训练,得到训练好的交通流量预测模型;
交通流量预测模块,将待预测的交通节点在当前时刻前的流量数据序列和云图特征值序列融合后输入交通流量预测模型,预测出交通流量。
由于本实施例的基于异质特征融合的交通流量预测系统与前述预测方法相关之处可相互借鉴,此处为重复描述,故这里不再赘述。由于本系统实施例与上述方法实施例原理相同,所以本系统也具有上述方法实施例相应的技术效果。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于异质特征融合的交通流量预测方法,其特征在于,包括以下步骤:
预处理交通流量历史数据,构建各交通节点的流量数据序列;预处理原始气象云图,获取各交通节点的气象云图集合;
将所述气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列;
执行迭代过程,包括:
步骤S130:将各交通节点放入节点集合;
步骤S131:根据节点集合中各节点的流量数据序列,构建节点间的相关度矩阵;
步骤S132:将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列;
步骤S133:在节点集合中,删除最小元素值对应的两个节点,并加入合并后的新节点,更新节点集合;
步骤S134:判断当前节点集合中的节点数量,如果不等于预置数量,返回步骤S131,直至得到预置数量的交通节点,作为样本节点;
将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,输入时空图卷积网络进行训练,得到训练好的交通流量预测模型;
将待预测的交通节点在当前时刻前的流量数据序列和云图特征值序列融合后输入交通流量预测模型,预测出交通流量。
2.根据权利要求1所述的基于异质特征融合的交通流量预测方法,其特征在于,所述构建各交通节点的流量数据序列,包括:
根据预置的时间间隔划分得到多个时间片,基于预处理后的交通流量历史数据,统计在各时间片经过各交通节点的车辆数量,按时间片顺序放入各交通节点的流量数据序列中。
3.根据权利要求2所述的基于异质特征融合的交通流量预测方法,其特征在于,所述预处理原始气象云图包括:
根据所述多个时间片,获取对应的原始气象云图;
对每张原始气象云图的RGB三个通道分别进行直方图均衡化,得到增强后的原始气象云图;
对增强后的原始气象云图进行归一化处理,将RGB三个通道的像素值从[0,255]转换到[0,1]。
4.根据权利要求3所述的基于异质特征融合的交通流量预测方法,其特征在于,所述获取各交通节点的气象云图集合,包括:在每张预处理后的原始气象云图中,以各交通节点的地理位置为中心,按照预置范围截取出气象云图,分别放入各交通节点的气象云图集合中。
5.根据权利要求4所述的基于异质特征融合的交通流量预测方法,其特征在于,所述将所述气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列,包括:
基于气象云图集合,将各交通节点的气象云图集合作为输入数据,将各交通节点在每个时间片的流量数据作为对应的气象云图的特征标签,通过已预训练的卷积神经网络,输出各交通节点在各时间片的w维云图特征值,1≤w≤10,得到各交通节点的云图特征值序列。
6.根据权利要求2所述的基于异质特征融合的交通流量预测方法,其特征在于,所述根据节点集合中各节点的流量数据序列,构建节点间的相关度矩阵,包括:
基于皮尔逊相关系数,构建节点集合中任意两个节点的流量数据序列的相关系数;根据递减函数,将所述相关系数变式后与对应的两个节点的流量数据序列之间的二范数相乘,得到任意两个节点的距离测度;
将得到的所有距离测度构建成一个对称的相关度矩阵,其对角线元素值为0,非对角线元素值为所在行列对应的交通节点的距离测度。
7.根据权利要求6所述的基于异质特征融合的交通流量预测方法,其特征在于,所述将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列,包括:
选择相关度矩阵中非对角线的最小元素值,根据其对应的两个节点的流量数据序列,对相同时间片的流量数据和云图特征值分别求和取平均后,得到合并后的新节点的流量数据序列和云图特征值序列。
8.根据权利要求5或7所述的基于异质特征融合的交通流量预测方法,其特征在于,将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,包括:
将每个样本节点的1维流量数据序列和w维云图特征值序列拼接成w+1维的融合数据序列;
对每个样本节点的融合数据序列,将预置的时间片数量作为滑窗窗口长度,按步长为1且从最大的时间片开始逐步平移,依次得到每个样本节点的多组融合数据,作为输入数据。
9.根据权利要求8所述的基于异质特征融合的交通流量预测方法,其特征在于,所述时空图卷积网络包括:至少1个时空图卷积块、1个卷积层和1个全连接层,其中,每个时空图卷积块中包含2个时间卷积块和1个空间卷积块,所述输入数据作为第1个时空图卷积块的输入。
10.一种基于异质特征融合的交通流量预测系统,其特征在于,包括:
数据预处理模块,用于预处理交通流量历史数据,构建各交通节点流量数据序列;预处理原始气象云图,获取各交通节点的气象云图集合;
云图特征值提取模块,用于将所述气象云图集合输入已预训练的卷积神经网络,得到各交通节点的云图特征值序列;
样本节点获取模块,用于执行迭代过程,包括:步骤S130:将各交通节点放入节点集合;步骤S131:根据节点集合中各节点的流量数据序列,构建节点间的相关度矩阵;步骤S132:将相关度矩阵中最小元素值对应的两个节点合并成新节点,计算新节点的流量数据序列和云图特征值序列;步骤S133:在节点集合中,删除最小元素值对应的两个节点,并加入合并后的新节点,更新节点集合;步骤S134:判断当前节点集合中的节点数量,如果不等于预置数量,返回步骤S131,直至得到预置数量的交通节点,作为样本节点;
预测模型训练模块,将样本节点的流量数据序列和云图特征值序列进行融合,得到输入数据,输入时空图卷积网络进行训练,得到训练好的交通流量预测模型;
交通流量预测模块,将待预测的交通节点在当前时刻前的流量数据序列和云图特征值序列融合后输入交通流量预测模型,预测出交通流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210663816.7A CN114758311B (zh) | 2022-06-14 | 2022-06-14 | 一种基于异质特征融合的交通流量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210663816.7A CN114758311B (zh) | 2022-06-14 | 2022-06-14 | 一种基于异质特征融合的交通流量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114758311A CN114758311A (zh) | 2022-07-15 |
CN114758311B true CN114758311B (zh) | 2022-09-02 |
Family
ID=82336432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210663816.7A Active CN114758311B (zh) | 2022-06-14 | 2022-06-14 | 一种基于异质特征融合的交通流量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114758311B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985104A (zh) * | 2023-02-10 | 2023-04-18 | 长三角信息智能创新研究院 | 一种交通流量预测装置、预测方法及预测模型构建方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3437022A1 (en) * | 2017-06-22 | 2019-02-06 | Baidu.com Times Technology (Beijing) Co., Ltd. | Traffic prediction based on map images for autonomous driving |
WO2020182591A1 (en) * | 2019-03-08 | 2020-09-17 | Osram Gmbh | Component for a lidar sensor system, lidar sensor system, lidar sensor device, method for a lidar sensor system and method for a lidar sensor device |
CN112862171B (zh) * | 2021-01-29 | 2022-05-27 | 北京航空航天大学 | 一种基于时空神经网络的航班到达时间预测方法 |
CN113299120B (zh) * | 2021-05-25 | 2022-05-13 | 中国电子科技集团公司第二十八研究所 | 一种边云协同支撑的空中交通态势智能感知系统 |
CN113689026A (zh) * | 2021-07-13 | 2021-11-23 | 上海眼控科技股份有限公司 | 一种气象数据预测方法、设备及存储介质 |
CN114495492B (zh) * | 2021-12-31 | 2023-05-23 | 中国科学院软件研究所 | 一种基于图神经网络的交通流预测方法 |
-
2022
- 2022-06-14 CN CN202210663816.7A patent/CN114758311B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114758311A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561146B (zh) | 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 | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN111612066B (zh) | 基于深度融合的卷积神经网络的遥感图像分类方法 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN109410575B (zh) | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 | |
CN110766942B (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN112446419A (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN114758311B (zh) | 一种基于异质特征融合的交通流量预测方法及系统 | |
CN112562312B (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
CN116504075A (zh) | 注意力与多元图卷积融合的时空交通速度预测方法及系统 | |
CN117593877A (zh) | 一种基于集成图卷积神经网络的短时交通流预测方法 | |
CN111242394B (zh) | 空间关联特征的提取方法及系统 | |
CN118036714B (zh) | 基于集成学习算法的空域流量预测方法 | |
CN118522155B (zh) | 基于自适应的交通流量预测方法、系统、装置、存储介质 | |
CN117456738B (zh) | 一种基于etc门架数据的高速公路交通量预测方法 | |
CN117131382A (zh) | 台风“时-空-形-量”相似预报方法及装置、电子设备 |
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 |