CN115116227A - 一种交通流量预测方法、系统、装置及可读存储介质 - Google Patents
一种交通流量预测方法、系统、装置及可读存储介质 Download PDFInfo
- Publication number
- CN115116227A CN115116227A CN202210763540.XA CN202210763540A CN115116227A CN 115116227 A CN115116227 A CN 115116227A CN 202210763540 A CN202210763540 A CN 202210763540A CN 115116227 A CN115116227 A CN 115116227A
- Authority
- CN
- China
- Prior art keywords
- time
- flow
- characteristic
- representing
- sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000737 periodic effect Effects 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000007423 decrease Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种交通流量预测方法、系统、装置及可读存储介质,包括交通流量特征设计,包括区域流动特征、区域依赖特征和时间特征。首先使用图注意力网络实现对每个区域的流量关系进行学习。在此之上,为捕获远近空间特征,本章设计了一个基于残差网络,利用卷积网络和空洞卷积网络的远近空间特征模块,学习多尺度的空间特征。最后使用了ConvLSTM网络对每个区域的顺序性和周期性进行学习,并且引入了注意力机制进一步提高了周期性特征的提取准确度,并训练出最终的预测模型,提高了时空序列的预测精确度和稳定性。
Description
技术领域
本发明属于交通流量预测技术领域,涉及一种交通流量预测方法、系统、装置及可读存储介质。
背景技术
在社会发展的过程中,交通运输行业是其他行业发展的基石。智能交通系统(ITS)利用先进的软硬件技术,构建实时精确的交通管理系统,以提供准确的交通路况分析,实现对交通管理效率的提升。交通流量预测是智能交通系统中的重要组成部分,通过各种方式对城市内部的不同道路收集流量信息,基于这些对流量进行预测,根据预测结果既可以对出行路径进行合理规划,也可以帮助交通部门合理分配资源,从而提高城市交通效率。
随着深度学习技术的发展,诸如卷积网络和循环神经网络极其变体广泛应用于交通流量预测中,但是,发现其仍然存在两个问题。第一个问题是其仅仅捕捉到了不同区域之间的空间依赖性,对于其每个区域与其他区域之间的流动性特征并未学习,具体来说,一个区域在很大概率上与某几个区域流通性较强,与其他区域流通性较弱,大多数方法忽略了流动特征,导致模型学习到的空间特征不完整,降低了预测的准确性。另一个问题是,远距离区域与近距离区域仍然具有一定的空间依赖关系,一些方法忽略了远距离区域之间的空间依赖关系,导致预测准确性下降,另一些方法通过堆叠卷积网络的方式获取远距离空间依赖关系,但是过多的卷积层堆叠会令模型的训练难度增加,其性能也会随之下降。
综上,能够得知,交通流量的区域流动和远距离空间依赖性,决定了并不存在一种成熟的交通流量预测算法提取多区域之间的流动和远距离空间依赖特征,因此设计一种精确,稳定的交通流量预测方法的需求是迫切的。
发明内容
本发明的目的在于解决现有技术中交通流量预测技术的缺陷,提供一种面向城市区域网格的交通流量预测方法、系统、装置及可读存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
第一方面,本发明提供一种交通流量预测方法,包括以下步骤:
根据交通流量特征搭建GAT-FNCL预测模型;
训练GAT-FNCL预测模型;
向GAT-FNCL预测模型中输入时间序列,输出预测结果。
第二方面,本发明提供一种交通流量预测系统,包括:
预测模型搭建模块,所述预测模型搭建模块用于根据交通流量特征搭建GAT-FNCL预测模型;
预测模型训练模块,所述预测模型训练模块用于训练GAT-FNCL预测模型;
预测结果输出模块,所述预测结果输出模块用于向GAT-FNCL预测模型中输入时间序列,输出预测结果。
第三方面,本发明提供一种交通流量预测装置,包括存储器、处理器以及存储在所述存储器中并可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如上述方法的步骤。
第四方面,本发明提供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如上述方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明设计了一种基于流动图特征和多尺度空间特征的时空序列模型,为了提取空间流动特征,使用图注意力网络实现对每个区域的流动特征学习;为了提取多尺度空间依赖特征,设计了一个基于残差网络,利用卷积网络和空洞卷积网络的远近空间特征模块,学习多尺度的空间特征;为了提取时间特征,使用ConvLSTM网络对每个区域的顺序性和周期性进行学习,并且设计了一种注意力机制进一步提高了周期性特征的提取准确度,并训练出最终的预测模型,有效的提高时空序列的预测精确度和稳定性。
附图说明
为了更清楚的说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明交通流量预测方法的流程图。
图2为本发明交流流量预测系统的逻辑框图。
图3为本发明方法的整体流程图。
图4为本发明GAT-FNCL预测模型的整体架构图。
图5为本发明GAT-FNCL预测模型的训练流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明实施例公开了一种交通流量预测方法,包括以下步骤:
S1,根据交通流量特征搭建GAT-FNCL预测模型;所述交通流量特征包括区域流动特征、区域依赖特征和时间特征。所述区域流动特征为利用交通流量轨迹中的经纬度信息将其所在范围划分为一个w×h的网格地图,将每一个区域视为一个节点,构建不同区域之间的流量有向图,区域有向图信息其中,h和w分别为时空图的长和宽。
所述区域依赖特征为利用交通流量轨迹中的经纬度信息将其所在范围划分为一个w×h的网格地图,根据给定的时间区间,统计网格地图中的每一区域在该时间段中的流入数量和流出数量,每次的采集信息表示当前时间段每个区域的流量。
所述时间特征通过以下方法得到:
历史已知区域流量信息Xarea如下:
Xarea={X1,X2,…,Xt}
Xo={Xt-l,Xt-l+1,...,Xt}
其中,l表示采集的长度,则周期时间序列Xc如下:
Xc={Xt-nk-p,Xt-nk-p+1,...,Xt-nk,...,Xt-n-1,Xt-n}
其中,k表示周期长度,p表示每个周期序列的长度,n表示设定的周期窗口大小。
所述搭建GAT-FNCL预测模型,包括:
GAT-FNCL模型包括流动图特征模块、空间特征模块和时间特征模块;
流动图特征模块通过图注意力网络捕获区域之间的依赖关系,具体方法如下:
通过将多个区域按照流量关系构建拓扑图,再将其归一化处理,用来构建区域依赖关系特征图,接着利用已知时刻所有时刻的流量数据以及区域依赖关系特征图作为图注意力网络的输入,最后得到区域流动特征,与原始序列合并,作为空间特征模块的输入;图注意力网络主要在图卷积网络的传播过程中引入自注意力机制,其每一个节点的状态由其对相邻节点注意力计算;图注意力网络具有多个图注意力层,每个注意力层的注意力计算方法如下:
其中,ai,j表示节点i对于节点j的注意力系数,Ni表示节点i的所有邻接节点,k表示Ni中的某个节点,Whi为第i节点的权值变换矩阵,Whj为第j节点的权值变换矩阵,Whk为第k节点的权值变换矩阵,α为权值向量,LeakReLU()表示负值斜率不为零的激活函数,T表示矩阵转置;最终得到每个节点其邻接节点的注意力相关系数,其输出为:
其中,σ()表示激活函数,hi表示第i个节点的最终输出。
空间特征模块利用卷积网络和空洞卷积网络共同组成一个残差模块,空洞卷积为:
Fk(Xinput)=f(Wk*Xinput+bk)
其中,k表示空洞卷积的扩张因子大小,Fk()表示扩张因子为k时的空洞卷积,Xinput表示空洞卷积的输入,Wk表示参数矩阵,bk表示偏置量,f表示激活函数,‘*’表示卷积操作;残差块的计算方法如下:
其中,t表示输入的序列时间,Xt表示当前残差块的输入,fconv()表示普通卷积操作,c表示普通卷积,表示普通卷积网络的输出,fk-dilation-conv()表示扩张因子为k的空洞卷积,k表示空洞卷积的扩张因子,表示扩张因子为k的空洞卷积网络输出,ReLU()表示激活函数,X′t表示残差块中的计算结果,表示最终残差块的输出;
时间特征模块采用并行的ConvLSTM网络,分别学习时间维度的顺序性特征和周期性特征;顺序性时间特征模块的输入为临近时间序列经过流动图特征模块和远近空间特征模块对空间特征进行提取后得到的时空序列,其表示为:
Xo,t={Xt-r,Xt-r+1,...,Xt}
其中,Xo,t表示高阶的顺序时间序列,r表示顺序序列长度;提取到的顺序性高阶特征表示为:
其中,Xc,t表示高阶的周期时间序列,p表示每个周期序列的长度,l表示周期序列长度;每个周期序列表示为:
首先对于每一个周期序列分别通过一个ConvLSTM网络提取其顺序性特征:
其中,表示第l周期提取到的周期特征,fConuLSTM()表示ConvLSTM操作;将顺序性高阶特征作为Query,将所有周期序列得到的高阶特征当作Key,计算其相关性权重,将其得到结果的使用softmax函数进行归一化,得到其相关性系数:
其中,s()表示注意力打分函数,Wr和Wc为参数矩阵,T表示矩阵转置,VT表示转置的周期高阶特征,tanh表示在注意力打分函数中使用的激活函数,L表示周期序列数量,ac,t表示对应的周期序列得到的权重系数,最终得到高阶周期性特征:
将时空特征模块捕获的时间顺序性高阶特征和时间周期性高阶特征进行concat操作,再输入到卷积网络得到最终的预测结果:
S2,训练GAT-FNCL预测模型,具体方法如下:
将选择的训练样本:
X→Y:(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)x={xc,xo,xp-p}
其中,X为训练样本集,Y为预测目标时间流量,n为样本的数量,x为已知流量信息,xc为周期信息,xo为顺序信息,xp-p为区域节点流通信息;GAT-FNCL预测模型的训练过程是通过已知信息训练一个非线性表达,将训练样本输入后,经过计算,使其得到结果逼近正确的交通流量。
S3,向GAT-FNCL预测模型中输入时间序列,输出预测结果。
如图2所示,本发明实施例还公开了一种交通流量预测系统,包括:
预测模型搭建模块,所述预测模型搭建模块用于根据交通流量特征搭建GAT-FNCL预测模型;
预测模型训练模块,所述预测模型训练模块用于训练GAT-FNCL预测模型;
预测结果输出模块,所述预测结果输出模块用于向GAT-FNCL预测模型中输入时间序列,输出预测结果。
实施例
参见图3,本发明面向城市区域网格的交通流量预测方法,包括以下部分:
步骤1:交通流量特征设计,包括区域流动特征、区域依赖特征和时间特征。
区域依赖特征是指:利用交通流量轨迹中的经纬度信息将其所在范围划分为一个w×h的网格地图,根据给定的时间区间,统计网格地图中的每一区域在该时间段中的流入数量和流出数量,具体形式上将每次的采集信息表示当前时间段每个区域的流量。
时间特征是指:设历史已知区域流量信息为:Xarea={X1,X2,…,Xt},其中t表示已知流量序列的结尾,i∈[1,t],h和w分别为时空图的长和宽,其中需要分别对顺序时间和周期时间的数据进行采集作为输入,以得到顺序特征和周期特征。顺序时间序列表示为:
Xo={Xt-l,Xt-l+1,...,Xt}
其中Xo表示输入的顺序时间序列,l表示采集的长度,周期时间序列表示为:
Xc={Xt-nk-p,Xt-nk-p+1,...,Xt-nk,...,Xt-n-1,Xt-n}
其中,k表示周期长度,p表示每个周期序列的长度,n表示设定的周期窗口大小。
步骤2:GAT-FNCL预测模型搭建。
如图4所示,GAT-FNCL模型主要由三部分组成,分别是流动图特征模块、空间特征模块和时间特征模块。
通过将多个区域按照流量关系构建拓扑图,再将其归一化处理,用来构建区域依赖关系特征图,接着利用已知时刻所有时刻的流量数据以及区域依赖关系特征图作为图注意力网络的输入,最后得到区域流动特征,与原始序列合并,作为空间特征模块的输入;图注意力网络主要在图卷积网络的传播过程中引入自注意力机制,其每一个节点的状态由其对相邻节点注意力计算;图注意力网络具有多个图注意力层,每个注意力层的注意力计算方法如下:
其中,ai,j表示节点i对于节点j的注意力系数,Ni表示节点i的所有邻接节点,k表示Ni中的某个节点,Whi为第i节点的权值变换矩阵,Whj为第j节点的权值变换矩阵,Whk为第k节点的权值变换矩阵,α为权值向量,LeakReLU()表示负值斜率不为零的激活函数,T表示矩阵转置;最终得到每个节点其邻接节点的注意力相关系数,其输出为:
其中,σ()表示激活函数,hi表示第i个节点的最终输出。
空间特征模块利用卷积网络和空洞卷积网络共同组成一个残差模块,空洞卷积为:
Fk(Xinput)=f(Wk*Xinput+bk)
其中,k表示空洞卷积的扩张因子大小,Fk()表示扩张因子为k时的空洞卷积,Xinput表示空洞卷积的输入,Wk表示参数矩阵,bk表示偏置量,f表示激活函数,‘*’表示卷积操作;残差块的计算方法如下:
其中,t表示输入的序列时间,Xt表示当前残差块的输入,fconv()表示普通卷积操作,c表示普通卷积,表示普通卷积网络的输出,fk-dilation-conv()表示扩张因子为k的空洞卷积,k表示空洞卷积的扩张因子,表示扩张因子为k的空洞卷积网络输出,ReLU()表示激活函数,X′t表示残差块中的计算结果,表示最终残差块的输出;
时间特征模块采用并行的ConvLSTM网络,分别学习时间维度的顺序性特征和周期性特征;顺序性时间特征模块的输入为临近时间序列经过流动图特征模块和远近空间特征模块对空间特征进行提取后得到的时空序列,其表示为:
Xo,t={Xt-r,Xt-r+1,...,Xt}
其中,Xo,t表示高阶的顺序时间序列,r表示顺序序列长度;提取到的顺序性高阶特征表示为:
其中,Xc,t表示高阶的周期时间序列,p表示每个周期序列的长度,l表示周期序列长度;每个周期序列表示为:
首先对于每一个周期序列分别通过一个ConvLSTM网络提取其顺序性特征:
其中,表示第l周期提取到的周期特征,fConvLSTM()表示ConvLSTM操作;将顺序性高阶特征作为Query,将所有周期序列得到的高阶特征当作Key,计算其相关性权重,将其得到结果的使用softmax函数进行归一化,得到其相关性系数:
其中,s()表示注意力打分函数,Wr和Wc为参数矩阵,T表示矩阵转置,VT表示转置的周期高阶特征,tanh表示在注意力打分函数中使用的激活函数,L表示周期序列数量,ac,t表示对应的周期序列得到的权重系数,最终得到高阶周期性特征:
将时空特征模块捕获的时间顺序性高阶特征和时间周期性高阶特征进行concat操作,再输入到卷积网络得到最终的预测结果:
步骤3:GAT-FNCL模型训练
如图5所示,将选择的训练样本X→Y:(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)x={xc,xo,xp-p},其中X为训练样本集,Y为预测目标时间流量,n为样本的数量,x为已知流量信息,xc为周期信息,xo为顺序信息,xp-p为区域节点流通信息;GAT-FNCL预测模型的训练过程是通过已知信息训练一个非线性表达,将训练样本输入后,经过计算,使其得到结果逼近正确的交通流量。
步骤4:向步骤2中的GAT-FNCL预测模型输入已知的时间序列,输出预测结果。
本发明一实施例提供的交通流量交通流量预测装置的示意图。该实施例的交通流量预测装置包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述交通流量预测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述交通流量预测装置可包括,但不仅限于,处理器、存储器。
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。
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,实现所述交通流量预测装置的各种功能。
所述交通流量预测装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种交通流量预测方法,其特征在于,包括以下步骤:
根据交通流量特征搭建GAT-FNCL预测模型;
训练GAT-FNCL预测模型;
向GAT-FNCL预测模型中输入时间序列,输出预测结果。
2.根据权利要求1所述的交通流量预测方法,其特征在于,所述交通流量特征包括区域流动特征、区域依赖特征和时间特征。
6.根据权利要求2所述的交通流量预测方法,其特征在于,所述搭建GAT-FNCL预测模型,包括:
GAT-FNCL模型包括流动图特征模块、空间特征模块和时间特征模块;
流动图特征模块通过图注意力网络捕获区域之间的依赖关系,具体方法如下:
通过将多个区域按照流量关系构建拓扑图,再将其归一化处理,用来构建区域依赖关系特征图,接着利用已知时刻所有时刻的流量数据以及区域依赖关系特征图作为图注意力网络的输入,最后得到区域流动特征,与原始序列合并,作为空间特征模块的输入;图注意力网络主要在图卷积网络的传播过程中引入自注意力机制,其每一个节点的状态由其对相邻节点注意力计算;图注意力网络具有多个图注意力层,每个注意力层的注意力计算方法如下:
其中,ai,j表示节点i对于节点j的注意力系数,Ni表示节点i的所有邻接节点,k表示Ni中的某个节点,Whi为第i节点的权值变换矩阵,Whj为第j节点的权值变换矩阵,Whk为第k节点的权值变换矩阵,α为权值向量,LeakReLU()表示负值斜率不为零的激活函数,T表示矩阵转置;最终得到每个节点其邻接节点的注意力相关系数,其输出为:
其中,σ()表示激活函数,hi表示第i个节点的最终输出。
空间特征模块利用卷积网络和空洞卷积网络共同组成一个残差模块,空洞卷积为:
Fk(Xinput)=f(Wk*Xinput+bk)
其中,k表示空洞卷积的扩张因子大小,Fk()表示扩张因子为k时的空洞卷积,Xinput表示空洞卷积的输入,Wk表示参数矩阵,bk表示偏置量,f表示激活函数,‘*’表示卷积操作;残差块的计算方法如下:
其中,t表示输入的序列时间,Xt表示当前残差块的输入,fconv()表示普通卷积操作,c表示普通卷积,表示普通卷积网络的输出,fk-dilation-conu()表示扩张因子为k的空洞卷积,k表示空洞卷积的扩张因子,表示扩张因子为k的空洞卷积网络输出,ReLU()表示激活函数,X′t表示残差块中的计算结果,表示最终残差块的输出;
时间特征模块采用并行的ConvLSTM网络,分别学习时间维度的顺序性特征和周期性特征;顺序性时间特征模块的输入为临近时间序列经过流动图特征模块和远近空间特征模块对空间特征进行提取后得到的时空序列,其表示为:
Xo,t={Xt-r,Xt-r+1,...,Xt}
其中,Xo,t表示高阶的顺序时间序列,r表示顺序序列长度;提取到的顺序性高阶特征表示为:
其中,Xc,t表示高阶的周期时间序列,p表示每个周期序列的长度,l表示周期序列长度;每个周期序列表示为:
首先对于每一个周期序列分别通过一个ConvLSTM网络提取其顺序性特征:
其中,表示第l周期提取到的周期特征,fConvLSTM()表示ConvLSTM操作;将顺序性高阶特征作为Query,将所有周期序列得到的高阶特征当作Key,计算其相关性权重,将其得到结果的使用softmax函数进行归一化,得到其相关性系数:
其中,s()表示注意力打分函数,Wr和Wc为参数矩阵,T表示矩阵转置,VT表示转置的周期高阶特征,tanh表示在注意力打分函数中使用的激活函数,L表示周期序列数量,ac,t表示对应的周期序列得到的权重系数,最终得到高阶周期性特征:
将时空特征模块捕获的时间顺序性高阶特征和时间周期性高阶特征进行concat操作,再输入到卷积网络得到最终的预测结果:
7.根据权利要求6所述的交通流量预测方法,其特征在于,所述训练GAT-FNCL预测模型,包括:
将选择的训练样本:
X→Y:(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)x={xc,xo,xp-p}
其中,X为训练样本集,Y为预测目标时间流量,n为样本的数量,x为已知流量信息,xc为周期信息,xo为顺序信息,xp-p为区域节点流通信息;GAT-FNCL预测模型的训练过程是通过已知信息训练一个非线性表达,将训练样本输入后,经过计算,使其得到结果逼近正确的交通流量。
8.一种交通流量预测系统,其特征在于,包括:
预测模型搭建模块,所述预测模型搭建模块用于根据交通流量特征搭建GAT-FNCL预测模型;
预测模型训练模块,所述预测模型训练模块用于训练GAT-FNCL预测模型;
预测结果输出模块,所述预测结果输出模块用于向GAT-FNCL预测模型中输入时间序列,输出预测结果。
9.一种交通流量预测装置,包括存储器、处理器以及存储在所述存储器中并可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1-7任一项所述方法的步骤。
10.一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1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763540.XA CN115116227B (zh) | 2022-06-30 | 2022-06-30 | 一种交通流量预测方法、系统、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763540.XA CN115116227B (zh) | 2022-06-30 | 2022-06-30 | 一种交通流量预测方法、系统、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115116227A true CN115116227A (zh) | 2022-09-27 |
CN115116227B CN115116227B (zh) | 2024-07-19 |
Family
ID=83330348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763540.XA Active CN115116227B (zh) | 2022-06-30 | 2022-06-30 | 一种交通流量预测方法、系统、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115116227B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153087A (zh) * | 2023-04-23 | 2023-05-23 | 华东交通大学 | 基于时序依赖注意力稀疏卷积的交通流量预测方法及系统 |
CN117218841A (zh) * | 2023-09-14 | 2023-12-12 | 重庆邮电大学 | 一种基于残差网络的交通流量预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060666A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Video system using dual stage attention based recurrent neural network for future event prediction |
CN111210633A (zh) * | 2020-02-09 | 2020-05-29 | 北京工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
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 |
CN114038200A (zh) * | 2021-11-29 | 2022-02-11 | 东北大学 | 基于注意力机制的时空同步图卷积网络交通流量预测方法 |
WO2022104504A1 (zh) * | 2020-11-17 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种公路交通状态预测方法、系统、终端以及存储介质 |
CN114611383A (zh) * | 2022-02-25 | 2022-06-10 | 武汉大学 | 一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法 |
-
2022
- 2022-06-30 CN CN202210763540.XA patent/CN115116227B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060666A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Video system using dual stage attention based recurrent neural network for future event prediction |
US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
CN111210633A (zh) * | 2020-02-09 | 2020-05-29 | 北京工业大学 | 一种基于深度学习的短时交通流预测方法 |
CN112291808A (zh) * | 2020-11-02 | 2021-01-29 | 东南大学 | 基于深度学习的区域网络流量预测方法 |
WO2022104504A1 (zh) * | 2020-11-17 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种公路交通状态预测方法、系统、终端以及存储介质 |
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 |
CN114038200A (zh) * | 2021-11-29 | 2022-02-11 | 东北大学 | 基于注意力机制的时空同步图卷积网络交通流量预测方法 |
CN114611383A (zh) * | 2022-02-25 | 2022-06-10 | 武汉大学 | 一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法 |
Non-Patent Citations (3)
Title |
---|
FU RUI ETAL.: "Using LSTM and GRU neural network methods for traffic flow prediction", YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION, 31 August 2016 (2016-08-31) * |
廖挥若等: "基于注意力的时空神经网络城市区域交通流量预测", 计算机应用研究, vol. 38, no. 10, 31 October 2021 (2021-10-31) * |
杜圣东;李天瑞;杨燕;王浩;谢鹏;洪西进;: "一种基于序列到序列时空注意力学习的交通流预测模型", 计算机研究与发展, no. 08, 6 August 2020 (2020-08-06) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153087A (zh) * | 2023-04-23 | 2023-05-23 | 华东交通大学 | 基于时序依赖注意力稀疏卷积的交通流量预测方法及系统 |
CN117218841A (zh) * | 2023-09-14 | 2023-12-12 | 重庆邮电大学 | 一种基于残差网络的交通流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115116227B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
CN110827544B (zh) | 一种基于图卷积循环神经网络的短时交通流控制方法 | |
CN113792929B (zh) | 交通流量预测方法、电子设备及存储介质 | |
CN114220271B (zh) | 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 | |
CN109034448B (zh) | 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN115116227A (zh) | 一种交通流量预测方法、系统、装置及可读存储介质 | |
CN113673769B (zh) | 基于多元时间序列插补的图神经网络交通流预测方法 | |
CN113487061A (zh) | 一种基于图卷积-Informer模型的长时序交通流量预测方法 | |
CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
CN113298314A (zh) | 一种考虑动态时空相关性的轨道交通客流预测方法 | |
CN108595582A (zh) | 一种基于社会信号的灾害性气象热点事件识别方法 | |
CN111209968B (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
CN108492561A (zh) | 一种基于矩阵分解的路网交通状态时空特征分析方法 | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
Yang et al. | Fine-grained predicting urban crowd flows with adaptive spatio-temporal graph convolutional network | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
Liu et al. | Complex background classification network: a deep learning method for urban images classification | |
Hu et al. | Graph transformer based dynamic multiple graph convolution networks for traffic flow forecasting | |
CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
CN117151499A (zh) | 一种国土空间规划的监测评估方法及系统 | |
Jin et al. | Spatiotemporal graph convolutional neural networks for metro flow prediction | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
Yu et al. | Traffic Accident Prediction Based on Deep Spatio-Temporal Analysis |
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 |