CN115311846B - 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统 - Google Patents

Abstract

本发明公开了一种结合货车任务状态的厂区道路拥堵预测方法，本发明方法根据货车装卸任务状态信息对每辆货车进行编码，再通过融合每条道路上所有行驶货车的编码获得该条道路的交通信息编码。随后，构建时空注意力模块，以前述步骤获得的历史时段的道路交通信息编码作为输入，分析未来时段各条道路的交通编码信息。同时，分析历史时段内每种任务状态转换时货车在厂区道路的位置分布变化，利用CNN和LSTM的组合模型获取未来时段每种任务状态转换时货车在厂区道路的位置分布。然后，通过使用残差层将任务状态转换时的货车分布信息与所获得的道路交通编码相融合，最后采用多层全连接神经网络将每条道路的交通编码信息解码为每条道路的拥堵情况。

Description

一种结合货车任务状态的厂区道路拥堵预测方法及预测系统

技术领域

本发明属于数据挖掘技术领域，涉及一种基于货车任务状态的厂区周边道路拥堵预测方法及预测系统。

背景技术

随着经济的不断发展，大宗货运需求激增。大型制造企业的厂区道路与物流园区道路的交通拥堵不仅降低了物流效率，还对其周边道路的交通状况产生了严重影响。传统的城市道路交通拥堵预测方法重点关注时空因素造成的道路交通状况变化，未考虑货车任务状态对道路交通状况带来的影响。为保证大宗货运的高效率，亟需对厂区(或园区)重点道路区域(即货车频繁通行的道路)的交通拥堵情况进行预测。

城市道路拥堵预测方法可大致分为三类：第一类是采用传统机器学习(例如ARIMA、卡尔曼滤波等)提取特征来预测道路拥堵情况，该类方法通常对交通数据有较强假设(例如货车的到达分布)，然而，实际的道路交通具有复杂的动态变化特性，因此，这类方法并未得到广泛应用。第二类是基于深度学习提取潜在特征的道路拥堵检测，该类方法将路网中行驶的所有货车作为整体对待，不会单独分析各条道路中每辆货车的移动趋势，因此这类方法不能用于解决厂区道路拥堵预测问题。第三类是基于注意力机制提取重点特征的道路拥堵检测方法，该类方法关注时空特征与外部特征(例如天气)等对道路拥堵产生的影响程度的不同，但未分析不同任务状态货车对道路拥堵产生影响程度的差异性，因此该类方法不能用于解决厂区道路拥堵预测问题

综上所述，适用于大宗货运厂区道路的拥堵预测技术尚未出现。

发明内容

为了解决现有技术存在的不足，本发明的目的是提供一种结合货车任务状态的厂区道路拥堵预测方法及预测系统。本发明第一阶段首先对历史数据集进行分析，对货车轨迹进行地图匹配，提取货车的任务状态信息和各条道路的拥堵情况。本发明的第二阶段是对不同维度的输入数据进行编码，获得时空信息编码与每条道路的交通信息编码，并采用CNN+LSTM的组合模型预测未来时段不同任务状态转换下的货车在各条道路的位置分布。本发明的第三阶段为道路拥堵预测，结合时空注意力机制获取未来时段的道路交通信息编码。为提高未来道路交通信息编码的可靠性，本发明的第四阶段利用残差网络将各个任务状态分布信息与未来道路交通信息编码相融合，进而更新每条道路编码中包含的任务状态信息。最后使用多层全连接神经网络将道路交通信息编码转换成各条道路的拥堵预测结果。

实现本发明目的的具体技术方案是：

S1：地图匹配、历史数据处理与分析，对历史数据进行预处理及分析，得到货车任务状态相关的多个重要因素、历史时段内任务状态转换货车在待测路网中不同道路的数量分布，并将数据集划分为训练集、验证集与测试集；

所述的待测路网是指厂区道路区域；具体是指通过数据分析发现的大型制造企业内外在厂门附近的部分道路，由于执行装卸任务的货车频繁进出，该道路区域极易拥堵，降低了厂内物流效率。所述极易拥堵区域的定义方法包括：根据厂区管理人员的经验定义的一片区域，或，根据数据分析得到平均速度低于所有道路平均速度且方差高于所有道路方差的道路。

为了提高地图匹配的精度，将匹配成功的标准设为货车轨迹与道路距离在30米以内、且货车行驶方向与道路的方向差小于90度。

S2：数据编码生成，基于步骤S1得到的时间和道路信息分别进行编码得到时间信息编码和空间信息编码，将两者相加得到时空特征编码；基于步骤S1得到的货车任务状态信息进行编码，通过融合各条道路中所有货车的任务状态信息编码与道路拥堵信息生成道路交通状态的向量表示，即道路交通状态编码；

S3：获得的不同时空状态下货车的任务状态数据，提取每种任务状态转换时货车的时空分布，即货车在不同时刻下每条道路上的数量分布情况，提取单位时段内待检测路网中不同任务状态转换分布特征并分析不同时段内任务状态分布特征的序列变化规律，获得未来时段的货车任务状态转换分布编码；

S4：未来道路交通编码预测，基于步骤S2得到的道路交通编码，构建两组注意力模块分别分析每条道路上交通编码的时序变化规律和其他道路对当前道路交通编码的影响，并结合时间和空间两个维度的信息得到未来时段的道路交通编码；

S5：未来道路交通编码增强，为更新未来道路交通编码中的任务状态编码信息，构建一层残差模块将基于步骤S3得到的未来时段内任务状态转换后的货车分布信息与步骤S4得到的未来时段的道路交通编码相融合；

S6：串行循环预测多个时间步的道路拥堵情况信息，当进行多个时间步的道路拥堵预测时，考虑到前序时段对后续时段存在的影响，以及道路交通编码中任务状态更新需求，每次迭代过程仅预测最近一个时间步的道路交通情况；

S7：训练与保存模型，将步骤S5得到的增强后的道路交通编码输入到多层全连接神经网络进行解码计算，输出道路拥堵情况的预测结果，在训练集上使用交叉熵误差损失函数衡量预测道路拥堵情况与真实道路拥堵情况的差距，通过Adam优化器反向传播更新多模块深度学习模型中的参数，每次更新参数后计算验证集上的损失函数值，当损失函数不再继续下降时，即损失函数达到最小值时对模型进行保存；

S8：道路拥堵预测，将待预测的未来时段输入模型，模型自动提取相关历史时段的信息，获得待检测道路的拥堵预测结果。

针对步骤S1，所述历史数据来自企业的真实数据集，对于多个历史时段内各条道路的道路交通情况进行分析，其中包括每条道路上货车的任务状态信息、货车轨迹数据以及所在道路的拥堵情况，通过货车的轨迹数据获取历史时段的不同道路的拥堵情况X；同时，将货车轨迹数据和任务状态数据关联，获取历史时段内不同道路上行驶货车的任务状态信息。所述对数据的预处理包括异常值处理、数据去重、数据归一化以及非拥堵区域道路过滤等，对历史货运数据进行预处理操作能提高数据质量，使数据更适用于模型训练；所述对数据的分析操作包括特征重要性分析、数据分布情况分析与数据变化趋势分析；具体地，包括热门道路分析、不同道路任务状态分布分析、任务状态对道路交通情况的影响分析。

所述地图匹配是指利用货车的轨迹数据，将货车匹配到具体所在的道路上，并判断货车是否在待检测路段集合中；

所述异常值处理是指剔除错误的任务状态信息、剔除地图匹配时有问题的车辆轨迹数据；

所述错误的任务状态信息是指记录出错的任务状态记录，比如两个任务状态之间的时间差距异常大，逻辑上处于前后顺序的两个任务状态却在时间记录上是相反的。

所述有问题的车辆轨迹数据是指长时间驻留在某一位置，即使任务状态改变也不发生变化，连续两个轨迹点之间的距离差别特别大，轨迹点漂移严重的相关轨迹。

所述数据去重是指剔除重复的任务状态信息；

所述数据归一化是指对历史道路拥堵情况在输入模型时进行归一化操作；

所述非拥堵区域道路过滤是指数据预处理后仅保留由于执行装卸任务的货车频繁进出，导致极易拥堵的道路；

所述特征重要性分析是指分析道路上货车的任务状态信息对于道路拥堵情况的影响；

所述数据分布情况分析是指分析不同任务状态更新时货运数据在待检测路段上的分布情况；

所述数据变化趋势分析，是指分析历史时间段内每条道路上处于不同任务状态更新过程中的货车数量分布。

所述货车任务状态相关的多个重要因素包括货车所处的任务阶段，任务阶段开始时间，货车的目的仓库，货车进出钢厂的目标大门等；

所述任务状态转换货车是指处于任务状态转换下的货车；处于任务状态转换下是指货车在从其中一种任务状态转换到另一种任务状态的过程中；

所述任务状态信息包括货车当前的任务阶段、目的仓库、目标大门、当前任务阶段开始时间等；

不同任务状态对道路交通情况的影响举例如下，但不仅限于下述例子：刚到厂区附近签到后的车辆由于无法立刻进入到厂内，因此会停靠到厂区附近道路，在进出厂高峰期，会成为影响道路通行状况的重要影响因素；被叫号进厂作业的货车会从厂大门进入，然后汇入到目的仓库附近，当处于高峰期很容易造成厂门附近和仓库附近的道路拥堵等。

通过分析发现不同道路包含的不同任务状态货车的占比是不同的，不同任务状态货车对道路交通情况的影响程度也不同，因此本发明从分析不同道路包含的任务状态信息对道路交通的影响出发，进行厂区道路拥堵情况预测。将数据集进行划分，其中百分之七十为训练集、百分之十为验证集、百分之二十为测试集。

针对步骤S2，对于时间维度特征的编码从两个方面进行考虑，首先，按照预先设置的时间步长U(单位：min)将一天划分为1440/U组，并记录当前时间在一天内的组索引；所述组索引是指当前时间属于第几个划分好的时间组；其次，记录当前时间在一周中的索引，即当前时间属于所在周中第几个划分好的时间组；基于上述时间特征，通过单独构建在pytorch中包装好的embedding嵌入层进行编码，分别得到两组时间特征和/>分别表示通过embedding嵌入层编码的当前时段所属的一天内的划分组索引和当前时段所在周的索引；最终将二者相加得到时间信息编码/>对于空间维度特征的编码，这里特指不同时段内道路之间的交通关联度，由于待测路网是整个制造企业厂区路网的子集，待测路网内的道路不一定是邻接的，因此，对于空间信息编码是指首先根据历史货车的轨迹数据获取到待检测路段之间的关联程度，即货车同时经过两个检测路段的频率，或者说通过统计历史时段内任意两个道路之间货车的流通量并将其作为道路间的交通关联度。再利用pytorch中包装好的node2vec模块对道路间的交通关联度进行编码得到空间信息编码τ^sv。对于时空编码信息的获取，将得到的时间信息编码τ^tv和空间信息编码τ^sv相加即获得时空特征编码τ＝τ^tv+τ^sv。

针对步骤S2，提取的任务状态信息包括：货车当前的任务阶段、目的仓库、货车进出钢厂的目标大门、当前任务阶段开始时间等。对于前三组特征分别设置embedding嵌入层进行编码并将其相加得到基础任务状态向量s，再与时间信息编码τ^tv连接得到货车的任务状态信息编码s`＝f_s(s||τ^tv)。将道路上所有货车的任务状态信息编码相加得到该道路的道路任务状态编码其中C表示道路上的货车总数，c表示道路上某一辆货车，随后将道路任务状态编码S与该道路的历史拥堵情况X进行融合得到该道路的道路交通状态编码Γ＝f_Γ(S||X)。这里将所有基础任务状态向量整合成一个基础任务状态向量矩阵Λ为后续道路交通信息编码的信息表达增强过程服务。

针对步骤S3，首先通过构建CNN(convolutional neural network，卷积神经网络)模型对单位时段内路网中的不同道路进行分组并分析每组道路中包含的任务状态转换下的货车数分布信息χ，具体地，通过分析历史货车在进行任务状态转换时的所在道路，统计单位时段内每条道路具有相同类型任务状态货车数，从而得到在不同单位时段内每条道路上任务状态转换货车的数量分布χ；随后将分析后的结果转换成基于时间序列的信息编码{χ₁,…,χ_P}输入LSTM(Long Short Term Memory，长短期记忆网络)模型，其中P为预先定义的历史时间序列长度，最终通过多层全连接层神经网络得到未来时段的货车任务状态转换分布编码{χ'_P+1,…,χ'_P+Q}，其中，Q表示待预测时间序列长度。

针对步骤S4，将历史时段的道路交通状态信息编码为输入，通过分析各条道路历史交通情况下的时序变化规律以及受其他道路影响引致的道路交通状态变化，将两个维度得到的道路编码信息进行融合，获得未来时段的每条道路的交通信息编码。具体地，首先构建时空注意力模块，时空注意力包括时间维度注意力和空间维度注意力；

时间维度注意力用于分析当前道路不同时段上道路交通编码的变化规律其构建过程如下所示：

其中，f_t,1,f_t,2和f_t,3是三个非线性全连接层网络，v_m表示待检测网络中第m条道路，T_P+1表示第一个未来待预测时间步，T_j表示历史时段中第j个时间步，P为预先定义的历史时间序列长度，Γ表示道路交通编码，β表示归一化后的注意力值。

空间维度注意力负责分析其他道路对当前道路的道路交通编码变化的影响其构建过程如下所示：

其中，f_s,1,f_s,2和f_s,3是三个非线性全连接层网络，v_m表示待检测网络中第m条道路，v_n表示待检测网络中第n条道路，T_P+1表示第一个未来待预测时间步，T_j表示历史时段中第j个时间步，P为预先定义的历史时间序列长度，N为待检测网络中的道路总数，Γ表示道路交通编码，α表示归一化后的注意力值。

最终将从上述时间和空间两个维度得到的道路编码信息进行融合，预测得到未来时刻下每条道路的道路编码信息，通过下述公式表示：

未来时段的道路交通编码

其中，f_st,1,f_st,2和f_st,3是三个非线性全连接层网络，π是通过计算得到的信息门控机制，用于平衡两个维度得到的信息融合量。

针对步骤S5，由于步骤S4中得到的未来时段的道路交通编码不包括货车的任务状态转换信息，因此将任务状态转换分布编码χ'和时空编码信息τ、基础任务状态向量矩阵Λ、预测得到的道路交通编码Γ按照相结合的方式，得到道路交通更新编码/>之后将/>和道路交通编码Γ进行融合得到信息增强后的道路交通编码其中f'和f_Γ是一种非线性关系，均为带有激活函数的全连接层网络构成。

针对步骤S6，由于在时间维度上按照固定长度的时间步对相关数据进行了划分，因此如果需要预测未来更长时段内的道路拥堵情况时，需要进行多个时间步的预测。本发明中的多个时间步的预测采用串行迭代方式进行，即在第一个时间步的预测结果得到后，再进行下一个时间步的预测。预先设置固定的历史时段窗口大小，每次迭代过程仅预测最近未来时段的道路交通状态编码；每次迭代预测结束后，历史时间窗口会向前推动一个时间步，即将上个时间步T_P+1计算得到的道路交通编码作为新的历史时段，并将原历史时段中第一个时间步的信息丢弃。依次循环迭代直至达到待预测目标时间点。

针对步骤S7，所述交叉熵误差损失函数使用的是均方误差方法，损失函数计算公式如下：

其中，M为测试样例总数，y_i为第i个测试样例的真实道路拥堵情况，为第i个测试样例的预测道路拥堵情况，N为待检测道路的道路总数。

所述深度学习模型包括道路交通编码模块、任务状态转换货车分布预测模块、未来道路交通编码预测模块；模型结构包括CNN、LSTM、Attention和全连接层神经网络；所述更新的参数包括Embedding层中参数、全连接层参数、CNN内部参数、LSTM内部参数以及Attention内部参数。

本发明还提供了一种实现上述预测方法的预测系统，所述系统包括：

道路交通编码生成层、时空特征编码模块、任务状态转换中的货车分布挖掘层以及基于时空注意力的道路交通编码预测层；

其中，道路交通编码生成层的作用是对道路交通信息进行编码，所谓的道路交通信息包括道路上货车相关的任务状态信息，即货车所处的任务阶段，当前任务阶段开始的时间点，目标仓库、目标厂大门。除此之外还包括了当前道路历史时段下的拥堵情况。该模块通过构建embedding层分别对每个任务状态信息进行编码，并通过向量相加的方式融合为货车的任务状态编码，并通过一层带有激活函数的全连接层获取特征之间的非线性关系；将当前道路上所有货车的任务状态编码相加融合，并通过一层带有激活函数的全连接层获取不同货车任务编码之间的非线性关系，最后通过融合被全连接层编码后的历史时段的拥堵情况，得到该道路的交通信息编码。特别地，在对每个货车的任务状态编码时，单独记录每种任务阶段的编码信息，并记录在任务状态预编码矩阵中。

时空特征编码模块的作用是对待检测路网和时间信息进行编码。待检测路网由于只包含筛选过后的易拥堵道路，因此道路之间天然的物理连接性已经遭到破坏。为了获取道路之间的联通关系，本发明利用货车的历史轨迹分析道路之间的逻辑连通性，并通过Node2vec对道路进行编码。时间信息编码包括两个维度的编码过程，第一个是将一天的时间(分钟)按照固定时间步长(这里与预测的时间步长保持一致)进行分割，然后通过embedding层获取一天中具体时间段的编码；第二个是将当前时段所在的星期(总共7天)通过embedding层进行编码，最后将两个时间编码进行向量相加融合得到时间信息编码。

任务状态转换中的货车分布挖掘层，是指通过分析历史时段下每种任务状态更新时货车在待检测路网中的数量分布情况，获取对应信息在未来时间段的分布信息。以单个任务状态举例，具体方法是首先通过全连接层对历史时段下该任务状态更新时货车的数量信息进行编码，然后通过CNN捕获不同历史时段下的空间分布信息，并将每个时段的空间信息编码结果按照时间序列数据的结构输入到LSTM模型中，最后通过全连接层转换为未来时段下对应货车的数量分布。最后的任务状态与编码特征层中包含了道路交通编码模块中生成的任务状态预编码矩阵，其作用是为了将得到的未来时段下对应货车的数量分布转换成未来时段下道路的交通信息更新编码。

基于时空注意力的道路交通编码预测模块是指基于上述三个模块的信息获取未来时间段的道路交通编码信息，基础思想是利用时空注意力机制来捕获两个维度上道路交通编码的变化规律，然后一个残差网络融入交通信息更新编码，最终得到未来时段的交通信息编码。除此自外，该模块采用了串行迭代预测的方式进行，即每次只预测一个时间步长的未来交通信息编码，此过程是为了防止由于缺乏任务状态更新导致的道路交通信息编码预测的误差累积。本发明的有益效果包括：本发明在厂区道路交通拥堵预测任务中，与现有模型相比，其中，CNN+LSTM模块捕获了未来任务状态转换中的货车分布信息，时空注意力模块从时空两个维度捕获了未来时段道路交通编码的变化，并利用一个残差层将获取到的两部分编码信息进行融合，继而预测未来道路交通编码，有效提升了厂区道路拥堵的预测精度。与现有的ARIMA、LSTM、GRU、DCRNN、ASTGCN、STGCN、TGCN、GMAN模型相比，本发明的预测精度平均能够提升约5％。

附图说明

图1为本发明所构建深度学习方法的结构示意图，即结合货车任务状态的深度学习模型示意图。

图2为本发明专利所构建的串行迭代多时间步预测过程示意图。

图3为本发明厂区道路拥堵预测方法的流程图。

具体实施方式

结合以下具体实施例和附图，对本发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

本发明利用深度学习技术挖掘因货车装卸任务状态及其变化引致的厂区道路交通状况变化。首先根据货车装卸任务状态信息对每辆货车进行编码，再通过融合每条道路上所有行驶货车的编码获得该条道路的交通信息编码。随后，构建时空注意力模块，以前述步骤获得的历史时段的道路交通信息编码作为输入，分析未来时段各条道路的交通编码信息。同时，分析历史时段内每种任务状态转换时货车在厂区道路的位置分布变化，利用CNN(convolutional neural network，卷积神经网络)+LSTM(Long Short Term Memory，长短期记忆网络)的组合模型获取未来时段每种任务状态转换时货车在厂区道路的位置分布。然后，通过使用残差层将任务状态转换时的货车分布信息与所获得的道路交通编码相融合，最后采用多层全连接神经网络将每条道路的交通编码信息解码为每条道路的拥堵情况。

基于历史数据提取的历史时段内各条道路的货车任务状态信息和拥堵状态信息，生成各条道路的道路交通编码和任务状态转换时的货车位置分布。将任务状态转换时的货车分布信息输入CNN+LSTM模块，利用CNN从空间维度捕捉分布特征的同时，使用LSTM从时间维度捕捉任务状态转换时的货车位置分布在不同时段内的变化规律。将历史时段内的道路交通编码输入所构建的时空注意力模块，分别从时间维度捕捉每条道路的道路交通编码变化规律、从空间维度上捕捉其他道路对当前道路的道路交通编码造成的影响。再通过构建一个残差网络在预测的未来道路交通编码内结合预测的未来任务状态转换时的货车位置分布信息，继而更新未来道路交通编码中的任务状态信息，以达到信息增强的目的。最后使用多层全连接层神经网络将未来道路交通编码转换为各条道路的拥堵情况。

通过以下具体实施例对本发明作进一步的详细说明。

按下述步骤进行结合货车任务状态的厂区道路拥堵预测模型的训练，整体框架参阅图1按下述步骤进行：

S1：地图匹配，对历史数据进行预处理及分析，得到与货车任务状态相关的重要因素，以及历史时段内任务状态转换时货车在待测路网中的数量分布，并将数据集划分为训练集、验证集与测试集。提取货车任务状态基本特征，如任务阶段(‘叫号进厂’，目标仓库：‘高线库’，目标大门：‘西门’，当前任务阶段开始时间：‘2021/1/78:12:34’)；提取历史时段内任务状态转换时货车在待测路网中的数量分布，如转换后的任务状态(‘叫号进厂’，{时间：‘2021/1/78:12:34’}，{道路1：‘118311-118310’，货车数：5}，……,{道路N：‘120883-120881’，货车数：2})；

S2：根据步骤S1中处理得到的时间特征，从两个方面对其进行编码，第一步根据预先设置的时间步长U(单位：min)将一天划分成1440/U组，并记录当前时间的组索引；随后，记录当前时间在一周之中的索引；基于上述时间特征，通过单独构建embedding层进行编码，分别得到两组时间特征和/>最终将二者相加得到时间信息编码/>对于空间特征的编码，这里特指不同时段道路间的交通关联度，由于待测路网是大型制造企业厂区路网的子集，待测路网中的道路不一定是邻接的，因此，通过统计历史时段内任意两条道路之间货车的流通量并以此作为道路之间的交通关联度。再利用node2vec对道路之间的交通关联度进行编码得到空间信息编码τ^sv。对于时空编码信息的获取，将步骤3中得到的时间信息编码τ^tv和空间信息编码τ^sv相加τ＝τ^tv+τ^sv；

S3：根据步骤S1得到的货车任务状态特征，如图1左下半部分提取的有关任务状态的特征包括：货车当前的任务阶段、目的仓库、目标大门、当前任务阶段开始时间。对于前三组特征分别设置各自的embedding层进行编码并将其相加后得到基础任务状态向量s，然后连接时间信息编码τ^tv得到货车的任务状态信息编码s`＝f_s(s||τ^tv)。将道路上所有货车的任务状态信息编码相加得到该道路的道路任务状态编码其中C表示道路上的货车总数，c表示道路上某一辆货车，最后将其与该道路的历史拥堵情况X进行融合得到该道路的道路交通编码Γ＝f_Γ(S||X)。这里将所有基础任务状态向量整合成一个基础任务状态向量矩阵Λ∈R^Z×D，其中Z表示<目标厂门，目标仓库>组合个数，D表示编码长度，为后续道路交通信息编码的信息表达增强工作服务；

S4：预测未来时段任务状态转换时的货车位置分布，如图1右下半部分所示。本发明从三个时间维度分析分布的变化规律，分别是最近P个时间段内的货车分布变化规律χ^re，最近P天内货车分布变化规律χ^da，最近P周内货车分布变化规律χ^we。以χ^re的获取过程为例来讲，先通过构建CNN模型对单位时段内路网中的不同道路进行分组、分析每组道路中包含的任务状态转换时的货车数分布信息，然后将分析结果转换成基于时间序列的信息编码输入LSTM模型，最终通过多层全连接层神经网络得到未来时段的货车任务状态转换分布编码χ'∈R^Q×N×Z，其中Z表示按照<目标厂门，目标仓库>进一步细化后的货车数量分布，Q表示待预测时间序列长度，N为待检测道路的道路总数；

S5：构建时空注意力模块，时间维度注意力用于分析当前道路不同时段上道路交通编码的变化规律其构建过程如下所示：

其中，f_t,1,f_t,2和f_t,3是三个非线性全连接层网络，v_m表示待检测网络中第m条道路，T_P+1表示第一个未来待预测时间步，T_j表示历史时段中第j个时间步，P为预先定义的历史时间序列长度，Γ表示道路交通编码，β表示归一化后的注意力值。

空间维度注意力负责分析其他道路对当前道路的道路交通编码变化的影响其构建过程如下所示：

其中，f_s,1,f_s,2和f_s,3是三个非线性全连接层网络，v_n表示待检测网络中第n条道路，T_P+1表示第一个未来待预测时间步，T_j表示历史时段中第j个时间步，P为预先定义的历史时间序列长度，N为待检测网络中的道路总数，Γ表示交通编码，α表示归一化后的注意力值。

最终将从上述两个维度得到的道路编码信息进行融合，预测得到未来时刻下每条道路的道路编码信息，通过下述公式表示：

未来时段的道路交通编码

其中，f_st,1,f_st,2和f_st,3是三个非线性全连接层网络，π是通过计算得到的信息门控机制，用于平衡两个维度得到的信息融合量。

S6：更新预测的道路交通编码中有关任务状态的信息表达，如图1上半部分所示，融合通过时空注意力机制捕获的两个维度上道路交通编码的变化结果之后，然后一个残差网络融入任务状态转换中的货车分布挖掘层接收到的交通信息更新编码，最终得到未来时段的交通信息编码。具体来讲，将任务状态转换分布编码χ'和时空特征τ、基础任务状态编码矩阵Λ、预测的道路交通编码Γ按照相结合得到道路交通更新编码随后将其与道路交通编码Γ进行融合得到信息增强的道路交通编码/>其中，f'和f_Γ是一种非线性关系，均由带有激活函数的全连接层网络构成；

S7：串行迭代预测过程：如图2所示，串行迭代预测表示当存在跨越多个时间步的预测过程时，每次迭代仅预测一个时间步长的拥堵情况。在每次新的迭代预测结束后，历史时间窗口会向前移动一个时间步，将本次迭代预测过程预测的未来道路交通编码融入历史时间窗口中，并开始下一个时间步的预测过程。

S8：模型训练与保存。将得到的未来时段的每条道路的道路交通状态编码输入多层全连接神经网络进行解码得到未来时段的道路拥堵情况，使用交叉熵误差损失函数衡量预测拥堵情况与真实拥堵情况之间的误差，通过Adam优化器反向传播更新多模块深度学习模型中的参数，每次更新参数后计算验证集上的损失函数值，保存损失函数值最小的模型，其中全连接层中计算公式如下：

其中，W为全连接层的权重，Γ为预测的道路交通编码，b为偏置项，其具体数值由模型训练调整参数得到，为最终厂区待检测路网中各条道路的拥堵预测值，交叉熵误差损失函数计算公式如下：

其中M为测试样例总数，y_i为第i个测试样例的真实道路拥堵情况，为第i个测试样例预测得到的道路拥堵情况，N为待检测道路的道路总数。

S9：将例子中的目标时段和历史时段内货车的任务状态和轨迹数据输入上述保存的模型中，得到厂区道路拥堵状况预测值{(道路名:‘118311-118310’，(拥堵可能性:0.152，不拥堵可能性:0.678))}，其真实值为{(道路名:‘118311-118310’，(拥堵可能性:0,不拥堵可能性:1))}。

选取同一时段的厂区道路交通拥堵数据，按照图3所示的道路交通拥堵预测流程图对各条道路的交通拥堵情况进行预测；首先提取历史时段内每条道路上货车的任务状态信息、任务状态转换下的货车分布信息和道路拥堵情况信息作为特征输入本发明的厂区道路拥堵预测模型中，得到每条道路的拥堵预测结果，并将预测结果与现有其他方法的预测效果进行对比；选取的现有预测方法有ARIMA、LSTM、GRU、DCRNN、ASTGCN、STGCN、TGCN、GMAN；选取的评价指标有Precision、Recall、F1-score。

其中TP表示预测为拥堵，实际为拥堵的情况，FP表示预测为拥堵，实际为非拥堵的情况，FN表示预测为非拥堵，实际为拥堵的情况。

选取预先定义好的拥堵指标在10％、20％、30％下的三种不同拥堵等级数据；预测效果对比结果如下表1所示。

表1 不同预测方法预测效果对比表

综上所述，本发明根据货车的任务状态信息设计多个信息提取模块，根据不同模块提取到的信息，分析得到待预测路网中每条道路在历史时段内的道路交通编码和任务状态转换中的货车数量分布。通过时空注意力机制预测未来时段内每条道路交通编码的变化情况，利用CNN+LSTM的组合模型预测未来任务状态转换中的货车分布变化规律，再将这两组信息进行融合，得到厂区道路拥堵预测值。本发明在厂区道路拥堵预测的任务中，与现有预测模型相比，时空注意力模块能预测未来时段内道路交通编码的变化情况，CNN+LSTM预测能获得未来时段内任务状态转换中的货车分布信息，并利用残差层帮助模型更新了预测的道路交通信息编码中的任务状态编码信息，加强了道路交通编码的信息表达准确性，有效提升了厂区道路拥堵预测精度，相比现有的预测模型更适于货车任务状态对道路交通有较大影响的大宗货运场景。此外，整体模型结构也适用于货车执行装卸任务频繁进出大型物流园区的场景。

本发明的保护内容不局限于以上实施例。在不背离本发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (9)

1.一种结合货车任务状态的厂区道路拥堵预测方法，其特征在于，该方法包括以下具体步骤：

步骤1、通过地图匹配获得不同时刻下货车所在的道路位置信息，并将历史货运数据预处理及分析后，提取不同时段各条道路，即不同时空状态下行驶货车的任务状态信息；

步骤2、基于步骤1中获得的任务状态信息，对时空特征及道路交通状态进行编码；对于道路交通状态编码的获取，分别采用单独的embedding嵌入层对各条道路上行驶的每辆货车的任务状态信息进行编码得到货车的基础任务状态向量s，并整合成一个基础任务状态向量矩阵Λ，随后基础任务状态向量s与时间信息编码τ^tv连接得到货车的任务状态信息编码s`＝f_s(s||τ^tv)；将道路上所有货车的任务状态信息编码相加得到该道路的道路任务状态编码 其中C表示道路上的货车总数，c表示道路上某一辆货车，最后将道路任务状态编码S与对应道路的历史拥堵情况X进行融合得到该道路的交通状态编码Γ＝f_Γ(S||X)；

步骤3、根据单位时段内待检测路网中不同任务状态转换分布特征及不同时段内任务状态分布特征的序列变化规律，获得未来时段的货车任务状态转换分布编码；

步骤4、通过时空注意力模块分析每条道路上交通状态编码的时序变化规律和其他道路对当前道路交通状态编码的影响，得到未来时段的道路交通状态编码；

步骤5、通过融合步骤3中获得的未来时段的货车任务状态转换分布编码和步骤4中获得的未来时段的道路交通状态编码，实现未来道路交通状态编码增强；

步骤5中，将任务状态转换分布编码χ'和时空编码信息τ、基础任务状态向量矩阵Λ、预测得到的道路交通状态编码Γ，按照相结合得到道路交通更新编码/>之后和道路交通状态编码Γ进行融合得到信息增强后的道路交通状态编码其中f'和f_Γ是一种非线性关系，均由带有激活函数的全连接层网络构成；

步骤6、对未来更长时段内的道路拥堵情况采用串行迭代方式进行预测；

步骤7、将步骤5中获得的增强后的未来道路交通状态编码进行解码运算，输出预测的未来时段不同道路的拥堵情况，利用交叉熵损失函数更新模型，保存损失函数值最小的模型；

步骤7中，将未来道路交通状态编码信息通过多层全连接神经网络层进行解码运算，输出为预测的未来时段的不同道路的道路拥堵情况，在训练集上使用交叉熵损失函数衡量预测拥堵结果与真实拥堵结果的差距，通过Adam优化器反向传播更新多模块深度学习模型中的参数，每次更新参数后计算验证集上的损失函数值，保存损失函数值最小的模型；

所述交叉熵误差损失函数使用的是均方误差方法，损失函数计算公式如下：

其中，M为测试样例总数，y_i为第i个测试样例的真实道路拥堵情况，为第i个测试样例预测出的道路拥堵情况，N为待检测道路的道路总数；

所述深度学习模型包括道路交通状态编码生成模块、任务状态转换货车分布预测模块、未来道路交通状态编码预测模块；模型结构包括CNN、LSTM、Attention和全连接层神经网络；所述更新的参数包括Embedding层中参数、全连接层参数、CNN内部参数、LSTM内部参数以及Attention内部参数；

步骤8、将目标预测时段、历史时段内货车的任务状态信息和拥堵情况输入到训练好的模型中，得到目标预测时段内待测路网中各条道路的拥堵预测结果。

2.如权利要求1所述的预测方法，其特征在于，步骤1中，所述地图匹配是指将货车的轨迹数据与待检测路网进行地图匹配，获得不同时刻下货车所在的道路位置信息；所述待检测路网是指厂区道路区域；

所述历史货运数据来自于真实数据集，包括每条道路上的货车任务状态信息、货车轨迹数据、所在道路拥堵情况；对数据的预处理包括异常值处理、数据去重、数据归一化、非拥堵区域道路过滤；对数据的分析操作包括特征重要性分析、数据分布情况分析与数据变化趋势分析；所述任务状态信息包括货车当前的任务阶段、货车的目的仓库、货车进出厂的目标大门、当前任务阶段开始时间。

3.如权利要求2所述的预测方法，其特征在于，预处理环节中，所述地图匹配是指将货车的轨迹数据与待检测路网中的具体道路进行匹配，判断货车是否在待检测路段集合中；

所述异常值处理是指剔除错误的任务状态信息、剔除地图匹配时有问题的车辆轨迹数据；

所述数据去重是指剔除重复的任务状态信息；

所述数据归一化是指对历史道路拥堵情况在输入模型时进行归一化操作；

所述非拥堵区域道路过滤是指数据预处理后仅保留由于执行装卸任务的货车频繁进出，导致极易拥堵的道路；

所述特征重要性分析是指分析道路上货车的任务状态信息对于道路拥堵情况的影响；

所述数据分布情况分析是指分析不同任务状态更新时货运数据在待检测路段上的分布情况；

所述数据变化趋势分析，是指分析历史时间段内每条道路上处于不同任务状态更新过程中的货车数量分布。

4.如权利要求1所述的预测方法，其特征在于，步骤2中，所述对时空特征进行编码包括对时间维度特征的编码和对空间维度特征的编码；

对于时间维度特征的编码，先将每天按照固定时间步U进行划分，记录当前时段所属的在一天内的划分组索引并通过embedding嵌入层将其编码为同时记录当前时段所在周的索引并通过embedding嵌入层编码为/>将二者相加得到时间信息编码/>

对于空间维度特征的编码，指不同时段内道路之间的交通关联度，通过统计历史时段内任意两条道路之间货车的流通量并将其作为道路间的交通关联度，利用node2vec对道路间的交通关联度进行编码得到空间信息编码τ^sv；

对于时空编码信息的获取，通过将得到的时间信息编码τ^tv和空间信息编码τ^sv相加τ＝τ^tv+τ^sv获得最终的时空特征编码。

5.如权利要求1所述的预测方法，其特征在于，步骤3中，通过分析历史货车在进行任务状态转换时的所在道路，统计单位时段内每条道路具有相同类型任务状态货车数，从而得到在不同单位时段内每条道路上任务状态转换货车的数量分布χ；

提取单位时段内待检测路网中不同任务状态转换分布特征，随后分析不同时段内任务状态分布特征的序列变化规律，最终获得未来时段的货车任务状态转换分布编码。

6.如权利要求5所述的预测方法，其特征在于，先通过构建卷积神经网络CNN模型对单位时段内待检测路网中的不同道路进行分组，分析每组道路包含的任务状态转换下的货车数分布信息，再将分析结果转换成基于时间序列的信息编码{χ₁,…,χ_P}输入到长短期记忆网络LSTM模型中，其中P为预先定义的历史时间序列长度，并通过多层全连接层神经网络得到未来时段的货车任务状态转换分布编码χ'。

7.如权利要求1所述的预测方法，其特征在于，步骤4中，构建时空注意力模块，时空注意力包括时间维度注意力和空间维度注意力；

时间维度注意力用于分析当前道路不同时段上道路交通状态编码的变化规律其构建过程如下所示：

其中，f_t,1,f_t,2和f_t,3是三个非线性全连接层网络，v_m表示待检测网络中第m条道路，T_P+1表示第一个未来待预测时间步，T_j表示历史时段中第j个时间步，P为预先定义的历史时间序列长度，Γ表示道路交通状态编码，β表示归一化后的注意力值；

空间维度注意力负责分析其他道路对当前道路的道路交通状态编码变化的影响其构建过程如下所示：

其中，f_s,1,f_s,2和f_s,3是三个非线性全连接层网络，v_m表示待检测网络中第m条道路，v_n表示待检测网络中第n条道路，T_P+1表示第一个未来待预测时间步，T_P表示历史时段中第P个时间步，T_j表示历史时段中第j个时间步，P为预先定义的历史时间序列长度，N为待检测网络中的道路总数，Γ表示道路交通状态编码，α表示归一化后的注意力值；

最终将时间和空间两个维度得到的道路编码信息进行融合，预测得到未来时刻下每条道路的道路编码信息，通过下述公式表示：

未来时段的道路交通状态编码

其中，f_st,1,f_st,2和f_st,3是三个非线性全连接层网络，π是通过计算得到的信息门控机制，用于平衡两个维度得到的信息融合量。

8.如权利要求1所述的预测方法，其特征在于，步骤6中，预先设置固定的历史时段窗口大小，每次迭代过程仅预测最近未来时段的道路交通状态编码；预测结束后，历史时段窗口会朝着未来时段的方向移动一个单位时间步的长度，并将上个迭代预测的预测结果包括进来，作为新的历史时段的道路交通状态编码，再预测下个时段的道路交通状态编码，如此迭代直至到达待预测的目标时段为止。

9.一种实现如权利要求1-8之任一项所述预测方法的预测系统，其特征在于，所述系统包括：

道路交通状态编码生成层、时空特征编码模块、任务状态转换中的货车分布挖掘层以及基于时空注意力的道路交通状态编码预测层；

所述道路交通状态编码生成层用于对道路交通信息进行编码，在对每个货车的任务状态编码时，单独记录每种任务阶段的编码信息，并记录在基础任务状态向量矩阵Λ中；

所述时空特征编码模块用于对待检测路网和时间信息进行编码，结合时间信息编码和空间信息编码获得最终的时空特征编码；

所述任务状态转换中的货车分布挖掘层用于通过分析历史时段下每种任务状态更新时货车在待检测路网中的数量分布情况，获取对应信息在未来时间段的分布信息；

所述基于时空注意力的道路交通状态编码预测模块用于基于所述道路交通状态编码生成层、所述时空特征编码模块、所述任务状态转换中的货车分布挖掘层的信息获取未来时间段的道路交通状态编码信息。