CN115423162A - 一种车流量预测方法、装置、电子设备及存储介质 - Google Patents
一种车流量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115423162A CN115423162A CN202211005895.9A CN202211005895A CN115423162A CN 115423162 A CN115423162 A CN 115423162A CN 202211005895 A CN202211005895 A CN 202211005895A CN 115423162 A CN115423162 A CN 115423162A
- Authority
- CN
- China
- Prior art keywords
- node
- traffic flow
- sample
- area
- area node
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000004927 fusion Effects 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims description 93
- 238000012549 training Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 59
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车流量预测方法、装置、电子设备及存储介质,涉及计算机技术领域。所述方法包括:获取待预测区域节点对应的区域节点图;基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征和所述待预测区域节点对应边的目标边特征;将待预测区域节点的节点特征与所述待预测区域节点对应边的目标边特征进行线性融合,得到所述待预测区域节点对应的融合特征;基于所述融合特征预测所述待预测区域节点的车流量。本发明考虑了区域节点间车流量的相互影响,使得待预测节点的车流量预测结果更加全面准确,有助于远程协助服务系统对远程协助专员进行合理排班和调度,同时提高远程智能驾舱利用率,降低用户服务等待时间。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种车流量预测方法、装置、电子设备及存储介质。
背景技术
随着搭载智能驾驶系统的新能源汽车保有量在近年飞速增长,为给用户带来更好的驾驶及服务体验,在一些高车流量区域,如高速公路拥堵路段,远程协助服务应运而生。远程协助技术可以直接实现远程协助专员在远程智能驾舱内对目标车辆的实时远程操控,为用户提供“云代驾”、远程泊车等服务。
准确地对目标区域在目标时间段内进行车流量预测,有助于更好寻找出为搭载远程技术的高峰流量车辆进行远程协助服务的潜在区域,方便远程协助服务系统对远程协助专员进行合理排班和调度,同时提高远程智能驾舱利用率,降低用户服务等待时间。
相关技术中,在预测目标区域在未来某个时间的车流量时仅仅基于该区域的历史车流量数据,导致相关技术中对区域车流量的预测不够全面准确。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种车流量预测方法、装置、电子设备及存储介质。所述技术方案如下:
第一方面,提供了一种车流量预测方法,所述方法包括:
获取待预测区域节点对应的区域节点图,所述区域节点图中的边表征所述边所连接的区域节点之间的初始关联关系,所述区域节点图中的各区域节点包括所述待预测区域节点;
基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征;
基于所述区域节点图,提取待预测区域节点对应边的目标边特征;所述目标边特征表征对应边所连接区域节点的车流量对待预测区域节点车流量的影响程度;
将待预测区域节点的节点特征与所述待预测区域节点对应边的目标边特征进行线性融合,得到所述待预测区域节点对应的融合特征;
基于所述待预测区域节点对应的融合特征预测所述待预测区域节点的车流量。
可选地,所述车流量预测方法基于车流量预测模型实现,所述基于所述区域节点图,提取所述待预测区域节点对应边的目标边特征包括:
基于所述区域节点图中的边确定初始关联特征;
将所述初始关联特征输入至所述车流量预测模型的第一边特征提取网络进行边特征提取处理,得到第一关联特征;
将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络确定注意力特征;所述注意力特征表征各区域节点对应的每条边的重要程度;
对初始关联特征和所述注意力特征进行线性融合,基于融合结果得到所述待预测区域节点对应边的目标边特征。
可选地,所述注意力网络包括基于多头注意力机制的网络;所述将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络确定注意力特征包括:
将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络中的每个注意力头基于所述第一关联特征确定各自对应的子注意力特征;
将各注意力头对应的子注意力特征进行拼接,得到所述注意力特征。
可选地,所述基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征包括:
将所述区域节点图中各区域节点的历史车流辆量数据输入所述车流量预测模型的节点特征提取网络,获取节点特征提取网络隐藏层的输出特征,得到所述各区域节点的节点特征。
可选地,所述方法还包括训练所述车流量预测模型,所述训练所述车流量预测模型包括:
获取训练样本,所述训练样本包括样本区域节点对应的样本区域节点图和所述样本区域节点图中各区域节点的历史车流量数据;所述训练样本携带有所述样本区域节点对应的车流量标签;
将所述样本区域节点图中各区域节点的历史车流量数据输入初始车流量预测模型的初始节点特征提取网络,得到所述样本区域节点图中各区域节点的样本节点特征;
将所述样本区域节点图输入初始车流量预测模型的初始边特征提取网络,得到样本区域节点对应边的样本边特征;
将所述样本区域节点对应的样本节点特征与所述样本区域节点对应边的样本边特征进行线性融合,得到所述样本区域节点对应的融合特征;
基于所述样本区域节点对应的融合特征进行车流量预测,得到所述样本区域节点的预测车流量;
根据所述样本区域节点的预测车流量与所述车流量标签调整所述初始车流量预测模型的参数,直至满足预设训练预设结束条件,得到所述车流量预测模型。
可选地,所述将所述样本区域节点图输入初始车流量预测模型的初始边特征提取网络,得到所述样本区域节点图中各区域节点对应边的样本边特征包括:
基于所述样本区域节点图中的边确定初始样本关联特征;
将所述初始样本关联特征输入至所述初始边特征提取网络的初始第一边特征提取网络进行边特征提取处理,得到第一样本关联特征;
将所述第一样本关联特征输入至所述初始边特征提取网络的初始注意力网络,通过所述初始注意力网络确定样本注意力特征;所述样本注意力特征表征样本区域节点图中各区域节点对应的每条边的重要程度;
对初始样本关联特征和所述样本注意力特征进行线性融合,基于融合结果得到所述样本区域节点图中各区域节点对应边的样本边特征。
可选地,所述根据所述样本区域节点的预测车流量与所述车流量标签调整所述初始车流量预测模型的参数,直至满足预设训练预设结束条件,得到所述车流量预测模型包括:
根据所述样本区域节点的预测车流量与所述车流量标签的差异,确定损失值;
基于所述样本注意力特征确定约束信息,将所述约束信息与调节系数相乘得到目标约束条件;
基于所述损失值和目标约束条件,对所述初始车流量预测模型的参数进行调整,直至满足预设训练预设结束条件,得到所述车流量预测模型。
另一方面,提供了一种车流量预测装置,所述装置包括:
数据采集模块,用于获取待预测区域节点对应的区域节点图,所述区域节点图中的边表征所述边所连接的区域节点之间的初始关联关系,所述区域节点图中的各区域节点包括所述待预测区域节点;
第一特征提取模块,用于基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征;
第二特征提取模块,用于基于所述区域节点图,提取所述待预测区域节点对应边的目标边特征;所述目标边特征表征对应边所连接区域节点的车流量对待预测区域节点车流量的影响程度;
特征融合模块,用于将待预测区域节点的节点特征与所述待预测区域节点对应边的目标边特征进行线性融合,得到所述待预测区域节点对应的融合特征;
车流量预测模块,用于基于所述待预测区域节点对应的融合特征预测所述待预测区域节点的车流量。
可选地,所述车流量预测装置通过车流量预测模型实现车流量预测,所述第二特征提取模块包括:
初始关联特征确定模块,用于基于所述区域节点图中的边确定初始关联特征;
第一关联特征提取模块,用于将所述初始关联特征输入至所述车流量预测模型的第一边特征提取网络进行边特征提取处理,得到第一关联特征;
注意力特征提取模块,用于将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络确定注意力特征;所述注意力特征表征各区域节点对应的每条边的重要程度;
目标边特征提取模块,用于对初始关联特征和所述注意力特征进行线性融合,基于融合结果得到所述待预测区域节点对应边的目标边特征。
可选地,所述注意力网络包括基于多头注意力机制的网络;所述注意力特征提取模块包括:
子注意力特征提取单元,用于将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络中的每个注意力头基于所述第一关联特征确定各自对应的子注意力特征;
特征拼接单元,用于将各注意力头对应的子注意力特征进行拼接,得到所述注意力特征。
可选地,所述车流量预测装置还包括训练模块,用于训练所述车流量预测模型,所述训练模块包括:
样本获取模块,用于获取训练样本,所述训练样本包括样本区域节点对应的样本区域节点图和所述样本区域节点图中各区域节点的历史车流量数据;所述训练样本携带有所述样本区域节点对应的车流量标签;
第一样本特征提取模块,用于将所述样本区域节点图中各区域节点的历史车流量数据输入初始车流量预测模型的初始节点特征提取网络,得到所述样本区域节点图中各区域节点的样本节点特征;
第二样本特征提取模块,用于将所述样本区域节点图输入初始车流量预测模型的初始边特征提取网络,得到样本区域节点对应边的样本边特征;
样本特征融合模块,用于将所述样本区域节点对应的样本节点特征与所述样本区域节点对应边的样本边特征进行线性融合,得到所述样本区域节点对应的融合特征;
参数调整模块,用于基于所述样本区域节点对应的融合特征进行车流量预测,得到所述样本区域节点的预测车流量;根据所述样本区域节点的预测车流量与所述车流量标签调整所述初始车流量预测模型的参数,直至满足预设训练预设结束条件,得到所述车流量预测模型。
可选地,所述第二样本特征提取模块包括:
初始样本关联特征确定模块,用于基于所述样本区域节点图中的边确定初始样本关联特征;
第一样本关联特征确定模块,用于将所述初始样本关联特征输入至所述初始边特征提取网络的初始第一边特征提取网络进行边特征提取处理,得到第一样本关联特征;
样本注意力特征确定模块,用于将所述第一样本关联特征输入至所述初始边特征提取网络的初始注意力网络,通过所述初始注意力网络确定样本注意力特征;所述样本注意力特征表征样本区域节点图中各区域节点对应的每条边的重要程度;
样本边特征确定模块,用于对初始样本关联特征和所述样本注意力特征进行线性融合,基于融合结果得到所述样本区域节点图中各区域节点对应边的样本边特征。
可选地,所述参数调整模块包括:
损失值计算单元,用于根据所述样本区域节点的预测车流量与所述车流量标签的差异,确定损失值;
目标约束条件确定单元,用于基于所述样本注意力特征确定约束信息,将所述约束信息与调节系数相乘得到目标约束条件;
参数调整单元,用于基于所述损失值和目标约束条件,对所述初始车流量预测模型的参数进行调整,直至满足预设训练预设结束条件,得到所述车流量预测模型。
另一方面,提供了一种服务器,包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述车流量预测方法。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的车流量预测方法。
另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的各种可选实现方式中提供的车流量预测方法。
本发明实施例的技术方案具有如下有益效果:
通过针对待预测区域节点,确定与其相关的区域节点图,将待预测区域节点对应边的目标边特征与待预测区域的节点特征相融合,基于新的融合特征对待预测区域节点的车流量进行预测,所述的融合特征包含了与待预测节点相关边的权重特征,考虑了区域节点间车流量的相互影响程度和关联关系,使得待预测节点的车流量预测结果更加全面准确,有助于远程协助服务系统对远程协助专员进行合理排班和调度,同时提高远程智能驾舱利用率,降低用户服务等待时间。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是现有技术中一种车流量预测方法的流程示意图;
图2是本发明实施例提供的一种车流量预测方法的总体框架示意图;
图3是本发明实施例提供的一种车流量预测方法的流程示意图;
图4是本发明实施例提供的实施车流量预测方法的区域节点示意图;
图5是本发明实施例提供的实现车流量预测方法的一种可选方法的过程示意图;
图6是本发明实施例提供的实现车流量预测方法的车流量预测模型结构示意图;
图7是本发明实施例提供的一种车流量预测装置的结构框图;
图8是本发明实施例提供的一种服务器的硬件结构框图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
由于区域间车辆拥堵具有连续性,单一区域的拥堵通常也会导致临近区域拥堵,现有技术中的所采用的车流量预测模型通常基于网状的数据结构,着重考虑区域节点本身的数据特征来进行车流量的预测。如图1所示的车流量预测流程图,该方案针对一个待预测的区域采集其本身的历史数据,所采集的数据具有时间周期性特征,包括每月、每周的周期性历史数据,利用LSTM+soft-attention神经网络构建训练模型,进行历史数据的表征学习。LSTM(长短期记忆网络)是一种时间循环神经网络,适用于处理和预测时间序列中间隔或延迟长的事件,该方案中在LSTM加入了注意力机制,考虑了每种周期时序的权重影响,通过区域本身的周期性历史数据对该区域下一时间点的车流量进行预测。但该方案仅仅考虑一个区域节点本身的车流量时间特征,而忽略了区域节点间的连接同样具有很好的表征特性,故传统的车流量预测模型无法较好地表现出区域节点间的车流量影响关系。
本发明实施例提供的车流量预测方法基于机器学习的神经网络模型实现,机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科,专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
参阅图2,其所示为本发明实施例提供的一种车流量预测方法的总体框架示意图。本发明实施例所车流量预测模型包括节点特征提取网络和边特征提取网络,其中节点特征提取网络是基于节点特征的神经网络层,边特征提取网络包括第一边特征提取网络和注意力网络,是基于边的注意力机制层。将节点特征提取网络所提取的节点特征和边特征提取网络所提取的目标边特征进行融合得到融合特征,基于所述融合特征对待预测区域节点进行车流量预测。具体步骤详见下文。
参阅图3,其所示为本发明实施例提供的一种车流量预测方法的流程示意图,需要说明的是,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。本发明实施例的车流量预测方法基于车流量预测模型实现,所述车流量预测方法可以包括:
S301,获取待预测区域节点对应的区域节点图,所述区域节点图中的边表征所述边所连接的区域节点之间的初始关联关系,所述区域节点图中的各区域节点包括所述待预测区域节点;
具体的,所述区域节点图中每个区域节点表示可用于远程协助服务的地点。参阅图4,其所示为本发明一个实施例中的实施所述车流量预测方法的区域节点示意图,如在某城市中,A商场A1服务点,A商场A2服务点,A商场A3服务点,同一城市B高速公路口,待预测节点可以为区域节点图中的任意区域节点,如A商场A3服务点。采集的历史车流辆量数据为高速公路口或商场停车场路口以设定时间间隔统计的搭载远程协助服务系统的车流量数据,包括三种特征:车流量,车速,车道占有率。区域节点间的有向连接表示节点间可进行远程协助服务,区域节点间边的初始值默认设置为1,表征各区域节点之间的初始关联关系。
S302,基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征;
具体的,本发明实施例的车流量预测方法基于车流量预测模型实现,步骤S302包括:
将所述区域节点图中各区域节点的历史车流辆量数据输入所述车流量预测模型的节点特征提取网络,获取节点特征提取网络隐藏层的输出特征,得到所述各区域节点的节点特征。
在一种可能的实施方式中,所述节点特征提取网络是基于节点特征的神经网络层,节点特征以矩阵的形式表现,将各区域节点的历史车流辆量数据特征映射为初始节点矩阵Input,所述节点矩阵具有N个节点(节点的个数即为区域节点图中的区域节点个数),每个节点包含F个特征(如车流量,车速,车道占有率),故所述节点特征的矩阵大小为N-by-F。将初始节点矩阵Input作为节点特征提取网络的输入矩阵,对于节点特征提取网络输出选择的是隐藏层的输出矩阵,该矩阵是一个N-by-F'维度的矩阵,F'表示节点特征提取网络输出的隐藏状态。将初始节点矩阵Input与权重矩阵相结合,隐藏层的输出可以得到大小为N-by-F'的输出矩阵:
H=InputWInput
由输出矩阵H得到所述各区域节点的节点特征,其中包含待预测区域节点的节点特征。
S303,基于所述区域节点图,提取待预测区域节点对应边的目标边特征;所述目标边特征表征对应边所连接区域节点的车流量对待预测区域节点车流量的影响程度;
该步骤基于所述车流量预测模型的边特征提取网络实现。在一种可能的实施方式中,所述边特征提取网络为自注意力机制层,步骤S303可以包括:
基于所述区域节点图中的边确定初始关联特征;
将所述初始关联特征输入至所述车流量预测模型的第一边特征提取网络进行边特征提取处理,得到第一关联特征;
将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络确定注意力特征;所述注意力特征表征各区域节点对应的每条边的重要程度;
对初始关联特征和所述注意力特征进行线性融合,基于融合结果得到所述待预测区域节点对应边的目标边特征。
具体的,在一种可能的实施方式中,与节点特征得到初始节点矩阵类似的,基于区域节点图中各区域节点的初始关联关系得到初始邻接矩阵,所述初始邻接矩阵包含了各区域节点对应边的初始关联特征,由于区域节点间边的初始值默认设置为1,则得到初始邻接矩阵E:
E={e1,e2,…eN},e∈RN
其中N表示节点的数量,且每个包含N个值。将初始邻接矩阵E作为车流量预测模型的边特征提取网络的输入矩阵,在所述边特征提取网络的第一边特征提取网络,通过权重矩阵Wlinks∈RF′×N参数化,将初始邻接矩阵E根据tanh(WlinksET)进行线性转换,其中ET为初始邻接矩阵E的转置矩阵,tanh为第一边特征提取网络的激活函数,输出矩阵大小为F'-by-N的第一邻接矩阵,由第一邻接矩阵得到所述第一关联特征。所述第一邻接矩阵表达为:
将输入边特征提取网络中的注意力网络,对于一个单个的区域节点(如待预测节点)应用注意力机制,输出一个注意力权重向量a:
a=watttanh(WlinksET)
此过程参考图5,其中watt表示一个大小为1-by-F'的权重向量,注意力权重向量a的大小为1-by-N,表征该单个节点对应每条边的隐藏或潜在重要程度。进一步的,本发明实施例中,区域节点图中共有N个区域节点,故扩展权重向量watt至至权重矩阵Watt,其大小为N-by-F',并且注意力权重向量a转换为大小为N-by-N的注意力权重矩阵A,具有与初始邻接矩阵相同的维度,注意力权重矩阵A表征区域节点i的所有边j的不同潜在重要程度,不考虑区域节点本身的节点特征。注意力权重矩阵A表达为:
A=aij=Watttanh(WlinksET)
中的j是连接的边,表示区域节点i的所有邻居节点,即区域节点i第一序列(first-order)的节点。
继续参考图5,为了让区域节点i的所有边j的系数具有可比性,在所述注意力网络引入正则化,在一个可能的实施方式中,采用softmax函数,表征对于区域节点i,该节点中所有边j的重要性相加和为1,得到此时注意力权重矩阵A的表达为:
为得到权重特征表现更佳的注意力权重矩阵A,此处还引入非线性函数LeakyReLU一同运行,在一个实施例中,可以设置LeakyReLU的负斜率为0.2。将上述注意力权重矩阵A的表达式展开为:
由注意力权重矩阵A得到所述注意力特征,然后,基于第二注意力矩阵A获取目标邻接矩阵,将注意力权重矩阵A与初始邻接矩阵E相乘,得到目标邻接矩阵Enew=AE,基于目标邻接矩阵可以得出区域节点图中每个区域节点对应边的目标边特征,其中包括待预测节点对应边的目标边特征。即,将所述注意力特征与所述初始关联特征进行线性融合,基于融合结果得到所述待预测区域节点对应边的目标边特征。
S304,将待预测区域节点的节点特征与所述待预测区域节点对应边的目标边特征进行线性融合,得到所述待预测区域节点对应的融合特征;
具体的,本发明实施例中,通过目标邻接矩阵和待预测区域节点的输出矩阵H通过非线性函数σ得到融合特征矩阵,获取所述待预测区域节点对应的融合特征,inputj为所述待预测区域节点的初始节点特征,所述融合特征矩阵表示为:
本发明实施例得到的融合特征包含了与待预测节点相关边的权重特征,考虑了区域节点间车流量的相互影响程度和关联关系,使得待预测节点的车流量预测结果更加全面准确,有助于远程协助服务系统对远程协助专员进行合理排班和调度,同时提高远程智能驾舱利用率,降低用户服务等待时间。
在另一种可能的实施方式中,为了得到更加稳定和精确的注意力结构,所述注意力网络包括基于多头注意力机制的网络,步骤S303还包括:
将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络中的每个注意力头基于所述第一关联特征确定各自对应的子注意力特征;将各注意力头对应的子注意力特征进行拼接,得到所述注意力特征。
具体的,多头注意力机制的数量为K,与自注意力机制类似的,基于每个注意力头所运行的注意力机制,得到各自的注意力权重矩阵A,即通过所述注意力网络中的每个注意力头基于所述第一关联特征确定各自对应的子注意力特征,随后将各自的子注意力特征进行串联拼接,获取基于多头注意力机制实现得到的注意力特征,用于与所述初始关联特征进行线性融合,得到所述待预测区域节点对应边的目标边特征,由此所述待预测区域节点对应的融合特征矩阵表示为:
其中||表示串联拼接,表示第k个注意力机制生成的目标邻接矩阵,表示对应的权重矩阵。在基于多头注意力机制的车流量预测模型中,节点特征提取网络输出的节点矩阵的大小为N×KF′,N表示节点数量,K表示多头注意力中头的数量,F′表示节点特征提取网络输出的隐藏状态。
S305,基于所述待预测区域节点对应的融合特征预测所述待预测区域节点的车流量。
基于该融合特征预测所述待预测区域节点的车流量,不仅考虑了待预测区域节点本身的数据特征,还包含了与待预测节点相关边的权重特征,即区域节点间车流量的相互影响程度和关联关系,使得待预测节点的车流量预测结果更加全面准确。
进一步的,本发明实施例所采用的车流量预测模型还可以用于A城市所采集的车流量数据对另一未采集相关数据的B城市进行车流量预测,进而对B城市远程协助服务需求量推理,此过程与上述实施例的实现过程步骤类似,此处不再赘述。
下面对本发明实施例中车流量预测模型的训练进行介绍,所述车流量预测模型的模型结构如图6所示。车流量预测模型的训练过程可以包括以下步骤:
(1)获取训练样本,所述训练样本包括样本区域节点对应的样本区域节点图和所述样本区域节点图中各区域节点的历史车流量数据;所述训练样本携带有所述样本区域节点对应的车流量标签。
其中,历史车流量数据可以包括车流量、车速、车道占有率等,车流量标签可以用车辆拥堵等级来表征样本区域节点的拥堵情况,具体根据实际情况设定。
(2)将所述样本区域节点图中各区域节点的历史车流量数据输入初始车流量预测模型的初始节点特征提取网络,得到所述样本区域节点图中各区域节点的样本节点特征。
对于样本区域节点图中各区域节点的样本节点特征提取具体细节与模型应用中的预测相类似,可以参见本发明实施例前述图3所示方法实施例中的相关内容,在此不再赘述。
(3)将所述样本区域节点图输入初始车流量预测模型的初始边特征提取网络,得到样本区域节点对应边的样本边特征。
在一种可能的实施方式中,该步骤包括:
基于所述样本区域节点图中的边确定初始样本关联特征;
将所述初始样本关联特征输入至所述初始边特征提取网络的初始第一边特征提取网络进行边特征提取处理,得到第一样本关联特征;
将所述第一样本关联特征输入至所述初始边特征提取网络的初始注意力网络,通过所述初始注意力网络确定样本注意力特征;所述样本注意力特征表征样本区域节点图中各区域节点对应的每条边的重要程度;
对初始样本关联特征和所述样本注意力特征进行线性融合,基于融合结果得到所述样本区域节点图中各区域节点对应边的样本边特征。
上述过程与模型应用中的预测相类似,可以参见本发明实施例前述图3所示方法实施例中的相关内容,在此不再赘述。
(4)将所述样本区域节点对应的样本节点特征与所述样本区域节点对应边的样本边特征进行线性融合,得到所述样本区域节点对应的融合特征。
对于所述样本区域节点的样本节点特征与所述样本区域节点对应边的样本边特征线性融合过程与模型应用中的预测相类似,可以参见本发明实施例前述图3所示方法实施例中的相关内容,在此不再赘述。
(5)基于所述样本区域节点对应的融合特征进行车流量预测,得到所述样本区域节点的预测车流量。
(6)根据所述样本区域节点的预测车流量与所述车流量标签调整所述初始车流量预测模型的参数,直至满足预设训练预设结束条件,得到所述车流量预测模型。
在一种可能的实施方式中,该步骤包括:
根据所述样本区域节点的预测车流量与所述车流量标签的差异,确定损失值;
基于所述样本注意力特征确定约束信息,将所述约束信息与调节系数相乘得到目标约束条件;
基于所述损失值和目标约束条件,对所述初始车流量预测模型的参数进行调整,直至满足预设训练预设结束条件,得到所述车流量预测模型。
具体的,可以使用预设损失函数基于所述样本区域节点的车流量与所述车流量标签计算损失值,然后按照最小化该损失值的方向调整初始车流量预测模型中的参数直至满足训练结束条件完成车流量预测模型的训练。该训练结束条件可以是损失值达到预设损失阈值,还可以是迭代次数达到预设的迭代次数。具体可以根据实际需要来选择不同的损失函数,本发明实施例中,预设损失函数采用softmax loss损失函数:
进一步的,基于机器学习训练出来的车流量预测模型,随着模型的训练,可以用“拟合”表示模型对数据的学习程度,在新的样本上回归误差或分类错误越少的模型,“拟合”程度越好,但“过拟合”反而会让预测结果误差更大。由步骤(3)得到的注意力特征,经过基于注意力机制的网络结构,可能生成相似的注意力权重,出现“过拟合”的问题,故引入惩罚项即目标约束条件最小化区域节点间边的相似性,来提高车流量预测模型的表达性和多样性。本发明实施例中,惩罚项P的表达式为:
即将样本注意力特征对应的注意力权重矩阵与其转置矩阵进行矩阵乘法运算,然后减去一个大小相同的单位矩阵(以忽略某个节点与其自己的边相似性),||·||表示矩阵的弗罗贝尼乌斯范数,例如矩阵X的弗罗贝尼乌斯范数定义为矩阵X各项元素的绝对值平方的总和再开方。本发明实施例采用L2正则项来表示弗罗贝尼乌斯范数,L2正则项表示为:w为权重系数向量,i表示矩阵各项元素。
随后,惩罚项P与调节系数lambda相乘,并与预设的损失函数一同使用对车流量预测模型进行训练,调节系数lambda可以从0调整,对于不同的区域节点,惩罚因子会鼓励区域节点专注不同的边,促使每个区域节点寻找到最相关或最重要的一些边,然后设置其他无关的边权重为0,即忽略无意义的边,减少每两个区域节点间的冗余特征。
与上述几种实施例提供的车流量预测方法相对应,本发明实施例还提供一种车流量预测装置,由于本发明实施例提供的车流量预测装置与上述几种实施例提供的车流量预测方法相对应,因此前述车流量预测方法的实施方式也适用于本实施例提供的车流量预测装置,在本实施例中不再详细描述。
请参阅图7,其所示为本发明实施例提供的一种车流量预测装置的结构示意图,该装置具有实现上述方法实施例中车流量预测方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。如图7所示,该装置可以包括:
数据采集模块710,用于获取待预测区域节点对应的区域节点图,所述区域节点图中的边表征所述边所连接的区域节点之间的初始关联关系,所述区域节点图中的各区域节点包括所述待预测区域节点;
第一特征提取模块720,用于基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征;
第二特征提取模块730,用于基于所述区域节点图,提取所述待预测区域节点对应边的目标边特征;所述目标边特征表征对应边所连接区域节点的车流量对待预测区域节点车流量的影响程度;
特征融合模块740,用于将待预测区域节点的节点特征与所述待预测区域节点对应边的目标边特征进行线性融合,得到所述待预测区域节点对应的融合特征;
车流量预测模块750,用于基于所述待预测区域节点对应的融合特征预测所述待预测区域节点的车流量。
可选地,所述车流量预测装置通过车流量预测模型实现车流量预测,所述第二特征提取模块730包括:
初始关联特征确定模块,用于基于所述区域节点图中的边确定初始关联特征;
第一关联特征提取模块,用于将所述初始关联特征输入至所述车流量预测模型的第一边特征提取网络进行边特征提取处理,得到第一关联特征;
注意力特征提取模块,用于将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络确定注意力特征;所述注意力特征表征各区域节点对应的每条边的重要程度;
目标边特征提取模块,用于对初始关联特征和所述注意力特征进行线性融合,基于融合结果得到所述待预测区域节点对应边的目标边特征。
可选地,所述注意力网络包括基于多头注意力机制的网络;所述注意力特征提取模块包括:
子注意力特征提取单元,用于将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络中的每个注意力头基于所述第一关联特征确定各自对应的子注意力特征;
特征拼接单元,用于将各注意力头对应的子注意力特征进行拼接,得到所述注意力特征。
可选地,所述车流量预测装置还包括训练模块,用于训练所述车流量预测模型,所述车流量预测装置还包括训练模块760,所述训练模块包括:
样本获取模块,用于获取训练样本,所述训练样本包括样本区域节点对应的样本区域节点图和所述样本区域节点图中各区域节点的历史车流量数据;所述训练样本携带有所述样本区域节点对应的车流量标签;
第一样本特征提取模块,用于将所述样本区域节点图中各区域节点的历史车流量数据输入初始车流量预测模型的初始节点特征提取网络,得到所述样本区域节点图中各区域节点的样本节点特征;
第二样本特征提取模块,用于将所述样本区域节点图输入初始车流量预测模型的初始边特征提取网络,得到样本区域节点对应边的样本边特征;
样本特征融合模块,用于将所述样本区域节点对应的样本节点特征与所述样本区域节点对应边的样本边特征进行线性融合,得到所述样本区域节点对应的融合特征;
参数调整模块,用于基于所述样本区域节点对应的融合特征进行车流量预测,得到所述样本区域节点的预测车流量;根据所述样本区域节点的预测车流量与所述车流量标签调整所述初始车流量预测模型的参数,直至满足预设训练预设结束条件,得到所述车流量预测模型。
可选地,所述第二样本特征提取模块包括:
初始样本关联特征确定模块,用于基于所述样本区域节点图中的边确定初始样本关联特征;
第一样本关联特征确定模块,用于将所述初始样本关联特征输入至所述初始边特征提取网络的初始第一边特征提取网络进行边特征提取处理,得到第一样本关联特征;
样本注意力特征确定模块,用于将所述第一样本关联特征输入至所述初始边特征提取网络的初始注意力网络,通过所述初始注意力网络确定样本注意力特征;所述样本注意力特征表征样本区域节点图中各区域节点对应的每条边的重要程度;
样本边特征确定模块,用于对初始样本关联特征和所述样本注意力特征进行线性融合,基于融合结果得到所述样本区域节点图中各区域节点对应边的样本边特征。
可选地,所述参数调整模块包括:
损失值计算单元,用于根据所述样本区域节点的预测车流量与所述车流量标签的差异,确定损失值;
目标约束条件确定单元,用于基于所述样本注意力特征确定约束信息,将所述约束信息与调节系数相乘得到目标约束条件;
参数调整单元,用于基于所述损失值和目标约束条件,对所述初始车流量预测模型的参数进行调整,直至满足预设训练预设结束条件,得到所述车流量预测模型。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本发明实施例提供了一种电子设备,该电子设备包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的车流量预测方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及车流量预测。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本发明实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图8是本发明实施例提供的运行一种车流量预测方法的服务器的硬件结构框图,如图8所示,该服务器800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)810(处理器810可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器830,一个或一个以上存储应用程序823或数据822的存储介质820(例如一个或一个以上海量存储设备)。其中,存储器830和存储介质820可以是短暂存储或持久存储。存储在存储介质820的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器810可以设置为与存储介质820通信,在服务器800上执行存储介质820中的一系列指令操作。服务器800还可以包括一个或一个以上电源860,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口840,和/或,一个或一个以上操作系统821,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口840可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器800的通信供应商提供的无线网络。在一个实例中,输入输出接口840包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口840可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图8所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器800还可包括比图8中所示更多或者更少的组件,或者具有与图8所示不同的配置。
本发明的实施例还提供了一种计算机可读存储介质,所述存储介质可设置于服务器之中以保存用于实现一种车流量预测方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的车流量预测方法。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的各种可选实现方式中提供的车流量预测方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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)
1.一种车流量预测方法,其特征在于,包括:
获取待预测区域节点对应的区域节点图,所述区域节点图中的边表征所述边所连接的区域节点之间的初始关联关系,所述区域节点图中的各区域节点包括所述待预测区域节点;
基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征;
基于所述区域节点图,提取待预测区域节点对应边的目标边特征;所述目标边特征表征对应边所连接区域节点的车流量对待预测区域节点车流量的影响程度;
将待预测区域节点的节点特征与所述待预测区域节点对应边的目标边特征进行线性融合,得到所述待预测区域节点对应的融合特征;
基于所述待预测区域节点对应的融合特征预测所述待预测区域节点的车流量。
2.根据权利要求1所述的车流量预测方法,其特征在于,所述车流量预测方法基于车流量预测模型实现,所述基于所述区域节点图,提取所述待预测区域节点对应边的目标边特征包括:
基于所述区域节点图中的边确定初始关联特征;
将所述初始关联特征输入至所述车流量预测模型的第一边特征提取网络进行边特征提取处理,得到第一关联特征;
将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络确定注意力特征;所述注意力特征表征各区域节点对应的每条边的重要程度;
对初始关联特征和所述注意力特征进行线性融合,基于融合结果得到所述待预测区域节点对应边的目标边特征。
3.根据权利要求2所述的车流量预测方法,其特征在于,所述注意力网络包括基于多头注意力机制的网络;所述将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络确定注意力特征包括:
将所述第一关联特征输入至所述车流量预测模型的注意力网络,通过所述注意力网络中的每个注意力头基于所述第一关联特征确定各自对应的子注意力特征;
将各注意力头对应的子注意力特征进行拼接,得到所述注意力特征。
4.根据权利要求2所述的车流量预测方法,其特征在于,所述基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征包括:
将所述区域节点图中各区域节点的历史车流辆量数据输入所述车流量预测模型的节点特征提取网络,获取节点特征提取网络隐藏层的输出特征,得到所述各区域节点的节点特征。
5.根据权利要求2~4中任一项所述的车流量预测方法,其特征在于,所述方法还包括训练所述车流量预测模型,所述训练所述车流量预测模型包括:
获取训练样本,所述训练样本包括样本区域节点对应的样本区域节点图和所述样本区域节点图中各区域节点的历史车流量数据;所述训练样本携带有所述样本区域节点对应的车流量标签;
将所述样本区域节点图中各区域节点的历史车流量数据输入初始车流量预测模型的初始节点特征提取网络,得到所述样本区域节点图中各区域节点的样本节点特征;
将所述样本区域节点图输入初始车流量预测模型的初始边特征提取网络,得到样本区域节点对应边的样本边特征;
将所述样本区域节点对应的样本节点特征与所述样本区域节点对应边的样本边特征进行线性融合,得到所述样本区域节点对应的融合特征;
基于所述样本区域节点对应的融合特征进行车流量预测,得到所述样本区域节点的预测车流量;
根据所述样本区域节点的预测车流量与所述车流量标签调整所述初始车流量预测模型的参数,直至满足预设训练预设结束条件,得到所述车流量预测模型。
6.根据权利要求5所述的车流量预测方法,其特征在于,所述将所述样本区域节点图输入初始车流量预测模型的初始边特征提取网络,得到所述样本区域节点图中各区域节点对应边的样本边特征包括:
基于所述样本区域节点图中的边确定初始样本关联特征;
将所述初始样本关联特征输入至所述初始边特征提取网络的初始第一边特征提取网络进行边特征提取处理,得到第一样本关联特征;
将所述第一样本关联特征输入至所述初始边特征提取网络的初始注意力网络,通过所述初始注意力网络确定样本注意力特征;所述样本注意力特征表征样本区域节点图中各区域节点对应的每条边的重要程度;
对初始样本关联特征和所述样本注意力特征进行线性融合,基于融合结果得到所述样本区域节点图中各区域节点对应边的样本边特征。
7.根据权利要求6所述的车流量预测方法,其特征在于,所述根据所述样本区域节点的预测车流量与所述车流量标签调整所述初始车流量预测模型的参数,直至满足预设训练预设结束条件,得到所述车流量预测模型包括:
根据所述样本区域节点的预测车流量与所述车流量标签的差异,确定损失值;
基于所述样本注意力特征确定约束信息,将所述约束信息与调节系数相乘得到目标约束条件;
基于所述损失值和目标约束条件,对所述初始车流量预测模型的参数进行调整,直至满足预设训练预设结束条件,得到所述车流量预测模型。
8.一种车流量预测装置,其特征在于,包括:
数据采集模块,用于获取待预测区域节点对应的区域节点图,所述区域节点图中的边表征所述边所连接的区域节点之间的初始关联关系,所述区域节点图中的各区域节点包括所述待预测区域节点;
第一特征提取模块,用于基于所述区域节点图中各区域节点的历史车流辆量数据,提取所述各区域节点的节点特征;
第二特征提取模块,用于基于所述区域节点图,提取所述待预测区域节点对应边的目标边特征;所述目标边特征表征对应边所连接区域节点的车流量对待预测区域节点车流量的影响程度;
特征融合模块,用于将待预测区域节点的节点特征与所述待预测区域节点对应边的目标边特征进行线性融合,得到所述待预测区域节点对应的融合特征;
车流量预测模块,用于基于所述待预测区域节点对应的融合特征预测所述待预测区域节点的车流量。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条指令或者至少一段程序,所述至少一条指令或者所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005895.9A CN115423162A (zh) | 2022-08-22 | 2022-08-22 | 一种车流量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005895.9A CN115423162A (zh) | 2022-08-22 | 2022-08-22 | 一种车流量预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423162A true CN115423162A (zh) | 2022-12-02 |
Family
ID=84197720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211005895.9A Pending CN115423162A (zh) | 2022-08-22 | 2022-08-22 | 一种车流量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423162A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131999A (zh) * | 2023-09-14 | 2023-11-28 | 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 |
-
2022
- 2022-08-22 CN CN202211005895.9A patent/CN115423162A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131999A (zh) * | 2023-09-14 | 2023-11-28 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN111860951A (zh) | 一种基于动态超图卷积网络的轨道交通客流预测方法 | |
CN108594858B (zh) | 马尔科夫运动目标的无人机搜索方法及装置 | |
CN107665230A (zh) | 用于智能家居控制的用户行为预测模型的训练方法及装置 | |
CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
CN112532746B (zh) | 一种云边协同感知的方法及系统 | |
Fan et al. | Predicting vacant parking space availability: a long short-term memory approach | |
CN115829024B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN114529081A (zh) | 一种时空联合的交通流量预测方法及装置 | |
Liu et al. | A method for short-term traffic flow forecasting based on GCN-LSTM | |
CN113642700A (zh) | 基于联邦学习和边缘计算的跨平台多模态舆情分析方法 | |
CN110929951A (zh) | 一种用于电网告警信号的关联分析和预测方法 | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN115423162A (zh) | 一种车流量预测方法、装置、电子设备及存储介质 | |
CN115393633A (zh) | 数据处理方法、电子设备、存储介质及程序产品 | |
CN113159371A (zh) | 基于跨模态数据融合的未知目标特征建模与需求预测方法 | |
Reyes et al. | Wind power forecasting for the Villonaco wind farm using AI techniques | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
Xu et al. | Traffic flow forecasting with spatial-temporal graph convolutional networks in edge-computing systems | |
CN110457387A (zh) | 一种应用于网络中用户标签确定的方法及相关装置 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 | |
CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
CN115081609A (zh) | 一种智能决策中的加速方法、终端设备及存储介质 | |
CN114881308A (zh) | 基于元学习的网联车辆速度预测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230905 Address after: Room A101, Building I, No. 7 Zhongchuang Second Road, Hangzhou Bay New Area, Ningbo City, Zhejiang Province, 315335 Applicant after: Ningbo Lutes Robotics Co.,Ltd. Address before: A504, Building 3, No. 28, Chuanjiangchi Second Road, Wuhan Economic and Technological Development Zone, Hubei 430058 Applicant before: Wuhan Lotus Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |