CN116029463B - 基于动态时空关联学习的交通流量预测与停车场选址方法 - Google Patents
基于动态时空关联学习的交通流量预测与停车场选址方法 Download PDFInfo
- Publication number
- CN116029463B CN116029463B CN202310307629.XA CN202310307629A CN116029463B CN 116029463 B CN116029463 B CN 116029463B CN 202310307629 A CN202310307629 A CN 202310307629A CN 116029463 B CN116029463 B CN 116029463B
- Authority
- CN
- China
- Prior art keywords
- time
- flow
- space
- parking lot
- traffic
- 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
Images
Classifications
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于交通技术领域,涉及一种基于动态时空关联学习的交通流量预测与停车场选址方法,通过引入动态时空关联模块对历史时刻的网格道路交通流量进行时空特征的捕获,并采用时空关联的注意力机制提取对应的流量特征,然后通过特征向量层面的恢复与重构实现交通流量的未来一段时间的连续预测,针对城市内历史时刻与未来时刻的交通流量信息,设计停车场选址方案,适于大规模的流量预测,大大减少了资源的消耗以及减低了对硬件的要求。
Description
技术领域
本发明属于交通技术领域,特别涉及一种基于动态时空关联学习的交通流量预测与停车场选址方法。
背景技术
停车场的选址是指确定一个适合的地点来建设停车场,以便提供方便的停车服务,并满足人们日益增长的车辆数量和停车需求。停车场选址时需要综合考虑多种因素,如地理位置、周围环境、交通流量、停车需求量、土地价格、法律法规等因素,选择合适的停车场能够为市民和商家提供方便的停车服务,缓解停车难问题,提高城市交通效率,促进城市的经济发展。
在影响停车场选址的各种因素中,交通流量是停车场选址至关重要的一个因素,这是因为交通流量的大小决定停车场的位置、入口出口数量和对应位置,如果交通流量大,则停车场需要更大的规模来满足车辆的停放需求,并且需要设置更多的入口出口,同时还需要将入口出口位置选择在交通流量较大的位置。但是现有技术中,通过历史时刻的交通流量获得未来时刻的交通流量的准确率偏低,难以依靠未来一段时间的交通流量对停车场进行合适的选址。
发明内容
为了解决上述两个问题,本发明提出了一种基于动态时空关联学习的交通流量预测与车场选址方法,通过引入动态时空关联模块对历史时刻的网格道路交通流量进行时空特征的捕获,不仅挖掘空间上和时间上的潜在流量规律,而且考虑到时空关联的复杂特性,采用时空关联的注意力机制提取对应的流量特征,并且通过特征向量层面的恢复与重构实现交通流量的未来一段时间的连续预测,针对城市内历史时刻与未来时刻的交通流量信息,设计一个停车场选址方案。
为了实现上述目的,本发明实现交通流量预测与停车场选址的具体过程包括以下步骤:
S1、将全部的历史时刻的流量图按照时间维度上的临近性、周期性以及趋势性原则进行挑选,将挑选出来的流量图整合为新数据集;
S2、将步骤S1中全部的历史时刻的流量图进行分块操作得到流量块,并将分好的全部流量块通过线性层映射到高维的空间进行空间和位置的编码,然后通过多层的包含动态时空关联模块的Transformer层,得到流量图的时空流量特征;
S3、将步骤S2得到的已知的时空流量特征与未知的多个时间段的特征进行排序重构后送入包含空间注意力模块的Transformer层,得到未来时刻流量图特征;
S4、将步骤S3得到的未来时刻流量图特征通过映射恢复为未来一段时间内的城市交通流量图;
S5、将动态时空关联损失函数与均方根误差加权和作为总的损失函数,采用训练集进行整个网络训练;
S6、根据已获得的未来一段时间的流量,综合历史时刻的城市交通流量信息,设计网格区域评分策略,依据评分选择合适的停车场地址。
作为本发明的进一步技术方案,步骤S1的具体过程为:
定义预测目标为一系列时刻的完整的流量图{},其中k表示未来时刻的预测片段数量,t表示当前预测的时刻,/>为t时刻的流量图,临近性表示为时间上接近t的时间,对应的流量图{/>},其中c表示为临近时刻片段的数量;周期性表示为t时刻的历史周期片段,对应的流量图{/>},其中z表示一周的时间片段数量,e表示周期性的片段数量;趋势性表示为t时刻的遥远时刻的历史片段,一般为月间隔,对应的流量图为{/>},其中m为一个月的时间片段数量,d表示为趋势性的片段数量;再将所有挑选出的时间片段在时间维度上按先后顺序排列组合成新数据集{,/>}。
作为本发明的进一步技术方案,步骤S2的具体过程为:
将步骤S1中t时刻的流量图进行分块,将每个流量图划分为2D块,其中H、W、C分别对应流量图的高度、宽度和通道数,P对应块的尺寸,为块的数量,同样对全部数据集中流量图进行分块操作得{,/>},用/>表示该集合;
其中表示为一个线性映射,/>是一个重新排列函数将所有的块按照对应的时间顺序排序,/>是其排序后的新的位置编码;合并后继续经过Transformer层的,将已知和未知的特征进行多次的注意力运算,得到学习好的未来时刻流量图特征。
作为本发明的进一步技术方案,步骤S5所述总的损失函数为:
作为本发明的进一步技术方案,步骤S6的具体过程为:
利用历史时刻的流量图{,,/>}和预测的未来一段时间的流量信息{/>}进行加权求和计算获得每个区域的得分,权重函数为其中/>为超参数,/>对应距离当前时刻的时间片段的数量,即历史时刻距当前时刻为负时间片段数量,未来时刻距当前时刻为正时间片段数量,将全部时刻的流量图与对应权重的乘积累加得到/>,最后依据网格区域评分策略,并结合现实场景的限制选择指定区域内得分最高的地址作为停车场选址。
与现有技术相比,本发明设计了交通流量预测与停车场选址结合的新策略,提出了基于动态时空关联提取流量的时空特征;设计了流量特征重构的预测模式,关联了同一空间不同时间上的流量特征并与未知的未来时间段的流量特征进行组合、解码,以此完成预测任务,具体有益效果如下:
(1)通过预测未来一段时间的道路交通流量来对停车场进行合适的选址,确保停车场不仅在当下也在未来都能够适应周围的流量情况;
(2)动态时空关联的注意力机制能够非常有效地适用于时空数据挖掘任务,尤其是对于大规模的随时空连续变化的交通流量数据;
(3)基于已知特征与未知特征的组合、解码过程,将未知特征重构为未来时间片段下的流量特征,可以快速且高效地一步预测出未来全部时间片段的流量,适于大规模的流量预测,大大减少了资源的消耗以及减低了对硬件的要求;
附图说明
图1为本发明提供的基于动态时空关联学习的交通流量预测与停车场选址的流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
实施例:
如图1所示,本发明实施例中的一种基于动态时空关联学习的交通流量预测与停车场选址方法,包括如下步骤:
S1、数据集划分:
本实施例将利用某些特殊的时间片段的流量图对未来流量进行预测,先对数据集中全部的历史时刻的流量图按照时间维度上的临近性、周期性以及趋势性原则进行挑选,定义预测目标为一系列时刻的完整的流量图{},其中k表示未来时刻的预测片段数量,t表示当前预测的时刻,/>为t时刻的流量图,临近性表示为时间上接近t的时间,对应的流量图{/>},其中c表示为临近时刻片段的数量;周期性表示为t时刻的历史周期片段,对应的流量图{/>},其中z表示一周的时间片段数量,e表示周期性的片段数量;趋势性表示为t时刻的遥远时刻的历史片段,一般为月间隔,对应的流量图为{/>},其中m为一个月的时间片段数量,d表示为趋势性的片段数量;
S2、时空关联学习:
将步骤S1中t时刻的流量图进行分块,将每个流量图划分为2D块,其中H、W、C分别对应流量图的高度、宽度和通道数,P对应块的尺寸,为块的数量,同样对全部数据集中流量图进行分块操作得{,/>},用/>表示该集合;
再计算时空关联注意力,
S3、流量特征重构:
S4、交通流量预测:
将步骤S3最后得到的未来时刻流量图特征依据预测像素值来重构缺失的流量,步骤S3获得不同时刻下每个块的流量特征中每个元素是一个块的像素值向量,全部的预测流量特征通过线性层映射、重塑组成一组2D交通流量图{},
S5、联合训练:
将动态时空关联损失函数与均方根误差加权和作为总的损失函数,进行整个网络训练,
S6、停车场选址:
利用历史时刻的流量图{}和预测的未来一段时间的流量信息{/>}进行加权求和计算获得每个区域的得分,权重函数为/>其中/>为超参数,一般设置为1,而/>对应距离当前时刻的时间片段的数量,即历史时刻距当前时刻为负时间片段数量,未来时刻距当前时刻为正时间片段数量,将全部时刻的流量图与对应权重的乘积累加得到/>,最后依据网格区域评分策略,并结合现实场景的限制选择指定区域内得分最高的地址作为停车场选址。
本文中未详细说明的算法和计算过程均为本领域通用技术。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的,因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种基于动态时空关联学习的交通流量预测与停车场选址方法,其特征在于,具体包括以下步骤:
S1、将全部的历史时刻的流量图按照时间维度上的临近性、周期性以及趋势性原则进行挑选,将挑选出来的流量图整合为新数据集;
S2、将步骤S1中全部的历史时刻的流量图进行分块操作得到流量块,并将分好的全部流量块通过线性层映射到高维的空间进行空间和位置的编码,然后通过多层的包含动态时空关联模块的Transformer层,得到流量图的时空流量特征,具体过程为:
S3、将步骤S2得到的已知的时空流量特征与未知的多个时间段的特征进行排序重构后送入包含空间注意力模块的Transformer层,得到未来时刻流量图特征,具体过程为:将已知的时空流量特征特征与未知的多个时间段的特征{/> }进行一个有序的合并,
其中表示为一个线性映射,/>是一个重新排列函数将所有的块按照对应的时间顺序排序,/>是其排序后的新的位置编码;合并后继续经过Transformer层的,将已知和未知的特征进行多次的注意力运算,得到学习好的未来时刻流量图特征;
S4、将步骤S3得到的未来时刻流量图特征通过映射恢复为未来一段时间内的城市交通流量图;
S5、将动态时空关联损失函数与均方根误差加权和作为总的损失函数,采用训练集进行整个网络训练;
S6、根据已获得的未来一段时间的流量,综合历史时刻的城市交通流量信息,设计网格区域评分策略,依据评分选择合适的停车场地址。
2.根据权利要求1所述基于动态时空关联学习的交通流量预测与停车场选址方法,其特征在于,步骤S1的具体过程为:
定义预测目标为一系列时刻的完整的流量图{},其中k表示未来时刻的预测片段数量,t表示当前预测的时刻,/>为t时刻的流量图,临近性表示为时间上接近t的时间,对应的流量图{/>},其中c表示为临近时刻片段的数量;周期性表示为t时刻的历史周期片段,对应的流量图{/>},其中z表示一周的时间片段数量,e表示周期性的片段数量;趋势性表示为t时刻的遥远时刻的历史片段,一般为月间隔,对应的流量图为{/>},其中m为一个月的时间片段数量,d表示为趋势性的片段数量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307629.XA CN116029463B (zh) | 2023-03-28 | 2023-03-28 | 基于动态时空关联学习的交通流量预测与停车场选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307629.XA CN116029463B (zh) | 2023-03-28 | 2023-03-28 | 基于动态时空关联学习的交通流量预测与停车场选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116029463A CN116029463A (zh) | 2023-04-28 |
CN116029463B true CN116029463B (zh) | 2023-07-14 |
Family
ID=86089547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310307629.XA Active CN116029463B (zh) | 2023-03-28 | 2023-03-28 | 基于动态时空关联学习的交通流量预测与停车场选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029463B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006123903A1 (en) * | 2005-05-18 | 2006-11-23 | Lg Electronics Inc. | Fourniture d'information de trafic comprenant des sous liaisons de liaisons |
CN107705004A (zh) * | 2017-09-26 | 2018-02-16 | 广东轻工职业技术学院 | 一种城市加油站选址方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电(中国)有限公司 | 基于时空关系的路况预测方法和系统 |
JP2019220048A (ja) * | 2018-06-22 | 2019-12-26 | 株式会社日立製作所 | 交通流予測装置及び交通流予測システム |
CN110310479A (zh) * | 2019-06-20 | 2019-10-08 | 云南大学 | 一种城市交通流量预测系统及方法 |
CN115587454A (zh) * | 2022-10-24 | 2023-01-10 | 北京工商大学 | 基于改进Transformer模型的交通流量长时预测方法及系统 |
-
2023
- 2023-03-28 CN CN202310307629.XA patent/CN116029463B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006123903A1 (en) * | 2005-05-18 | 2006-11-23 | Lg Electronics Inc. | Fourniture d'information de trafic comprenant des sous liaisons de liaisons |
CN107705004A (zh) * | 2017-09-26 | 2018-02-16 | 广东轻工职业技术学院 | 一种城市加油站选址方法 |
Non-Patent Citations (1)
Title |
---|
基于GA的公共停车场选址模型研究;郭涛;杨涛;;交通运输工程与信息学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116029463A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Guo et al. | Deep spatial–temporal 3D convolutional neural networks for traffic data forecasting | |
Korkmaz | SolarNet: A hybrid reliable model based on convolutional neural network and variational mode decomposition for hourly photovoltaic power forecasting | |
CN109657839B (zh) | 一种基于深度卷积神经网络的风电功率预测方法 | |
Li et al. | Autost: Efficient neural architecture search for spatio-temporal prediction | |
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 | |
Shen et al. | Research on traffic speed prediction by temporal clustering analysis and convolutional neural network with deformable kernels (May, 2018) | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN112417752B (zh) | 基于卷积lstm神经网络的云层轨迹预测方法及系统 | |
CN114004428B (zh) | 一种基于蜂窝网格集成机制与时空Transformer的渔情预测方法及系统 | |
CN115662128A (zh) | 一种基于注意力机制的动态时空神经网络交通流量预测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN115841625A (zh) | 一种基于改进U-Net模型的遥感建筑物影像提取方法 | |
Dai et al. | Attention based simplified deep residual network for citywide crowd flows prediction | |
CN114493034A (zh) | 一种面向区域流量预测的时空全局语义表示学习方法 | |
CN116029463B (zh) | 基于动态时空关联学习的交通流量预测与停车场选址方法 | |
Tang et al. | SPRNN: A spatial–temporal recurrent neural network for crowd flow prediction | |
CN111524358A (zh) | 一种区域辐射性交通流量预测方法 | |
CN115840261A (zh) | 一种台风降水短临预测模型优化及预测方法 | |
Di et al. | An automatic and integrated self-diagnosing system for the silting disease of drainage pipelines based on SSAE-TSNE and MS-LSTM | |
Li et al. | LSTN: long short-term traffic flow forecasting with transformer networks | |
CN112633579B (zh) | 一种基于域对抗的交通流迁移预测方法 | |
CN113034195A (zh) | 一种基于卷积网络和非局部网络的网约车需求预测方法 | |
Shen et al. | Fine-grained urban flow prediction via a spatio-temporal super-resolution scheme | |
Hu et al. | A simplified deep residual network for citywide crowd flows prediction |
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 |