CN116089875A - 融合多源时空数据的交通流量预测方法、装置及存储介质 - Google Patents

融合多源时空数据的交通流量预测方法、装置及存储介质 Download PDF

Info

Publication number
CN116089875A
CN116089875A CN202310084450.2A CN202310084450A CN116089875A CN 116089875 A CN116089875 A CN 116089875A CN 202310084450 A CN202310084450 A CN 202310084450A CN 116089875 A CN116089875 A CN 116089875A
Authority
CN
China
Prior art keywords
time
space
region
traffic
data
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
Application number
CN202310084450.2A
Other languages
English (en)
Inventor
邓兴栋
李冠耀
刘洋
毕瑜菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Urban Planning Survey and Design Institute
Original Assignee
Guangzhou Urban Planning Survey and Design Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Urban Planning Survey and Design Institute filed Critical Guangzhou Urban Planning Survey and Design Institute
Priority to CN202310084450.2A priority Critical patent/CN116089875A/zh
Publication of CN116089875A publication Critical patent/CN116089875A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种融合多源时空数据的交通流量预测方法、装置及存储介质，方法包括获取0到t‑1时刻的区域交通的历史流量数据和轨迹数据；根据轨迹数据构建区域时空关系图；根据历史流量数据与区域空间关系对区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；将空间特征向量、时间特征和交通流量特征进行融合，得到每一区域在t时刻的时空特征；根据图神经网络和时空特征对区域之间的时空相关性进行学习，得到最终区域特征；根据全连接神经网络和最终区域特征进行预测，得到交通流入量预测值和交通流出量预测值。本方法通过融合历史流量数据与轨迹数据，并对时间与空间相关性融合，提高了交通流量预测的准确度。

Description

融合多源时空数据的交通流量预测方法、装置及存储介质
技术领域
本发明涉及交通流量预测技术领域，尤其涉及一种融合多源时空数据的交通流量预测方法、装置及存储介质。
背景技术
目前，城市中不同区域的交通流量反映了城市居民的出行需求。精准高效地预测不同区域的交通流量，是实现车辆精准调度、公交系统优化的基础，有助于缓解城市交通拥堵、提高城市交通效率，对推动智慧交通与智慧城市协同发展至关重要。例如，基于精确的交通流量预测结果，交警部门可以进行及时的交通疏导以缓解由于流量过大带来的拥堵；出租车、网约车、共享单车等公司可以进行车辆调度，以保障市民的用车需求。同时，通过对未来时刻的人流进行精准、及时的预测，可以科学地助力政府部门及时对人流密集的景区、景点加派治安人员，采取临时人流管制与疏散等措施，最大限度降低由于人流过大引起踩踏事故的概率，避免悲剧的发生。
在一种现有技术中，交通流量预测方法主要基于回归模型，例如ARIMA模型与非参数回归模型，这些模型考虑了区域未来交通流量与历史数据的时间相关性，但缺乏对区域之间空间相关性的考虑。同时，通过从交通数据中提取特征，利用机器学习算法，例如支持向量机、梯度提升回归树、随机森林等方法进行交通的预测，较为依赖于人为定义的特征，缺乏对时空关系的深层次考虑。
在另一种现有技术中，利用深度学习进行短时交通流预测。例如，采用卷积神经网络(CNN)、图神经网络(GNN)、循环神经网络(RNN)及其变形长短期记忆(LSTM)、GRU对区域之间的空间相关性或交通流量历史数据中的时间相关性进行训练。然而，这些方法聚焦于局部区域的相关性，难以捕获距离较远的区域之间的相关性或者时间较长的相关性。
综上，现有技术中的交通流量预测方法将时间相关性和空间相关性分开考虑，忽略了两者之间相互作用的结果，导致交通流量预测的准确度不高。
发明内容
本发明提供了一种融合多源时空数据的交通流量预测方法、装置及存储介质，以解决现有技术中的交通流量预测方法将时间相关性和空间相关性分开考虑，忽略了两者之间相互作用的结果，导致交通流量预测的准确度不高的技术问题。
第一方面，为了解决上述技术问题，本发明提供了一种融合多源时空数据的交通流量预测方法、装置及存储介质，包括：
获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；
根据所述轨迹数据，构建区域时空关系图；
根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；
将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；
根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；
根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
优选地，所述根据所述轨迹数据，构建区域时空关系图，包括：
对于同一条轨迹数据中的任意两个位置点，将两个位置点对应的区域所表示的节点ri与rj，在区域时空关系图中用边连接；其中，区域时空关系图中每个区域ri用一个节点表示。
优选地，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量，包括：
基于q层的图神经网络对所述区域时空关系图中每个节点的空间特征进行训练:
Figure BDA0004068541090000031
其中，所述区域时空关系图中每个区域用一个节点ri表示，
Figure BDA0004068541090000032
表示第k层网络中ri的空间特征向量,d为超参数，
Figure BDA0004068541090000033
是可学习参数，Mean(·)表示对向量按位进行求平均的操作，NeighS(ri)表示在空间图中ri的邻居节点，||表示两个向量的连接操作，
Figure BDA0004068541090000034
为一个随机的向量；
通过预测两个节点是否为邻居节点对空间特征进行学习:
Figure BDA0004068541090000035
其中，yij为预测结果，用1表示两个节点为邻居节点，0表示两个节点为非邻居节点；Sigmoid(·)表示Sigmoid激活函数，tanh(·)表示tanh激活函数，
Figure BDA0004068541090000036
与
Figure BDA0004068541090000037
为可学习参数，
Figure BDA0004068541090000038
将训练结束后的
Figure BDA0004068541090000039
作为区域ri的空间特征向量。
优选地，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的时间特征，包括：
设预测时间间隔为a小时，基于神经网络对时间特征进行训练：
Figure BDA00040685410900000310
其中，
Figure BDA00040685410900000311
表示时间特征，Relu(·)为Relu激活函数，
Figure BDA00040685410900000312
为时刻t的独热编码，独热编码
Figure BDA00040685410900000313
的长度为
Figure BDA00040685410900000314
Figure BDA00040685410900000315
与
Figure BDA00040685410900000316
为可学习参数。
优选地，根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的交通流量特征，包括：
利用ri在t-1到t-k时刻的交通流入量
Figure BDA00040685410900000317
与交通流出量
Figure BDA00040685410900000318
对节点ri在t时刻的交通流量特征
Figure BDA00040685410900000319
进行学习；其中，
Figure BDA00040685410900000320
表示t-1时刻ri的交通流入量，
Figure BDA00040685410900000321
表示t-1时刻ri的交通流出量，所述历史流量数据包括
Figure BDA00040685410900000322
和
Figure BDA00040685410900000323
利用一维卷积网络对交通流量特征
Figure BDA00040685410900000324
进行学习：
Figure BDA00040685410900000325
其中，Conv1(·)与Conv2(·)表示1维卷积网络，卷积核的尺寸为1×p(p<k),步长为1，输出通道量为f，||表示两个特征向量的相连，
Figure BDA0004068541090000041
是可学习的参数,l＝2×f×(k-p+1)。
优选地，所述根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征，包括：
采用multi-head学习机制与多层的网络进行学习，对于第m个head中的第k层网络，两个区域ri,rj之间在t时刻的相关性及时空特征计算为：
Figure BDA0004068541090000042
Figure BDA0004068541090000043
Figure BDA0004068541090000044
其中，
Figure BDA0004068541090000045
为第m个head中第k-1层网络中区域ri在t时刻的所述时空特征，
Figure BDA0004068541090000046
为可学习的参数，d为特征向量的长度；
用每个head中的最后一层输出，作为该head的区域特征
Figure BDA0004068541090000047
通过融合每个head的区域特征，得到最终区域特征
Figure BDA0004068541090000048
Figure BDA0004068541090000049
其中，
Figure BDA00040685410900000410
是可学习的参数，||表示两个向量的连接，M为head的总数。
优选地，所述根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值，包括:
基于每个区域ri在t时刻的最终区域特征
Figure BDA00040685410900000411
通过全连接神经网络进行预测：
Figure BDA00040685410900000412
其中，
Figure BDA00040685410900000413
表示区域ri在t时刻的交通流入量预测值，
Figure BDA00040685410900000414
表示区域ri在t时刻的交通流出量预测值，
Figure BDA00040685410900000415
为可学习参数。
优选地，所述方法还包括：
选择RMSE作为损失函数，对交通流量预测模型进行训练：
Figure BDA0004068541090000051
其中，n表示训练数据的数量。
第二方面，本发明提供了一种融合多源时空数据的交通流量预测装置，包括：
数据获取模块，用于获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；
时空图构建模块，用于根据所述轨迹数据，构建区域时空关系图；
时空图训练模块，用于根据所述历史流量数据对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；
特征融合模块，用于将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；
特征学习模块，用于根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；
流量预测模块，用于根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
第三方面，本发明还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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的融合多源时空数据的交通流量预测方法。
相比于现有技术，本发明具有如下有益效果：
本发明提供一种融合多源时空数据的交通流量预测方法，包括：获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；根据所述轨迹数据，构建区域时空关系图；根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
本发明通过融合历史流量数据与轨迹数据，并通过学习节点的时空特征，对时间与空间相关性进行融合，在最终流量预测时考虑了时间与空间相关性共同作用产生的影响，从而提高了交通流量预测的准确度。同时，本发明只计算有关联的区域之间的相关性，突破了长尾效应的限制，提高了计算的效率。
附图说明
图1是本发明第一实施例提供的融合多源时空数据的交通流量预测方法流程示意图；
图2是本发明第二实施例提供的融合多源时空数据的交通流量预测装置结构示意图。
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。
参照图1，本发明第一实施例提供了融合多源时空数据的交通流量预测方法，包括以下步骤：
S11，获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；
S12，根据所述轨迹数据，构建区域时空关系图；
S13，根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；
S14，将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；
S15，根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；
S16，根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
值得说明的是，短时交通流量预测指的是基于历史流量数据，预测不同区域未来时刻(例如15分钟、半小时等)的交通流量，包括流入量(inflow)与流出量(outflow)。为了实现精准的短时交通流预测，既要考虑区域自身的交通流量特征，也要考虑不同区域之间复杂动态的时空相关性。其中，
(1)区域之间的局部与全局相关性：相邻区域的交通流量往往具有较强的相关性(局部相关性)；同时，距离较远的区域，由于路网结构、车辆流动等因素，也可能存在较大的相关性(全局相关性)。兼顾区域之间局部与全局的相关性，有助于提升模型预测的准确度。
(2)时间与空间相关性的共同作用：区域交通流与历史数据的相关性因区域不同而存在差异，同时也随时间不同而动态变化。此外，区域之间的相关性在时间维度上存在延时效应。例如，当一个路口的流量增大以后，与其具有较强相关性的区域一定时间后流量也会逐渐上升。这说明区域之间的相关性是时间与空间因素共同作用的结果。对时间与空间相关性的共同作用进行建模，对提升模型预测的准确度至关重要。
在本发明中，区别于现有技术分别对时间相关性与空间相关性分别独立建模，本发明通过融合时间相关性与空间相关性共同作用产生的影响，并融合全局与局部的时空相关性，考虑临近区域之间及远距离区域之间的相关性，进一步提高预测准确度。同时，通过融合历史流量数据与轨迹数据，为区域之间的关联性提供更多的信息，提高模型的表达能力与预测能力。
在步骤S11和S12中，首先获取0到t-1时刻的区域交通的历史流量数据以及区域间的轨迹数据，例如车辆轨迹。然后，构建区域时空关系图来表示不同区域之间的时空关系。在区域时空关系图中，每个区域ri用一个节点表示,通过轨迹数据对时空关系图中的节点之间的边进行构建。
具体地，对于同一条轨迹数据中的任意两个位置点，将两个位置点对应的区域所表示的节点ri与rj，在区域时空关系图中用边连接；其中，区域时空关系图中每个区域ri用一个节点表示。
示例性地，给定车辆轨迹Tra＝{(p1,t′1),(p2,t′2),…,(pn,t′n)},其中pi＝(lati,loni)表示位置的经纬度，t′i表示车辆在pi的时间。对于同一条轨迹数据中的任意两个位置点，将两个位置对应的区域所表示的节点ri与rj，在时空图中用边连起来，表示这两个区域有轨迹经过。
在本发明中，利用区域间的轨迹数据构建节点之间的边，并通过历史流量数据学习该节点(区域)的时空特征。针对区域ri时刻t的预测，通过融合空间、时间、流量的信息，获取节点ri在时刻t的时空特征向量。
在步骤S13中，根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征。
在一种实现方式中，构建空间图并通过预训练的方式，获得每个区域的空间特征向量。如果两个节点在空间上是相邻的，用一条边将它们连起来，构建一个空间图。对于图中的每个节点，利用q层的图神经网络对空间特征进行学习:
Figure BDA0004068541090000081
其中，
Figure BDA0004068541090000082
表示第k层网络中ri的特征表示,d为超参数，
Figure BDA0004068541090000083
是可学习参数，Mean(·)表示对向量按位进行求平均的操作，NeighS(ri)表示在空间图中ri的邻居节点，||表示两个向量的连接操作，
Figure BDA0004068541090000084
为一个随机的向量。
通过预测两个节点是否为邻居节点来对空间特征进行学习:
Figure BDA0004068541090000085
其中，yij为预测结果，用1表示两个节点为邻居节点，0表示两个节点为非邻居节点；Sigmoid(·)表示Sigmoid激活函数，tanh(·)表示tanh激活函数，
Figure BDA0004068541090000086
与
Figure BDA0004068541090000087
为可学习参数，
Figure BDA0004068541090000088
进一步地，为了进行训练，针对每个节点，采集与其相邻的节点作为正样本，采集相同数量的非相邻节点作为负样本，并使用交叉熵损失函数作为预训练的损失函数。将训练结束后的
Figure BDA0004068541090000091
作为区域ri的空间特征向量，包含了与其他区域在空间上的关系。
在一种实现方式中，按照预测时间长度a小时，将一天的24小时划分成
Figure BDA0004068541090000092
个时间段。例如，预测的时间间隔是0.5小时，则一天可划分为48个时间段。因此，对于预测时间间隔为a小时的情况，用长度为
Figure BDA0004068541090000093
的独热编码(One-Hot Encoding)
Figure BDA0004068541090000094
对时间进行表示。
其中，前面
Figure BDA0004068541090000095
表示小时的信息，对于预测时刻t，属于哪一个时间段，则对应位置的数值为1，其余数值为0；对于最后七位，表示周一到周日，对于预测时刻t，属于周几，则对应的位置数值为1，其余位置数值为0。例如，预测时间间隔为0.5小时，则用长度为55的独热编码对时间信息进行表示。对于周一凌晨0点30分，则第2个位置以及第49个位置的数值为1，其余位置的数值均为0。
具体地，设预测时间间隔为a小时，利用神经网络对时间特征进行学习：
Figure BDA0004068541090000096
其中，Relu(·)为Relu激活函数，
Figure BDA0004068541090000097
为时刻t的独热编码，
Figure BDA0004068541090000098
与
Figure BDA0004068541090000099
为可学习参数。
在一种实现方式中，区域时空特征随时间不同而动态变化。针对任意区域ri在t时刻的交通流量预测，利用ri在t-1到t-k时刻的交通流入量
Figure BDA00040685410900000910
与交通流出量
Figure BDA00040685410900000911
对节点ri在t时刻的交通流量特征
Figure BDA00040685410900000912
进行学习。其中，
Figure BDA00040685410900000913
表示t-1时刻ri的交通流入量，
Figure BDA00040685410900000914
表示t-1时刻ri的交通流出量，所述历史流量数据包括
Figure BDA00040685410900000915
和
Figure BDA00040685410900000916
利用一维卷积网络对
Figure BDA00040685410900000917
进行学习，卷积核的尺寸为1×p(p<k),步长为1，输出通道量为f：
Figure BDA00040685410900000918
其中，Conv1(·)与Conv2(·)表示1维卷积网络，||表示两个特征向量的相连，
Figure BDA0004068541090000101
是可学习的参数,l＝2×f×(k-p+1)。
在步骤S14中，将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征。
具体地，进一步将空间、时间、交通流量等信息进行融合，得到区域ri时刻t的时空特征，可以按照以下方式进行计算：
Figure BDA0004068541090000102
其中，
Figure BDA0004068541090000103
表示区域ri在时刻t的时空特征，
Figure BDA0004068541090000104
为可学习参数。
在步骤S15中，根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征。
在一种实施方式中，通过Transformer-图神经网络对区域之间时空相关性进行学习。为了提高模型对相关性的学习能力，采用了multi-head学习机制与多层的网络进行学习，对于第m个head中的第k层网络，两个区域ri与rj之间在t时刻的相关性以及时空特征计算为：
Figure BDA0004068541090000105
Figure BDA0004068541090000106
Figure BDA0004068541090000107
其中，
Figure BDA0004068541090000108
为第m个head中第k-1层网络中区域ri在t时刻的所述时空特征，
Figure BDA0004068541090000109
为可学习的参数，d为特征向量的长度；
用每个head的最后一层输出，作为该head中区域的特征：
Figure BDA00040685410900001010
通过融合每个head的区域特征，得到最终区域特征：
Figure BDA00040685410900001011
其中，
Figure BDA00040685410900001012
是可学习的参数，||表示两个向量的连接，M为head的总数。
需要说明的是，传统的Transformer通过计算任意两个区域之间的注意力分数，并利用softmax函数进行归一化后来表示区域之间的相关性。但由于一个区域的交通流量往往只与少数区域相关，计算该区域与所有区域之间的注意力分数，一方面容易导致长尾效应，引入不必要的噪声影响模型精度；另一方面也增加了不必要的计算。因此，本发明将Transformer与前文提出的时空关系图进行了结合，利用时空关系图对传统的Transformer进行优化。在本发明实施例中，只需要计算图中两个相连区域的注意力分数，不需要计算任意两个区域的注意力分数，从而缓解了长尾效应的影响，同时减少了计算量，提高了计算效率。
在步骤S16中，根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
具体地，基于每个区域ri在t时刻的最终区域特征
Figure BDA0004068541090000111
通过全连接神经网络进行预测：
Figure BDA0004068541090000112
其中，
Figure BDA0004068541090000113
表示区域ri在t时刻的交通流入量预测值，
Figure BDA0004068541090000114
表示区域ri在t时刻的交通流出量预测值，
Figure BDA0004068541090000115
为可学习参数。
在一种实现方式中，还可以选择RMSE作为损失函数，对交通流量预测模型进行训练：
Figure BDA0004068541090000116
其中，n表示训练数据的数量。
本发明提供一种融合多源时空数据的交通流量预测方法，包括：获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；根据所述轨迹数据，构建区域时空关系图；根据所述历史流量数据对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
本发明通过融合历史流量数据与轨迹数据，并通过学习节点的时空特征，对时间与空间相关性进行融合，在最终流量预测时考虑了时间与空间相关性共同作用产生的影响，从而提高了交通流量预测的准确度。同时，本发明只计算有关联的区域之间的相关性，突破了长尾效应的限制，提高了计算的效率。
综上，本发明具有以下优点：
(1)相比较于现有技术聚焦于单一数据源，本发明融合了历史流量数据与轨迹数据，发挥了两种数据在流量预测与时空相关性建模的特点与优势；
(2)本发明利用轨迹数据对时空关系图中的边进行构建，突破了现有技术中对局部相关性的局限，融合了局部与全局的时空相关性；
(3)区别于现有技术将时空相关性及空间相关性分别独立建模，本发明通过学习节点的时空特征，对时间与空间相关性进行融合，考虑了对时间与空间相关性共同作用产生的影响，进一步提高了预测准确度；
(4)传统的Transformer需要计算任意两个区域之间的相关性，事件复杂度较高；而且由于一个区域往往只与少数区域之间存在较强的相关性，传统的Transformer容易导致长尾效应，限制了其预测的性能。区别于现有技术直接利用Transformer对区域之间的相关性进行学习，本发明将Transformer的网络结构应用于时空关系图，只计算有关联的区域之间的相关性，突破了长尾效应的限制，提高了计算的效率。
参照图2，本发明第二实施例提供了一种融合多源时空数据的交通流量预测装置，包括：
数据获取模块，用于获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；
时空图构建模块，用于根据所述轨迹数据，构建区域时空关系图；
时空图训练模块，用于根据所述历史流量数据对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；
特征融合模块，用于将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；
特征学习模块，用于根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；
流量预测模块，用于根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
需要说明的是，本发明实施例提供的一种融合多源时空数据的交通流量预测装置用于执行上述实施例的一种融合多源时空数据的交通流量预测方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
本发明实施例还提供了一种终端设备。该终端设备包括：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，例如融合多源时空数据的交通流量预测程序。所述处理器执行所述计算机程序时实现上述各个融合多源时空数据的交通流量预测方法实施例中的步骤，例如图1所示的步骤S11。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，例如流量预测模块。
示例性的，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。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
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，实现所述终端设备的各种功能。所述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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、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。
其中，所述终端设备集成的模块/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。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种融合多源时空数据的交通流量预测方法，其特征在于，包括：
获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；
根据所述轨迹数据，构建区域时空关系图；
根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；
将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；
根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；
根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
2.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据所述轨迹数据，构建区域时空关系图，包括：
对于同一条轨迹数据中的任意两个位置点，将两个位置点对应的区域所表示的节点ri与rj，在区域时空关系图中用边连接；其中，区域时空关系图中每个区域ri用一个节点表示。
3.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量，包括：
基于q层的图神经网络对所述区域时空关系图中每个节点的空间特征进行训练:
Figure FDA0004068541080000011
其中，所述区域时空关系图中每个区域用一个节点ri表示，
Figure FDA0004068541080000012
表示第k层网络中ri的空间特征向量，d为超参数，
Figure FDA0004068541080000021
是可学习参数，Mean(·)表示对向量按位进行求平均的操作，NeighS(ri)表示在空间图中ri的邻居节点，||表示两个向量的连接操作，
Figure FDA0004068541080000022
为一个随机的向量；
通过预测两个节点是否为邻居节点对空间特征进行学习：
Figure FDA0004068541080000023
其中，yij为预测结果，用1表示两个节点为邻居节点，0表示两个节点为非邻居节点；Sigmoid(·)表示Sigmoid激活函数，tanh(·)表示tanh激活函数，
Figure FDA0004068541080000024
与
Figure FDA0004068541080000025
为可学习参数，
Figure FDA0004068541080000026
将训练结束后的
Figure FDA0004068541080000027
作为区域ri的空间特征向量。
4.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的时间特征，包括：
设预测时间间隔为a小时，基于神经网络对时间特征进行训练：
Figure FDA0004068541080000028
其中，
Figure FDA0004068541080000029
表示时间特征，Relu(·)为Relu激活函数，
Figure FDA00040685410800000210
为时刻t的独热编码，独热编码
Figure FDA00040685410800000211
的长度为
Figure FDA00040685410800000212
与
Figure FDA00040685410800000213
为可学习参数。
5.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的交通流量特征，包括：
利用ri在t-1到t-k时刻的交通流入量
Figure FDA00040685410800000214
与交通流出量
Figure FDA00040685410800000215
对节点ri在t时刻的交通流量特征
Figure FDA00040685410800000216
进行学习；其中，
Figure FDA00040685410800000217
表示t-1时刻ri的交通流入量，
Figure FDA00040685410800000218
表示t-1时刻ri的交通流出量，所述历史流量数据包括
Figure FDA00040685410800000219
和
Figure FDA00040685410800000220
利用一维卷积网络对交通流量特征
Figure FDA00040685410800000221
进行学习：
Figure FDA0004068541080000031
其中，Conv1(·)与Conv2(·)表示1维卷积网络，卷积核的尺寸为1×p(p＜k)，步长为1，输出通道量为f，||表示两个特征向量的相连，
Figure FDA0004068541080000032
是可学习的参数，l＝2×f×(k-p+1)。
6.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征，包括：
采用multi-head学习机制与多层的网络进行学习，对于第m个head中的第k层网络，两个区域ri与rj之间在t时刻的相关性以及时空特征计算为：
Figure FDA0004068541080000033
Figure FDA0004068541080000034
Figure FDA0004068541080000035
其中，
Figure FDA0004068541080000036
为第m个head中第k-1层网络中区域ri在t时刻的所述时空特征，
Figure FDA0004068541080000037
为可学习的参数，d为特征向量的长度；
用每个head中的最后一层输出，作为该head的区域特征
Figure FDA0004068541080000038
通过融合每个head的区域特征，得到最终区域特征
Figure FDA0004068541080000039
Figure FDA00040685410800000310
其中，
Figure FDA00040685410800000311
是可学习的参数，||表示两个向量的连接，M为head的总数。
7.根据权利要求6所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值，包括：
基于每个区域ri在t时刻的最终区域特征
Figure FDA0004068541080000041
通过全连接神经网络进行预测：
Figure FDA0004068541080000042
其中，
Figure FDA0004068541080000043
表示区域ri在t时刻的交通流入量预测值，
Figure FDA0004068541080000044
表示区域ri在t时刻的交通流出量预测值，
Figure FDA0004068541080000045
为可学习参数。
8.根据权利要求7所述的融合多源时空数据的交通流量预测方法，其特征在于，所述方法还包括：
选择RMSE作为损失函数，对交通流量预测模型进行训练：
Figure FDA0004068541080000046
其中，n表示训练数据的数量。
9.一种融合多源时空数据的交通流量预测装置，其特征在于，包括：
数据获取模块，用于获取0到t-1时刻的区域交通的历史流量数据和轨迹数据；
时空图构建模块，用于根据所述轨迹数据，构建区域时空关系图；
时空图训练模块，用于根据所述历史流量数据对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；
特征融合模块，用于将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；
特征学习模块，用于根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；
流量预测模块，用于根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的融合多源时空数据的交通流量预测方法。
CN202310084450.2A 2023-01-13 2023-01-13 融合多源时空数据的交通流量预测方法、装置及存储介质 Pending CN116089875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310084450.2A CN116089875A (zh) 2023-01-13 2023-01-13 融合多源时空数据的交通流量预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310084450.2A CN116089875A (zh) 2023-01-13 2023-01-13 融合多源时空数据的交通流量预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116089875A true CN116089875A (zh) 2023-05-09

Family

ID=86198989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310084450.2A Pending CN116089875A (zh) 2023-01-13 2023-01-13 融合多源时空数据的交通流量预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116089875A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275243A (zh) * 2023-11-22 2023-12-22 上海随申行智慧交通科技有限公司 基于多源交通出行数据的区域流控预测预警方法及应用

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275243A (zh) * 2023-11-22 2023-12-22 上海随申行智慧交通科技有限公司 基于多源交通出行数据的区域流控预测预警方法及应用
CN117275243B (zh) * 2023-11-22 2024-02-02 上海随申行智慧交通科技有限公司 基于多源交通出行数据的区域流控预测预警方法及应用

Similar Documents

Publication Publication Date Title
Liu et al. Dynamic spatial-temporal representation learning for traffic flow prediction
Zhang et al. Deeptravel: a neural network based travel time estimation model with auxiliary supervision
EP4152204A1 (en) Lane line detection method, and related apparatus
Faro et al. Evaluation of the traffic parameters in a metropolitan area by fusing visual perceptions and CNN processing of webcam images
CN112382099B (zh) 交通路况预测方法、装置、电子设备及存储介质
CN115440032B (zh) 一种长短期公共交通流量预测方法
US20160071005A1 (en) Event-driven temporal convolution for asynchronous pulse-modulated sampled signals
CN113380043B (zh) 一种基于深度神经网络计算的公交到站时间预测方法
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
CN114202120A (zh) 一种针对多源异构数据的城市交通行程时间预测方法
CN114692984A (zh) 基于多步耦合图卷积网络的交通预测方法
CN116089875A (zh) 融合多源时空数据的交通流量预测方法、装置及存储介质
Wang et al. A traffic prediction model based on multiple factors
CN115565369A (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统
CN113159403A (zh) 路口行人轨迹预测的方法及装置
CN115953643A (zh) 基于知识蒸馏的模型训练方法、装置及电子设备
Zhou et al. An attention-based deep learning model for citywide traffic flow forecasting
Rahman et al. Attention based deep hybrid networks for traffic flow prediction using google maps data
Khaled et al. Gsta: gated spatial–temporal attention approach for travel time prediction
CN116861262B (zh) 一种感知模型训练方法、装置及电子设备和存储介质
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
CN117116048A (zh) 基于知识表示模型和图神经网络的知识驱动交通预测方法
CN116109021A (zh) 基于多任务学习的行程时间预测方法、装置、设备及介质
CN114023074B (zh) 基于多信号源的交通拥堵预测方法、设备及介质

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