CN116403409A - 交通速度预测方法、装置、电子设备和存储介质 - Google Patents
交通速度预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116403409A CN116403409A CN202310658764.9A CN202310658764A CN116403409A CN 116403409 A CN116403409 A CN 116403409A CN 202310658764 A CN202310658764 A CN 202310658764A CN 116403409 A CN116403409 A CN 116403409A
- Authority
- CN
- China
- Prior art keywords
- space
- traffic speed
- time
- intersection
- speed prediction
- 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 64
- 238000000605 extraction Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002123 temporal effect Effects 0.000 claims description 27
- 230000001364 causal effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种交通速度预测方法、装置、电子设备和存储介质,属于智慧交通领域,该方法包括:获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系,可以有效预测没有数据的区域的交通速度。
Description
技术领域
本发明涉及智慧交通领域,尤其涉及一种交通速度预测方法、装置、电子设备和存储介质。
背景技术
相关技术中交通速度预测主要是基于给定历史交通速度和道路网络,对道路网络中所有路口的未来交通速度进行预测。从可获取交通速度数据的完整性角度,当前的研究方法主要分为两类:第一类是交通数据不存在缺失或缺失数据存在的比例极低且随机、离散,这种情况下,缺失数据通常可以在计算时被忽略,这类方法所处理的数据情况比较理想,现实中难以得到如此完整的数据。此外,一旦交通网络中数据缺失比例上升,模型学习的性能会明显下降;第二类是交通数据存在明显的随机离散缺失,这种情况下,数据会被进行数据插补(data imputation),数据插补(data imputation)的过程可以独立于模型作为预处理,这类方法所处理的数据相较第一类更加普遍和通用,但是大部分插补的数据需要具有历史信息来模拟时序变化或周期,忽略了空间角度的丰富信息。面对没有历史数据区域的预测,此类方法无法较好的学习时空特征,进而无法准确预测交通速度。
因此,如何有效预测没有数据区域的交通速度,成为亟需解决的问题。
发明内容
本发明提供一种交通速度预测方法、装置、电子设备和存储介质,用以有效预测没有数据区域的交通速度。
本发明提供一种交通速度预测方法,包括:
获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;
将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
根据本发明提供的交通速度预测方法,所述待预测路口的时间特征为所述待预测路口所属区域的所有路口的时间特征的均值,所述待预测路口的空间特征为距离所述待预测路口最近的且安装有传感器的路口的空间特征,或距离所述待预测路口最近的多个路口的空间特征的均值。
根据本发明提供的交通速度预测方法,所述方法还包括:
使用所述时空特征提取层中的第一扩张因果卷积和第二扩张因果卷积对所述待预测路口的时间特征和空间特征进行融合,得到融合后的时空特征,其中,所述第一扩张因果卷积中包括正切双曲激活函数,所述第一扩张因果卷积用于输出时间特征,所述第二扩张因果卷积中包括Sigmoid激活函数,所述第二扩张因果卷积用于确定传递的信息比例;
将所述融合后的时空特征,通过跳跃连接与所述交通速度预测模型的输出模块连接;
将所述融合后的时空特征,通过所述时空特征提取层中的动态图卷积捕获没有物理连接的空间关系;
将所述融合后的时空特征,通过所述时空特征提取层中的具有掩码机制的门控循环单元学习时序依赖;
将通过所述时空特征提取层中的动态图卷积、通过所述时空特征提取层中的具有掩码机制的门控循环单元的时空特征和所述待预测路口的时间特征和空间特征,作为下一个时空特征提取层的输入。
根据本发明提供的交通速度预测方法,所述动态图卷积由自适应邻接矩阵实现。
根据本发明提供的交通速度预测方法,所述交通速度预测模型中的每个时空特征提取层的输入和所述每个时空特征提取层的上一层时空特征提取层的隐藏层以掩码关系进行组合。
根据本发明提供的交通速度预测方法,所述获得所述待预测路口的交通速度,包括:
将除了最后一个所述时空特征提取层的多个所述时空特征提取层的隐藏层的输出和最后一个所述时空特征提取层的输出层的输出进行连接,获得多个时空特征;
使用卷积收缩所述多个时空特征,获得所述待预测路口的交通速度。
本发明还提供一种交通速度预测装置,包括:
获取模块,用于获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;
输入模块,用于将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现所述交通速度预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述交通速度预测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现所述交通速度预测方法。
本发明提供的交通速度预测方法、装置、电子设备和存储介质,基于有交通数据的路口的时间特征和空间特征可以确定没有交通数据的路口的时间特征和空间特征,通过将没有交通数据的路口的时间特征和空间特征输入交通速度预测模型,可以有效预测没有交通数据的路口的交通速度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的交通速度预测方法的流程示意图;
图2是本发明提供的交通速度预测模型的结构示意图;
图3是本发明提供的扩张因果卷积网络的结构示意图;
图4是本发明提供的掩码门的结构示意图;
图5是本发明提供的交通速度预测装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。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。
交通速度预测是智慧城市建设的关键环节,同时也是城市治理和城市活力分析的重要依据。但相关技术由于成本限制等原因,许多路口没有监控摄像头来记录交通速度数据,局部路口缺失数据的情况会导致整体交通预测的不准确,在不完整的监控信息基础上对其他没有监控摄像头路口的实时交通速度进行分析是一个很大的挑战,而相关技术的交通速度预测方法没有对此场景进行系统的分析。
相关技术中的交通预测方法主要关注已有感知数据的节点在未来一段时间内的预测。然而,在实际情况中,由于交通传感器不能全部覆盖城市所有路口,导致未部署传感器的区域道路处于连续长期缺失数据的状态,难以利用当前的交通预测方法对此类交通特征进行较好的时空特征学习,进而准确预测交通速度。从时序上来说,长期没有数据的路口无法获取交通速度变化的周期来对数据进行插补;从空间上来说,目前最常用的图神经网络方法可能会将这类长期没有数据的路口视为零值来进行节点更新,从而学习到错误的模式。
事实上,交通数据间有很强的依赖性,这样的依赖性不仅表现在有物理连接的路口上,没有真实道路连接的路口上可能也会表现出相互影响的模式,也即跨地区的依赖。尽管某些路口没有传感器或者传感器损坏,导致没有可用的历史信息,但是实质上可以基于有传感器路口的交通速度监测数据学习时序特征,再主动在邻接矩阵中学习空间的依赖性,从而有效预测没有传感器路网区域的交通速度。
本发明提供一种交通速度预测方法、装置、电子设备和存储介质,用以基于有传感器路口的交通速度,有效预测没有传感器或者传感器损坏的路口的交通速度。
图1是本发明提供的交通速度预测方法的流程示意图,如图1所示,所述方法包括以下步骤:
步骤100,获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;
可选地,待预测路口可以是需要对交通速度进行预测的任意路口,可以是有传感器的路口,或没有传感器的路口。
可选地,对于有传感器的路口,可以直接基于传感器采集的或自带的数据,确定该路口的时间特征和空间特征。
可选地,对于没有传感器的路口,由于交通数据间有很强的依赖性,可以基于该路口附近有传感器路口的时间特征和空间特征,得到该路口的时间特征和空间特征。
可选地,待预测路口的时间特征和空间特征可以是待预测路口所属路网中的所有路口的时间特征和空间特征,所有路口的时间特征和空间特征经过掩码处理后,被掩码的时间特征和空间特征可以当成没有传感器的路口的时间特征和空间特征,即特征为0。
步骤110,将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
可选地,交通速度预测模型可以是任意输入待预测路口的时间特征和空间特征后输出待预测路口的交通速度的模型,比如SLM-GNN模型,或图卷积网络,或GCN-GRU混合模型,本发明对此不作限定。
可选地,交通速度预测模型中可以包括至少一个时空提取层,可以是1个,或2个,或3个,本发明对此不作限定。
可选地,由于没有传感器的路口和有传感器的路口之间没有物理连接,为了能顺利基于有传感器的路口的时间特征和空间特征确定没有传感器的路口的时间特征和空间特征,可以通过动态图卷积捕获没有物理连接的空间关系。
可选地,为了描述交通速度预测模型中的至少一个时空特征提取层如何学习时间特征和空间特征,可以形式化交通预测场景,具体地,可以将全域的路网结构表示为一个无向图,其中/>是路口节点的集合/>,/>是路口节点的个数,/>是边的集合,对应物理世界的道路。邻接矩阵/>用来表示道路之间的连接。交通速度可以表示为存在于交通网络上的多维时间序列,每个节点包括/>个特征维度用于描述交通信息。可以用/>表示所有节点N在时间区间/>上的特征,可以用/>表示掩码节点的空间序列,其中/>。因此,我们所讨论的交通速度预测问题可以认为是在掩码节点序列/>的时间区间/>内,利用未被掩码节点上的交通速度,学习路网拓扑/>和特征矩阵/>映射函数/>,计算在相同的时间区间/>内被掩码的节点/>的交通速度/>,如下式所示:
本发明提供的交通速度预测方法,基于有交通数据的路口的时间特征和空间特征可以确定没有交通数据的路口的时间特征和空间特征,通过将没有交通数据的路口的时间特征和空间特征输入交通速度预测模型,可以有效预测没有交通数据的路口的交通速度。
可选地,所述待预测路口的时间特征为所述待预测路口所属区域的所有有交通数据的路口的时间特征的均值,所述待预测路口的空间特征为距离所述待预测路口最近的且有交通数据的路口的空间特征,或距离所述待预测路口最近的多个有交通数据的路口的空间特征的均值。
可选地,待预测路口所属区域可以是待预测路口所在的路网,或待预测路口和待预测路口周围的至少一个路口组成的区域。
可选地,有交通数据的路口可以是安装有传感器的路口,或通过其他途径可以确定路口的时间特征和/或空间特征的路口。
可选地,在待预测路口为没有交通数据的路口的情况下,待预测路口的时间特征可以基于待预测路口所属区域中的有交通数据的路口的时间特征的均值确定。
例如,路口A为没有交通数据的路口,路口A的周围存在路口B、路口C和路口D,且这三个路口都是有交通数据的路口,则路口A的时间特征可以是路口B、路口C和路口D三者的时间特征的均值。
可选地,由于相邻的交通情况会较为相似,在待预测路口为没有交通数据的路口的情况下,可以把距离待预测路口最近的有交通数据的路口的空间特征作为待预测路口的空间特征。
例如,路口A为没有交通数据的路口,距离路口A最近的有交通数据的路口为路口B,则路口B的空间特征可以看作是路口A的空间特征。
可选地,由于相邻的交通情况会较为相似,在待预测路口为没有交通数据的路口的情况下,可以把距离待预测路口最近的多个有交通数据的路口的空间特征的均值作为待预测路口的空间特征。
可选地,最近的多个路口可以是2个路口,或3个路口,或4个路口,本发明对此不作限定。
例如,路口A为没有交通数据的路口,距离路口A最近的3个有交通数据的路口为路口B、路口C和路口D,则路口A的空间特征可以是路口B、路口C和路口D的空间特征的均值。
本发明提供的交通速度预测方法,基于有交通数据的路口的时间特征和空间特征可以确定没有交通数据的路口的时间特征和空间特征,通过将没有交通数据的路口的时间特征和空间特征输入交通速度预测模型,可以有效预测没有交通数据的路口的交通速度。
可选地,所述方法还包括:
使用所述时空特征提取层中的第一扩张因果卷积和第二扩张因果卷积对所述待预测路口的时间特征和空间特征进行融合,得到融合后的时空特征,其中,所述第一扩张因果卷积中包括正切双曲激活函数,所述第一扩张因果卷积用于输出时间特征,所述第二扩张因果卷积中包括Sigmoid激活函数,所述第二扩张因果卷积用于确定传递的信息比例;
将所述融合后的时空特征,通过跳跃连接与所述交通速度预测模型的输出模块连接;
将所述融合后的时空特征,通过所述时空特征提取层中的动态图卷积捕获没有物理连接的空间关系;
将所述融合后的时空特征,通过所述时空特征提取层中的具有掩码机制的门控循环单元学习时序依赖;
将通过所述时空特征提取层中的动态图卷积、通过所述时空特征提取层中的具有掩码机制的门控循环单元的时空特征和所述待预测路口的时间特征和空间特征,作为下一个时空特征提取层的输入。
图2是本发明提供的交通速度预测模型的结构示意图,如图2所示,交通速度预测模型的时空特征提取层中集成了三个组件:时序特征融合、动态图卷积和带掩码的门控循环单元,其中,时序特征融合用于将输入的待预测路口的时间特征和空间特征进行融合,融合后的时空特征通过跳跃连接与交通速度预测模型的输出模块连接,同时通过动态图卷积捕获没有物理连接的空间关系,并且同步经过具有掩码机制的门控循环单元学习时序依赖;然后将通过动态图卷积的时空特征、通过具有掩码机制的门控循环单元的时空特征和待预测路口的时间特征和空间特征,作为下一个时空特征提取层的输入。
图3是本发明提供的扩张因果卷积网络的结构示意图,如图3所示,由于顺序的特征在交通中具有重要意义,可以选择扩张因果卷积来融合时间特征和空间特征,而不是当前主流的self-attention机制,因为self-attention机制趋向于无序化的处理特征,而扩张因果卷积可以使得交通速度预测模型不会违反对数据建模的顺序,且扩张因果卷积网络能够以并行方式处理长序列,通过跳过某一步的值在输入上滑动。
如图3所示,图3中输入的每个圆圈都代表所有路口在当前时刻的特征,最后的输出融合了当前时刻的所有特征信息。
可选地,扩张因果卷积网络能够以并行方式处理长序列,可以提高训练的效率。
可选地,扩张因果卷积通过扩张卷积率的操作,可以更有效地捕获长期时间依赖性,避免梯度问题。
可选地,扩张因果卷积可以处理横向上的平移不变性,因此可以应用于处理图像或其他二维数据,可以通过数据并行来加速训练。
可选地,可以使用卷积核大小为2的扩张因果卷积,每层的扩张比例是前一层的两倍。
可选地,第一扩张因果卷积和第二扩张因果卷积可以对待预测路口的时间特征和空间特征进行融合,融合后时空特征如下式:,其中,/>,/>,b和c是可学习的模型参数,/>是卷积操作,/>是元素层面上的乘积(the element-wise product),/>是tanh激活函数,/>是Sigmoid作为输出门。
本发明提供的交通速度预测方法,通过扩张因果卷积对待预测路口的时间特征和空间特征进行融合,可以提高训练效率,更有效地捕获长期时间依赖性,避免梯度问题,通过将融合后的时空特征,通过动态图卷积可以捕获没有物理连接的空间关系,通过将融合后的时空特征,通过具有掩码机制的门控循环单元学习时序依赖,从而更有效地预测没有交通数据的路口的交通速度。
可选地,所述动态图卷积由自适应邻接矩阵实现。
可选地,没有物理连接的两个路口之间可能会互相影响,为了给可能互相影响的两个路口提供学习的机会,可以设计一层自适应邻接矩阵,用于实现动态图卷积。
可选地,交通信息随时间的变化过程可以看作是在动态图上的信息扩散过程。
本发明提供的交通速度预测方法,通过自适应邻接矩阵实现动态图卷积,可以给可能互相影响的两个路口提供学习的机会,从而更有效地预测没有交通数据的路口的交通速度。
可选地,所述交通速度预测模型中的每个时空特征提取层的输入和所述每个时空特征提取层的上一层时空特征提取层的隐藏层以掩码关系进行组合。
图4是本发明提供的掩码门的结构示意图,如图4所示,交通速度预测模型中的每个时空特征提取层的输入和所述每个时空特征提取层的上一层时空特征提取层的隐藏层以掩码关系进行组合,该掩码关系可以是掩码门,可以使被掩码节点处的特征将会被上一层的隐藏层输出填补。
本发明提供的交通速度预测方法,通过交通速度预测模型中的每个时空特征提取层的输入和上一层时空特征提取层的隐藏层以掩码关系进行组合,可以使被掩码节点处的特征被上一层的隐藏层输出填补,从而更有效地预测没有交通数据的路口的交通速度。
可选地,所述获得所述待预测路口的交通速度,包括:
将除了最后一个所述时空特征提取层的多个所述时空特征提取层的隐藏层的输出和最后一个所述时空特征提取层的输出层的输出进行连接,获得多个时空特征;
使用卷积收缩所述多个时空特征,获得所述待预测路口的交通速度。
可选地,时空特征提取层的隐藏层的输出可以是第一扩张因果卷积和第二扩张因果卷积对待预测路口的时间特征和空间特征进行融合后得到的时空特征。
可选地,可以连接所有时空特征提取层的输出后,使用卷积核为1的卷积收缩特征,输出特征的形式如下:
本发明提供的交通速度预测方法,通过将所有时空特征提取层的输出进行连接,并使用卷积收缩多个时空特征,获得所述待预测路口的交通速度,可以使预测的结果更准确。
图5是本发明提供的交通速度预测装置的结构示意图,包括获取模块510和输入模块520。
其中,获取模块510用于获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;
输入模块520用于将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
本发明提供的交通速度预测装置,基于有交通数据的路口的时间特征和空间特征可以确定没有交通数据的路口的时间特征和空间特征,通过将没有交通数据的路口的时间特征和空间特征输入交通速度预测模型,可以有效预测没有交通数据的路口的交通速度。
可以理解的是,本发明提供的交通速度预测装置与上述各实施例提供的交通速度预测方法相对应,本发明提供的交通速度预测装置的相关技术特征可参考上述各实施例提供的交通速度预测方法的相关技术特征,在此不再赘述。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行交通速度预测方法,该方法包括:获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
此外,上述的存储器630中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的交通速度预测方法,该方法包括:获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的交通速度预测方法,该方法包括:获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种交通速度预测方法,其特征在于,包括:
获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;
将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
2.根据权利要求1所述的交通速度预测方法,其特征在于,所述待预测路口的时间特征为所述待预测路口所属区域的所有路口的时间特征的均值,所述待预测路口的空间特征为距离所述待预测路口最近的且安装有传感器的路口的空间特征,或距离所述待预测路口最近的多个路口的空间特征的均值。
3.根据权利要求1所述的交通速度预测方法,其特征在于,所述方法还包括:
使用所述时空特征提取层中的第一扩张因果卷积和第二扩张因果卷积对所述待预测路口的时间特征和空间特征进行融合,得到融合后的时空特征,其中,所述第一扩张因果卷积中包括正切双曲激活函数,所述第一扩张因果卷积用于输出时间特征,所述第二扩张因果卷积中包括Sigmoid激活函数,所述第二扩张因果卷积用于确定传递的信息比例;
将所述融合后的时空特征,通过跳跃连接与所述交通速度预测模型的输出模块连接;
将所述融合后的时空特征,通过所述时空特征提取层中的动态图卷积捕获没有物理连接的空间关系;
将所述融合后的时空特征,通过所述时空特征提取层中的具有掩码机制的门控循环单元学习时序依赖;
将通过所述时空特征提取层中的动态图卷积的时空特征、通过所述时空特征提取层中的具有掩码机制的门控循环单元的时空特征和所述待预测路口的时间特征和空间特征,作为下一个时空特征提取层的输入。
4.根据权利要求3所述的交通速度预测方法,其特征在于,所述动态图卷积由自适应邻接矩阵实现。
5.根据权利要求1所述的交通速度预测方法,其特征在于,所述交通速度预测模型中的每个时空特征提取层的输入和所述每个时空特征提取层的上一层时空特征提取层的隐藏层以掩码关系进行组合。
6.根据权利要求1所述的交通速度预测方法,其特征在于,所述获得所述待预测路口的交通速度,包括:
将除了最后一个所述时空特征提取层的多个所述时空特征提取层的隐藏层的输出和最后一个所述时空特征提取层的输出层的输出进行连接,获得多个时空特征;
使用卷积收缩所述多个时空特征,获得所述待预测路口的交通速度。
7.一种交通速度预测装置,其特征在于,包括:
获取模块,用于获取待预测路口的时间特征和空间特征,其中,所述时间特征和空间特征经过掩码处理;
输入模块,用于将所述待预测路口的时间特征和空间特征输入交通速度预测模型,获得所述待预测路口的交通速度,其中,所述交通速度预测模型中包括至少一个时空特征提取层和一个输出模块,所述交通速度预测模型的每个时空特征提取层中包括动态图卷积,所述动态图卷积用于捕获没有物理连接的空间关系。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至6任一项所述交通速度预测方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,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至6任一项所述交通速度预测方法的步骤。
10.一种计算机程序产品,包括计算机程序,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至6任一项所述交通速度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658764.9A CN116403409B (zh) | 2023-06-06 | 2023-06-06 | 交通速度预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310658764.9A CN116403409B (zh) | 2023-06-06 | 2023-06-06 | 交通速度预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116403409A true CN116403409A (zh) | 2023-07-07 |
CN116403409B CN116403409B (zh) | 2023-08-15 |
Family
ID=87020195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310658764.9A Active CN116403409B (zh) | 2023-06-06 | 2023-06-06 | 交通速度预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403409B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513370A (zh) * | 2015-12-29 | 2016-04-20 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
CN110363984A (zh) * | 2019-06-25 | 2019-10-22 | 讯飞智元信息科技有限公司 | 交通流量预测方法和设备 |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
US20210326699A1 (en) * | 2020-04-21 | 2021-10-21 | Inrix, Inc. | Travel speed prediction |
CN113808396A (zh) * | 2021-09-01 | 2021-12-17 | 浙江工业大学 | 基于交通流量数据融合的交通速度预测方法和系统 |
CN115512545A (zh) * | 2022-09-30 | 2022-12-23 | 浙江财经大学 | 一种基于时空动态图卷积网络的交通速度预测方法 |
CN115658666A (zh) * | 2022-10-12 | 2023-01-31 | 苏州大学 | 多源数据融合的稀疏交通流量补全方法及系统 |
-
2023
- 2023-06-06 CN CN202310658764.9A patent/CN116403409B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513370A (zh) * | 2015-12-29 | 2016-04-20 | 浙江大学 | 基于稀疏车牌识别数据挖掘的交通小区划分方法 |
CN110363984A (zh) * | 2019-06-25 | 2019-10-22 | 讯飞智元信息科技有限公司 | 交通流量预测方法和设备 |
US20210326699A1 (en) * | 2020-04-21 | 2021-10-21 | Inrix, Inc. | Travel speed prediction |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
CN113808396A (zh) * | 2021-09-01 | 2021-12-17 | 浙江工业大学 | 基于交通流量数据融合的交通速度预测方法和系统 |
CN115512545A (zh) * | 2022-09-30 | 2022-12-23 | 浙江财经大学 | 一种基于时空动态图卷积网络的交通速度预测方法 |
CN115658666A (zh) * | 2022-10-12 | 2023-01-31 | 苏州大学 | 多源数据融合的稀疏交通流量补全方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116403409B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929622B (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
KR101880907B1 (ko) | 비정상 세션 감지 방법 | |
CN108734210B (zh) | 一种基于跨模态多尺度特征融合的对象检测方法 | |
CN109086797B (zh) | 一种基于注意机制的异常事件检测方法及系统 | |
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 | |
CN112052837A (zh) | 基于人工智能的目标检测方法以及装置 | |
CN111639791A (zh) | 交通流预测方法、系统、存储介质及终端 | |
CN111462324B (zh) | 一种在线时空语义融合方法和系统 | |
CN114944053B (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN116596151B (zh) | 基于时空图注意力的交通流量预测方法及计算设备 | |
CN112541459A (zh) | 基于多尺度感知注意力网络的人群计数方法及系统 | |
CN115660135A (zh) | 基于贝叶斯方法和图卷积的交通流预测方法及系统 | |
CN116403409B (zh) | 交通速度预测方法、装置、电子设备和存储介质 | |
CN115830865A (zh) | 基于自适应超图卷积神经网络的车流量预测方法及装置 | |
CN116484016A (zh) | 一种基于时序路径自动维护的时序知识图谱推理方法和系统 | |
CN115830707A (zh) | 一种基于超图学习的多视角人体行为识别方法 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
CN114372999A (zh) | 一种对象检测方法、装置、电子设备和存储介质 | |
CN115147720A (zh) | 基于坐标注意力和长短距上下文的sar舰船检测方法 | |
CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
CN113850135A (zh) | 一种基于时间移位框架的动态手势识别方法及系统 | |
CN115908593A (zh) | 一种编码解码方法、装置及相关设备 | |
CN117036966B (zh) | 地图中点位特征的学习方法、装置、设备及存储介质 | |
CN115841654B (zh) | 一种基于高位监控视频的异常事件检测方法 | |
CN117456736B (zh) | 基于多尺度时空动态交互网络的交通流量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |