CN116434569A - 基于stnr模型的交通流量预测方法及系统 - Google Patents

基于stnr模型的交通流量预测方法及系统 Download PDF

Info

Publication number
CN116434569A
CN116434569A CN202211674332.9A CN202211674332A CN116434569A CN 116434569 A CN116434569 A CN 116434569A CN 202211674332 A CN202211674332 A CN 202211674332A CN 116434569 A CN116434569 A CN 116434569A
Authority
CN
China
Prior art keywords
traffic flow
term
time
long
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
CN202211674332.9A
Other languages
English (en)
Inventor
林昶廷
韩蒙
戴强
张龙源
任倩倩
琚兆杰
俞伟平
王滨
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.)
Binjiang Research Institute Of Zhejiang University
Original Assignee
Binjiang Research Institute Of Zhejiang University
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 Binjiang Research Institute Of Zhejiang University filed Critical Binjiang Research Institute Of Zhejiang University
Priority to CN202211674332.9A priority Critical patent/CN116434569A/zh
Publication of CN116434569A publication Critical patent/CN116434569A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明公开了一种基于STNR模型的交通流量预测方法及系统，包括将目标路段的历史交通流量数据按时间顺序进行排序，并划分为长期数据和短期数据，获得训练集；构建交通流量预测模型，将长期数据和短期数据作为交通流量预测模型的输入，训练所述的交通流量预测模型；所述的交通流量预测模型包括全连接层、长短期处理模块、时空卷积模块和多层感知器模块；采集当前时刻目标路段的交通流量数据，并输入至训练好的交通流量预测模型中，预测未来时段的交通流量。本发明有效的捕捉交通流量的空间依赖性和时间依赖性，提高了预测准确率。

Description

基于STNR模型的交通流量预测方法及系统
技术领域
本发明涉及智能交通技术领域，尤其涉及一种基于STNR模型的交通流量预测方法及系统。
背景技术
随着社会的不断发展，城市中机动车的数量越来越多，伴随而来的交通拥堵现象也越来越严重。为此很多国家通过发展智能交通系统(IntelligentTransportationSystem，ITS)解决交通拥堵问题，通过ITS的决策和引导来解决此类问题，而快速准确的交通流预测则是ITS作出决策和引导的关键。
智能交通系统(ITS)中的交通信息采集系统通过采用路边采集单元进行信息(如：车流量、车辆速度等)采集，信息处理分析系统则是使用所采集的数据进行分析处理，信息发布系统通过统计分析整理之后给民众提供最佳路径，避免交通拥堵，缓解交通压力。而现在的信息分析处理部分都是利用车流量预测来达到目的，所以如何得到精准的预测信息成为智能交通系统的关键一步。
Zhao等人提出了一种基于LSTM的交通流数据预测方法(Hamilton W,Ying Z,Leskovec J.Inductive representation learning on large graphs[C]Advances inNeural Information Processing Systems.2017:1024-1034.)，利用LSTM提取交通流数据的时间特征，得到交通流数据的时间趋势。该方法只能学习时间特性，无法提取交通流数据的空间特征，加之数据分析不全面，导致车流量预测不准确。
吴等人提出了一种包含CNN模块和LSTM模块的混合式深度学习框架(Wu,H.Tan,Short-term traffic flow forecasting with spatial-temporal correlation in ahybrid deep learning framework.2016.)，分别使用CNN模块和LSTM模块提取数据的不同特征。CNN模块提取相邻区域交通流数据的空间特征。LSTM模块提取交通流数据的时间特征。最后，将CNN模块和LSTM模块提取的特征结合起来进行交通流数据预测。
北方工业大学的周明综合考虑了时域和空间，提出了一种基于路网关联性的长时段记忆网络(RNC-LSTM)(周明.基于路网时空信息的短时交通流预测方法研究[D].北方工业大学,2020.)，通过抽象路网结构计算关联系数矩阵获取交通数据的时空特征输入，最后融合构建预测系统对交通流进行短期预测。
然而由于交通流量信息数据规模庞大、时空依赖性强、社会相关性明显等特征，导致交通流量预测的时延和准确率难以保证。这是因为，现在的交通流预测方法要么以城市道路流在空间上相邻路段交通流作为自变量，利用历史时序数据建立预测模型，或者以时间维度变化上的变化作为自变量，采用现在最流行的智能学习算法进行预测模拟，缺乏将时间空间两个维度同步的研究分析，因此难以实现可靠、实时、准确的城市道路交通状况的预测。
发明内容
本发明提供了一种基于STNR模型的交通流量预测方法及系统，提高交通流预测的准确性。
本发明的技术方案如下：
一种基于STNR模型的交通流量预测方法，包括：
将目标路段的历史交通流量数据按时间顺序进行排序，并划分为长期数据和短期数据，获得训练集；
构建交通流量预测模型，将长期数据和短期数据作为交通流量预测模型的输入，训练所述的交通流量预测模型；所述的交通流量预测模型包括全连接层、长短期处理模块、时空卷积模块和多层感知器模块；所述的全连接层分别提取长、短期数据的长、短期时间特征；所述的长短期处理模块通过注意力机制融合长、短期时间特征，并输出给所述的时空卷积模块；所述的时空卷积模块捕捉输入的时间依赖和空间依赖，并输出给所述的多层感知器模块，通过所述的多层感知器模块获得预测结果；
采集当前时刻目标路段的交通流量数据，并输入至训练好的交通流量预测模型中，预测未来时段的交通流量。
优选的，将目标路段每隔5分钟的交通流量数值提取出来作为交通流量时间序列，判断交通流量时间序列是否为平稳时间序列，如果为平稳时间序列则直接构造训练集，若不为平稳时间训练则对其进行差分，利用差分后的数据构造训练集。
若时间序列是连续的，则该时间序列是平稳时间序列。
交通流量数据具有时间属性，即日周期依赖和周周期依赖。
优选的，所述的短期数据为预测当天的交通流量数据，长期数据为除短期数据外的历史观测数据。
短期数据XS可表示为：
Figure BDA0004016786890000031
其中，TS表示第S个时间段，
Figure BDA0004016786890000032
表示最近一段时间TS的数据，N表示时间序列的长度。
长期数据XL可表示为：
Figure BDA0004016786890000033
其中，
Figure BDA0004016786890000034
是第n个周期的TS时间的数据。一个周期通常是一天。
通过全连接层分别提取长、短期数据的长、短期时间特征，可表示为：
ZS＝FC(XS)＝ReLU(XSws+bs)
ZL＝FC(XL)＝ReLU(XLwl+bl)
其中，FC表示全连接层；ReLU表示ReLU函数；ws,wl,bs和bl是可学习的参数；
Figure BDA0004016786890000035
和/>
Figure BDA0004016786890000036
是XS和XL的特征矩阵。
优选的，所述的长短期处理模块包括时间卷积网络单元和长短期融合单元；通过时间卷积网络单元捕捉长期数据的时间特征，长短期融合单元采用注意力机制融合长期时间特征和短期时间特征。
通过时间卷积网络单元捕捉长期数据的时间特征可表示为：
FL＝θ*ZL+b1
其中，
Figure BDA0004016786890000037
和/>
Figure BDA0004016786890000038
是可学习参数；FL表示提取到的长期时间特征。
采用注意力机制融合长期时间特征和短期时间特征，包括：
将
Figure BDA0004016786890000039
和/>
Figure BDA00040167868900000310
转换为注意向量/>
Figure BDA00040167868900000311
和/>
Figure BDA00040167868900000312
Figure BDA00040167868900000313
Figure BDA00040167868900000314
其中，F是非线性激活函数；
Figure BDA0004016786890000041
l1和l2是卷积运算；
分别将得到的注意力向量和输入相乘，然后融合乘积结果，得到：
Figure BDA0004016786890000042
其中，⊙s是通道乘法运算符；⊙l是空间乘法运算符；输出
Figure BDA0004016786890000043
Figure BDA0004016786890000044
是融合结果。
进一步优选的，所述的时间卷积网络为空洞卷积网络。
道路网络中的交通状况通常表现出明显的时空相关性，本发明通过时空卷积模块来有效地捕获交通流量的空间依懒性和时间依赖性。
优选的，所述的时空卷积模块包括门控循环单元(GRU)和图卷积单元(GCN)；所述的门控循环单元以融合时间特征为输入，其输出FG与基于注意力机制的自适应邻接矩阵输入至图卷积单元，其输出G(K)经过多层感知器模块后获得预测结果。
优选的，多层感知器模块由两个具有线性变换的ReLU堆叠层组成。
给定G(K)∈RN×T作为输入，多层感知器模块的操作如下：
X′＝Wfc1(ReLU(G(K)))+bfc1
Figure BDA0004016786890000045
其中，Wfc1,Wfc2,bfc1和bfc2是可学习的参数。
训练所述的交通流量预测模型时，使用平均绝对误差(MAE)作为训练目标：
Figure BDA0004016786890000046
Yt表示预测结果，
Figure BDA0004016786890000047
表示真实值，/>
Figure BDA0004016786890000048
表示训练的模型，θ表示模型中的所有可学习参数。
本发明还公开了一种基于STNR模型的交通流量预测系统，包括上述构建并训练好的交通流量预测模型；采集当前时刻目标路段的交通流量数据，并输入至所述的交通流量预测系统中，获得未来时段的交通流量预测结果。
与现有技术相比，本发明的有益效果为：
1)本发明结合了长期数据与短期数据，并在设计长短期处理模块的同时考虑了交通数据的长短周期依赖关系，极大提高了时间层面上的预测准确率。
2)本发明结合了时间、空间两个维度，并提出了时空卷积模块来有效地对这些相关性进行建模，有效的捕捉了任何路段的空间依赖性和任何时间间隔的时间依赖性。
附图说明
图1为模型结构示意图，其中(a)为STRN模型的总体结构示意图，(b)为长短期数据处理模块结构示意图，(c)为时空卷积模块结构示意图；
图2为门控循环单元的结构示意图。
具体实施方式
本发明技术方案的基本内容如图1所示，STRN(短时递归网络，Short TemporalRecurrent Network)模型主要由四个模块组成，分别是全连接层、长短期处理模块、时空卷积模块和MLP。首先，将历史观测值处理为长期数据和短期数据作为模型输入。然后，将两个处理后的输入通过一个长短期处理模块来对数据的长短期特征进行建模。之后，通过时空卷积模块来建模时空依赖关系。最后，输出由多层感知器融合得到预测结果。
本发明提供了一个优选的实施例，一种基于STNR模型的交通流量预测系统，包括以下步骤：
1)数据准备
本方案的模型训练采用的是RFID数据集，首先要对数据进行预处理，将缺失数据和重复数据进行清理，选择一段路段按时间顺序进行排序，并划分为长期数据和短期数据，短期数据为预测当天的数据，其余的为长期数据，数据的内容包括交通流速度，单位是公里/小时。将路段每隔5分钟的车流量数值提取出来作为车流量时间序列，判断车流量时间序列是否是平稳(若时间序列是连续的则为平稳)时间序列，如果是平稳序列则可直接构造数据集，若不平稳则对其进行差分，利用差分后的数据构造数据集，得到预测车流量值时进行相应的逆变换并以7：1：2的比例划分为训练集，验证集和测试集。最后将数据输入模型之前对数据进行归一化处理，以便于模型训练，得到更好的结果。
2)模型搭建
2.1全连接层(FC)
流量数据具有时间属性，即日周期依赖和周周期依赖。为了预测今天某个时刻的交通流量，模型除了学习最近的数据外，还需要学习过去几天的时刻数据。因此，我们在设计长短期处理模块的同时考虑了交通数据的长短周期依赖关系。长短期处理模块的具体执行流程说明如下。
将模型的短期输入表示为：
Figure BDA0004016786890000061
其中TS是模型使用的次数，并且
Figure BDA0004016786890000062
表示最近一段时间TS的数据，N表示时间序列的长度。
将模型的长期输入表示为：
Figure BDA0004016786890000063
其中
Figure BDA0004016786890000064
是第n个周期的TS时间的数据。让Tp表示周期的编号(通常是一天)。在我们的模型中，XS和XL是输入。然后我们分别通过全连接层从两个输入中提取输入向量的特征表示：
ZS＝FC(XS)＝ReLU(XSws+bs)
ZL＝FC(XL)＝ReLU(XLwl+bl)
其中ws,wl,bs和bl是可学习的参数。
Figure BDA0004016786890000065
和/>
Figure BDA0004016786890000066
是XS和XL的特征矩阵。
2.2长短期处理模块
由于交通数据集具有复杂的时间属性，交通预测任务具有挑战性。我们设计了一个长期短期数据处理模块来模拟交通数据的长期和短期时间属性。长短期数据处理模块如图1中的(b)所示。首先，我们通过时间卷积网络处理更复杂的长期数据，然后将结果与短期数据融合。请注意，我们通过注意力分数融合了长期和短期数据。
S1.长期时间卷积网络(TCN)
由于长期数据比较复杂，我们首先采用TCN来学习长期数据的时间属性。TCN使用空洞卷积来动态捕获数据的时间属性。空洞卷积可以有效缓解RNN中梯度消失和梯度爆炸的问题。
对于一维输入序列x(t)，卷积感受野f:{0,...,k-1},空洞卷积操作如下：
Figure BDA0004016786890000071
其中d是膨胀系数，k是卷积核大小，xs-9·i代表历史数据，f(s)表示感受野，f(i)表示第i层的感受野。当网络需要较大的感受野时，空洞卷积可以节省计算资源。给定长期数据
Figure BDA0004016786890000072
TCN操作如下：
FL＝θ*ZL+b1
其中
Figure BDA0004016786890000073
和/>
Figure BDA0004016786890000074
是参数。FL表示提取到的特征。
S2.长短期融合
STRN采用注意力模块来融合长期时间特征和短期时间特征。给定
Figure BDA0004016786890000075
和
Figure BDA0004016786890000076
我们将它们转换为注意向量/>
Figure BDA0004016786890000077
和/>
Figure BDA0004016786890000078
Figure BDA0004016786890000079
其中F是非线性激活函数，
Figure BDA00040167868900000710
和/>
Figure BDA00040167868900000711
是卷积操作。向量/>
Figure BDA00040167868900000712
Figure BDA00040167868900000713
其中λ1和λ2是卷积运算。向量
Figure BDA00040167868900000714
我们分别将得到的注意力向量和输入相乘，然后融合乘积结果：
Figure BDA00040167868900000715
其中⊙s是通道乘法运算符，⊙l是空间乘法运算符。输出
Figure BDA00040167868900000716
Figure BDA00040167868900000717
是结果融合的。
2.3时空卷积模块
道路网络中的交通状况通常表现出明显的时空相关性，因此我们提出了时空卷积模块来有效地对这些相关性进行建模。如图1中的(c)所示，时空卷积模块由一个门控循环单元(GRU)和一个图卷积层(GCN)组成。为了捕捉任何路段的空间依赖性和任何时间间隔的时间依赖性，我们设计了具有多层的模型。
S1.门控循环单元(GRU)
交通网络的时间相关性是交通预测的关键因素。交通预测面临的时间相关性挑战与时间序列预测类似，因此交通预测中的时间序列数据可以参考处理序列的模型进行处理。目前，用于处理序列数据的最广泛使用的模型是循环神经网络(RNN)。然而，传统的递归神经网络在处理时序数据方面存在局限性。
GRU和LSTM是RNN的变体，但GRU的参数较少，因此在处理相同任务时效率更高。GRU的结构如图2所示。GRU中的每个隐藏层都可以通过重置门rt和更新门zt来控制信息流。重置门rt确定需要从前一时刻的隐藏状态中忘记多少信息。更新门zt负责将带入当前隐藏状态的前一时刻隐藏状态的信息量。重置门rt用于控制从前一个隐藏层ht-1到当前候选隐藏层
Figure BDA0004016786890000084
保留多少信息：
rt＝σ(wrgg(t)+urhht-1+br)
Figure BDA0004016786890000081
其中g(t)是时间t的输入值，b是偏差，wrg、whg、urh、uhh、uhh、br、bh均为可学习的参数矩阵，σ是sigmoid函数，tanh是双曲正切函数，⊙是Hadamard积。更新门zt用于控制需要从之前的隐藏层ht-1中忘记多少信息：
zt＝σ(wzgg(t)+uzhht-1+bz)
当前隐藏层ht由更新门zt、前一个隐藏层ht-1和当前候选隐藏层
Figure BDA0004016786890000082
确定：
Figure BDA0004016786890000083
S2.图卷积网络(GCN)
在路网中，路段之间的交通状况通常表现出复杂的空间相关性。路段的交通状况受到其他因素的影响，并且影响是高度动态的。我们利用GCN来捕捉这种复杂的空间相关性。对于给定的顶点vi，GCN可以通过捕获顶点vi与其相邻顶点之间的相关性来对空间相关性进行建模。给定网络图G＝(V,E,A)，令L＝I-D-1/2AD-1/2是图拉普拉斯矩阵，D表示度数矩阵。在数学上，GCN操作定义如下：
Figure BDA0004016786890000091
其中Xl表示第1层的特征，α0表示可训练系数，L0表示图拉普拉斯矩阵的k次幂，σ是sigmoid激活函数。由于先验知识和数据不完整性的影响，预定义的矩阵可能无法反映节点之间的真实相关性。为了解决这个问题，我们进一步学习了基于注意力机制的自适应邻接矩阵：
Figure BDA0004016786890000092
Figure BDA0004016786890000093
其中E1E-∈RN×A表示两节点嵌入式学习，
Figure BDA0004016786890000094
表示邻接矩阵，δ是ReLU激活函数，W表示可学习的参数。
2.4多层感知器(MLP)
我们将时空卷积模块的输出馈送到MLP层以获得预测结果。MLP层由两个具有线性变换的ReLU堆叠层组成。MLP层合成聚合的节点特征以进行节点级预测。
给定G(K)∈RN×T作为输入，MLP的隐藏层操作如下：
X′＝Wfc1(ReLU(G(K)))+bfc1
Figure BDA0004016786890000095
其中Wfc1,Wfc2,bfc1和bfc2是可学习的参数。我们选择使用平均绝对误差(MAE)作为GraphWaveNet(长短期处理模块与时空卷积模块的合称)的训练目标，其定义为：
Figure BDA0004016786890000096
Yt表示预测结果，
Figure BDA0004016786890000097
表示训练的模型，θ表示STRN中的所有可学习参数。
3)模型训练
将步骤1)中划分好的训练集和验证集输入到步骤2)中搭建好的模型中，进行模型训练。
4)模型测试
将1)中划分好的测试集输入到3)中训练好的模型中，对模型的性能进行测试，测试指标采用均方误差(Mean Squared Error，MSE)，均方误差是反映估计量与被估计量之间差异程度的一种度量，预测准确率越高则均方误差越小，反之则越大。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于STNR模型的交通流量预测方法，其特征在于，包括：
将目标路段的历史交通流量数据按时间顺序进行排序，并划分为长期数据和短期数据，获得训练集；
构建交通流量预测模型，将长期数据和短期数据作为交通流量预测模型的输入，训练所述的交通流量预测模型；所述的交通流量预测模型包括全连接层、长短期处理模块、时空卷积模块和多层感知器模块；所述的全连接层分别提取长、短期数据的长、短期时间特征；所述的长短期处理模块通过注意力机制融合长、短期时间特征，并输出给所述的时空卷积模块；所述的时空卷积模块捕捉输入的时间依赖和空间依赖，并输出给所述的多层感知器模块，通过所述的多层感知器模块获得预测结果；
采集当前时刻目标路段的交通流量数据，并输入至训练好的交通流量预测模型中，预测未来时段的交通流量。
2.根据权利要求1所述的基于STNR模型的交通流量预测方法，其特征在于，短期数据XS表示为：
Figure FDA0004016786880000011
其中，TS是模型使用的次数，
Figure FDA0004016786880000012
表示最近一段时间TS的数据，N表示时间序列的长度；
长期数据XL表示为：
Figure FDA0004016786880000013
其中，X(TS,n)是第n个周期的TS时间的数据。
3.根据权利要求2所述的基于STNR模型的交通流量预测方法，其特征在于，通过全连接层分别提取长、短期数据的长、短期时间特征，可表示为：
ZS＝FC(XS)＝ReLU(XSws+bs)
ZL＝FC(XL)＝ReLU(XLwl+bl)
其中，FC表示全连接层；ReLU表示ReLU函数；ws,wl,bs和bl是可学习的参数；
Figure FDA0004016786880000014
和/>
Figure FDA0004016786880000015
是XS和XL的特征矩阵。
4.根据权利要求1所述的基于STNR模型的交通流量预测方法，其特征在于，所述的长短期处理模块包括时间卷积网络单元和长短期融合单元；通过时间卷积网络单元捕捉长期数据的时间特征，长短期融合单元采用注意力机制融合长期时间特征和短期时间特征。
5.根据权利要求4所述的基于STNR模型的交通流量预测方法，其特征在于，所述的时间卷积网络为空洞卷积网络。
6.根据权利要求4所述的基于STNR模型的交通流量预测方法，其特征在于，通过时间卷积网络单元捕捉长期数据的时间特征表示为：
FL＝θ*ZL+b1
其中，
Figure FDA0004016786880000021
和/>
Figure FDA0004016786880000022
是可学习参数；FL表示提取到的长期时间特征；
采用注意力机制融合长期时间特征和短期时间特征，包括：
将
Figure FDA0004016786880000023
和/>
Figure FDA0004016786880000024
转换为注意向量/>
Figure FDA0004016786880000025
和/>
Figure FDA0004016786880000026
Figure FDA0004016786880000027
Figure FDA0004016786880000028
其中，F是非线性激活函数；
Figure FDA0004016786880000029
λ1和λ2是卷积运算；
分别将得到的注意力向量和输入相乘，然后融合乘积结果，得到：
Figure FDA00040167868800000210
其中，⊙s是通道乘法运算符；⊙l是空间乘法运算符；输出
Figure FDA00040167868800000211
Figure FDA00040167868800000212
是融合结果。
7.根据权利要求1所述的基于STNR模型的交通流量预测方法，其特征在于，所述的时空卷积模块包括门控循环单元和图卷积单元；所述的门控循环单元以融合时间特征为输入，其输出F1与基于注意力机制的自适应邻接矩阵输入至图卷积单元，其输出G(K)经过多层感知器模块后获得预测结果。
8.根据权利要求1所述的基于STNR模型的交通流量预测方法，其特征在于，多层感知器模块由两个具有线性变换的ReLU堆叠层组成。
9.根据权利要求1所述的基于STNR模型的交通流量预测方法，其特征在于，训练所述的交通流量预测模型时，使用平均绝对误差(MAE)作为训练目标：
Figure FDA0004016786880000031
Yt表示预测结果，
Figure FDA0004016786880000032
表示真实值，/>
Figure FDA0004016786880000033
表示训练的模型，θ表示模型中的所有可学习参数。
10.一种基于STNR模型的交通流量预测系统，其特征在于，包括如权利要求1构建并训练好的交通流量预测模型；将采集的当前时刻目标路段的交通流量数据输入至所述的交通流量预测系统中，获得未来时段的交通流量预测结果。
CN202211674332.9A 2022-12-26 2022-12-26 基于stnr模型的交通流量预测方法及系统 Pending CN116434569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211674332.9A CN116434569A (zh) 2022-12-26 2022-12-26 基于stnr模型的交通流量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211674332.9A CN116434569A (zh) 2022-12-26 2022-12-26 基于stnr模型的交通流量预测方法及系统

Publications (1)

Publication Number Publication Date
CN116434569A true CN116434569A (zh) 2023-07-14

Family

ID=87089613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211674332.9A Pending CN116434569A (zh) 2022-12-26 2022-12-26 基于stnr模型的交通流量预测方法及系统

Country Status (1)

Country Link
CN (1) CN116434569A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423238A (zh) * 2023-12-19 2024-01-19 北京华录高诚科技有限公司 基于卷积交换网络的交通流量一体式预测装置及预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117423238A (zh) * 2023-12-19 2024-01-19 北京华录高诚科技有限公司 基于卷积交换网络的交通流量一体式预测装置及预测方法

Similar Documents

Publication Publication Date Title
Tekouabou et al. Improving parking availability prediction in smart cities with IoT and ensemble-based model
CN111899510B (zh) 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN110889546B (zh) 一种基于注意力机制的交通流量模型训练方法
Zhang et al. A graph-based temporal attention framework for multi-sensor traffic flow forecasting
CN111612243B (zh) 交通速度预测方法、系统及存储介质
CN110675623A (zh) 基于混合深度学习的短时交通流量预测方法、系统、装置
CN114818515A (zh) 一种基于自注意力机制和图卷积网络的多维时序预测方法
CN114299723B (zh) 一种交通流量预测方法
CN115240425A (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN114664091A (zh) 一种基于节假日流量预测算法的预警方法及系统
CN115618296A (zh) 一种基于图注意力网络的大坝监测时序数据异常检测方法
CN115578851A (zh) 一种基于mgcn的交通预测方法
CN115148019A (zh) 一种基于节假日拥堵预测算法的预警方法及系统
CN115376317B (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN113988263A (zh) 工业物联网边缘设备中基于知识蒸馏的空时预测方法
CN114973678B (zh) 一种基于图注意力神经网络和时空大数据的交通预测方法
CN117612369A (zh) 短时交通流量预测方法、系统、存储介质、设备及终端
CN116434569A (zh) 基于stnr模型的交通流量预测方法及系统
CN117456736A (zh) 基于多尺度时空动态交互网络的交通流量预测方法
CN116913098A (zh) 一种融合空气质量与车流量数据的短时交通流预测方法
Lin et al. Network-wide multi-step traffic volume prediction using graph convolutional gated recurrent neural network
CN116386312A (zh) 一种交通量预测模型的构建方法和系统
CN115293399A (zh) 一种基于时空图卷积网络的交通流量预测方法
CN115168327A (zh) 基于多层树状长短期记忆网络的大规模数据时空预测方法
Chen et al. Traffic-condition-awareness ensemble learning for traffic flow 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