CN116543561B - 一种基于知识和数据双驱动的交通拥堵传播预测方法 - Google Patents
一种基于知识和数据双驱动的交通拥堵传播预测方法 Download PDFInfo
- Publication number
- CN116543561B CN116543561B CN202310823361.5A CN202310823361A CN116543561B CN 116543561 B CN116543561 B CN 116543561B CN 202310823361 A CN202310823361 A CN 202310823361A CN 116543561 B CN116543561 B CN 116543561B
- Authority
- CN
- China
- Prior art keywords
- traffic
- congestion
- road
- knowledge
- road section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000009977 dual effect Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000000644 propagated effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于知识和数据双驱动的交通拥堵传播预测方法,该方法包括:构建交通预测的知识图谱;采集待分析路段的历史交通数据,明确路段拥有的兴趣点,确定实体和关系;将实体和关系进行编码,利用TransE方法进行知识表示;将步骤S3得到的知识与交通特征进行融合,得到融合知识的交通特征值;利用时域图卷积网络进行交通特征值预测,得到预测的交通特征值;将预测的交通特征值输入交通拥堵传播算法,进行交通拥堵传播预测。本发明在考虑交通时空特征的同时,捕捉外部因素对出行的影响,提升了交通拥堵传播的预测能力。
Description
技术领域
本发明涉及智慧交通领域,尤其涉及一种基于知识和数据双驱动的交通拥堵传播预测方法。
背景技术
长期以来,如何应对持续增长的机动车保有量所带来的交通拥堵加剧,是交通管理者面临的重要问题。频繁的拥堵会导致大量的温室气体排放,降低交通效率,降低城市居民的生活质量。在城市道路网络中,交通拥堵往往在不同路段之间传播,造成不断扩大的延误。预测这种传播模式非常重要,城市交通管理者可以了解不久的将来哪些路段将受到影响,从而通过实时响应和交通诱导等来缓解新出现的拥堵问题。
以往对交通拥堵传播预测的研究采用了多种方法,如专家系统、细胞传播模型、冲击波模型,这些方法都是基于模型或少量真实观测数据。为了解释现实世界中的各种情况,需要大量的现实观察,数据驱动的交通拥堵传播预测方法提供了利用大量交通数据预测交通拥堵传播的手段,但提出的方法研究均为在历史数据集中寻找最有可能的传播轨迹,而不是预测不久将来的传播模式,并且预测的时候较少考虑外部因素的影响。
发明内容
针对现有技术的不足,本发明提出一种基于知识和数据双驱动的交通拥堵传播预测方法,具体技术方案如下:
一种基于知识和数据双驱动的交通拥堵传播预测方法,包括以下步骤:
S1:构建交通预测的知识图谱;
S2:采集待分析路段的历史交通数据,明确路段拥有的兴趣点,确定实体和关系;
S3:将实体和关系进行编码,利用TransE方法进行知识表示;
S4:将步骤S3得到的知识与交通特征进行融合,得到融合知识的交通特征值;
S5:利用时域图卷积网络进行交通特征值预测,得到预测的交通特征值;
S6:将预测的交通特征值输入交通拥堵传播算法,进行交通拥堵传播预测。
进一步地,所述步骤S1构建交通预测的知识图谱时,采用自顶向下的方式;在预测交通速度时考虑交通信息与外界因素之间的相关性,采用实体-关系-实体三元组的方法来构建知识图谱。
进一步地,所述步骤S2通过如下的子步骤来实现:
S2.1:获取待分析路段的历史交通数据;
S2.2:获取待分析路段的拥有的兴趣点及其数量,并将每个兴趣点的数量按照所有路段拥有该兴趣点数量的33%分位和66%分位分成少、中、多三类;
S2.3:根据已有数据确定实体,包括路段、兴趣点的数量;
S2.4:根据已有数据确定关系,包括路段邻接关系和路段有某个兴趣点。
进一步地,所述步骤S3通过以下子步骤来实现:
S3.1:根据S2确定的实体,为每个路段和每个兴趣点数量多少进行编码;
S3.2:根据S2确定的关系,为路段邻接关系和路段有某个兴趣点进行编码;
S3.3:根据步骤S3.1和步骤S3.2编码好的实体和关系,构建知识图谱三元组;
S3.4:利用TransE方法进行知识表示,得到各个路段含有兴趣点特征的向量表示XE。
进一步地,步骤S4中,将t时刻观测到的各个路段含有兴趣点特征的向量表示XE和路段特征Xt输入主干时空图卷积网络中,输出t时刻与外部知识融合后的更新路段特征Xf,表达式为:
其中,Relu为深度学习的激活函数,wf为线性变换系数,bf为偏置量。
进一步地,所述步骤S5通过以下子步骤来实现:
S5.1:根据交通网络拓扑、融合知识的交通特征值Xf、预测的交通特征值y,学习计算未来一段时间的交通特征的函数f:
y=f(A,Xf)
其中,A为交通网络拓扑,即路网的邻接矩阵,如果A中对应的路段i和路段j连通,将A中的入口aij值设为1,否则设为0;
S5.2:将距离tc最近的m个时刻交通特征数据输入时域图卷积网络中,预测tc、tc+1、tc+2时刻的交通特征数据/>。
进一步地,所述步骤S6通过以下子步骤来实现:
S6.1:定义时空网络,其中,S是一个路网S=(OD,R),T是一组连续时段;ST由S的一系列快照组成,每个快照都与一个/>相关;S是一个有向连通图,R由一组路段ri组成,每个路段都有一个源节点ri_o和一个目的节点ri_d;当且仅当ri_o=rj_d时路段rj连接到路段ri;OD由R中所有路段ri的ri_o和ri_d组成;每个时段/>是一个表示时间间隔的整数;给定S和T,ST的边集合为/>;ST的顶点集合为/>;当且仅当ri_o=rj_d和tp=tq,边{rj, tq}连接到另一条边{ri, tp};
S6.2:如果,{ri, tp}即发生拥堵;
其中,为边{ri, tp}的交通速度,是tp期间在ri上行驶的所有车辆的平均车速;/>为路段/>的一个自由流速,是ri上的每个检测时刻速度的百分之九十分位数;为拥堵阈值;
S6.3:利用路段历史速度数据,获得拥堵转移的概率,计算拥堵转移概率指标PT;
其中,C(ri, tp)表示ri在tp处拥堵,C(rj, tp+1)表示rj在tp+1处拥堵;表示rj在tp处不拥堵;/>表示{ri, tp}处的拥堵传播到{rj, tp+1}的发生概率,即ri传播到rj的次数与ri能够传播到rj的次数的比值;Sequence表示一条连续的路径,传播路径Sequence的概率为所有沿Sequence发生传播的概率的乘积,/>表示连续路径上路段的个数;
S6.4:获得拥堵根路段Root(tp);
定义拥堵根路段,即在tp处的集合它们构成时空网络ST;子集/>称为拥堵接口,使,/>,其中(RootI,tp)_in为拥堵接口RootI(tp)的连通的上游路段,即,
;
S6.5:对于每个路段,检查拥堵将要传播到的相邻路段,并更新PT,从而得到当前时段下的拥堵列表;
S6.6:构建拥堵传播图;
S6.7:预测拥堵传播。
进一步地,所述S6.6构建拥堵传播图的流程如下:
(1)获取当前给定时刻tc的所有拥堵根路段;
(2)对于每个拥堵接口,获取其上游连接路段;
(3)如果发现拥堵接口的上游路段有重叠,则判断拥堵根路段集合中是否已经存在该上游路段,如果不存在,则将其加入拥堵根路段集合,实现拥堵根路段集合的更新。
进一步地,基于拥堵根路段,对于每个路径,找到它的最后一段,并确定是否将传播路径扩展到这个段的每个邻接路段,根据给定阈值,如果可以扩展,则为下一个扩展创建一个新路径。
进一步地,步骤S6中,每次预测两步,得到tc+1、tc+2时刻的拥堵路段;然后将步骤S5预测得到的tc+1时刻的交通特征值与预测的tc+2时刻的拥堵路段取并集,作为起始,重复S6.4-S6.7,直到达到预测终点,完成拥堵传播的预测。
本发明的有益效果如下:
1. 本发明的方法通过结合知识图谱和时域图卷积网络,在考虑交通时空特征的同时捕捉外部因素对出行的影响,提升了交通拥堵传播的预测能力。
2. 本发明给定一个时空网络和判定时间内的拥堵路段,实现了交通拥堵传播模式预测,可以提供有关拥堵在未来如何传播的有价值信息,以帮助缓解新出现的拥堵。
附图说明
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1是本发明交通拥堵传播预测方法流程。
图2是本发明交通预测知识图谱的一个构建示例图。
图3是本发明交通预测知识图谱的一个三元组示例图。
图4是本发明的知识表示原理示意图。
图5是本发明的交通拥堵传播原理示意图,其中的虚线箭头表示畅通,实线箭头表示拥堵,图5中的(a)表示从t到t+1时刻拥堵从ri传播到rj;图5中的(b)表示从t到t+1时刻拥堵从拥堵边界路段r1、r3分别传播到r2、r4。
图6是本发明交通拥堵传播预测的一个PPI计算示例图。
图7为实施例中8:00的交通拥堵情况示意图。
图8为实施例中8:15的交通拥堵情况示意图。
具体实施方式
以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示,本发明实施例的基于知识和数据双驱动的交通拥堵传播预测方法,包括如下步骤:
步骤S1:构建交通预测的知识图谱。
本实施例中,采用自顶向下的方式进行,在预测交通速度时考虑到交通信息与外界因素之间的相关性,采用实体-关系-实体三元组的方法来构建知识图谱KG
KG={R,R_POI}
其中,R为路段间的关系矩阵,R_POI为路段与POI的关系矩阵,具体为:
R={(roadi,adj,roadj),i,j∈{1,2,…,n}}
R_POI={(roadi,Has_Poiname_POI,Few/Medium/Many_PoiName),i,j∈{1,2,…,n}}
步骤S2:采集待分析路段的历史交通数据,明确路段拥有的兴趣点,确定实体和关系。
S2.1:获取待分析路段的历史交通数据,包括:时刻、速度、路段、路段邻接关系;
S2.2:获取待分析路段的拥有的兴趣点及其数量,并将每个兴趣点的数量按照所有路段拥有该兴趣点数量的33%分位和66%分位分成少、中、多三类。
在本实施例中,兴趣点POI有:food、corporation、traffic、finance、education、repair、cbd、service、sport、health、hotel,并将每个POI兴趣点的数量按照所有路段拥有该POI兴趣点数量的33%分位和66%分位分成少、中、多三类,以Few/Medium/Many +POI兴趣点名字(PoiName)来表示,中间以下划线连接,例如Few_food,表示该条路段名字为food的兴趣点数量在33%分位数以内(包含33%),Medium_food,表示该条路段名字为food的兴趣点数量在33%分位数到66%分位数之间(不包含33%,包含66%),Many_food,表示该条路段名字为food的兴趣点数量在66%分位数以上(不包含66%)。
S2.3:根据已有数据确定实体,包括路段、兴趣点的数量。
该实施例中数量多少以Few/Medium/Many +POI兴趣点名字(PoiName)来表示,例如Few_food。
S2.4:根据已有数据确定关系,包括路段邻接关系和路段有某个兴趣点。
该实施例中,路段邻接关系用downstream表示,路段有某个兴趣点以Has_PoiName_POI命名,例如Has_Food_POI,如图2所示。
步骤S3:将实体和关系进行编码,利用TransE方法进行知识表示。
S3.1:根据S2子步骤S2.2确定的实体,为每个路段和每个兴趣点数量多少进行编码。
该实施例中,对于路段实体,例如一共309个路段,路段1编码为0,路段2编码为1,以此类推,路段309编码为308,对于POI兴趣点数量实体,Few_food编码为309,Medium_food编码为310,Many_food编码为311,……,Few_sport编码为333,Medium_sport编码为334,Many_sport编码为335,……,Few_hotel编码为339,Medium_hotel编码为340,Many_hotel编码为341。
S3.2:根据S2子步骤S2.3确定的关系,为路段邻接关系downstream和路段有某个兴趣点POI进行编码。
该实施例中,例如,has_food_POI编码为0,has_corporation_POI编码为1,has_traffic_POI编码为2,has_finance_POI编码为3,has_education_POI编码为4,has_repair_POI编码为5,has_cbd_POI编码为6,has_service_POI编码为7,has_sport_POI编码为8,has_health_POI编码为9,has_hotel_POI编码为10,downstream编码为11。
S3.3:根据步骤S3.1和步骤S3.2编码好的实体和关系,构建知识图谱三元组。
例如:如图3和图4所示,路段4为路段3的下游,路段3为路段2 的下游,路段2 为路段1 的下游,路段2和路段4有中等数量的sport兴趣点,路段3有很多数量的sport兴趣点,路段1有较少数量的sport兴趣点,可以构造的三元组为:[路段4 ,downstream,路段3],[路段3 ,downstream,路段2],[路段2 ,downstream,路段1],[路段2,has_sport_POI,Medium_sport],[路段4,has_sport_POI,Medium_sport], [路段3,has_sport_POI,Many_sport],[路段1,has_sport_POI,Few_sport],用编码表示为:[3 ,11,2],[2 ,11,0],[1 ,11,0],[1,8,334],[3,8,334], [2,8,335],[0,8,333]。
S3.4:利用TransE方法进行知识表示,得到各个路段含有兴趣点特征的向量表示XE。
首先将数据构造成知识表示需要的模式,即:
entity2id.txt:所有实体和对应的编码,每行一个。第一行是实体的数量。
relation2id.txt:所有关系和对应的编码,每行一个。第一行是关系的数量。
训练数据集为:
train2id.txt:训练文件,第一行是训练的三元组数。那么下面的行格式都是(e1,e2, rel),说明e7和e2之间存在rel关系。
测试数据集为:
test2id.txt:测试文件,第一行是用于测试的三元组的数量,下面的行都是(e1,e2, rel)的格式。
验证集数据为:
valid2id.txt:验证文件,第一行是用于验证的三元组的数量。下面的行都是(el,e2, rel)的格式。
train2id.txt、test2id.txt、valid2id.txt包含来自entitiy2id.txt和relation2id.txt的id,而不是实体和关系的名称。
步骤S4:将步骤S3得到的知识与交通特征进行融合,得到融合知识的交通特征值。
为了感知外部因素的知识以及因素之间的相关性,并基于这些知识对交通流的时空依赖性进行建模,将外部知识引入到主干时空图卷积网络中。知识融合单元输入为t时刻观测到的知识嵌入XE和路段特征Xt,输出t时刻与外部知识融合后的更新路段特征Xf,表达式为:
Xf =Relu(XEXtwf+bf)
其中,Relu为深度学习的激活函数,wf为线性变换系数,bf为偏置量。
步骤S5:利用时域图卷积网络(Time Domain Graph Convolutional Network,以下简称TGCN)进行交通特征值预测,得到预测的交通特征值。
S5.1:根据交通网络拓扑、融合知识的交通特征值Xf、预测的交通特征值y,学习计算未来一段时间的交通特征的函数f:
y=f(A,Xf)
其中,A为交通网络拓扑,即路网的邻接矩阵,如果A中对应的路段i和路段j连通,将A中的入口aij值设为1,否则设为0。
S5.2:将距离tc最近的m个时刻交通特征数据输入时域图卷积网络中,预测tc、tc+1、tc+2时刻的交通特征数据/>。
步骤S6:将预测的交通特征值输入交通拥堵传播算法,进行交通拥堵传播预测。
S6.1:定义时空网络,其中,S是一个路网S=(OD,R),T是一组连续时段;ST由S的一系列快照组成,每个快照都与一个/>相关;S是一个有向连通图,R由一组路段ri组成,每个路段都有一个源节点ri_o和一个目的节点ri_d;当且仅当ri_o=rj_d时路段rj连接到路段ri;OD由R中所有路段ri的ri_o和ri_d组成;每个时段/>是一个表示时间间隔的整数;给定S和T,ST的边集合为/>;ST的顶点集合为/>;当且仅当ri_o=rj_d和tp=tq,边{rj, tq}连接到另一条边{ri, tp};
S6.2:判断拥堵,如果,{ri, tp}即发生拥堵;
其中,为边{ri, tp}的交通速度,是tp期间在ri上行驶的所有车辆的平均车速;/>为路段/>的一个自由流速,是ri上的每个检测时刻速度的百分之九十分位数;为拥堵阈值,一般取50%。
S6.3:利用路段历史速度数据,获得拥堵转移的概率,计算拥堵转移概率指标PT。
如果ri_o=rj_d,则(rj, tp)不拥堵,且(rj, tp+1) 拥堵,则(rj, tp)处的拥堵传播到(rj, tp+1)。这种传播发生的概率是。如图5中的(a),从t到t+1时刻拥堵从ri传播到rj。图5中的(b)显示了一个拥堵传播的例子,t时刻仅有r0、r1、r3拥堵,r2、r4分别为r1、r3的上游路段,到t+1时刻,拥堵从拥堵边界路段r1、r3分别传播到r2、r4。
如果一个拥堵段的连接上游段在下一个时刻变得拥堵,就会发生拥堵传播。
其中,C(ri, tp)表示ri在tp处拥堵,C(rj, tp+1)表示rj在tp+1处拥堵;表示rj在tp处不拥堵;/>表示{ri, tp}处的拥堵传播到{rj, tp+1}的发生概率,即ri传播到rj的次数与ri能够传播到rj的次数的比值;Sequence表示一条连续的路径,传播路径Sequence的概率为所有沿Sequence发生传播的概率的乘积,/>表示连续路径上路段的个数。
本发明实施例中,如图6所示, r3的拥堵已经传播到r1有2次,r3总共有5次机会传播到r1,因此概率。同理,r3的拥堵已经传播到r4有6次,r3总共有8次机会传播到r4,因此概率/>。r4的拥堵已经传播到r2有5次,r4总共有8次机会传播到r2,因此概率/>。
S6.4:获得拥堵根路段Root(tp)。
交通拥堵只有在已经存在拥堵的情况下才能传播。这种拥堵可以存在于一个或多个连通路段。这些拥堵段可以触发向多个方向扩展的拥堵传播。
因此,定义拥堵根路段,即在tp处的集合它们构成时空网络ST;子集/>称为拥堵接口,使,/>,其中(RootI,tp)_in为拥堵接口RootI(tp)的连通的上游路段,即,。
例如图5中的r0、r1、r3为拥堵根路段,r1、r3为拥堵接口。
S6.5:对于每个路段,检查拥堵将要传播到的相邻路段,并更新PT,从而得到当前时段下的拥堵列表。
由于交通拥堵的传播可以是顺序发生的(即沿着一条路径从一个路段开始到上游路段),将传播路径定义如下:从(r0,tp) 开始的传播路径是一个序列,使得/>和,(ri,tp+i) 处的交通拥堵传播到(ri+1,tp+i+1),路径Sequence的起始点为Sequence_start=(r0,tp),路径的时间跨度为Sequence_ts=( tp, tp+h)。例如图5中的(b),/>,/>,为两条传播路径。
传播路径起源于特定时刻的单个路段,拥堵传播可以在任何阶段分支到多条路径。将从起始到结束的每条路径视为独立的传播路径。
S6.6:构建拥堵传播图。
(1)获取当前给定时刻tc的所有拥堵根路段;
(2)对于每个拥堵接口,获取其上游连接路段;
(3)如果发现拥堵接口的上游路段有重叠,则判断拥堵根路段集合中是否已经存在该上游路段,如果不存在,则将其加入拥堵根路段集合,实现拥堵根路段集合的更新。
S6.7:预测拥堵传播。
基于拥堵根路段,对于每个路径,找到它的最后一段,并确定是否将传播路径扩展到这个段的每个邻接路段,根据给定阈值,如果可以扩展,则为下一个扩展创建一个新路径。
步骤S6中,每次预测两步,得到tc+1、tc+2时刻的拥堵路段;然后将步骤S5预测得到的tc+1时刻的交通特征值与预测的tc+2时刻的拥堵路段取并集,作为起始,重复S6.4-S6.7,直到达到预测终点,完成拥堵传播的预测。
本发明实施例中,tc为8:00,交通特征数据为交通速度,每3min更新一次数据,想要预测从8:00开始直到8:15的交通拥堵传播情况,故选用7:27、7:30、7:33、7:36、7:39、7:42、7:45、7:48、7:51、7:54、7:57、8:00各个路段的12个时刻的交通速度数据,利用步骤S5的方法预测8:03、8:06、8:09的交通速度数据。执行步骤S6,获得8:00的拥堵接口,计算PPI的值,开始拥堵传播预测,预测8:03和8:06时刻的交通拥堵情况,然后利用TGCN预测的8:06的交通速度数据与预测的8:06时刻的交通拥堵情况取并集,作为起始点,重复S6.4-S6.7的步骤,直到达到8:15的预测停止条件。图7展示了8:00的时空网络,图8展示了8:15的预测结果,从图中可以看出,交通拥堵实现了一定程度的传播。
与前述基于知识和数据双驱动的交通拥堵传播预测方法的实施例相对应,本发明还提供了基于知识和数据双驱动的交通拥堵传播预测装置的实施例。
基于知识和数据双驱动的交通拥堵传播预测装置,包括一个或多个处理器,用于实现上述实施例中的基于知识和数据双驱动的交通拥堵传播预测方法。
本发明基于知识和数据双驱动的交通拥堵传播预测装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,除了处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。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发明方案的目的。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。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于知识和数据双驱动的交通拥堵传播预测方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(SmartMedia card, SMC)、SD卡、闪存卡(Flash card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算仉程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储己经输出或者将要输出的数据。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例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。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (6)
1.一种基于知识和数据双驱动的交通拥堵传播预测方法,其特征在于,包括以下步骤:
S1:构建交通预测的知识图谱;
S2:采集待分析路段的历史交通数据,明确路段拥有的兴趣点,确定实体和关系;
S3:将实体和关系进行编码,利用TransE方法进行知识表示;
S4:将步骤S3得到的知识与交通特征进行融合,得到融合知识的交通特征值;
S5:利用时域图卷积网络进行交通特征值预测,得到预测的交通特征值;
S6:将预测的交通特征值输入交通拥堵传播算法,进行交通拥堵传播预测;
所述步骤S6通过以下子步骤来实现:
S6.1:定义时空网络ST=S×T,其中,S是一个路网S=(OD,R),T是一组连续时段{tp|tp+1=tp+Δt,p=0…n};ST由S的一系列快照组成,每个快照都与一个tp∈T相关;S是一个有向连通图,R由一组路段ri组成,每个路段都有一个源节点ri_o和一个目的节点ri_d;当且仅当ri_o=rj_d时路段rj连接到路段ri;OD由R中所有路段ri的ri_o和ri_d组成;每个时段tp∈T是一个表示时间间隔的整数;给定S和T,ST的边集合为{(ri,tp)|ri∈R,tp∈T};ST的顶点集合为{(Ni,tp)|Ni∈OD,tp∈T};当且仅当ri_o=rj_d和tp=tq,边{rj,tq}连接到另一条边{ri,tp};
S6.2:如果{ri,tp}即发生拥堵;
其中,为边{ri,tp}的交通速度,是tp期间在ri上行驶的所有车辆的平均车速;rivf为路段ri∈R的一个自由流速,是ri上的每个检测时刻速度的百分之九十分位数;γif_C为拥堵阈值;
S6.3:利用路段历史速度数据,获得拥堵转移的概率,计算拥堵转移概率指标PT;
其中,C(ri,tp)表示ri在tp处拥堵,C(rj,tp+1)表示rj在tp+1处拥堵;!C(rj,tp)表示rj在tp处不拥堵;表示{ri,tp}处的拥堵传播到{rj,tp+1}的发生概率,即ri传播到rj的次数与ri能够传播到rj的次数的比值;Sequence表示一条连续的路径,传播路径Sequence的概率为所有沿Sequence发生传播的概率的乘积,|Sequence|表示连续路径上路段的个数;
S6.4:获得拥堵根路段Root(tp);
定义拥堵根路段,即在tp处的集合Root(tp)={(ri,tp)|ri∈R,(ri,tp)是堵的},它们构成时空网络ST;子集RootI(tp)称为拥堵接口,使 其中(RootI,tp)_in为拥堵接口RootI(tp)的连通的上游路段,即,(RootI,tp)_in={(rj,tq)|rj_d=ri_o,tp=tq};
S6.5:对于每个路段,检查拥堵将要传播到的相邻路段,并更新PT,从而得到当前时段下的拥堵列表
S6.6:构建拥堵传播图,具体流程如下:
(1)获取当前给定时刻tc的所有拥堵根路段;
(2)对于每个拥堵接口,获取其上游连接路段;
(3)如果发现拥堵接口的上游路段有重叠,则判断拥堵根路段集合中是否已经存在该上游路段,如果不存在,则将其加入拥堵根路段集合,实现拥堵根路段集合的更新;
基于拥堵根路段,对于每个路径,找到它的最后一段,并确定是否将传播路径扩展到这个段的每个邻接路段,根据给定阈值γif_p,如果可以扩展,则为下一个扩展创建一个新路径;
S6.7:预测拥堵传播;
步骤S6中,每次预测两步,得到tc+1、tc+2时刻的拥堵路段;然后将步骤S5预测得到的tc+1时刻的交通特征值与预测的tc+2时刻的拥堵路段取并集,作为起始,重复S6.4-S6.7,直到达到预测终点,完成拥堵传播的预测。
2.根据权利要求1所述的基于知识和数据双驱动的交通拥堵传播预测方法,其特征在于,所述步骤S1构建交通预测的知识图谱时,采用自顶向下的方式;在预测交通速度时考虑交通信息与外界因素之间的相关性,采用实体-关系-实体三元组的方法来构建知识图谱。
3.根据权利要求1所述的基于知识和数据双驱动的交通拥堵传播预测方法,其特征在于,所述步骤S2通过如下的子步骤来实现:
S2.1:获取待分析路段的历史交通数据;
S2.2:获取待分析路段的拥有的兴趣点及其数量,并将每个兴趣点的数量按照所有路段拥有该兴趣点数量的33%分位和66%分位分成少、中、多三类;
S2.3:根据已有数据确定实体,包括路段、兴趣点的数量;
S2.4:根据已有数据确定关系,包括路段邻接关系和路段有某个兴趣点。
4.根据权利要求3所述的基于知识和数据双驱动的交通拥堵传播预测方法,其特征在于,所述步骤S3通过以下子步骤来实现:
S3.1:根据S2确定的实体,为每个路段和每个兴趣点数量多少进行编码;
S3.2:根据S2确定的关系,为路段邻接关系和路段有某个兴趣点进行编码;
S3.3:根据步骤S3.1和步骤S3.2编码好的实体和关系,构建知识图谱三元组;
S3.4:利用TransE方法进行知识表示,得到各个路段含有兴趣点特征的向量表示XE。
5.根据权利要求3所述的基于知识和数据双驱动的交通拥堵传播预测方法,其特征在于,步骤S4中,将t时刻观测到的各个路段含有兴趣点特征的向量表示XE和路段特征Xt输入主干时空图卷积网络中,输出t时刻与外部知识融合后的更新路段特征Xf,表达式为:
Xf=Relu(XEXtwf+bf);
其中,Relu为深度学习的激活函数,wf为线性变换系数,bf为偏置量。
6.根据权利要求5所述的基于知识和数据双驱动的交通拥堵传播预测方法,其特征在于,所述步骤S5通过以下子步骤来实现:
S5.1:根据交通网络拓扑、融合知识的交通特征值Xf、预测的交通特征值y,学习计算未来一段时间的交通特征的函数f:
y=f(A,Xf);
其中,A为交通网络拓扑,即路网的邻接矩阵,如果A中对应的路段i和路段j连通,将A中的入口aij值设为1,否则设为0;
S5.2:将距离tc最近的m个时刻交通特征数据输入时域图卷积网络中,预测tc、tc+1、tc+2时刻的交通特征数据/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823361.5A CN116543561B (zh) | 2023-07-06 | 2023-07-06 | 一种基于知识和数据双驱动的交通拥堵传播预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310823361.5A CN116543561B (zh) | 2023-07-06 | 2023-07-06 | 一种基于知识和数据双驱动的交通拥堵传播预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116543561A CN116543561A (zh) | 2023-08-04 |
CN116543561B true CN116543561B (zh) | 2023-10-31 |
Family
ID=87454612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310823361.5A Active CN116543561B (zh) | 2023-07-06 | 2023-07-06 | 一种基于知识和数据双驱动的交通拥堵传播预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543561B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934558B (zh) * | 2023-09-18 | 2023-12-19 | 共享数据(福建)科技有限公司 | 一种无人机自动巡护监测方法及其系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
CN110136435A (zh) * | 2019-04-17 | 2019-08-16 | 青岛大学 | 一种多感染阈值、多传播并存的拥堵网络化传播模型 |
JP2019211814A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社東芝 | 渋滞予測装置、および、渋滞予測方法 |
CN111160753A (zh) * | 2019-12-25 | 2020-05-15 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
CN112215435A (zh) * | 2020-11-02 | 2021-01-12 | 银江股份有限公司 | 一种基于循环自回归模型的城市拥堵传播模式的预测方法 |
CN112530157A (zh) * | 2020-10-16 | 2021-03-19 | 浙江工业大学 | 基于知识图谱和Conv1D-LSTM-D的道路交通拥堵传播预测方法 |
CN113763712A (zh) * | 2021-10-19 | 2021-12-07 | 西南交通大学 | 基于出行事件知识图谱的区域交通拥堵溯因方法 |
JP2021189734A (ja) * | 2020-05-29 | 2021-12-13 | 株式会社東芝 | 交通状況予測装置、および、交通状況予測方法 |
CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8700296B2 (en) * | 2006-03-03 | 2014-04-15 | Inrix, Inc. | Dynamic prediction of road traffic conditions |
US20200051430A1 (en) * | 2018-08-08 | 2020-02-13 | Hcl Technologies Limited | System and method to generate recommendations for traffic management |
US20220375340A1 (en) * | 2021-05-20 | 2022-11-24 | Blyncsy, Inc. | Machine-learning based control of traffic operation |
-
2023
- 2023-07-06 CN CN202310823361.5A patent/CN116543561B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
JP2019211814A (ja) * | 2018-05-31 | 2019-12-12 | 株式会社東芝 | 渋滞予測装置、および、渋滞予測方法 |
CN110136435A (zh) * | 2019-04-17 | 2019-08-16 | 青岛大学 | 一种多感染阈值、多传播并存的拥堵网络化传播模型 |
CN111160753A (zh) * | 2019-12-25 | 2020-05-15 | 大连理工大学 | 一种基于知识图谱的路网节点重要性评估的方法 |
JP2021189734A (ja) * | 2020-05-29 | 2021-12-13 | 株式会社東芝 | 交通状況予測装置、および、交通状況予測方法 |
CN112530157A (zh) * | 2020-10-16 | 2021-03-19 | 浙江工业大学 | 基于知识图谱和Conv1D-LSTM-D的道路交通拥堵传播预测方法 |
CN112215435A (zh) * | 2020-11-02 | 2021-01-12 | 银江股份有限公司 | 一种基于循环自回归模型的城市拥堵传播模式的预测方法 |
CN113763712A (zh) * | 2021-10-19 | 2021-12-07 | 西南交通大学 | 基于出行事件知识图谱的区域交通拥堵溯因方法 |
CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
城市交通路网动态短时推理与精准预测研究;覃缘琪等;智能科学与技术学报;第4卷(第3期);全文 * |
基于社会媒体数据增强的交通态势感知研究及进展;陈苑文;智能科学与技术学报;第4卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116543561A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110648527B (zh) | 一种基于深度学习模型的交通速度预测方法 | |
Choi et al. | TrajGAIL: Generating urban vehicle trajectories using generative adversarial imitation learning | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN109002905B (zh) | 预估到达时间的方法及系统 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
Wang et al. | Efficient metropolitan traffic prediction based on graph recurrent neural network | |
CN116543561B (zh) | 一种基于知识和数据双驱动的交通拥堵传播预测方法 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
US20240054321A1 (en) | Traffic prediction | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
US20230140289A1 (en) | Traffic accident prediction systems and methods | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN114519932A (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
Taylor et al. | Data mining for vehicle telemetry | |
Bahuleyan et al. | Arterial path-level travel-time estimation using machine-learning techniques | |
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 | |
Zhang et al. | Multi-state deterioration prediction for infrastructure asset: Learning from uncertain data, knowledge and similar groups | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits | |
Wang et al. | Signalized arterial origin-destination flow estimation using flawed vehicle trajectories: A self-supervised learning approach without ground truth | |
CN110322693A (zh) | 一种交通数据补全方法、系统、设备及介质 | |
US20240012875A1 (en) | Method, system and computer readable medium for probabilistic spatiotemporal forecasting | |
CN114398462B (zh) | 一种基于多源异构信息网络的目的地推荐方法及系统 | |
WO2023088131A1 (zh) | 一种交通状态预测方法、装置、设备、介质及程序 | |
CN117275215A (zh) | 一种基于图过程神经网络的城市道路拥堵时空预测方法 |
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 |