CN116824838A - 基于自适应时间序列分解的路网级交通流集成预测方法 - Google Patents
基于自适应时间序列分解的路网级交通流集成预测方法 Download PDFInfo
- Publication number
- CN116824838A CN116824838A CN202211383282.9A CN202211383282A CN116824838A CN 116824838 A CN116824838 A CN 116824838A CN 202211383282 A CN202211383282 A CN 202211383282A CN 116824838 A CN116824838 A CN 116824838A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road network
- integrated
- time
- time sequence
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008859 change Effects 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012549 training Methods 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
- 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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于自适应时间序列分解的路网级交通流集成预测方法，涉及车辆交通技术领域。其包括：捕捉路网交通流时间序列数据，基于所述时间序列数据进行集成经验模态分解；整合集成经验模态分解结果，所述集成经验模态分解结果为集成均值结果，提取交通流时间序列的动态变化趋势，基于所述分解结果及所述动态变化趋势，构建路网交通流三维时空深度张量；基于预设的路网交通流预测集成模型，提取时间特征并捕获空间相关性；基于所述时间特征及所述空间相关性，搭建路网交通预测框架。本申请具有提高预测精度，充分提取路网交通流时间序列在时间、空间和各模态分量上的相关性特征的效果。
Description
技术领域
本申请涉及车辆交通的领域，尤其是涉及一种基于自适应时间序列分解的路网级交通流集成预测方法。
背景技术
社会经济不断发展和居民生活水平提升使得我国机动车保有量呈现出迅速增长的趋势，由此产生的一系列交通问题也更加严重，尤其以交通拥堵问题影响最为广泛。智能交通系统成为减缓交通拥堵、提高交通运行效率的有效的手段。
交通流预测是ITS的关键组件，亦是主动交通管控的重要技术支撑。根据ITS提供的先验路况信息，一方面出行者得以正确安排出行路线以有效规避拥堵路段；另一方面交通部门可据此采取科学有效的管理和疏导措施来改善道路通行能力。因此，交通流预测理论与方法的研究，对最大限度发挥城市路网性能具有重要意义。
本发明旨在提供一种基于自适应时间序列分解的路网级交通流集成预测方法,以提高预测精度，充分提取路网交通流时间序列在时间、空间和各模态分量上的相关性特征。
发明内容
为了改善相关技术中的，本申请提供一种基于自适应时间序列分解的路网级交通流集成预测方法。
第一方面,本申请提供的一种基于自适应时间序列分解的路网级交通流集成预测方法采用如下的技术方案：
一种基于自适应时间序列分解的路网级交通流集成预测方法，应用于路网级交通流集成预测平台中,所述方法包括:
捕捉路网交通流时间序列数据,基于所述时间序列数据进行集成经验模态分解；
整合集成经验模态分解结果，所述集成经验模态分解结果为集成均值结果,提取交通流时间序列的动态变化趋势,基于所述分解结果及所述动态变化趋势,构建路网交通流三维时空深度张量；
基于预设的路网交通流预测集成模型,提取时间特征并捕获空间相关性；基于所述时间特征及所述空间相关性，搭建路网交通预测框架。
本发明进一步设置为，在所述捕捉路网交通流时间序列数据中,所述方法包括:
获取时间序列数据特性,所述时间序列特性包括周期性及趋势特性；
判断所述时间序列数据是否为完整的时间序列；
若是，则进行集成经验模态分解；
消除所述时间序列数据中的混叠现象,得到集成经验模态分解结果。
本发明进一步设置为，在所述基于所述时间序列数据进行集成经验模态分解中，所述方法包括：
分解所述时间序列数据，获得时间序列模态分量及时间序列残差序列；
识别所述时间序列数据中的局部极值点，所述局部极值点包括局部极大值点及局部极小值点；基于所述局部极值点，构造上包络线及下包括线，并基于所述上包络线及下包括线，输出满足条件的均值曲线及第一模态分量作为集成经验模态分解结果。
本发明进一步设置为，在所述消除所述时间序列数据中的混叠现象中，所述方法包括；
加入相同幅值的白噪声以改变所述时间序列数据中的所述局部极值点，获得所述集成均值结果；
输出并整合所述集成均值结果。
本发明进一步设置为，在所述整合集成经验模态分解结果、构建路网交通流三维时空深度张量中，所述方法包括：
构建路网拓补，所述路网拓补以邻接矩阵形式体现；
基于所述路网拓补及所述集成经验模态分解结果，构建路网交通流三维时空深度张量。
本发明进一步设置为，在所述提取时间特征并捕获空间相关性中，所述方法包括：基于预制的GCN模型及预制的GRU模型，学习交通流空间特征及交通流时间特征；
基于所述交通流空间特征、交通路时间特征及路网拓补，得到空间相关性及时间相关性。
本发明进一步设置为，在所述搭建路网交通预测框架中，以反映交通流时序分量作为模型的输入。
第二方面，本申请提供一种基于自适应时间序列分解的路网级交通流集成预测装置，采用如下的技术方案：
一种基于自适应时间序列分解的路网级交通流集成预测装置，包括获取模组、处理模组及发送模组；
所述获取模组，用于获取路网交通流时间序列数据,基于所述时间序列数据进行集成经验模态分解；
所述处理模组，用于整合集成经验模态分解结果，所述集成经验模态分解结果为集成均值结果,提取交通流时间序列的动态变化趋势,基于所述分解结果及所述动态变化趋势,构建路网交通流三维时空深度张量；
所述处理模组，用于基于预设的路网交通流预测集成模型,提取时间特征并捕获空间相关性；搭建路网交通预测框架。
所述发送模组，用于将所述路网交通预测框架搭建结果进行发送。
第三方面，本申请提供了一种电子设备，电子设备包括处理器、存储器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，使得一种电子设备单元执行如本申请第一方面任意一项所述的方法。
综上所述，本申请包括以下有益效果：
一方面，利用集成经验模态分解方法对非平稳、非线性交通流时间序列进行自适应分解，将反应时变波动的时序分量作为预测模型的输入，提高模型的预测精度；另一方面，通过路网拓扑构造邻接矩阵，并利用图卷积网络捕获空间特征，学习交通流空间相关性。同时，利用门控循环单元提取时间相关性，最终实现路网级交通流预测任务
附图说明
图1为本申请实施例的结构示意图；
图2为图1中S100步骤中另一种可能的实施方式的流程示意图；
图3为图2中S200步骤中的具体流程示意图；
图4为本申请实施例中用于体现一种基于自适应时间序列分解的路网级交通流集成预测装置的结构示意图；
图5为本申请中的硬件结构示意图；
图中：1、接收模组；2、处理模组；3、发送模组；
1000、电子设备；1001、处理器；1002、通信总线；1003、用户接口；1004、网络接口；1005、存储器。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
本申请实施例公开一种基于自适应时间序列分解的路网级交通流集成预测方法。参照图1，基于自适应时间序列分解的路网级交通流集成预测方法包括步骤S100-S103。
S100、捕捉路网交通流时间序列数据,基于时间序列数据进行集成经验模态分解。
具体的，可以将不同的时间序列数据进行集成经验模态分解，利用集成经验模态分解算法将原始交通流时间序列自适应分解为多个模态分量和趋势序列，提取交通流时间序列潜在时间模式。
在另一种可能的实施方式中，在捕捉路网交通流时间序列数据,基于时间序列数据进行集成经验模态分解中，还包括步骤S200-S200、获取时间序列数据特性,时间序列特性包括周期性及趋势特性。
具体的，在获取时间序列数据特性,时间序列特性包括周期性及趋势特性中，包括步骤S300-S302。
S300、分解时间序列数据，获得时间序列模态分量及时间序列残差序列。
S301、识别时间序列数据中的局部极值点，局部极值点包括局部极大值点及局部极小值点。
S302、基于局部极值点，构造上包络线及下包括线，并基于上包络线及下包括线，输出满足条件的均值曲线及第一模态分量作为集成经验模态分解结果。
具体的，设定捕捉的原始交通流时间序列V(t)，设定将原始交通流时间序列V(t)分解为M个模态分量Vm(t)和残差序列R(t)，识别原始时间序列V(t)的所有局部极大值和极小值点，并构造出上、下包络线，得到均值曲线和新的模态分量，设定均值曲线为M1(t)和新的模态分量为H1(t)，根据公式：
H1(t)＝V(t)-M1(t)
对识别过程中产生的新的模态分量H1(t)，判定模态分量H1(t)的极值点和过零点的个数是否相等或相差不超过一个，判定在原始时间序列V(t)的任意时刻，模态分量H1(t)的局部上、下包络线均值是否为0，当新的模态分量H1(t)满足上述两个条件，则认定新的模态分量H1(t)是经验模态分解算法分解得到的第一个模态分量，设定新的模态分量H1(t)为V1(t)，当新的模态分量H1(t)不满足上述两个条件，设定新的模态分量H1(t)为V(t)，重新进行识别；S201、判断时间序列数据是否为完整的时间序列。
具体的，设定分解得到的第一个模态分量V1(t)的特征包含原始速度时间序列V(t)的最高频率分量，即V1(t)是具有最高频特性的模态分量，设定残差序列为R(t)，根据公式进行计算：
R(t)＝V(t)-H1(t)
设定残差序列R(t)为V(t)，重复上述步骤进行识别判定和计算，得到所有模态分量，直到R(t)成为单调的残差序列。
S202、消除时间序列数据中的混叠现象,得到集成经验模态分解结果。
具体的,通过加入相同幅值的白噪声以改变时间序列数据中的局部极值点，获得集成均值结果。
设定迭代次数为S和白噪声标准差为ε，对迭代次数和白噪声标准差进行初始化，设定白噪声为Ns(t)，将白噪声Ns(t)加入原始时间序列V(t)中，设定生成添加过噪声的时间序列为V(s)(t)，根据公式：
V(s)(t)＝V(t)+Ns(t)
将S个含噪声的序列进行集成经验模态分解方法分解，获得S个模态分量和S个残差分量R(s)(t)，其中，/>为第S次分解的第m个模态分量，m＝1,2,...M，R(s)(t)为第S次分解的残差序列；
设定第m个模态分量的均值为和残差的均值为/>对其进行计算，根据公式：
根据上述步骤对原始交通流速度时间序列进行集成经验模态分解方法分解，将一个复杂时间序列分解为有限数量的模态分量和趋势项序列，其中，分解的每个模态分量包含原始时间序列在不同时间尺度上的局部特征，趋势项序列显示原始数据的总体趋势，提取交通流时间序列的动态变化趋势。
S101、整合集成经验模态分解结果，集成经验模态分解结果为集成均值结果,提取交通流时间序列的动态变化趋势,基于分解结果及动态变化趋势,构建路网交通流三维时空深度张量。
具体的，包括构建路网拓补及构建三维时空张量。
构建路网拓补：构建路网拓扑，设定构建为路网拓扑为G，设定使用未加权图G＝(V,E)来描述道路网络拓扑结构，设定研究路网内部每条道路为一个节点，其中，V为节点集合，V＝{v1，v2，···，vk}，k为节点数，即路网中道路的数量，E为连接相关节点的边集合；通过邻接矩阵表示道路之间的连接，设定邻接矩阵A，A∈Rk×k，邻接矩阵A仅包含0和1的元素，设定两条道路之间没有连接，则元素为0，若节点之间存在连接，则元素为1，邻接矩阵的形式表示为：
其中，A(d)表示d阶邻接矩阵，对于节点k，其d阶邻接矩阵表示至多经过d个节点即可到达k的所有节点集合，aij∈[0,1],i＝1,2,…,k,j＝1,2,…,k，当d＝1时，d阶邻接矩阵退化为最常见的一阶邻接矩阵，反映节点之间是否直接相邻。
构建三维时空张量，将经过集成经验模态分解后的路网交通流数据视为网络中节点的属性特征，根据其属性特征构造三维时空特征张量将构造的三维时空特征张量作为集成预测模型的输入，其中，n1表示节点属性特征的数量，即历史时间序列的长度；n2表示交通流时间序列经过分解后得到的模态分量和趋势项，n3表示节点数，即路网中道路的数量。
判定时间维度上集成预测模型的输入为历史交通流时间序列，该时间序列考虑了预测前n1步交通流时间序列数据，设定通过集成经验模态分解得到的模态分量个数为D，n2＝D+1，其中1为分解后的趋势项，将分解后的交通流速度时间序列沿深度方向叠加，构造节点k的速度矩阵。
判定空间维度上集成经验模态分解收集研究路网内部交通流数据重复构造速度矩阵，通过沿着空间维度n3叠加速度矩阵得到三维时空特征张量，设定时间t处构造的特征张量由定义，设定沿着空间维度的第k个节点的切片为Xt,k，根据公式进行表示：
其中，rt-(i-1),1,k,k＝1,2,...,n3是节点k在时间i处的趋势项。ct-(i-1),d,k,d＝1,2,...,D是节点k在时间i处的第d个模态分量；
S25：通过构建路网拓扑G和特征张量X学习映射函数f，根据公式计算下一个T时刻的交通流信息：
其中，n1是历史时间序列的长度，T是需要预测的时间序列长度。
S102、基于预设的路网交通流预测集成模型,提取时间特征并捕获空间相关性；基于时间特征及空间相关性，搭建路网交通预测框架。
具体的，包括基于预制的GCN模型及预制的GRU模型，学习交通流空间特征及交通流时间特征利用图卷积神经网络通过邻接矩阵提取空间相关性，通过邻接矩阵A和特征张量X，利用GCN模型构造图滤波器作用于路网拓扑图G的节点，通过其d阶邻接矩阵捕获节点之间的空间特征，叠加多个卷积层建立GCN模型，对GCN的每一层进行表示，根据公式：
其中，H(l)和H(l+1)分别表示第l层的输入和输出，θ(l)为第l层的参数，是具有附加自连接的矩阵，Ik为单位矩阵，/>表示节点的度矩阵，ai,j表示邻接矩阵A(d)中对应位置的元素，σ为非线性激活函数，对于GCN第一层，设定H(l)＝X表示模型初始的输入，对于GCN最后一层，设定H(l)＝Y表示模型的最终输出，通过GCN模型从交通流中学习空间特征，获取预测道路与其邻接道路的拓扑关系，编码路网的拓扑结构以及道路上的交通流特征，进而得到空间相关性。
利用GRU模型处理和预测时间序列数据，从交通流数据中获取时间相关性，获取不同时刻交通流信息，利用GRU模型获取t时刻的交通流信息，设定ht-1表示t-1时刻的隐藏信息，Xt为t时刻的交通流信息，设定rt为复位门，其中rt用于控制忽略t-1时刻交通流信息的程度，设定ut为更新门，ut用于控制t-1时刻交通流信息进入t时刻交通流信息的程度，ct为t时刻储存的交通流信息，ht为t时刻的输出信息，利用GRU模型以t-1时刻的隐藏状态和当前的交通流信息为输入，获取t时刻的交通流信息。
S103、基于预设的路网交通流预测集成模型,提取时间特征并捕获空间相关性；基于时间特征及空间相关性，搭建路网交通预测框架。
具体的，考虑路网中道路交通流时间序列数据的空间和时间相关性，对GCN模型和GRU模型进行集成，搭建基于集成经验模态分解和时间图卷积神经网络的集成预测框架，利用集成经验模态分解方法对非平稳、非线性交通流时间序列进行自适应分解，将反应时变波动的时序分量作为预测模型的输入，提高模型的预测精度。
设定Xt为t时刻的交通信息，ht-1为t-1时刻的输出，模型单元接收Xt并对其进行图卷积得到Xt′，并结合上一时刻GRU模型的预测结果同时作为输入，输出t时刻的交通流预测结果Yt，根据公式：
ut＝σ(Wu[f(A,Xt),ht-1]+bu)
rt＝σ(Wr[f(A,Xt),ht-1]+br)
ct＝tanh(Wc[f(A,Xt),(rt*ht-1)]+bc)
ht＝ut*ht-1+(1-ut)*ct
其中，f(A,Xt)表示图卷积过程，*表示逐点乘法，W和b分别代表训练过程中的权重和偏差；
利用均方误差作为GCN模型和GRU模型的损失函数，其中设定Yt为交通流预测实际值，交通流预测值，使得实际值和预测值之间的误差最小化，根据公式：
其中，λ为超参数，通过路网拓扑构造邻接矩阵，并利用图卷积网络捕获空间特征，学习交通流空间相关性，利用门控循环单元提取时间相关性，实现路网级交通流预测任务。
本申请实施例还公开一种基于自适应时间序列分解的路网级交通流集成预测装置，包括获取模组、处理模组2及发送模组3。
获取模组用于获取路网交通流时间序列数据。
处理模组2用于基于时间序列数据进行集成经验模态分解。
处理模组2还用于整合集成经验模态分解结果，集成经验模态分解结果为集成均值结果,提取交通流时间序列的动态变化趋势,基于分解结果及动态变化趋势,构建路网交通流三维时空深度张量；
处理模组2还用于基于预设的路网交通流预测集成模型,提取时间特征并捕获空间相关性；基于时间特征及空间相关性，搭建路网交通预测框架，发送模组3将处理模组2处理的结果进行发送。
在另一种可能的实施例中，
获取模组用于获取时间序列数据特性,时间序列特性包括周期性及趋势特性；
处理模组2用于判断时间序列数据是否为完整的时间序列；
若是，则通过处理模组2进行集成经验模态分解；
处理模组2还用于消除时间序列数据中的混叠现象,得到集成经验模态分解结果。
在另一种可能的实施例中，
处理模组2用于分解时间序列数据，获得时间序列模态分量及时间序列残差序列；
处理模组2还用于识别时间序列数据中的局部极值点，局部极值点包括局部极大值点及局部极小值点；
处理模组2还用于基于局部极值点，构造上包络线及下包括线，并基于上包络线及下包括线，输出满足条件的均值曲线及第一模态分量作为集成经验模态分解结果。
在另一种可能的实施例中，处理模组2用于加入相同幅值的白噪声以改变时间序列数据中的局部极值点，获得集成均值结果；
发送模组3用于输出并整合集成均值结果。
在另一种可能的实施例中，
处理模组2用于构建路网拓补，路网拓补以邻接矩阵形式体现；
处理模组2还用于基于路网拓补及集成经验模态分解结果，构建路网交通流三维时空深度张量。
在另一种可能的实施例中，处理模组2用于基于预制的GCN模型及预制的GRU模型，学习交通流空间特征及交通流时间特征；
处理模组2还用于基于交通流空间特征、交通路时间特征及路网拓补，得到空间相关性及时间相关性。
请参见图5，为本申请实施例提供了一种电子设备的结构示意图。如图5所示，电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行服务器的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(DigitalSignalProcessing，DSP)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)、可编程逻辑阵列(ProgrammableLogicArray，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(CentralProcessingUnit，CPU)、图像处理器(GraphicsProcessingUnit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(RandomAccessMemory，RAM)，也可以包括只读存储器(Read-OnlyMemory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitorycomputer-readablestoragemedium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及一种基于自适应时间序列分解的路网级交通流集成预测方法的应用程序。
在图5所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储一种基于自适应时间序列分解的路网级交通流集成预测方法的应用程序，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个的方法。
一种电子设备1000可读存储介质，电子设备1000可读存储介质存储有指令。当由一个或多个处理器执行时，使得电子设备1000执行如上述实施例中一个或多个的方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的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器中。基于这样的理解，本申请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全部或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器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围由权利要求限定。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (9)
1.一种基于自适应时间序列分解的路网级交通流集成预测方法，应用于路网级交通流集成预测平台中,其特征在于,所述方法包括:
捕捉路网交通流时间序列数据,基于所述时间序列数据进行集成经验模态分解;
整合集成经验模态分解结果，所述集成经验模态分解结果为集成均值结果,提取交通流时间序列的动态变化趋势,基于所述分解结果及所述动态变化趋势,构建路网交通流三维时空深度张量;
基于预设的路网交通流预测集成模型,提取时间特征并捕获空间相关性;基于所述时间特征及所述空间相关性，搭建路网交通预测框架。
2.根据权利要求1所述的基于自适应时间序列分解的路网级交通流集成预测方法，其特征在于,在所述捕捉路网交通流时间序列数据中,所述方法包括:
获取时间序列数据特性,所述时间序列特性包括周期性及趋势特性;
判断所述时间序列数据是否为完整的时间序列;
若是，则进行集成经验模态分解；
消除所述时间序列数据中的混叠现象,得到集成经验模态分解结果。
3.根据权利要求1所述的基于自适应时间序列分解的路网级交通流集成预测方法，其特征在于，在所述基于所述时间序列数据进行集成经验模态分解中，所述方法包括：
分解所述时间序列数据，获得时间序列模态分量及时间序列残差序列；
识别所述时间序列数据中的局部极值点，所述局部极值点包括局部极大值点及局部极小值点；
基于所述局部极值点，构造上包络线及下包括线，并基于所述上包络线及下包括线，输出满足条件的均值曲线及第一模态分量作为集成经验模态分解结果。
4.根据权利要求2所述的基于自适应时间序列分解的路网级交通流集成预测方法，其特征在于，在所述消除所述时间序列数据中的混叠现象中，所述方法包括；
加入相同幅值的白噪声以改变所述时间序列数据中的所述局部极值点，获得所述集成均值结果；
输出并整合所述集成均值结果。
5.根据权利要求1所述的基于自适应时间序列分解的路网级交通流集成预测方法，其特征在于，在所述整合集成经验模态分解结果、构建路网交通流三维时空深度张量中，所述方法包括：
构建路网拓补，所述路网拓补以邻接矩阵形式体现；
基于所述路网拓补及所述集成经验模态分解结果，构建路网交通流三维时空深度张量。
6.根据权利要求1所述的基于自适应时间序列分解的路网级交通流集成预测方法，其特征在于，在所述提取时间特征并捕获空间相关性中，所述方法包括：
基于预制的GCN模型及预制的GRU模型，学习交通流空间特征及交通流时间特征；
基于所述交通流空间特征、交通路时间特征及路网拓补，得到空间相关性及时间相关性。
7.根据权利要求1所述的基于自适应时间序列分解的路网级交通流集成预测方法，其特征在于，在所述搭建路网交通预测框架中，以反映交通流时序分量作为模型的输入。
8.一种基于自适应时间序列分解的路网级交通流集成预测装置，其特征在于，包括获取模组、处理模组(2)及发送模组(3)；
所述获取模组，用于获取路网交通流时间序列数据,基于所述时间序列数据进行集成经验模态分解;
所述处理模组(2)，用于整合集成经验模态分解结果，所述集成经验模态分解结果为集成均值结果,提取交通流时间序列的动态变化趋势,基于所述分解结果及所述动态变化趋势,构建路网交通流三维时空深度张量;
所述处理模组(2)，用于基于预设的路网交通流预测集成模型,提取时间特征并捕获空间相关性;搭建路网交通预测框架；
所述发送模组(3)，用于将所述路网交通预测框架搭建结果进行发送。
9.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211383282.9A CN116824838B (zh) | 2022-11-07 | 2022-11-07 | 基于自适应时间序列分解的路网级交通流集成预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211383282.9A CN116824838B (zh) | 2022-11-07 | 2022-11-07 | 基于自适应时间序列分解的路网级交通流集成预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824838A true CN116824838A (zh) | 2023-09-29 |
| CN116824838B CN116824838B (zh) | 2024-06-18 |
Family
ID=88139767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211383282.9A Active CN116824838B (zh) | 2022-11-07 | 2022-11-07 | 基于自适应时间序列分解的路网级交通流集成预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824838B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
| CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
| US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
| CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| CN113762338A (zh) * | 2021-07-30 | 2021-12-07 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
-
2022
- 2022-11-07 CN CN202211383282.9A patent/CN116824838B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200135017A1 (en) * | 2018-10-29 | 2020-04-30 | Beihang University | Transportation network speed foreeasting method using deep capsule networks with nested lstm models |
| CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
| CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
| WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
| CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
| CN113762338A (zh) * | 2021-07-30 | 2021-12-07 | 湖南大学 | 一种基于多重图注意力机制的交通流预测方法、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陆文琦 等: "智能网联环境下基于混合深度学习的交通流预测模型", 交通运输系统工程与信息, no. 03, 15 June 2020 (2020-06-15), pages 51 - 57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824838B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
| CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
| CN112863180B (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
| CN115456160A (zh) | 一种数据处理方法和数据处理设备 | |
| CN111738535A (zh) | 轨道交通时空短时客流预测方法、装置、设备及存储介质 | |
| JP6775469B2 (ja) | Ｏｄトラヒック予測装置、方法、及びプログラム | |
| CN113989330A (zh) | 车辆轨迹预测方法、装置、电子设备和可读存储介质 | |
| CN114780739B (zh) | 基于时间图卷积网络的时序知识图谱补全方法及系统 | |
| CN111044045A (zh) | 基于神经网络的导航方法、装置及终端设备 | |
| CN112988851B (zh) | 反事实预测模型数据处理方法、装置、设备及存储介质 | |
| WO2024120504A1 (zh) | 一种数据处理方法及相关设备 | |
| CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
| CN115936802A (zh) | 基于用户画像和序列建模的个性化营销方法、装置、设备和存储介质 | |
| CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
| CN116403397A (zh) | 一种基于深度学习的交通预测方法 | |
| Haliem et al. | AdaPool: An adaptive model-free ride-sharing approach for dispatching using deep reinforcement learning | |
| CN116824838B (zh) | 基于自适应时间序列分解的路网级交通流集成预测方法 | |
| JP2022092827A (ja) | 計算機システム及びデータ処理方法 | |
| Lin et al. | The application of deep generative models in urban form generation based on topology: a review | |
| CN114372627B (zh) | 基于混合深度学习框架的城市车辆旅行时间估计方法 | |
| CN113516315B (zh) | 风力发电功率区间预测方法、设备及介质 | |
| CN115641244A (zh) | 一种运输轨迹生成方法、装置、终端及存储介质 | |
| CN114267422A (zh) | 地表水质参数预测方法、系统、计算机设备及存储介质 | |
| CN117522234B (zh) | 基于数字孪生的车队物流指挥决策建模方法、装置及设备 | |
| CN118398014B (zh) | 基于协同自适应策略梯度算法的车载人机语音交互方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |