CN116957166B - 一种基于鸿蒙系统的隧道交通情况预测方法及系统 - Google Patents
一种基于鸿蒙系统的隧道交通情况预测方法及系统 Download PDFInfo
- Publication number
- CN116957166B CN116957166B CN202311088966.0A CN202311088966A CN116957166B CN 116957166 B CN116957166 B CN 116957166B CN 202311088966 A CN202311088966 A CN 202311088966A CN 116957166 B CN116957166 B CN 116957166B
- Authority
- CN
- China
- Prior art keywords
- graph
- nodes
- traffic
- tunnel
- layer
- 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 24
- 238000005096 rolling process Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 54
- 238000011156 evaluation Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000003475 lamination Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/044—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
- G06N3/0464—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及交通管理技术领域,具体涉及一种基于鸿蒙系统的隧道交通情况预测方法及系统,方法包括:将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系;使用图卷积网络模型从节点和边的信息中学习节点表示,并捕捉节点之间的关系;使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。本发明中数据来源于鸿蒙系统,获得包括传感器数据获取、图像处理、数据预处理等工具,以及网络通信功能;实施过程中找到最佳的图卷积层数,该过程相当于逐步提供更多的抽象和复杂的节点关系表达能力,从而增强了模型对于隧道交通情况的建模能力;采用基于图结构的模型设计和图卷积网络,可以在隧道交通预测中提升预测结果的准确度。
Description
技术领域
本发明涉及交通管理技术领域,具体涉及一种基于鸿蒙系统的隧道交通情况预测方法及系统。
背景技术
在隧道的交通管理中,为了有效避免交通问题的产生,往往会采用深度网络模型进行交通情况的预测,从而及早的对问题进行处理而保证交通的畅通,常规的方式包括:
数据采集与存储,利用传感器、摄像头等设备采集交通数据,并将数据传输至中央数据库或云平台进行存储;数据预处理,对采集到的数据进行预处理,包括去噪、缺失值处理、数据清洗等步骤,确保数据质量;特征提取与选择,根据实际需求,从预处理后的数据中提取与交通情况预测相关的特征,如时间、天气等;模型训练与优化,利用历史数据进行模型训练与优化,选择合适的预测算法,并进行参数调优;预测结果生成与展示,利用训练好的模型对未来交通情况进行预测,并将预测结果进行展示,例如生成交通流量预测图表或提供实时交通状态。
但是,由于隧道交通会存在以下问题模式,因此往往会导致交通情况预测的不够准确的问题:隧道内的日常交通存在高峰和低谷,以及季节性的交通变化;隧道中车辆之间的相互影响、车辆密度与速度之间的关系与车辆在其他位置行驶时存在差异性;隧道中不同位置之间的拥堵情况具有较高的空间依赖性。
发明内容
本发明中提供了一种基于鸿蒙系统的隧道交通情况预测方法及系统,从而有效解决背景技术中所指出的问题。
为了达到上述目的,本发明所采用的技术方案是:
一种基于鸿蒙系统的隧道交通情况预测方法,包括:
将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系;
使用图卷积网络模型从节点和边的信息中学习节点表示,并捕捉节点之间的关系,包括;
设计初始图卷积网络模型,包括输入层、图卷积层和输出层,所述图卷积层的数量不超过2个;
通过训练集对所述初始图卷积网络模型进行训练,且训练完成后进行性能评估,并逐一增加所述图卷积层的数量,且每增加一层后,均重新进行训练及性能评估,每次评估均采用相同的指标;
将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较,判断性能的提升效果是否达到预设值,若低于所述预设值,则停止增加图卷积层,确定最终的图卷积层层数;
使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。
进一步地,确定最终的图卷积层层数后,还包括在相邻的所述图卷积层之间添加残差连接,所述残差连接的输出Residual_Output如下:
Residual_Output=H+X
H为图卷积层的输出,表示经过图卷积层后的特征表示;
X为图卷积层的输入,为所述输入层的输出或上一层的残差连接的输出。
进一步地,确定最终的图卷积层层数后,还包括在相邻的所述图卷积层之间添加残差连接,所述残差连接的输出Residual_Output如下:
Residual_Output=α*H+β*X+γ1*T+γ2*W
H为图卷积层的输出,表示经过图卷积层后的特征表示;
X为图卷积层的输入,为所述输入层的输出或上一层的残差连接的输出;
T表示时间特征的输入;
W表示天气特征的输入;
α、β、γ1和γ2分别为相应参数的权重,用于调节不同输入的影响程度。
进一步地,α、β、γ1和γ2的确定步骤如下:
针对α、β、γ1和γ2分别定义每个权重的可能取值范围;
对于各个权重生成所有可能的组合;
将所述训练集划分为k个折叠,其中,k为预先定义的数值,对于每个所述折叠使用其他折叠的数据进行训练,并在当前折叠上进行评估,得到性能度量的结果;
重复k次,每次将不同的折叠作为验证集,而其他折叠作为训练集,以获得每个所述参数组合在不同验证集上的性能度量结果;
计算每个所述参数组合在所有验证集上的性能度量的平均值,作为所述参数组合的最终性能度量,根据所述最终性能度量,选择表现最优的参数组合作为最终的α、β、γ1和γ2。
进一步地,所述图卷积网络模型还包括长短期记忆网络层,所述长短期记忆网络层处理后的输出LSTM_Output如下:
LSTM_Output = LSTM(Residual_Output)
其中,Residual_Output表示之前残差连接的输出。
进一步地,所述训练集通过鸿蒙系统获取,包括:
利用鸿蒙系统中的传感器和/或摄像头,采集隧道交通数据;
通过所述鸿蒙系统的网络通信功能,将采集到的所述隧道交通数据传输至中央数据库或云平台进行存储;
在鸿蒙系统中对采集到的数据进行预处理;
对所述隧道交通数据进行数据标注和生成相应的标签;
将整个数据集按照设定比例划分为训练集、验证集和测试集。
进一步地,将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系,包括:
确定隧道内的不同位置和交通节点,将隧道内的不同位置和交通节点表示为节点集合 N = {n1, n2, ..., nk},其中 ni 表示第 i 个节点;
根据交通流量的关联,建立连接关系的邻接矩阵 A,其中 A[i][j]表示节点 ni和节点 nj 之间的连接强度或权重;
对于每个节点 ni,定义属性和特征向量 F(ni) = [f1, f2, ..., fm],其中 fi表示节点 ni 的第 i 个属性或特征;
整理和准备相关数据,包括节点的位置坐标 P = {p1, p2, ..., pk},其中 pi表示节点 ni 的位置坐标,以及连接关系的邻接矩阵 A 和节点的属性和特征向量 F。
进一步地,还包括对所述邻接矩阵A进行修订,包括:
通过收集天气状况的相关数据,确定一个基于天气状况的新权重序列,所述新权重序列与所述节点和连接关系对应;
通过所述新权重序列所修订的邻接矩阵 A如下:
A'[i, j] = A[i, j]* W[i, j]
其中,A'[i, j]表示修订后的连接强度或权重, W[i, j] 表示新的权重序列中与A[i, j]对应的新权重值。
一种鸿蒙系统的隧道交通情况预测系统,包括:
图卷积网络模型单元,从所述节点和边的信息中学习节点表示,并捕捉节点之间的关系,包括;
初始图卷积网络模型设计模块,设计初始图卷积网络模型,包括输入层、图卷积层和输出层,所述图卷积层的数量不超过2个;
训练和性能评估模块,通过训练集对所述初始图卷积网络模型进行训练,且训练完成后进行性能评估;
图卷积层优化模块,逐一增加所述图卷积层的数量,且每增加一层后,均由所述训练和性能评估模块重新进行训练及性能评估,每次评估均采用相同的指标;
图卷积层确定模块,将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较,判断性能的提升效果是否达到预设值,若低于所述预设值,则停止增加图卷积层,确定最终的图卷积层层数;
交通情况预测单元,使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。
进一步地,所述初始图卷积网络模型还包括残差连接,所述残差连接在相邻的所述图卷积层之间添加。
通过本发明的技术方案,可实现以下技术效果:
本发明采用基于图结构的模型设计和图卷积网络,可以在隧道交通预测中提升预测结果的准确度,通过充分利用节点之间的关系和空间依赖性,图卷积网络能够更好地捕捉交通数据的特征,并提供更准确的预测能力,帮助交通管理部门有效避免交通问题的发生,保证交通的畅通性。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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为基于鸿蒙系统的隧道交通情况预测方法的流程图;
图2为α、β、γ1和γ2的确定步骤流程图;
图3为训练集通过鸿蒙系统获取的流程图;
图4为将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系的流程图;
图5为对邻接矩阵A进行修订的流程图。
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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示,一种基于鸿蒙系统的隧道交通情况预测方法,包括:
S100:将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系;其中的节点可以表示隧道中的特定区域或具体的交通节点,例如交叉口或出入口,连接关系可以通过道路拓扑结构、节点之间的距离关系或交通流量的关联来确定;通过此种建模方式,可以将隧道交通看作是一个图,其中节点表示不同位置或交通节点,边表示节点之间的关系,从而有效捕捉到隧道交通中不同位置之间的空间依赖性和交通关联性;
S200:使用图卷积网络模型从节点和边的信息中学习节点表示,并捕捉节点之间的关系,包括;
S210:设计初始图卷积网络模型,包括输入层、图卷积层和输出层,图卷积层的数量不超过2个;
S220:通过训练集对初始图卷积网络模型进行训练,且训练完成后进行性能评估,并逐一增加图卷积层的数量,且每增加一层后,均重新进行训练及性能评估,每次评估均采用相同的指标;在实施过程中,使用已有的交通数据进行模型训练,并使用验证数据或交叉验证方法对模型进行性能评估,评估指标可以包括预测准确率、均方误差等;
S230:将每次增加图卷积层后的性能评估结果均与上一次的性能评估结果进行比较,判断性能的提升效果是否达到预设值,若低于预设值,则停止增加图卷积层,确定最终的图卷积层层数;
S300:使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。
在图卷积网络中,每一层的图卷积操作都可以看作是从节点和边的信息中学习节点表示,并通过节点之间的连接关系来捕捉节点之间的关系,增加图卷积层数意味着在模型中引入更多的层级信息,使得模型能够更好地理解和利用隧道交通中不同位置节点之间的关系;本发明中通过逐步增加图卷积层并进行性能评估的过程,可以找到最佳的图卷积层数,该过程相当于逐步提供更多的抽象和复杂的节点关系表达能力,从而增强了模型对于隧道交通情况的建模能力。
本发明相比传统的基于序列或矩阵的模型,图结构模型能够更好地反映交通数据的复杂性和多样性;隧道交通中不同位置之间的拥堵情况具有较高的空间依赖性,基于图结构的模型能够更好地捕捉这种空间依赖性,通过节点之间的连接和信息传递,可以更准确地预测不同位置的交通情况,相比于传统的模型,图卷积网络能够更好地利用位置之间的关联和拥堵传播效应,提高预测结果的准确性。
综上,采用基于图结构的模型设计和图卷积网络,可以在隧道交通预测中提升预测结果的准确度,通过充分利用节点之间的关系和空间依赖性,图卷积网络能够更好地捕捉交通数据的特征,并提供更准确的预测能力,帮助交通管理部门有效避免交通问题的发生,保证交通的畅通性。
作为上述实施例的优选,确定最终的图卷积层层数后,还包括在相邻的图卷积层之间添加残差连接,残差连接的输出Residual_Output如下:
Residual_Output=H+X
H为图卷积层的输出,表示经过图卷积层后的特征表示;
X为图卷积层的输入,为输入层的输出或上一层的残差连接的输出。
在残差连接中,通过将图卷积层的输出H与图卷积层的输入X进行相加操作,得到残差连接的输出Residual_Output,这样可以将前一层的信息直接传递到后一层,增加了信息的流动路径,有助于信息的传递和学习。
在本优选方案中,通过残差连接可以将前一层的信息直接传递到后一层,避免了梯度在深层网络中逐渐衰减的问题,有助于更好地传递梯度信号,提高梯度的有效性,从而加速模型的训练和收敛;残差连接提供了一种跳跃连接的机制,允许信息在网络中直接跨越多个层级传递,这种跳跃连接可以帮助信息更快地传播和流动,有助于捕捉更广泛的特征,并促进特征的有效组合和表示,通过改善信息流动,网络可以更好地学习到复杂的特征和模式,提高了网络的表达能力和预测性能;残差连接可以加速模型的收敛、提高模型的泛化能力,并在处理复杂任务时提供更准确的预测结果。
作为残差连接的进一步优化方式,确定最终的图卷积层层数后,还包括在相邻的图卷积层之间添加残差连接,残差连接的输出Residual_Output如下:
Residual_Output=α*H+β*X+γ1*T+γ2*W
H为图卷积层的输出,表示经过图卷积层后的特征表示;
X为图卷积层的输入,为输入层的输出或上一层的残差连接的输出;
T表示时间特征的输入;
W表示天气特征的输入;
α、β、γ1和γ2分别为相应参数的权重,用于调节不同输入的影响程度。
在上述优化的公式形式中,通过引入时间和天气特征,残差连接的输出可以更全面地反映隧道交通情况的多个因素,隧道交通受时间和天气等因素的影响较大,如交通高峰和低谷的时间变化、季节性交通变化以及不同天气条件下的交通状况,通过将这些特征纳入残差连接的输出,可以更好地捕捉隧道交通的动态变化和与时间、天气的关联。另外,通过设置α、β、γ1和γ2等参数的权重,可以根据实际情况个性化地调节各个特征的影响程度,不同特征对隧道交通的影响可能存在差异,通过调整权重,可以更精细地平衡各个特征的相对重要性,从而更准确地反映不同特征对交通情况的贡献。通过优化残差连接的输出,可以增强模型的预测能力,将更多相关特征纳入残差连接,有助于提取更丰富的特征表示,从而更准确地预测隧道交通情况,此外,个性化的权重调节和综合考虑多个特征也能提高模型的鲁棒性,使其对于不同情况和数据的变化更具适应性。
其中,如图2所示,α、β、γ1和γ2的确定步骤如下:
A010:针对α、β、γ1和γ2分别定义每个权重的可能取值范围;
以下是一个示例:
α的可能取值范围:[0.1,0.2,0.3,0.4,0.5];
β的可能取值范围:[0.2,0.4,0.6,0.8,1.0];
γ1的可能取值范围:[0.1,0.3,0.5,0.7,0.9];
γ2的可能取值范围:[0.2,0.4,0.6,0.8,1.0];
A020:对于各个权重生成所有可能的组合;可以使用itertools库中的函数来生成参数的笛卡尔积,这将生成一个包含所有可能参数组合的列表,例如:
[(0.1, 0.2, 0.1, 0.2), (0.1, 0.2, 0.1, 0.4), (0.1, 0.2, 0.1, 0.6),...]
A030:将训练集划分为k个折叠,其中,k为预先定义的数值,对于每个折叠使用其他折叠的数据进行训练,并在当前折叠上进行评估,得到性能度量的结果;
A040:重复k次,每次将不同的折叠作为验证集,而其他折叠作为训练集,以获得每个参数组合在不同验证集上的性能度量结果;
A050:计算每个参数组合在所有验证集上的性能度量的平均值,作为参数组合的最终性能度量,根据最终性能度量,选择表现最优的参数组合作为最终的α、β、γ1和γ2。
在上述优选方案中,通过定义每个权重的可能取值范围,可以控制参数的搜索空间,避免遍历所有可能的取值,从而减少计算量;通过生成所有可能的参数组合,可以系统地遍历参数空间,不会漏掉任何可能的组合,这样可以保证找到最佳的参数组合,而不是仅仅依赖于某个初始值;通过将训练集划分为多个折叠,并在不同的折叠上进行训练和评估,可以获得更可靠和稳定的性能度量结果;通过重复多次交叉验证,每次使用不同的折叠作为验证集,可以更好地考察参数组合在不同数据子集上的性能表现,这样可以减少对特定数据子集的依赖,得到更具泛化能力的评估结果;通过计算每个参数组合在所有验证集上的性能度量的平均值,可以得到对该参数组合的整体评估,最终选择表现最优的参数组合作为最终的α、β、γ1和γ2,可以确保所选择的参数组合具有最佳的性能,从而提高模型在隧道交通预测中的准确性和泛化能力。
综上,上述步骤的优势在于通过定义参数的搜索空间、全面遍历参数组合、使用交叉验证进行评估以及选择最优参数组合,能够在多个方面考虑和比较不同参数组合的性能,从而找到最适合的参数配置,提高隧道交通预测模型的性能和准确度。
作为上述实施例的优选,图卷积网络模型还包括长短期记忆网络层,长短期记忆网络层处理后的输出LSTM_Output如下:
LSTM_Output = LSTM(Residual_Output)
其中,Residual_Output表示之前残差连接的输出。
具体来说,在深层网络中,如果在当前层之前有一个残差连接,那么“之前”残差连接的输出就是指这个残差连接的输出,这个残差连接的输出会被加到当前层的输出上,形成最终的残差连接的输出。
长短期记忆网络层(LSTM)能够有效地建模时序数据中的长期依赖关系,在交通预测中,隧道交通情况可能受到时间因素的影响,例如交通高峰和低谷的周期性变化,通过引入长短期记忆网络层(LSTM),模型可以捕捉到这些时序关系,从而提高对交通情况的预测准确性。长短期记忆网络层(LSTM)能够处理变长的输入序列,这对于交通预测非常重要,隧道交通数据中的交通流量、速度等信息可能会在不同时间段有不同的长度,长短期记忆网络层(LSTM)可以自适应地处理这种变长输入,使模型能够灵活地适应不同时间段的数据,并提取有用的特征。长短期记忆网络层(LSTM)中引入了门控机制,可以选择性地遗忘或更新信息。这有助于缓解梯度消失问题,使得在深层网络中能够更好地传播梯度信息,从而提高模型的训练效果和学习能力。长短期记忆网络层(LSTM)具有记忆单元,可以记住过去的状态和信息,在交通预测中,隧道交通的历史数据包含了丰富的信息,例如前一时刻的交通情况对当前时刻的预测具有重要影响,LSTM层可以有效地存储和利用这些历史信息,提供更全面和准确的预测结果。
作为上述实施例的优选,训练集通过鸿蒙系统获取,如图3所示,包括:
S221:利用鸿蒙系统中的传感器和/或摄像头,采集隧道交通数据;鸿蒙系统提供了一套丰富的API和工具,可以方便地获取传感器数据和图像数据,并将其存储在本地设备或远程服务器中;
S222:通过鸿蒙系统的网络通信功能,将采集到的隧道交通数据传输至中央数据库或云平台进行存储;鸿蒙系统支持多种网络通信协议和技术,例如Wi-Fi、蓝牙、移动网络等,可以根据实际需求选择合适的方式进行数据传输。
S223:在鸿蒙系统中对采集到的数据进行预处理;具体地,可以利用内置的数据处理工具或自定义开发的数据预处理算法,预处理包括去噪、缺失值处理、数据清洗等步骤,以确保数据的质量和一致性;
S224:对隧道交通数据进行数据标注和生成相应的标签;鸿蒙系统提供了丰富的图像处理和标注工具,可以辅助对数据进行标注,例如标注交通流量、速度、拥堵情况等信息,并生成相应的标签数据。
S225:将整个数据集按照设定比例划分为训练集、验证集和测试集。可以利用鸿蒙系统中的数据处理工具或自定义开发的数据集划分算法,分别用于模型训练、验证和评估。
在实施过程中,如图4所示,将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系,包括:
S110:确定隧道内的不同位置和交通节点,将隧道内的不同位置和交通节点表示为节点集合 N = {n1, n2, ..., nk},其中 ni 表示第 i 个节点;节点可以是隧道的入口、出口、交叉口、收费站等;
S120:根据交通流量的关联,建立连接关系的邻接矩阵 A,其中 A[i][j]表示节点ni 和节点 nj 之间的连接强度或权重;交通流量的关联可以通过历史交通数据或实时交通监测数据来确定节点之间的连接强度,例如交通量的高低、车速的快慢等;
S130:对于每个节点 ni,定义属性和特征向量 F(ni) = [f1, f2, ..., fm],其中 fi 表示节点 ni 的第 i 个属性或特征;其中的属性和特征可以包括节点的位置坐标、交通流量、车速、车辆类型等信息;
S140:整理和准备相关数据,包括节点的位置坐标 P = {p1, p2, ..., pk},其中pi 表示节点 ni 的位置坐标,以及连接关系的邻接矩阵 A 和节点的属性和特征向量 F。
在上述优选方案中,通过交通流量的关联,可以捕捉节点之间的交通流动性和交互性,这有助于模型更好地理解隧道内部各位置之间的交通关系;邻接矩阵 A 的权重可以根据实际情况进行调整,以反映不同位置之间的连接强度,通过交通流量的关联,可以根据交通量的大小、车速的快慢等因素来确定节点之间的连接权重,这使得模型能够灵活地适应不同的交通场景和变化。邻接矩阵 A 能够捕捉到隧道内不同位置之间的空间依赖性,通过建立节点之间的连接关系,可以考虑到节点在空间上的相对位置和交通流动的方向,这有助于模型更好地理解隧道交通的拓扑结构和交通流动规律;另外邻接矩阵 A 可以根据实时的交通数据进行更新,从而及时反映隧道交通的变化情况,通过实时更新邻接矩阵A,模型能够动态地适应交通流量的变化,提高预测的准确性和实用性。
作为上述实施例的优选,还包括对邻接矩阵A进行修订,如图5所示,包括:
S121:通过收集天气状况的相关数据,确定一个基于天气状况的新权重序列,新权重序列与节点和连接关系对应;
S122:通过新权重序列所修订的邻接矩阵 A如下:
A'[i, j] = A[i, j]* W[i, j]
其中,A'[i, j]表示修订后的连接强度或权重, W[i, j] 表示新的权重序列中与A[i, j]对应的新权重值。
通过按元素相乘,可以将新的权重序列与原有的权重序列进行组合,得到修订后的连接强度或权重,从而修订邻接矩阵 A,这样可以充分利用原有的连接信息,并结合新的权重信息来提升隧道交通预测模型的准确性和表现。
基于天气状况修订邻接矩阵 A 的方法具有以下技术优势:
隧道交通情况受天气因素的影响较大,例如雨天、雾天等天气条件可能导致交通拥堵或速度变慢,通过引入基于天气状况的新权重序列,可以更准确地反映天气对节点连接强度的影响。通过修订邻接矩阵 A,模型可以根据不同的天气状况自适应地调整节点之间的连接强度,这使得模型能够更好地适应不同天气条件下的交通情况,提高预测准确性,在修订过程中通过引入基于天气状况的新权重序列,修订后的邻接矩阵 A 反映了天气对节点连接强度的贡献,这使得模型的结果更具解释性,可以更好地理解和解释模型对隧道交通预测的依据。
总之,通过基于天气状况的新权重序列修订邻接矩阵 A,可以提高隧道交通预测模型的准确性、灵活性和解释性,更好地反映天气因素对交通情况的影响,从而帮助实现更可靠和精准的预测结果。
实施例二
一种鸿蒙系统的隧道交通情况预测系统,包括:
图构建单元,将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系;
图卷积网络模型单元,从节点和边的信息中学习节点表示,并捕捉节点之间的关系,包括;
初始图卷积网络模型设计模块,设计初始图卷积网络模型,包括输入层、图卷积层和输出层,所述图卷积层的数量不超过2个;
训练和性能评估模块,通过训练集对所述初始图卷积网络模型进行训练,且训练完成后进行性能评估;
图卷积层优化模块,逐一增加所述图卷积层的数量,且每增加一层后,均由所述训练和性能评估模块重新进行训练及性能评估,每次评估均采用相同的指标;
图卷积层确定模块,将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较,判断性能的提升效果是否达到预设值,若低于所述预设值,则停止增加图卷积层,确定最终的图卷积层层数;
交通情况预测单元,使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。
作为上述实施例的优选,所述初始图卷积网络模型还包括残差连接,所述残差连接在相邻的所述图卷积层之间添加。
本实施例中所能够实现的技术效果与上述实施例中相同,此处不再赘述。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于鸿蒙系统的隧道交通情况预测方法,其特征在于,包括:
将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系; 使用图卷积网络模型从节点和边的信息中学习节点表示,并捕捉节点之间的关系,包括;设计初始图卷积网络模型,包括输入层、图卷积层和输出层,所述图卷积层的数量不超过2个;通过训练集对所述初始图卷积网络模型进行训练,且训练完成后进行性能评估,并逐一增加所述图卷积层的数量,且每增加一层后,均重新进行训练及性能评估,每次评估均采用相同的指标;将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较,判断性能的提升效果是否达到预设值,若低于所述预设值,则停止增加图卷积层,确定最终的图卷积层层数;使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测;
确定最终的图卷积层层数后,还包括在相邻的所述图卷积层之间添加残差连接,所述残差连接的输出Residual_Output如下:
Residual_Output=α*H+β*X+γ1*T+γ2*W
H为图卷积层的输出,表示经过图卷积层后的特征表示;X为图卷积层的输入,为所述输入层的输出或上一层的残差连接的输出;T表示时间特征的输入;W表示天气特征的输入;α、β、γ1和γ2分别为相应参数的权重,用于调节不同输入的影响程度;
α、β、γ1和γ2的确定步骤如下:
针对α、β、γ1和γ2分别定义每个权重的可能取值范围;对于各个权重生成所有可能的组合;将所述训练集划分为k个折叠,其中,k为预先定义的数值,对于每个所述折叠使用其他折叠的数据进行训练,并在当前折叠上进行评估,得到性能度量的结果;重复k次,每次将不同的折叠作为验证集,而其他折叠作为训练集,以获得每个所述参数组合在不同验证集上的性能度量结果;计算每个所述参数组合在所有验证集上的性能度量的平均值,作为所述参数组合的最终性能度量,根据所述最终性能度量,选择表现最优的参数组合作为最终的α、β、γ1和γ2;
将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系,包括:确定隧道内的不同位置和交通节点,将隧道内的不同位置和交通节点表示为节点集合 N ={n1, n2, ..., nk},其中 ni 表示第 i 个节点,节点包括隧道的入口、出口、交叉口、收费站;根据交通流量的关联,建立连接关系的邻接矩阵 A,其中 A[i][j] 表示节点 ni 和节点 nj 之间的连接强度或权重,交通流量的关联包括车速的快慢的关联;对于每个节点ni,定义属性和特征向量 F(ni) = [f1, f2, ..., fm],其中 fi 表示节点 ni 的第 i 个属性或特征,属性和特征包括车辆类型;整理和准备相关数据,包括节点的位置坐标 P ={p1, p2, ..., pk},其中 pi 表示节点 ni 的位置坐标,以及连接关系的邻接矩阵 A 和节点的属性和特征向量 F;
还包括对所述邻接矩阵A进行修订,包括:通过收集天气状况的相关数据,确定一个基于天气状况的新权重序列,所述新权重序列与所述节点和连接关系对应;通过所述新权重序列所修订的邻接矩阵 A如下:
A'[i, j] = A[i, j] * W[i, j]
其中,A'[i, j] 表示修订后的连接强度或权重, W[i, j] 表示新的权重序列中与 A[i, j] 对应的新权重值。
2.根据权利要求1所述的鸿蒙系统的隧道交通情况预测方法,其特征在于,所述图卷积网络模型还包括长短期记忆网络层,所述长短期记忆网络层处理后的输出LSTM_Output如下:
LSTM_Output = LSTM(Residual_Output)
其中,Residual_Output表示之前残差连接的输出。
3.根据权利要求1所述的鸿蒙系统的隧道交通情况预测方法,其特征在于,所述训练集通过鸿蒙系统获取,包括:利用鸿蒙系统中的传感器和/或摄像头,采集隧道交通数据;通过所述鸿蒙系统的网络通信功能,将采集到的所述隧道交通数据传输至中央数据库或云平台进行存储;在鸿蒙系统中对采集到的数据进行预处理; 对所述隧道交通数据进行数据标注和生成相应的标签; 将整个数据集按照设定比例划分为训练集、验证集和测试集。
4.一种鸿蒙系统的隧道交通情况预测系统,其特征在于,采用如权利要求1所述的鸿蒙系统的隧道交通情况预测方法,包括:
图构建单元,将隧道内的不同位置和交通节点视为图的节点,并建立它们之间的连接关系;
图卷积网络模型单元,从所述节点和边的信息中学习节点表示,并捕捉节点之间的关系,包括;
初始图卷积网络模型设计模块,设计初始图卷积网络模型,包括输入层、图卷积层和输出层,所述图卷积层的数量不超过2个;
训练和性能评估模块,通过训练集对所述初始图卷积网络模型进行训练,且训练完成后进行性能评估;
图卷积层优化模块,逐一增加所述图卷积层的数量,且每增加一层后,均由所述训练和性能评估模块重新进行训练及性能评估,每次评估均采用相同的指标;
图卷积层确定模块,将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较,判断性能的提升效果是否达到预设值,若低于所述预设值,则停止增加图卷积层,确定最终的图卷积层层数;
交通情况预测单元,使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。
5.根据权利要求4所述的鸿蒙系统的隧道交通情况预测系统,其特征在于,所述初始图卷积网络模型还包括残差连接,所述残差连接在相邻的所述图卷积层之间添加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311088966.0A CN116957166B (zh) | 2023-08-25 | 2023-08-25 | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311088966.0A CN116957166B (zh) | 2023-08-25 | 2023-08-25 | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116957166A CN116957166A (zh) | 2023-10-27 |
CN116957166B true CN116957166B (zh) | 2024-04-26 |
Family
ID=88462182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311088966.0A Active CN116957166B (zh) | 2023-08-25 | 2023-08-25 | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957166B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313947A (zh) * | 2021-05-31 | 2021-08-27 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN114511154A (zh) * | 2022-02-22 | 2022-05-17 | 南通大学 | 一种基于时空复杂图卷积网络的交通流预测方法 |
CN115578852A (zh) * | 2022-07-14 | 2023-01-06 | 西北师范大学 | 一种基于dstgcn的交通预测方法 |
CN115660135A (zh) * | 2022-09-02 | 2023-01-31 | 天津大学 | 基于贝叶斯方法和图卷积的交通流预测方法及系统 |
-
2023
- 2023-08-25 CN CN202311088966.0A patent/CN116957166B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313947A (zh) * | 2021-05-31 | 2021-08-27 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN114511154A (zh) * | 2022-02-22 | 2022-05-17 | 南通大学 | 一种基于时空复杂图卷积网络的交通流预测方法 |
CN115578852A (zh) * | 2022-07-14 | 2023-01-06 | 西北师范大学 | 一种基于dstgcn的交通预测方法 |
CN115660135A (zh) * | 2022-09-02 | 2023-01-31 | 天津大学 | 基于贝叶斯方法和图卷积的交通流预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116957166A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
Walraven et al. | Traffic flow optimization: A reinforcement learning approach | |
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
US20220092418A1 (en) | Training method for air quality prediction model, prediction method and apparatus, device, program, and medium | |
CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和系统 | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN113366473A (zh) | 用于自动选择用于数据流时间序列预测的模型的方法和系统 | |
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 | |
Konstantakopoulos et al. | Design, benchmarking and explainability analysis of a game-theoretic framework towards energy efficiency in smart infrastructure | |
CN109637196A (zh) | 航路扇区交通概率密度预测方法 | |
CN111737826B (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
CN114925836A (zh) | 基于动态多视图图神经网络的城市交通车流量推理方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN114202065B (zh) | 一种基于增量式演化lstm的流数据预测方法及装置 | |
CN115660725A (zh) | 多维度能源用户画像的刻画方法 | |
Tian et al. | RETRACTED ARTICLE: Research on emergency vehicle routing planning based on short-term traffic flow prediction | |
CN113283576B (zh) | 一种基于鲸鱼算法优化lstm的频谱感知方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116957166B (zh) | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 | |
Rodríguez-Rueda et al. | Origin–Destination matrix estimation and prediction from socioeconomic variables using automatic feature selection procedure-based machine learning model | |
CN115081609A (zh) | 一种智能决策中的加速方法、终端设备及存储介质 |
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 |