CN117037479A - 应用路网传感器对交通状态进行测量的信号传输系统 - Google Patents
应用路网传感器对交通状态进行测量的信号传输系统 Download PDFInfo
- Publication number
- CN117037479A CN117037479A CN202310988683.5A CN202310988683A CN117037479A CN 117037479 A CN117037479 A CN 117037479A CN 202310988683 A CN202310988683 A CN 202310988683A CN 117037479 A CN117037479 A CN 117037479A
- Authority
- CN
- China
- Prior art keywords
- traffic state
- road network
- state data
- data
- traffic
- 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
Links
- 230000008054 signal transmission Effects 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000010586 diagram Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims description 96
- 238000009792 diffusion process Methods 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 41
- 238000009826 distribution Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 13
- 230000009469 supplementation Effects 0.000 claims description 13
- 230000001502 supplementing effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 description 17
- 238000004590 computer program Methods 0.000 description 10
- 239000013589 supplement Substances 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003238 somatosensory effect 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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种应用路网传感器对交通状态进行测量的信号传输系统。本发明实施例通过部署交通路网中的各类路网传感器采集交通流量等交通状态数据，并将采集的交通状态数据发送至服务器，通过服务器获取路网结构图和预定时间段内的交通状态数据，并将路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据。其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。由此，本发明实施例的系统可以实现交通状态的测量以及信号传输，并通过服务器部署的对抗生成网络提高了未来交通状态的准确度。
Description
技术领域
本发明涉及信号传输技术领域，更具体地，涉及一种应用路网传感器对交通状态进行测量的信号传输系统。
背景技术
随着智能交通等对于交通领域的建设需求，如何准确的通过路网传感器测量采集数据实现交通状态的测量和预测成为了一个重要的问题。例如，交通流量测量任务在于测量出未来一段时间内的交通流量，比如某个路口的流量数据，某一路段的流量数据。如果较好的完成交通流量的测量或预测，能够帮助下游任务更好的进行，比如帮助网约车、出租车、私家车进行路线规划和导航以较少等待时间，帮助动态调整信号灯持续时间等。
然而，在具体应用场景中，交通路网中部署的路网传感器常常不能采集到充分的交通状态数据，这使得直接应用路网传感器采集的交通状态数据无法准确地进行未来交通状态数据的测量。
发明内容
有鉴于此，本发明实施例提供了一种应用路网传感器对交通状态进行测量的信号传输系统，以实现交通状态的测量以及信号传输，并通过服务器部署的对抗生成网络提高了未来交通状态的准确度。
第一方面，本发明实施例提供一种应用路网传感器对交通状态进行测量的信号传输系统，所述系统包括至少一类路网传感器和服务器，所述路网传感器部署在道路路口、路边和/或车辆上，所述服务器包括存储器和处理器，各所述路网传感器与所述服务器通信连接；
所述路网传感器用于周期性采集交通状态数据，并将所述交通状态数据传输给所述服务器，所述交通状态数据至少包括交通流量数据；
所述处理器用于基于预定时间内接收到的交通状态数据测量未来交通状态数据，具体执行以下步骤：
获取路网结构图和预定时间段内的交通状态数据；
将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据；
其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。
第二方面，本发明实施例提供一种交通状态测量方法，所述方法包括：
获取路网结构图和预定时间段内的交通状态数据；
将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据；
其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。
第三方面，本发明实施例提供一种交通状态测量装置，所述装置包括：
数据获取单元，被配置为获取路网结构图和预定时间段内的交通状态数据；
处理单元，被配置为将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据；
其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。
第四方面，本发明实施例提供一种服务器，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如上所述的方法。
第五方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
第六方面，本发明实施例提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如上所述的方法。
本发明实施例通过部署交通路网中的各类路网传感器采集交通流量等交通状态数据，并将采集的交通状态数据发送至服务器，通过服务器获取路网结构图和预定时间段内的交通状态数据，并将路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据。其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。由此，本发明实施例的系统可以实现交通状态的测量以及信号传输，并通过服务器部署的对抗生成网络提高了未来交通状态的准确度。
附图说明
通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：
图1是本发明实施例的一种信号传输系统的示意图；
图2是本发明实施例的一种交通状态测量方法的流程图；
图3是本发明实施例的基于对抗生成网络的数据处理方法流程图；
图4是本发明实施例的交通状态预测模型的训练方法的流程图；
图5是本发明实施例的扩散网络的扩散及逆扩散过程的示意图；
图6是本发明实施例的一种交通状态预测模型的训练过程示意图；
图7是本发明实施例的另一种交通状态预测模型的训练过程示意图；
图8是本发明实施例的对抗生成网络的训练方法的流程图；
图9是本发明实施例的对抗生成网络的数据处理过程示意图；
图10是本发明实施例的交通状态测量过程的示意图；
图11是本发明实施例的交通状态测量装置的示意图；
图12是本发明实施例的服务器的示意图。
具体实施方式
以下基于实施例对本申请进行描述，但是本申请并不仅仅限于这些实施例。在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。为了避免混淆本申请的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。
此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。
除非上下文明确要求，否则整个申请文件中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本说明书及实施例中所述方案，如涉及个人信息处理或公共场所信息，则均会在具备合法性基础(例如征得个人信息主体或相关部门同意，或者为履行合同所必需等)的前提下进行处理，且仅会在规定或者约定的范围内进行处理。用户拒绝处理基本功能所需必要信息以外的个人信息，不会影响用户使用基本功能。
图1是本发明实施例的信号传输系统，其应用路网传感器对交通状态进行测量。如图1所示，本发明实施例的信号传输系统包括交通路网10中部署的各类路网传感器11和服务器20。其中，各路网传感器11与服务器20通信连接。
进一步地，路网传感器11可以部署在道路路口、路边和/或车辆上。可选的，路网传感器的类别可以为图像传感器、雷达传感器、超声波传感器、红外传感器、磁性传感器、温湿度传感器。本实施例并不对路网传感器的类别进行限制，其能够采集交通路网中相关的交通状态数据即可。
在本实施例中，路网传感器11用于周期性采集交通状态数据，并传输至服务器20，以使得服务器20可以基于接收到的交通状态数据测量未来交通状态数据，进而实现路径规划、行驶时间预估等下游任务。
进一步地，交通状态数据包括交通路网中处于工作状态下的路网传感器11采集或测量的数据，可以包括交通流量数据、车速数据、道路变化情况、和/或温湿度信息等。其中，交通流量数据、车速数据、交通变化情况可以通过图像传感器、雷达传感器、超声波传感器、红外传感器、磁性传感器等传感器采集获取，温湿度信息可以通过温湿度传感器获取。例如，可以根据图像传感器采集图像信息，并基于图像中的车辆数量来确定交通流量，或者基于不同时刻车辆的位置变化确定车速等。道路变化情况可以包括道路封控、拥堵、事故等影响道路连通性的情况。
在本实施例中，服务器20可以包括存储器和处理器。其中，存储器可以存储接收到的交通状态数据、以及处理器所执行的代码等信息。处理器用于基于预定时间内接收到的交通状态数据测量未来交通状态数据。
交通状态数据的测量本质上是一个时序预测任务，用过去时间的交通状态数据建立模型去测量一个特定时间的交通状态数据。但由于交通状态数据具有很大的不确定性，同时影响交通状态数据的变量有很多，所以交通流量实际上是一个比较困难的问题。其中，影响交通状态数据的变量可以包括天气(由于不同天气大家的出行意愿和出行习惯不同)、生活习惯(不同时间具有不同的出行状况，例如早晚高峰流量常常较大)、交通事故以及其他人为因素等。
目前常见的交通流量模型可以分为几类：比如传统的时间序列预测模型、基于图神经网络和递归神经网络的模型等。
传统的时间序列预测模型将预测问题视为一个回归问题，用过去的数据回归当前的数据，如支持向量回归(SVR)，整合移动平均自回归模型(ARIMA)，都可以用训练数据拟合出对应的回归系数作为预测模型。但是传统的时间序列预测模型对于这种复杂问题的预测能力不强，仅仅能做粗略的估测，其可以学习的参数太少，不能学习到所有影响交通状态数据的因素，同时这类模型没有考虑到交通状态数据预测这个任务的特殊性，即节点之间的交通状态数据是相互影响的，并且这种影响极大程度上和交通路网的结构有关。传统的时间序列模型对于空间网络的建模能力不够或者完全不建模这种关系，丢失了问题在空间层面的很多信息，不利于进一步提高预测准确度。同时传统的时间序列模型其参数太少，对序列建模能力不强，对于短期内流量预测可能由一定效果，但对于长期流量预测则准确度很快下降。
基于深度学习的模型则解决了传统时间序列模型建模能力弱的缺点，能学习到丰富的知识。具体地，基于深度学习的模型大体解决了两个问题：第一，传统模型基本没有考虑到路网的结构对交通状态数据的影响。路网本身是具有一定结构的，各个地点之间的交通状态数据(例如交通流量)也是有一定关系的，而不是互相独立的，每个节点在这一时刻的交通流量常常会受到上一时刻其他邻近的节点的交通流量大小的影响，所以需要对路网本身的信息进行提取。近年来提出的图神经网络技术以消息传递为设计理念的核心，而信息传递的设计理念和交通流量在节点之间传递的物理意义之间有很强的关联性，因此图神经网络技术可以在相邻节点之间传递信息，非常适用交通流量预测问题。第二，对时间序列建模问题，RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short TermMemory，长短时记忆网络)、GRU(gated recurrent unit，门控循环单元)、Transformer等是深度学习领域内对序列建模能力很强的模型，非常适用于时间序列预测问题。
虽然当前的基于图神经网络的模型将结构纳入了用于预测的数据和知识中，在交通状态数据预测任务上比传统的时间序列模型表现要更好，但目前的算法都只是在理论上处理交通流量问题，都假设具有充分的数据，其并没有考虑到在目前需要交通状态数据预测的场景下，有时会没有充分的数据，比如在一些需要预测交通状态数据的任务中，常常不能充分的采集训练数据，测试时使用的数据也是非常稀疏的，这使得各类模型都难以处理交通状态数据预测问题。
基于此，本发明实施例在服务器20中的处理器中部署对抗生成网络。其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。由此，服务器20中的处理器可以接收预定时间段内的交通状态数据和路网结构图，将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据。也即，服务器20中的处理器可以通过将基于图神经网络和时序预测模型的交通数据预测模型嵌入至对抗生成网络中，实现对各路网传感器采集的实时交通数据进行补充，提高了交通数据预测准确度。
本发明实施例通过部署交通路网中的各类路网传感器采集交通流量等交通状态数据，并将采集的交通状态数据发送至服务器，通过服务器获取路网结构图和预定时间段内的交通状态数据，并将路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据。其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。由此，本发明实施例的系统可以实现交通状态的测量以及信号传输，且服务器可以通过将基于图神经网络和时序预测模型的交通状态预测模型嵌入至对抗生成网络中，以对各路网传感器采集的实时交通状态数据进行补充，提高了交通状态数据预测准确度。
图2是本发明实施例的一种交通状态数据测量方法的流程图，其应用于服务器20中。如图2所示，本实施例的交通状态数据测量方法包括以下步骤：
步骤S100，获取路网结构图和预定时间段内的交通状态数据。其中，交通状态数据包括某一路口或路段上的交通流量。可选的，预定时间段内的交通状态数据可以为路网传感器在当前时刻采集的实时交通状态数据，也可以为路网传感器在最近预定时间段内连续采集的交通状态数据，本实施例并不对此进行限制。进一步可选的，路网传感器包括采集交通状态数据的任意传感器，例如图像传感器、雷达传感器、超声波传感器、红外传感器、磁性传感器、温湿度传感器等设置在交通道路范围内的传感器，本实施例并不对传感器的类型进行限制。
在一种可选的实现方式中，本实施例对交通路网数据进行路网建模，获取路网结构图。其中，交通路网数据包括路口位置、路网传感器位置以及道路信息等数据。
由于路网上数据的稀疏性与路网传感器和/或路口分布的非欧几里得结构，可以把道路的交汇处(也即路口)或路网传感器的设置位置看作节点，道路看作边，以将一个物理世界中真实存在的交通路网转化为一个能够在计算机中存储的抽象的图结构。同时，交通流量在路口之间流动也和图神经网络的消息传递思想非常相似，由此，本发明实施例可以采用图神经网络来提取路网结构图上的特征信息。
在进一步可选的实现方式中，本实施例通过图学习对交通路网数据进行路网建模或对初始图进行优化，获取路网结构图。进一步地，通过交通路网数据直接建模可能存在一些缺失信息，比如路网图中的边可能只反映出真实世界中交通路网之间的道路，即路口之间的物理连接关系，对于更高级别，例如抽象程度的交通流量依赖关系并不能表示在边上，并且直接建模的路网图可能只反映出路网节点之间的可达关系，并不能反映出路网节点之间的物理关系，比如路网节点之间的距离等。由此，本实施例采用图学习技术来对交通路网数据进行路网建模或对基于交通路网数据直接构建的初始图进行优化，以丰富路网结构图的结构，给路网结构图增加更多的连边以缓解图的稀疏性，并使得每个路网节点具有更加精确的表示，进一步提高了交通状态数据的预测准确性。
在一种可选的实现方式中，本实施例可以采用图结构表示学习(Graph StructureLearning，GSL)、图神经网络(Graph Neural Networks，GNN)、图卷积神经网络(GraphConvolutional Network，GCN)等图学习技术来对交通路网数据进行建模或进行图优化，以获取对应的路网结构图，本实施例并不对图学习采用的具体方式进行限制。
例如，对于某一特定时刻t，本实施例可以通过路网图建模方法，将真实世界的交通路网转化为一个具有特定结构的，带有流量属性的路网结构图G＝(V,E,X)。其中，V为路网节点集合，E为边集合，X为路网节点上的流量的集合。进一步地，本实施例可以采用图学习方法对图的结构进行丰富，以解决真实世界中交通路网图的稀疏问题，还可以通过路网节点之间的连边预测，不仅让路网结构图中的边表示物理上的路网节点连接，也可以表示路网节点之间的交通流量依赖关系。进一步地，本实施例还可以基于图学习方法来对交通路网数据进行学习，以学习其他交通状态数据，例如路网节点之间的物理距离、道路的平均流量和平均速度等交通状态数据，从而使得路网结构图中的路网节点和边获得更加准确的表示。由此，可以进一步提高交通状态数据的预测准确性。
步骤S200，将路网结构图和交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据。其中，对抗生成网络以预先训练的交通状态预测模型为生成器。进一步地，交通状态预测模型包括图神经网络和时序预测模型。
对抗生成网络包括生成器和判别器。其中，生成器用于生成一个与真实数据尽可能相近的样本，判别器用于判断给定第样本是真实数据分布还是生成器生成的样本分布。在对抗生成网络的训练过程中，将生成器和判别器共同优化，直到判别器对于一个给定的实例判断其为真实样本与判断其为生成器生成样本的概率相同，此时生成器生成数据分布与真实样本数据分布基本相同，其目标函数为：
其中G为生成器，D为判别器，Pdata为真实数据分布，pz为噪声分布，G(z)为生成器生成的数据分布。由此，可以通过最小化上述目标函数同时优化生成器和判别器，当判别器不能判断出数据是来自生成器还是真实数据时，则生成器生成的数据分布与真实数据分布相近。
由此，本实施例将交通状态预测模型作为对抗生成网络的生成器部署在线上，可以利用对抗生成网络的特性，在输入的实时交通状态数据稀疏时，基于生成器对实时交通状态数据进行补充，并且由于生成器为预先训练的交通状态预测模型，因此，其还可以在对实时交通状态数据进行数据补充的同时基于补充的实时交通状态数据以及保存的历史交通状态数据对应的时序特征预测未来交通状态数据，提高了模型预测的准确性。
在本发明实施例中，将线下训练完成后的交通状态预测模型嵌入作为对抗生成网络的生成器部署在线上，并对线上部署的对抗生成网络进行训练以实现模型的微调，进一步提高未来交通状态数据预测的准确性。
在一种可选的实现方式中，本实施例的对抗生成网络包括路网结构图中的至少部分路网节点对应的判别器。
进一步可选的，由于在实际应用中，基于实际需求，每个交通路网节点的交通状态数据均可能被应用，因此，本实施例在对抗生成网络进行训练时，可以训练每个路网节点对应的判别器，也即使得每个路网节点具有对应的判别器，以进一步提高模型预测的准确性。在另一种可选的实现方式中，也可以仅训练部分主要路网节点对应的判别器，以提高模型的数据处理效率。
图3是本发明实施例的基于对抗生成网络的数据处理方法流程图。在一种可选的实现方式中，如图3所示，本实施例的基于对抗生成网络确定未来交通状态数据的数据处理方法包括以下步骤：
步骤S210，将路网结构图和所述交通状态数据输入至图神经网络中进行空间特征处理，获取对应的路网特征图。
可选的，本实施例通过将路网结构图和交通状态数据输入至图神经网络中进行处理，提取各路网节点的邻域信息，根据各路网节点的邻域信息确定路网特征图。其中，路网节点的邻域信息包括与路网节点连接和/或间接连接的至少一个路网节点以及连接边的特征信息。
图神经网络就是将图数据和神经网络结合的一种深度学习方法，在图数据上进行端到端的计算。可选的，本实施例的图神经网络可以采用图卷积神经网络，主要的思想与卷积神经网络相似，即聚合邻居，经过多层聚合之后，每个节点能够感受周围节点的能力，故有较强的对空间建模的能力。对于一个节点，不仅能够表示自己的属性信息，再经过图卷积神经网络之后，能够表示一定范围内节点的信息，使得每个节点含有的信息更加丰富。图卷积神经网络的更新公式如下：
其中，H(l+1)为第l+1卷积层的节点的特征矩阵，H(l)为第l卷积层的节点的特征矩阵，W(l)为第l卷积层的权重矩阵，A为结构图的邻接矩阵，D为邻接矩阵A的度矩阵。其中，结构图中的节点的度可以采用该节点连接的边的数量进行表征。
在图卷积神经网络的更新公式每次执行后，可以让节点的感受野增加一层，使得其信息更加丰富，表征的知识层次也更高。
在本实施例中，由于路网结构图中某个路网节点的交通流量等数据与其周围路网节点的交通流量等数据有着比较复杂的关系。例如节点a的流量可能在早上主要来自节点b，流向节点c和d，而在晚上主要来自节点c和d，流向节点b，所以本实施例采用可学习参数方式来更新每个节点的特征，聚合邻居信息，以捕获上文中所说的复杂的节点关系。
进一步可选的，本实施例的图神经网络还可以采用GAT(Graph AttentionNetworks，图注意力网络)。GAT可以对每个节点都计算其与邻域节点的注意力系数(局部图注意力系数或全局注意力系数)，通过注意力系数来聚合节点的特征。
在本实施例中，GAT通过对节点的所有邻居节点上应用注意力机制以给不同的邻居节点分配不同的权重，表示不同的邻居节点对于中心节点的交通流量贡献不同，并对邻居节点的表示进行加权和来更新中心节点的表示。具体更新公式为：
其中，为节点v在第l层的特征，M为传递函数，U为更新函数。/>为节点v的邻居节点μ在第l层的特征，N(v)为节点v的邻居节点的集合。
具体的，更新函数U可以采用多层感知机，传递函数M可以使用各种注意力机制。节点对应的感受野随着更新公式的执行次数增加而增加，多层更新后节点的特征就融合了其邻居节点的特征。
进一步地，采用过多图卷积层堆叠的卷积神经网络容易造成过平滑问题，反而不能提取到每个节点的有效的特征。本实施例通过使用加深更新函数的表示能力，减少具有消息传递能力的图卷积层的数量，以实现在提取深层特征同时避免过平滑问题。
由此，本实施例通过将路网结构图和所述交通状态数据输入至图神经网络中进行特征处理，以提取各个路网节点的特征信息(该特征信息融合了邻居节点的特征)，进而获得该路网结构图对应的路网特征图。
进一步地，使用上述的任一图神经网络，可以生成当前时间节点的路网特征图FG＝(V,E,FX)。其中，V表征路网结构图的路网节点的集合，E表征路网结构图的边的集合。FX表征各路网节点的特征信息的集合。其中，该路网特征图中的每一路网节点不仅具有该路网节点的流量信息，也有周围邻居节点的流量信息以及其周围网络的结构。由此，本实施例可以提取路网结构图的空间信息，并增强的路网结构图数据的表示，这进一步提高了后续模型对交通状态数据预测的准确度。
在其他可选的实现方式中，本实施例的图神经网络还可以采用GraphSage等网络模型。GraphSage是一种在图上利用节点的属性信息高效产生未知节点的特征表示的归纳式学习框架，其核心思想是通过学习一个对邻居节点进行聚合表示的函数，产生中心节点的特征表示，可以是监督学习也可以是无监督学习。
应理解，本实施例并不对图神经网络的类型进行限制。
步骤S220，将该路网特征图输入至时序预测模型中进行时序特征处理，以确定未来交通状态数据。
在本实施例中，本实施例将交通状态预测模型作为对抗生成网络的生成器部署在线上，利用对抗生成网络的特性，在路网特征图输入至时序预测模型进行时序特征处理过程中，时序预测模型可以生成实时交通状态数据中缺失的部分节点的交通状态数据，以补全实时交通状态数据，并基于补全的实时交通状态数据预测未来交通状态数据，由此，可以提高模型预测的准确性。
交通状态数据，尤其是交通流量预测本质是一个时间序列预测问题，通过过去时间的流量特征预测之后某个特定时间的流量特征。因此，本实施例采用时序预测模型来进行时序特征提取，以保证预测准确性。
在一种可选的实现方式中，本实施例的时序预测模型采用LSTM模型。LSTM为一个经典的时序预测模型，适用于交通状态数据预测的时间特征提取部分。
交通状态数据在对应的时刻下具有对应的图，截止到T时刻之前的一段时间的交通状态数据可以采用T张图组成，GT＝{G1,G2,…,GT}，Gi＝(V,E,Xi)。其中，T可以表征这段时间内的交通状态数据采样次数，T≥1，1≤i≤T，V为路网交通图中的路网节点的集合，E为边集合，Xi为各路网节点在第i时刻的交通状态数据的集合。应理解，交通路网的更新变化并不是持续事件，且交通预测问题一般是在一个固定的交通路网上执行，因此在较短的时间内可以认为V和E是与时间无关的。
在本实施例中，T张图在经过图神经网络进行空间特征提取后，可以得到T张路网特征图{FG1,…,FGT}，其中FGi＝(V,E,FXi)。进一步地，本实施例可以将T张路网特征图{FG1,…,FGT}输入至LSTM模型中，进行第T+N时刻的交通流量预测，N≥1。
进一步地，由于不同时间的路网结构相同，所以不同时间的图卷积参数可以共享，也即本实施例可以使用同一个图神经网络进行空间特征提取。同时由于在LSTM模型中，单个向量的不同维度互相独立，而经过图神经网络处理之后获得的路网特征图，每个路网节点已经聚合了周围邻居的足够多的特征信息，此时可以把每个路网节点的信息视为相互独立的，因此本实施例可将特征图FGi中的FXi展开成一维向量输入至LSTM模型中进行处理，具体的公式如下：
XT+1＝LSTM(GCN(G1),GCN(G2),…,GCN(GT))
其中，GT表征第T时刻获取的图，其信息包括第T时刻的路网结构图和交通状态数据，GCN(GT)表征T时刻对应的路网特征图，XT+1表征预测的T+1时刻的交通状态数据。上述公式中采用图卷积神经网络GCN为例进行描述，应理解，本实施例并不限制于此，其还可以采用其他图神经网络，例如上述GAT等。
在另一种可选的实现方式中，本实施例的时序预测模型还可以采用Transformer模型。Transformer主要可以分为编码器和解码器，使用编码器将过去的时序信息整合成一个隐变量，然后使用解码器利用隐变量通过自回归的方式逐步预测出之后时间节点的交通状态数据情况。具体的公式如下：
hT＝Encoder(GCN(G1),GCN(G2),…,GCN(GT))
XT+j+1＝Decoder(hT,XT,...,XT+j),j＝0,1,…
其中，hT表征T时刻对应的隐变量，GT表征第T时刻获取的图，其信息包括第T时刻的路网结构图和交通状态数据，GCN(GT)表征T时刻对应的路网特征图，Encoder()为编码器，Decoder()为解码器，XT+j为第T+j时刻的交通状态数据，XT+j+1为预测的T+j+1的交通状态数据。
应理解，本实施例还可以采用其他时序预测模型，其能够提取时序特征即可，本实施例并不对此进行限制。
本实施例可以通过交通状态预测模型中的图神经网络对路网结构图和采集的交通状态数据进行空间特征提取，获得路网特征图，并通过交通状态预测模型中的时序预测模型对路网结构图进行时序特征提取，以进行未来交通状态数据的预测，同时，本实施例通过将交通状态预测模型嵌入至对抗生成网络的生成器，可以在采集的交通状态数据缺失(路网中的部分路网节点的交通状态数据缺失等)时，对交通状态数据进行补充，并基于补充后的交通状态数据进行未来交通状态数据的预测，这进一步提高了交通状态数据的预测准确度，从而可以使得预测的交通状态数据更好地应用于下游任务，例如使得路线规划更合理等。
在一种可选的实现方式中，本发明实施例通过历史交通状态数据对交通状态预测模型进行预训练，将预训练后的交通状态预测模型嵌入至对抗生成网络的生成器中，并采用历史交通状态数据对对抗生成网络进一步训练，使得部分或全部路网节点具有对应的判别器，以在对抗生成网络在线上部署后，在各路网节点的交通状态数据缺失时，能够进行数据补充，从而提高交通状态数据预测准确度。进一步地，本实施例中的对抗生成网络的生成器进行了预训练，由此可以减少对抗生成网络的训练所需的样本数据以及计算量。
图4是本发明实施例的交通状态预测模型的训练方法的流程图。在一种可选的实现方式中，如图4所示，本实施例的交通状态预测模型通过以下步骤训练：
步骤S310，获取历史交通状态数据。可选的，历史交通状态数据包括至少一个训练节点子集合中的各训练节点的历史交通状态数据。其中，训练节点子集合为路网结构图对应的路网节点集合的子集。
步骤S320，对历史交通状态数据进行数据补充，获取训练样本数据。
其中，训练样本数据包括第一预定时刻内的样本数据和所述第一预定时刻之后的样本数据。也就是说，以第一预定时刻为T时刻为例，训练样本数据包括T时刻以及T时刻之前的采集时刻采集的样本数据，还包括T+1时刻等T时刻之后的采集时刻采集的样本数据，以使得交通状态预测模型对T时刻以及T时刻之前的样本数据进行处理，并将交通状态预测模型的输出数据与对应的T时刻之后的样本数据进行比对，基于比对结果对交通状态预测模型进行调参，以使得交通状态预测模型的输出数据逐渐趋近于对应的真实数据(也即T时刻之后的样本数据)。
由于在同一时刻可能只能获得部分路网节点的交通状态数据，造成采集的路网交通状态数据本身存在缺失，因此现有的交通流量预测模型在实际训练过程中无法得到有效的训练。由此，本实施例通过对获取的历史交通状态数据进行数据补充，以使得交通状态预测模型得到有效训练，进一步提高了模型预测准确度。
在一种可选的实现方式中，本实施例通过生成模型对历史交通状态数据进行数据补充，获取训练样本数据。其中，本实施例的生成模型可以采用扩散模型。本实施例主要以扩散模型为例进行主要描述，应理解，其他生成模型，例如，VAE(VariationalAutoEncoder，变分自编码器)等均可应用在本实施例中，本实施例并不对此进行限制。
扩散模型是一种生成模型，分为扩散阶段和逆扩散阶段。在扩散阶段，通过不断对原始数据添加噪声，在逆扩散阶段，从噪声中逐渐恢复出原始数据。由此，可以根据扩散模型生成更多的原始数据。
在一种可选的实现方式中，本实施例响应于路网节点在第一预定时刻内的历史交通状态数据存在缺失，采用预定数据补充方式，基于路网节点在第一预定时刻之前一定时间内的交通状态数据进行数据补充，响应于路网节点在第一预定时刻之后的历史交通状态数据存在缺失，通过扩散模型获取路网节点在所述历史时刻之后的历史交通状态数据。
进一步可选的，预定数据补充方式包括取平均值和/或插值拟合方式。
由于在经过多层图神经网络的空间特征提取之后，前T时刻内的路网节点的交通状态数据的误差对整体路网特征图的影响有限，因此，对于某些路网节点在前T时刻中的某些时刻缺失的交通状态数据，可以采用该路网节点在前T时刻具有的交通状态数据通过取平均值和/或插值拟合方式确定，以在保证交通状态预测模型得到有效训练的情况下，降低模型训练的计算量，提高模型训练的效率。
以第一预定时刻为T时刻为例，在前T时刻中的某一时刻T-x(x≥0)，某些路网节点的交通状态数据存在缺失，可以根据该路网节点在T时刻之前一定时间内的交通状态数据(例如T-x时刻之前的交通状态数据和/或T-x时刻-T时刻之间的交通状态数据)确定该路网节点在T-x时刻的交通状态数据。例如，计算该路网节点在该时刻T-x之前一定时间内的交通状态数据的平均值，将该平均值确定为该路网节点在T-x时刻的交通状态数据，也可以根据该路网节点T-x时刻之前的交通状态数据和/或T-x时刻-T时刻之间的交通状态数据进行插值拟合，以确定该路网节点在T-x时刻的交通状态数据。
而由于第T+n(n大于1)时刻的交通状态数据是待预测的交通状态数据，如果依旧采用取平均值或插值拟合的方式进行替代，则对训练后的模型预测精度会造成较大的影响，因此，本实施例采用扩散模型对这类缺失的交通状态数据进行生成，以获取对应的训练样本数据。
在其他可选的实现方式中，本实施例也可以采用扩散模型生成所有所需补充的交通状态数据，以进一步提高训练后的模型精度。
步骤S330，基于训练样本数据对所述交通状态预测模型进行训练。
在一种可选的实现方式中，本实施例可以通过各类数据补充方式(取平均值、插值拟合或扩散模型)对获取的历史交通状态数据进行数据补充，获得交通状态预测模型所需的训练样本数据集合，然后通过该训练样本数据集合对交通状态预测模型进行训练。
进一步可选的，本实施例基于获取的历史交通状态数据训练扩散模型，并基于训练后的扩散模型生成历史交通状态数据中缺失的部分路网节点的交通状态数据，以得到交通状态预测模型的训练样本数据集合。
图5是本发明实施例的扩散网络的扩散及逆扩散过程的示意图。如图5所示，扩散模型的扩散过程和逆扩散过程均可以看作一个马尔科夫链的过程。在扩散模型的扩散过程使得从原始数据X0→高斯分布XS(也即q(Xs|Xs-1))。扩散模型的逆扩散过程使得高斯分布XS→原始数据X0(也即q(Xs-1|Xs))。其中，Xs表征s时刻的数据分布。由于需要从完整数据集中找到对应的数据分布，无法简单的预测q(Xs-1|Xs)，因此通过学习一个模型pθ(Xs-1|Xs)来近似模拟条件概率q(Xs-1|Xs)。进一步地，逆扩散过程对应的高斯分布如下：
pθ(xs-1|xs)＝N(xs-1；μθ(xs,s),Σθ(xs,s))
在进一步可选的实现方式中，采用第T+1时刻具有交通状态数据的至少一个路网节点集合VS＝{vs1,…,vss}对扩散模型进行训练。其中，不同的路网节点集合VS对应的T时刻可以相同也可以不同。由此，可以使得训练后的扩散模型能够较为准确地生成路网结构图中的任一路网节点的交通状态数据。
图6是本发明实施例的一种交通状态预测模型的训练过程示意图。如图6所示，在本实施例中，通过扩散模型61生成稀疏历史交通状态数据d1中缺失的某些路网节点在某些时刻的交通状态数据(也即补充数据d2)，根据成稀疏历史交通状态数据d1和补充数据d2确定训练样本数据集合，并采用该训练样本数据集合训练交通状态预测模型62。由此，本实施例可以使得交通状态预测模型62得到有效地训练，提高了模型预测的准确性。
在另一种可选的实现方式中，由于交通状态数据为时序数据，T+1时刻的交通状态数据需要依赖于前T时刻的交通状态数据，因此，为了进一步提高扩散模型和交通状态预测模型的准确性，本实施例可以将扩散模型的条件概率分布优化为q(xs-1|xs,XT+1)，也即使得其还以交通状态数据预测结果XT+1作为条件概率的条件。进一步地，本实施例假设xs-1,xs,XT+1的联合分布仍然符合高斯分布，则条件概率分布pθ也是符合高斯分布的，具体如下：
pθ(xs-1|xs)＝N(xs-1；μθ(xs,XT+1,s),Σθ(xs,XT+1,s))
由此，本实施例可以将交通状态预测模型输出的交通状态数据预测结果XT+1作为扩散模型的逆扩散过程对应的条件概率的条件，可以实现交通状态预测模型和扩散模型的联合训练，进一步提高了扩散模型补充的交通状态数据的准确性以及训练后的交通状态预测模型的预测准确性。
图7是本发明实施例的另一种交通状态预测模型的训练过程示意图。如图7所示，在模型训练过程中，交通状态预测模型72将输出的交通状态数据预测结果XT+1发送给扩散模型71，以使得扩散模型71基于xs-1,xs,XT+1的联合分布进一步优化，使得其生成的补充数据d2能够更准确地表征路网节点在对应时刻的交通状态数据，进而使得基于稀疏历史交通状态数据d1和补充数据d2生成的训练样本数据能够表征路网结构图中各个节点在对应时刻的交通状态数据，从而进一步优化交通状态预测模型72。
进一步可选的，本实施例可以采用图6所示的训练方式预训练扩散模型和交通状态预测模型，并基于图7所述的方式进行模型优化或者模型测试，以得到训练后的交通状态预测模型。
在进一步可选的实现方式中，本实施例可以采用不同时刻对应的路网节点集合VS对模型进行训练，以使得多个路网节点集合能够覆盖路网结构图中的所有路网节点，也即使得多个路网节点集合VS的并集等于路网结构图中的路网节点集合V。由此，本实施例可以在模型训练过程中尽可能覆盖所有路网节点，进而保证各个路网节点的交通状态数据的预测准确性。
本发明实施例通过扩散模型对稀疏的路网交通状态数据进行补充，以使得交通状态预测模型能够得到有效的预训练，进而提高了交通状态预测模型的准确性。
在交通状态数据预测的应用场景中，实时交通状态数据的挖掘对于未来交通状态数据的预测也非常重要。而在具体场景中，由于交通状态数据收集和预测需求的同时性以及实时通信能力的限制，在线任务中难以获得路网的完整信息。由此，本实施例将通过图6和/或图7所示的训练方式获得的交通状态预测模型嵌入至对抗生成网络的生成器中，也即本实施例针对交通状态数据预测任务在线上部署对抗生成网络，并将上述训练获得的交通状态预测模型作为对抗生成网络的生成器，在至少部分网络节点上建立参数独立的判别器，以使得在交通状态数据预测过程中，对实时交通状态数据进行补充，进而提高交通状态数据预测的准确性。
可选的，本实施例的对抗生成网络的判别器可以采用线性前馈神经网络。
图8是本发明实施例的对抗生成网络的训练方法的流程图。在一种可选的实现方式中，如图8所示，本实施例的对抗生成网络采用以下步骤进行训练：
步骤S410，获取至少一个训练节点子集合中的各训练节点的历史交通状态数据。其中，训练节点子集合为路网结构图对应的路网节点集合的子集，训练节点的历史交通状态数据包括第二预定时刻内和第二预定时刻之后的历史交通状态数据。应理解，在本实施例中，第二预定时刻内的历史交通状态数据也即在第二预定时刻采集的历史交通状态数据以及在第二预定时刻之前各个数据采集时刻采集的历史交通状态数据。同理，第二预定时刻之后的历史交通状态数据为在第二预定时刻之后的数据采集时刻采集的历史交通状态数据。
步骤S420，将训练节点在第二预定时刻内的历史交通状态数据输入至生成器中进行处理，获得训练节点在所述第二预定时刻之后的预测交通状态数据；
步骤S430，将训练节点在第二预定时刻之后的历史交通状态数据和预测交通状态数据输入至所述训练节点对应的判别器中进行处理，获取判别结果；
步骤S440，基于预定的对抗损失函数和判别结果对所述对抗生成网络进行参数调整，以获取训练后的所述对抗生成网络。
在本实施例中，以交通状态预测模型中的图神经网络为图卷积神经网络GCN、时序预测模型为LSTM模型为例，对抗生成网络的损失函数可以为：
其中，VS为在第T+1时刻具有交通状态数据的训练节点子集合，其为路网结构图中的路网节点集合V的子集，Di为第i个节点的判别器，为第i个节点在T+1时刻的真实交通状态数据，GT’为前T时刻的交通状态数据对应的实时图，LSTM(GCN())为生成器，用于生成第i个节点的预测交通状态数据。由此可见，本实施例与传统的对抗生成网络不同，也即本实施例并不采用噪声来生成预测交通状态数据，而是采用对应路网节点本身的短期历史数据(也即前T时刻的交通状态数据)来生成预测数据。由此，本实施例的生成器可以学习未来交通状态数据与过去交通状态数据之间的关系，以进一步提高模型预测的准确性。
在一种可选的实现方式中，上述损失函数中的GT’可以采用需要预测的第i个节点的邻域子图GTi，而非前T时刻整个交通路网对应的实时图，以进一步减小图神经网络的计算量，提高交通状态数据预测效率。
在进一步可选的实现方式中，本实施例可以采用不同时刻对应的路网节点集合VS对模型进行训练，以使得多个路网节点集合VS能够覆盖路网结构图中的所有路网节点，也即使得多个路网节点集合VS的并集等于路网结构图中的路网节点集合V。由此，本实施例可以实现在各个路网节点上建立并训练具有独立参数的判别器，使得对抗生成网络的生成器可以生成各个路网节点的与真实数据相似的数据，从而使得交通状态预测模型(也即对抗生成网络的生成器)进行充分训练，提高其预测能力。
图9是本发明实施例的对抗生成网络的数据处理过程示意图。如图9所示，本实施例获取路网结构图G和当前时刻的交通状态数据DT，并将路网结构图G和当前时刻的交通状态数据DT输入至生成器91中的图神经网络911中进行空间特征处理，获取对应的路网特征图GF。在另一种可选的实现方式中，交通状态数据DT为需要预测的路网节点在当前时刻的交通状态数据，则图神经网络911对路网结构图G和当前时刻的交通状态数据DT进行空间特征处理后，获得对应的路网节点的邻域子图，以减小模型计算量，提高模型的数据处理效率。
进一步地，本实施例将图神经网络911输出的路网特征图GF输入至生成器91中的时序预测模型912，以在对路网特征图GF进行时序特征处理，获取预测交通状态数据DT+1。进一步地，由于本实施例采用以图神经网络和时序预测模型为生成器的对抗生成网络，因此，本实施例的图神经网络911和时序预测模型912(也即生成器91)在对输入的路网结构图G和当前时刻的交通状态数据DT进行时空特征处理的同时，对稀疏的交通状态数据DT进行数据补充，以基于数据补充后的实时交通状态数据进行预测，得到对应的路网节点的预测交通状态数据DT+1。由此，本实施例通过部署以图神经网络和时序预测模型为生成器的对抗生成网络，可以对采集的稀疏实时交通状态数据进行补全，以进一步提高未来交通状态数据预测的准确性。
进一步可选的，本实施例还可以将获取的预测交通状态数据DT+1以及后续在T+1时刻采集的真实交通状态数据D'T+1输入至对应路网节点的判别器92，并将判别器92的判别结果发送至生成器中，由此，本实施例还可以在模型部署后，通过实时处理的交通状态数据进行微调，这进一步提高了模型预测的准确性。
本发明实施例在模型离线训练时，通过扩散模型对大规模历史交通状态数据进行补全，以使得交通状态预测模型在离线时能够获得充分有效的预训练，并在模型部署时，将交通状态预测模型部署为对抗生成网络的生成器，并在至少部分路网节点上建立参数独立的判别器，基于对抗生成网络的特性，可以对实时交通状态数据进行数据补充，进一步提高了交通状态数据预测的准确性。
图10是本发明实施例的交通状态测量过程的示意图。如图10所示，在本实施例中，通过交通路网数据d0构建初始图G0，并对初始图G0进行图结构学习得到路网结构图G。
进一步地，本实施例通过训练后的扩散模型101对大规模的稀疏历史交通状态数据d1的缺失数据进行数据补充，得到补充数据d2，并基于稀疏历史交通状态数据d1和补充数据d2得到交通状态预测模型的训练样本数据d3。本实施例的经由图神经网络和时序预测模型构建的初始交通状态预测模型102根据训练样本数据d3和路网结构图G进行训练，得到预训练后的交通状态预测模型。由此，本实施例通过扩散模型对大规模历史交通状态数据进行补全，以使得交通状态预测模型在离线时能够获得充分有效的预训练，进而提高了模型预测的准确性。
进一步地，本实施例将预训练后的交通状态预测模型部署为对抗生成网络的生成器，并在至少部分路网节点上建立对应的判别器，得到初始对抗生成网络103。本实施例根据历史交通状态数据d4对初始对抗生成网络103进行训练，获得训练后的对抗生成网络104。在本实施例中，由于对抗生成网络的生成器为经过预训练的交通状态数据预测网络，使得本实施例的对抗生成网络并不是用噪声来生成预测交通状态数据，而是采用对应路网节点本身的短期历史数据来生成预测数据，这在提高对抗生成网络的训练效率的同时进一步提高了模型预测准确性。
进一步地，本实施例获取路网结构图G和当前时刻的交通状态数据DT，并将路网结构图G和当前时刻的交通状态数据DT输入至生成器1041中的图神经网络1041a中进行空间特征处理，获取对应的路网特征图GF。在另一种可选的实现方式中，交通状态数据DT为需要预测的路网节点在当前时刻的交通状态数据，则图神经网络1041a对路网结构图G和当前时刻的交通状态数据DT进行空间特征处理后，获得对应的路网节点的邻域子图，以减小模型计算量，提高模型的数据处理效率。
进一步地，本实施例将图神经网络1041a输出的路网特征图GF输入至生成器1041中的时序预测模型1041b，以在对路网特征图GF进行时序特征处理，获取预测交通状态数据DT+1。进一步地，由于本实施例采用以图神经网络和时序预测模型为生成器的对抗生成网络，因此，本实施例的图神经网络1041a和时序预测模型1041b(也即生成器1041)在对输入的路网结构图G和当前时刻的交通状态数据DT进行时空特征处理的同时，对稀疏的交通状态数据DT进行数据补充，以基于数据补充后的实时交通状态数据进行预测，得到对应的路网节点的预测交通状态数据DT+1。由此，本实施例通过部署以图神经网络和时序预测模型为生成器的对抗生成网络，可以对采集的稀疏实时交通状态数据进行补全，以进一步提高未来交通状态数据预测的准确性。
进一步可选的，本实施例还可以将获取的预测交通状态数据DT+1以及后续在T+1时刻采集的真实交通状态数据D'T+1输入至对应路网节点的判别器1042，并将判别器1042的判别结果发送至生成器中，由此，本实施例还可以在模型部署后，通过实时处理的交通状态数据进行微调，这进一步提高了模型预测的准确性。
本发明实施例在模型离线训练时，通过扩散模型对大规模历史交通状态数据进行补全，以使得交通状态预测模型在离线时能够获得充分有效的预训练，并在模型部署时，将交通状态预测模型部署为对抗生成网络的生成器，并在至少部分路网节点上建立参数独立的判别器，基于对抗生成网络的特性，可以对实时交通状态数据进行数据补充，进一步提高了交通状态数据预测的准确性。
图11是本发明实施例的交通状态测量装置的示意图。如图11所示，本实施例的交通状态测量装置110包括数据获取单元111和处理单元112。
数据获取单元111被配置为获取路网结构图和预定时间段内的交通状态数据。处理单元112被配置为将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据。其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。
在一种可选的实现方式中，处理单元112包括空间特征处理子单元和时序特征处理子单元。空间特征处理子单元被配置为将所述路网结构图和所述交通状态数据输入至所述图神经网络中进行空间特征处理，获取对应的路网特征图。时序特征处理子单元被配置为将所述路网特征图输入至所述时序预测模型中进行时序特征处理，以确定未来交通状态数据。
在一种可选的实现方式中，空间特征处理子单元进一步被配置为将所述路网结构图和所述交通状态数据输入至所述图神经网络中进行处理，提取各所述路网节点的邻域信息，根据所述邻域信息确定所述路网特征图。所述路网节点的邻域信息包括与所述路网节点连接和/或间接连接的至少一个路网节点以及连接边的特征信息。
在一种可选的实现方式中，所述对抗生成网络包括所述路网结构图中的至少部分路网节点对应的判别器。
在一种可选的实现方式中，数据获取单元111进一步被配置为对交通路网数据进行路网建模，获取所述路网结构图。
在一种可选的实现方式中，交通状态测量装置110还包括第一训练单元。第一训练单元包括第一数据获取子单元、数据补充子单元和第一训练子单元。
第一数据获取子单元被配置为获取历史交通状态数据。数据补充子单元被配置为对所述历史交通状态数据进行数据补充，获取训练样本数据，所述训练样本数据包括第一预定时刻内的样本数据和所述第一预定时刻之后的样本数据。第一训练子单元被配置为基于所述训练样本数据对所述交通状态预测模型进行训练。
在一种可选的实现方式中，数据补充子单元进一步被配置为通过生成模型对所述历史交通状态数据进行数据补充，获取所述训练样本数据。
在一种可选的实现方式中，数据补充子单元进一步被配置为响应于路网节点在所述第一预定时刻内的历史交通状态数据存在缺失，采用预定数据补充方式，基于所述路网节点在所述第一预定时刻之前一定时间内的交通状态数据进行数据补充，所述预定数据补充方式包括取平均值和/或插值拟合方式，响应于所述路网节点在所述第一预定时刻之后的历史交通状态数据存在缺失，通过所述扩散模型获取所述路网节点在所述历史时刻之后的历史交通状态数据。
在一种可选的实现方式中，所述生成模型为扩散模型。
在一种可选的实现方式中，所述扩散模型的逆扩散过程对应的高斯分布为以所述时序预测模型的输出结果为条件的条件概率分布。
在一种可选的实现方式中，所述历史交通状态数据包括至少一个训练节点子集合中的各训练节点的历史交通状态数据。其中，所述训练节点子集合为所述路网结构图对应的路网节点集合的子集。
在一种可选的实现方式中，交通状态测量装置110还包括第二训练单元。第二训练单元包括第二数据获取子单元、数据处理子单元和判别子单元和调参子单元。
第二数据获取子单元被配置为获取至少一个训练节点子集合中的各训练节点的历史交通状态数据，所述训练节点子集合为所述路网结构图对应的路网节点集合的子集，所述训练节点的历史交通状态数据包括第二预定时刻内和所述第二预定时刻之后的历史交通状态数据。数据处理子单元被配置为将所述训练节点在所述第二预定时刻内的历史交通状态数据输入至所述生成器进行处理，获得所述训练节点在所述第二预定时刻之后的预测交通状态数据。判别子单元被配置为将所述训练节点在所述第二预定时刻之后的历史交通状态数据和所述预测交通状态数据输入至所述训练节点对应的判别器中进行处理，获取判别结果。调参子单元被配置为基于预定的对抗损失函数和所述判别结果对所述对抗生成网络进行参数调整，以获取训练后的所述对抗生成网络。
在一种可选的实现方式中，所述路网节点集合为所述至少一个训练节点子集合的并集。
本发明实施例通过获取路网结构图和预定时间段内的交通状态数据，并将路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据。其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。由此，本发明实施例可以通过将基于图神经网络和时序预测模型的交通状态预测模型嵌入至对抗生成网络中，以对采集的实时交通状态数据进行补充，提高了交通状态数据预测准确度。
图12是本发明实施例的服务器的示意图。如图12所示，服务器12为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器121和存储器122。处理器121和存储器122通过总线123连接。存储器122适于存储处理器121可执行的指令或程序。处理器121可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器121通过执行存储器122所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线123将上述多个组件连接在一起，同时将上述组件连接到显示控制器124和显示装置以及输入/输出(I/O)装置125。输入/输出(I/O)装置125可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置125通过输入/输出(I/O)控制器126与系统相连。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品。
本申请是参照根据本申请实施例的方法、装置(设备)和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。
这些计算机程序指令可以存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现流程图一个流程或多个流程中指定的功能。
也可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
本发明的另一实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计算机可读程序用于供计算机执行上述部分或全部的方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指定相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各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-OnlyMemory)、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。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域技术人员而言，本申请可以有各种改动和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (16)
1.一种应用路网传感器对交通状态进行测量的信号传输系统，其特征在于，所述系统包括至少一类路网传感器和服务器，所述路网传感器部署在道路路口、路边和/或车辆上，所述服务器包括存储器和处理器，各所述路网传感器与所述服务器通信连接；
所述路网传感器用于周期性采集交通状态数据，并将所述交通状态数据传输给所述服务器，所述交通状态数据至少包括交通流量数据；
所述处理器用于基于预定时间内接收到的交通状态数据测量未来交通状态数据，具体执行以下步骤：
获取路网结构图和预定时间段内的交通状态数据；
将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据；
其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。
2.根据权利要求1所述的系统，其特征在于，所述至少一类传感器包括以下一项或多项的组合：图像传感器、雷达传感器、超声波传感器、红外传感器、磁性传感器、温湿度传感器。
3.根据权利要求1所述的系统，其特征在于，所述将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据包括：
将所述路网结构图和所述交通状态数据输入至所述图神经网络中进行空间特征处理，获取对应的路网特征图；
将所述路网特征图输入至所述时序预测模型中进行时序特征处理，以确定未来交通状态数据。
4.根据权利要求3所述的系统，其特征在于，所述将所述路网结构图和所述交通状态数据输入至所述图神经网络中进行特征处理，获取对应的路网特征图包括：
将所述路网结构图和所述交通状态数据输入至所述图神经网络中进行处理，提取各所述路网节点的邻域信息，所述路网节点的邻域信息包括与所述路网节点连接和/或间接连接的至少一个路网节点以及连接边的特征信息；
根据所述邻域信息确定所述路网特征图。
5.根据权利要求1所述的系统，其特征在于，所述对抗生成网络包括所述路网结构图中的至少部分路网节点对应的判别器。
6.根据权利要求1所述的系统，其特征在于，获取所述路网结构图包括：
对交通路网数据进行路网建模，获取所述路网结构图。
7.根据权利要求1所述的系统，其特征在于，所述交通状态预测模型通过以下步骤训练：
获取历史交通状态数据；
对所述历史交通状态数据进行数据补充，获取训练样本数据，所述训练样本数据包括第一预定时刻内的样本数据和所述第一预定时刻之后的样本数据；
基于所述训练样本数据对所述交通状态预测模型进行训练。
8.根据权利要求7所述的系统，其特征在于，所述对所述历史交通状态数据进行数据补充，获取训练样本数据包括：
通过生成模型对所述历史交通状态数据进行数据补充，获取所述训练样本数据。
9.根据权利要求8所述的系统，其特征在于，所述通过生成模型对所述历史交通状态数据进行数据补充，获取所述训练样本数据包括：
响应于路网节点在所述第一预定时刻内的历史交通状态数据存在缺失，采用预定数据补充方式，基于所述路网节点在所述第一预定时刻之前一定时间内的交通状态数据进行数据补充，所述预定数据补充方式包括取平均值和/或插值拟合方式；
响应于所述路网节点在所述第一预定时刻之后的历史交通状态数据存在缺失，通过所述生成模型获取所述路网节点在所述历史时刻之后的历史交通状态数据。
10.根据权利要求8或9所述的系统，其特征在于，所述生成模型为扩散模型。
11.根据权利要求10所述的系统，其特征在于，所述扩散模型的逆扩散过程对应的高斯分布为以所述时序预测模型的输出结果为条件的条件概率分布。
12.根据权利要求7所述的系统，其特征在于，所述历史交通状态数据包括至少一个训练节点子集合中的各训练节点的历史交通状态数据；
其中，所述训练节点子集合为所述路网结构图对应的路网节点集合的子集。
13.根据权利要求7所述的系统，其特征在于，所述处理器还用于执行：
将线下训练完成的所述交通状态预测模型作为对抗生成网络的生成器部署至线上；
对线上部署的所述对抗生成网络进行微调。
14.根据权利要求13所述的系统，其特征在于，所述对线上部署的所述对抗生成网络进行微调包括：
获取至少一个训练节点子集合中的各训练节点的历史交通状态数据，所述训练节点子集合为所述路网结构图对应的路网节点集合的子集，所述训练节点的历史交通状态数据包括第二预定时刻内和所述第二预定时刻之后的历史交通状态数据；
将所述训练节点在所述第二预定时刻内的历史交通状态数据输入至所述生成器进行处理，获得所述训练节点在所述第二预定时刻之后的预测交通状态数据；
将所述训练节点在所述第二预定时刻之后的历史交通状态数据和所述预测交通状态数据输入至所述训练节点对应的判别器中进行处理，获取判别结果；
基于预定的对抗损失函数和所述判别结果对所述对抗生成网络进行参数调整，以获取训练后的所述对抗生成网络。
15.根据权利要求12或14所述的系统，其特征在于，所述路网节点集合为所述至少一个训练节点子集合的并集。
16.一种交通状态测量方法，其特征在于，所述方法包括：
获取路网结构图和预定时间段内的交通状态数据；
将所述路网结构图和所述交通状态数据输入至对抗生成网络中进行处理，获得未来交通状态数据；
其中，所述对抗生成网络以预先训练的交通状态预测模型为生成器，所述交通状态预测模型包括图神经网络和时序预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988683.5A CN117037479A (zh) | 2023-08-07 | 2023-08-07 | 应用路网传感器对交通状态进行测量的信号传输系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988683.5A CN117037479A (zh) | 2023-08-07 | 2023-08-07 | 应用路网传感器对交通状态进行测量的信号传输系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117037479A true CN117037479A (zh) | 2023-11-10 |
Family
ID=88631091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310988683.5A Pending CN117037479A (zh) | 2023-08-07 | 2023-08-07 | 应用路网传感器对交通状态进行测量的信号传输系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117037479A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576918A (zh) * | 2024-01-17 | 2024-02-20 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
-
2023
- 2023-08-07 CN CN202310988683.5A patent/CN117037479A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576918A (zh) * | 2024-01-17 | 2024-02-20 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
| CN117576918B (zh) * | 2024-01-17 | 2024-04-02 | 四川国蓝中天环境科技集团有限公司 | 一种基于多源数据的城市道路流量全域预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Akhtar et al. | A review of traffic congestion prediction using artificial intelligence | |
| CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
| Kim et al. | Urban traffic flow prediction system using a multifactor pattern recognition model | |
| CN112470199A (zh) | 用于点对点流量预测的系统和方法 | |
| Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
| EP3035314A1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
| WO2021178909A1 (en) | Learning point cloud augmentation policies | |
| CN109887284B (zh) | 一种智慧城市交通信号控制推荐方法、系统及装置 | |
| Lin et al. | A spatial-temporal hybrid model for short-term traffic prediction | |
| Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
| CN114287023B (zh) | 用于交通预测的多传感器学习系统 | |
| CN117037479A (zh) | 应用路网传感器对交通状态进行测量的信号传输系统 | |
| CN114299723A (zh) | 一种交通流量预测方法 | |
| CN112734808A (zh) | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 | |
| CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| CN114036135A (zh) | 利用不完全信息估计城市移动源污染排放方法及系统 | |
| Zheng et al. | Hybrid deep learning models for traffic prediction in large-scale road networks | |
| CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 | |
| James | Citywide estimation of travel time distributions with Bayesian deep graph learning | |
| CN115272712A (zh) | 一种融合运动目标分析的行人轨迹预测方法 | |
| CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
| Zhong et al. | Estimating link flows in road networks with synthetic trajectory data generation: Inverse reinforcement learning approach | |
| CN116978218A (zh) | 基于生成对抗网络的城市交通流量预测方法、系统及设备 | |
| CN116304969A (zh) | 基于lstm-gnn考虑道路信息的车辆轨迹多模态预测方法 | |
| Li et al. | Route restoration method for sparse taxi GPS trajectory based on Bayesian network |
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 |