CN117095541A - 时空特征融合交通流预测方法、装置、设备及存储介质 - Google Patents
时空特征融合交通流预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117095541A CN117095541A CN202310921063.XA CN202310921063A CN117095541A CN 117095541 A CN117095541 A CN 117095541A CN 202310921063 A CN202310921063 A CN 202310921063A CN 117095541 A CN117095541 A CN 117095541A
- Authority
- CN
- China
- Prior art keywords
- traffic data
- traffic
- space
- data set
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012512 characterization method Methods 0.000 claims abstract description 85
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 96
- 239000013598 vector Substances 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 38
- 230000004913 activation Effects 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 134
- 230000002123 temporal effect Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 13
- 230000015556 catabolic process Effects 0.000 description 10
- 238000006731 degradation reaction Methods 0.000 description 10
- 230000008034 disappearance Effects 0.000 description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种时空特征融合交通流预测方法、装置、设备及存储介质,涉及交通流预测领域,方法包括:每隔预设时间段,获取预设时间段内的包括多个交通影响因素的交通数据集;基于多个交通影响因素构建多个数据节点的图结构,并将交通数据集载入图结构,对载入图结构的交通数据集进行预处理,得到目标交通数据集;将目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;交通数据时空特征用于表述交通流的分布特征;将交通数据时空特征进行可视化显示,以进行交通流的分析,这样,通过以上两种表征模块的相互融合,用以提取数据时空特征,提高预测的准确性。
Description
本申请要求于2023年07月19日提交中国专利局、申请号为202310889288.1、申请名称为“时空特征融合交通流预测方法、装置、设备及存储介质”的中国专利申请的优先权,其全部内容通过引用结合在本申请中。
技术领域
本申请涉及交通流预测领域,尤其涉及一种时空特征融合交通流预测方法、装置、设备及存储介质。
背景技术
随着社会经济的高速发展,导致交通领域内许多问题日益严重,由于交通数据的急剧增加以及交通路况的实时性和准确性等问题,都会对交通流引导系统的效率造成一定程度的影响,并且传统的交通流预测方法存在着许多自身局限性,如交通问题的不平衡性,加剧了城市道路拥堵的现状,导致交通拥堵问题愈发严重,人们的出行越来越不便利,因此需要不断深入研究适用于当前路况的交通流预测方法,进而提高交通系统的管理效率,缓解长期困扰人们的交通出行压力。
现有技术中,可以通过使用循环神经网络、长短期记忆网络等神经网络来提取时间特征,并使用卷积神经网络或图卷积神经网络等方法来提取交通数据中的空间特征,进而基于卷积的方法在融合时间特征和空间特征,得到时空特征,并对时空特征进行处理,得到交通流的预测结果。
但是,上述方法不可以充分提取空间特征,并且循环神经网络、长短期记忆网络存在梯度消失和网络加深后的退化问题,通常无法捕获到较为长期的时间特征,从而导致获取数据的准确性较低,进而导致预测结果存在偏差。
发明内容
本申请提供一种时空特征融合交通流预测方法、装置、设备及存储介质,用于解决现有不可以充分提取空间特征,且存在梯度消失和网络加深后的退化问题,通常无法捕获到较为长期的时间特征,导致获取数据的准确性较低,进而导致预测结果存在偏差的问题。
第一方面,本申请提供一种时空特征融合交通流预测方法,所述方法包括:
每隔预设时间段,获取所述预设时间段内的包括多个交通影响因素的交通数据集;
基于所述多个交通影响因素构建多个数据节点的图结构,并将所述交通数据集载入所述图结构,对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集;
将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;其中,所述预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;所述空间表征模块用于对所述目标交通数据集进行加权处理、与邻域数据节点建立连接关系、非线性参数的更新处理以及聚合处理,得到交通数据空间特征;所述时间表征模块用于对所述目标交通数据集进行感受野扩充处理、非线性参数的更新处理、正则化处理、残差张量调整处理、数据更新处理,得到交通数据时间特征;所述全连接层用于融合所述交通数据时间特征和所述交通数据空间特征,得到交通数据时空特征;所述交通数据时空特征用于表述交通流的分布特征;
将所述交通数据时空特征进行可视化显示,以对所显示的所述交通数据时空特征进行交通流的分析。
可选的,所述交通数据集包括交通流量、交通速度和交通占有率;对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集,包括:
分别对载入所述图结构的交通流量、交通速度和交通占有率进行归一化处理,得到目标交通数据集。
可选的,将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征,包括:
将所述目标交通数据集输入所述空间表征模块中,得到交通数据空间特征;所述空间表征模块包括图注意力层、非线性层、第一激活函数层,所述图注意力层用于基于交通影响因素的影响程度对所述目标交通数据集进行加权处理,所述非线性层用于构建经过加权处理的目标交通数据集的一阶邻域空间特征向量,所述第一激活函数层用于对所述一阶邻域空间特征向量进行非线性参数的更新,并将更新后的一阶邻域空间特征向量输入图注意力层进行聚合,得到交通数据空间特征;
将所述目标交通数据集输入所述时间表征模块中,得到交通数据时间特征;所述时间表征模块包括时间卷积网络和门控循环单元;所述时间卷积网络包括一维卷积层、第二激活函数层、丢失层、残差连接层,所述一维卷积层用于对所述目标交通数据集的感受野进行处理,得到输入所述残差连接层所需维度的交通数据空间特征向量,所述第二激活函数层用于对所述交通数据空间特征向量进行非线性参数的更新,并将更新后的交通数据空间特征向量输入所述丢失层,以使所述丢失层对更新后的交通数据空间特征向量进行正则化处理;所述残差连接层用于调整经过正则化处理的交通数据空间特征向量对应的残差张量,并将调整残差张量后的交通数据空间特征向量输入门控循环单元,以使所述门控循环单元对调整残差张量后的交通数据空间特征向量进行数据更新,得到交通数据时间特征;
将所述交通数据时间特征和所述交通数据空间特征输入全连接层进行特征融合,得到交通数据时空特征。
可选的,所述预配置的预测模型的构建过程包括:
获取交通数据训练集,并将所述交通数据训练集按照预定义算法进行切分,得到训练数据集和用于数据比对的真实数据集;所述交通数据训练集包括多个交通影响因素对应的交通数据集;
将所述训练数据集进行归一化处理,并将经过归一化处理的训练数据集输入预测模型中进行迭代训练,得到预测的交通数据时空特征;所述预测模型包括空间表征模块、时间表征模块以及全连接层;
将所述预测模型输出的交通数据时空特征与所述真实数据集进行比对,得到比对结果;
基于所述比对结果对所述预测模型进行模型优化,得到预配置的预测模型。
可选的,基于所述比对结果对所述预测模型进行模型优化,得到预配置的预测模型,包括:
基于所述比对结果,采用优化算法对所述预测模型的参数进行更新,以优化所述预测模型,得到预配置的预测模型。
可选的,所述方法还包括:
利用评价指标对所述比对结果进行评估,以验证所述预测模型的性能;其中,所述评价指标包括平均绝对误差指标、平均绝对百分比误差指标和均方根误差指标。
可选的,所述方法还包括:
将所述交通数据时空特征与历史交通数据时空特征进行对比,得到比对结果;
基于所述比对结果判断预设时间段内是否发生突发事件;
在确定发生突发事件后,生成提示信息,以提示用户交通流发生异常。
第二方面,本申请提供一种时空特征融合交通流预测装置,所述装置包括:
获取模块,用于每隔预设时间段,获取所述预设时间段内的包括多个交通影响因素的交通数据集;
处理模块,用于基于所述多个交通影响因素构建多个数据节点的图结构,并将所述交通数据集载入所述图结构,对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集;
输入模块,用于将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;其中,所述预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;所述空间表征模块用于对所述目标交通数据集进行加权处理、与邻域数据节点建立连接关系、非线性参数的更新处理以及聚合处理,得到交通数据空间特征;所述时间表征模块用于对所述目标交通数据集进行感受野扩充处理、非线性参数的更新处理、正则化处理、残差张量调整处理、数据更新处理,得到交通数据时间特征;所述全连接层用于融合所述交通数据时间特征和所述交通数据空间特征,得到交通数据时空特征;所述交通数据时空特征用于表述交通流的分布特征;
显示模块,用于将所述交通数据时空特征进行可视化显示,以对所显示的所述交通数据时空特征进行交通流的分析。
第三方面,本申请还提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面中任一项所述的方法。
第四方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
综上所述,本申请提供一种时空特征融合交通流预测方法、装置、设备及存储介质,可以通过每隔预设时间段,获取预设时间段内的包括多个交通影响因素的交通数据集;进一步的,基于多个交通影响因素构建多个数据节点的图结构,并将交通数据集载入图结构,对载入图结构的交通数据集进行预处理,以得到可用于模型输入的目标交通数据集;将目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;其中,预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;通过空间表征模块利用图注意力网络对多因素交通数据集进行空间特征提取,使得获取的空间特征具有多样性,并通过时间表征模块提取交通数据集的时间特征,可以缓解处理长时间序列可能遇到的梯度消失和网络加深后的退化问题,通过全连接层将以上两种表征模块进行相互融合,用以提取数据时空特征;进一步的,将交通数据时空特征进行可视化显示,以对所显示的交通数据时空特征进行交通流的分析,因此,可以提高交通流预测的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种时空特征融合交通流预测方法的流程示意图;
图3为本申请实施例提供的一种构建预测模型的流程示意图;
图4为本申请实施例提供的一种时空特征融合交通流预测装置的结构示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一设备和第二设备仅仅是为了区分不同的设备,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
随着社会经济的高速发展,导致交通领域内许多问题日益严重,由于交通数据的急剧增加以及交通路况的实时性和准确性等问题,都会对交通流引导系统的效率造成一定程度的影响,并且传统的交通流预测方法存在着许多自身局限性,导致交通拥堵问题愈发严重,人们的出行越来越不便利,正是由于交通问题的不平衡性,进一步加剧了城市道路拥堵的现状,因此需要不断深入研究适用于当前路况的交通流预测方法,以提高交通系统管理效率,交通流预测对于缓解长期困扰人们的交通出行压力可以起到积极作用。
交通流预测实质上是根据交通道路的历史交通状态对未来一定时期内的交通道路状态进行预测,而目前许多交通流预测方法均集中于对时间特征的研究,并且忽略了交通数据多因素之间的关联性。
一种可能的实现方式中,可以通过使用循环神经网络、长短期记忆网络等神经网络来提取时间特征,然而交通网络复杂的拓扑结构同样会影响交通状态的变化,因此有效提取空间特征对于交通流预测也非常重要,因此,通过使用卷积神经网络或图卷积神经网络等方法来提取交通数据中的空间特征,进而基于卷积的方法在融合时间特征和空间特征,得到时空特征,并对时空特征进行处理,得到交通流的预测结果。
但是,基于卷积的方法在融合节点特征和拓扑结构的能力并未达到最优,不可以充分提取空间特征,并且传统的循环神经网络,如长短期记忆网络存在梯度消失和网络加深后的退化问题,通常无法捕获到较为长期的时间特征,从而导致获取数据的准确性较低,进而导致预测结果存在偏差。
针对上述问题,本申请提供一种时空特征融合交通流预测方法,通过建立模型进行时空特征融合,以预测交通流,具体的,通过提前建立的预测模型得到交通数据时空特征,模型包括空间表征模块和时间表征模块,其中,空间表征模块主要利用图注意力网络对多因素交通数据进行空间特征提取,时间表征模块包括时间卷积网络和门控循环单元,用来提取交通数据的时间特征,通过使用附有残差连接的时间卷积网络,缓解处理长时间序列可能遇到的梯度消失和网络加深后的退化问题,并使用门控循环单元用来处理时间序列数据中的长期时间特征,进一步的,通过以上两种表征模块的相互融合,用以提取数据时空特征,提高交通流预测的准确性。
下面结合附图对本申请实施例进行介绍。图1为本申请实施例提供的一种应用场景示意图,本申请提供的一种时空特征融合交通流预测方法可以应用于如图1所示的应用场景中,如图1所示,该应用场景包括:数据处理系统101和用户的终端设备102;其中,数据处理系统101可以收集不同道路对应的交通数据集。
具体的,数据处理系统101,每隔一段时间,收集某区域在该段时间对应的交通数据集,数据集可以包括交通流量、交通速度和交通占有率三个特征,进一步的,对数据集进行预处理,并将经过预处理的交通数据集输入提前构建的好的预测模型中进行时空特征的预测,以基于时空特征进行交通流的分析;其中,预测模型包括空间表征模块、时间表征模块以及全连接层,空间表征模块用于预测空间特征,时间表征模块用于预测时间特征,全连接层用于融合空间特征和时间特征,得到时空特征。
进一步的,可以将预测得到的时空特征在终端设备102上进行可视化显示,以供用户对所显示的时空特征进行交通流的分析,可以理解的是,也可以在数据处理系统101对应的显示设备上进行可视化显示,本申请对进行可视化显示的设备以及显示的具体内容不作限定。
其中,终端设备可以是具有显示屏并且支持网页浏览的各种电子设备,终端设备也可以被称为终端(terminal)、用户设备(User Equipment,UE)、移动台(Mobile Station,MS)、移动终端(Mobile Terminal,MT)等。终端设备可以是手机(mobile phone)、智能电视、穿戴式设备、智能音箱、智能安防设备、智能网关、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(Virtual Reality,VR)终端设备、增强现实(Augmented Reality,AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self-driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等。上述终端设备包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的一种时空特征融合交通流预测方法的流程示意图;如图2所示,本实施例的方法,可以包括:
S201、每隔预设时间段,获取所述预设时间段内的包括多个交通影响因素的交通数据集。
本申请实施例中,由于车辆对应的交通数据集是时刻变化的,故每隔预设时间段进行交通数据集的收集,其中,所述预设时间段可以指的是提前预设的用于获取交通数据集的时间间隔,如预设时间段可以为5分钟,也可以为一天、一周以及一个月等,收集的交通数据集包括多个交通影响因素,如交通数据集包括交通流量、交通速度和交通占有率。
所述交通流量可以指的是某一时期、某一路段内的交通运输量;所述交通速度可以指的是车辆在道路上行驶对应的速度;所述交通占有率可以指的是在一个特定的时刻以及特定区域内,已被车辆在地面投影占有的道路量与区域内道路总量的比率。
需要说明的是,本申请实施例对预设时间段对应的数值,以及交通影响因素对应的数量不作具体限定,以上仅是示例说明。
S202、基于所述多个交通影响因素构建多个数据节点的图结构,并将所述交通数据集载入所述图结构,对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集。
本申请实施例中,数据节点可以指的是检测器对应的节点,所述检测器用于检测交通数据集;图结构用于研究数据元素之间的多对多的关系,使得可以在数据间建立关系,便于数据在后续预测模型的输入以及使用。
在本步骤中,通过构建一个邻接矩阵A,如包括307个检测器(数据节点)的邻接矩阵A,用来表示数据节点的图结构,其次在所述图结构中载入交通数据集,包括每5分钟输出的节点数据信息,节点数据信息包括交通流量、交通速度和交通占有率三个特征,进一步的,对节点数据信息进行预处理,如采用min-max方法对交通数据集进行归一化处理。
其中,预处理可以指的是对交通数据集进行的归一化处理,可以采用多种方法对交通数据集进行的归一化处理,如min-max方法、零-均值归一化方法、小数定标规范化方法和非线性归一化方法等,本申请实施例对预处理对应的方法不作具体限定。
S203、将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;其中,所述预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;所述空间表征模块用于对所述目标交通数据集进行加权处理、与邻域数据节点建立连接关系、非线性参数的更新处理以及聚合处理,得到交通数据空间特征;所述时间表征模块用于对所述目标交通数据集进行感受野扩充处理、非线性参数的更新处理、正则化处理、残差张量调整处理、数据更新处理,得到交通数据时间特征;所述全连接层用于融合所述交通数据时间特征和所述交通数据空间特征,得到交通数据时空特征;所述交通数据时空特征用于表述交通流的分布特征。
本申请实施例中,所述空间表征模块包括图注意力层、非线性层、LeakyReLU激活函数层,所述图注意力层带有self-attention的注意力机制,用于对交通数据集进行加权处理;所述非线性层用于生成每个数据节点的一阶邻域空间特征,进而与邻域数据节点建立连接关系;所述LeakyReLU激活函数层通过对所有的数据节点的相邻数据节点进行归一化处理,进行非线性参数的更新处理。
需要说明的是,为稳定self-attention的学习过程,图注意力层采用多头注意力multi-self-attention机制,因此,所述图注意力层还用于将multi-self-attention得到不同结果进行聚合处理,得到数据节点的空间特征输出。
还需说明的是,时间表征模块由时间卷积网络和门控循环单元组成,其中,时间卷积网络主要包括一维卷积层、ReLU激活函数层、Dropout层(丢失层)、残差连接层,门控循环单元主要由隐藏层组成,所述门控循环单元的结构中包括更新门和重置门。
所述一维卷积层用于对交通数据集的感受野进行扩充,得到所需维度的数据;为使时间卷积网络部分不仅仅是一个过于复杂的线性回归模型,则需要在卷积层中添加ReLU激活函数,所述ReLU激活函数用于引入非线性,进行非线性参数的更新处理;而为了减少过拟合情况的发生,则通过Dropout引入正则化,对数据进行正则化处理;所述残差连接层通过1x1卷积调整残差张量的宽度,用以缓解处理长时间序列可能遇到的梯度消失和网络加深后的退化问题;所述门控循环单元用于进行数据更新,以便整体数据进行优化,其中,所述门控循环单元中的更新门用于确定先前起作用的数据,所述重置门用于将新数据与先前数据的特征相结合。
在本步骤中,将经过数据预处理后的目标交通数据集输入进预测模型当中,得到交通数据时空特征,具体的,通过空间表征模块提取目标交通数据集的空间特征,并将经过空间表征模块处理对应的目标交通数据集输入进时间表征模块之中,进一步有效提取目标交通数据集的时间特征,通过使用附有残差连接的时间卷积网络,缓解处理长时间序列可能遇到的梯度消失和网络加深后的退化问题,并使用门控循环单元来处理具有时间序列的数据中的长期时间特征,进而得到时间特征,进一步的,利用全连接层,进行空间特征和时间特征的融合,得到交通数据时空特征。
S204、将所述交通数据时空特征进行可视化显示,以对所显示的所述交通数据时空特征进行交通流的分析。
在本步骤中,以图1所示的应用场景为例,可以通过将预测得到的交通数据时空特征在用户的终端设备102上进行可视化显示,以便用户基于交通数据时空特征进行交通流的分析,进而得到一些交通策略,所述交通策略可以为对交通路况以及交通出行的建议和推荐行驶路径,本申请实施例对交通策略包括的具体内容不作限定,以上仅是示例说明。
因此,本申请实施例可以通过每隔预设时间段,获取预设时间段内的包括多个交通影响因素的交通数据集;进一步的,基于多个交通影响因素构建多个数据节点的图结构,并将交通数据集载入图结构,对载入图结构的交通数据集进行预处理,以得到可用于模型输入的目标交通数据集;通过将目标交通数据集输入预配置的预测模型中,可以得到交通数据时空特征;其中,预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;通过空间表征模块利用图注意力网络对多因素交通数据集进行空间特征提取,使得获取的空间特征具有多样性,并通过时间表征模块提取交通数据集的时间特征,可以缓解处理长时间序列可能遇到的梯度消失和网络加深后的退化问题,通过全连接层将以上两种表征模块进行相互融合,用以提取数据时空特征;进一步的,将交通数据时空特征进行可视化显示,以对所显示的交通数据时空特征进行交通流的分析,进而可以提高交通流分析以及预测的准确性。
可选的,所述交通数据集包括交通流量、交通速度和交通占有率;对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集,包括:
分别对载入所述图结构的交通流量、交通速度和交通占有率进行归一化处理,得到目标交通数据集。
在本步骤中,可以对载入图结构的交通流量、交通速度和交通占有率,利用min-max方法进行归一化处理,把数据转换为(0,1)区间的小数,进而得到目标交通数据集,通过归一化处理,加快了梯度下降求最优解的速度。
因此,本申请实施例通过对数据进行归一化处理,把数据映射到0~1范围之内处理,可以使得数据后续处理方便,进而还可以提高模型的精度。
可选的,将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征,包括:
将所述目标交通数据集输入所述空间表征模块中,得到交通数据空间特征;所述空间表征模块包括图注意力层、非线性层、第一激活函数层,所述图注意力层用于基于交通影响因素的影响程度对所述目标交通数据集进行加权处理,所述非线性层用于构建经过加权处理的目标交通数据集的一阶邻域空间特征向量,所述第一激活函数层用于对所述一阶邻域空间特征向量进行非线性参数的更新,并将更新后的一阶邻域空间特征向量输入图注意力层进行聚合,得到交通数据空间特征;
将所述目标交通数据集输入所述时间表征模块中,得到交通数据时间特征;所述时间表征模块包括时间卷积网络和门控循环单元;所述时间卷积网络包括一维卷积层、第二激活函数层、丢失层、残差连接层,所述一维卷积层用于对所述目标交通数据集的感受野进行处理,得到输入所述残差连接层所需维度的交通数据空间特征向量,所述第二激活函数层用于对所述交通数据空间特征向量进行非线性参数的更新,并将更新后的交通数据空间特征向量输入所述丢失层,以使所述丢失层对更新后的交通数据空间特征向量进行正则化处理;所述残差连接层用于调整经过正则化处理的交通数据空间特征向量对应的残差张量,并将调整残差张量后的交通数据空间特征向量输入门控循环单元,以使所述门控循环单元对调整残差张量后的交通数据空间特征向量进行数据更新,得到交通数据时间特征;
将所述交通数据时间特征和所述交通数据空间特征输入全连接层进行特征融合,得到交通数据时空特征。
本申请实施例中,通过空间表征模块提取目标交通数据集的空间特征,所述空间表征模块主要包括图注意力层,非线性层,第一激活函数层,如LeakyReLU激活函数层,其中,使用图注意力层学习交通网络中数据节点与数据节点之间的复杂一阶邻域空间相关性,以扩大影响因素大的特征数据,减少影响因素小的特征数据的影响,可以有效获取目标交通数据集的空间特征;使用第一激活函数层进行非线性参数的更新,可以增强网络学习能力。
进一步的,通过时间表征模块提取目标交通数据集的时间特征,所述时间表征模块主要由时间卷积网络和门控循环单元组成,所述时间卷积网络主要包括一维卷积层,第二激活函数层,如ReLU激活函数层,丢失层(Dropout层),残差连接层,所述门控循环单元主要由隐藏层组成,包括更新门和重置门,用来处理时间序列数据中的长期时间特征;其中,使用门控循环单元的更新门和重置门可以更好的处理时间序列数据中的长期时间特征,以便于进行整体数据优化;所述残差连接层可以提供跨层直接连接的效果,可以使预测模型更容易收敛,以及减少训练时间和计算资源的消耗。
将提取到的空间特征和时间特征通过全连接层进行充分融合,得到交通数据时空特征。
具体的,利用带有self-attention的注意力机制的图注意力层获取每一个数据节点对于其一阶邻域节点的注意力系数,其对应的输入是一个数据节点特征向量集为:
其中N为数据节点个数,F为数据节点特征的个数。矩阵h的大小是N×F,代表了所有数据节点的特征,而R代表其中某一个数据节点的特征,故它的大小为F×1,相应的,每一层图注意力层的输出为:
其中,F′表示新的数据节点的特征向量维度,图注意力层作为特征提取器针对的是N个数据节点,按照其输入的数据节点特征,可以预测输出新的数据节点的特征。
为了得到相应的输入与输出的转换,可以根据输入的特征进行线性变换得到输出特征,因此对所有数据节点训练一个权重矩阵,所述权重矩阵为:
W∈RF′×F
所述权重矩阵用于表述输入的F个特征与输出的F′个特征之间的关系。
进一步的,针对每个数据节点实行self-attention的注意力机制,将数据节点i的所有一阶邻域数据节点j的特征和对应的注意力权重系数进行加权求和,并通过非线性层生成每个数据节点的一阶邻域空间特征;其中,注意力系数公式为:
注意力机制a是一个单层的前馈神经网络,向量h为数据节点的特征向量,下标i,j表示第i个节点和第j个节点,W表示训练权重。
为使得注意力系数更容易计算和便于比较,可以使用softmax函数对所有一阶邻域数据节点计算出注意力权重,并进行统一的归一化处理,引入softmax函数对所有的i的相邻节点j进行归一化处理公式如下所示:
进一步的,综合注意力系数公式和归一化处理公式,整理得到完整的注意力机制公式,如下所示:
其中,||符号表示连接操作,T表示进行转置操作,LeakyReLU表示激活函数,用来缓解激活值过小导致神经元参数无法更新的问题,αij是在eij基础上进行归一化处理后得到的。
为稳定self-attention的学习过程,预配置的预测模型采用多头注意力multi-self-attention机制,采用K(K=2)个独立的注意力机制执行完整的注意力机制公式,然后对特征进行K平均连接,并延迟应用的非线性函数,得到目标公式:
其中,需要考虑K个注意力机制,k表示K中第k个,ak表示第k个注意力机制,Wk表示为第k个注意力机制下输入特征的线性变换权重矩阵,所述目标公式用于对目标交通数据集处理,得到多个数据节点的输出结果,进一步的,将multi-self-attention得到不同输出结果使用图注意力层进行聚合,可以得到数据节点的空间特征输出。
进一步的,关于时间卷积网络部分主要包括以下过程:首先构建时间卷积网络的基本原件残差块TemporalBlock,所述残差块TemporalBlock为两个空洞卷积参数dilation相同的卷积层,每个卷积层都包括有一维卷积层、ReLU激活函数层、Dropout层、残差连接层,进一步的,同残差块中的两个卷积层放入Sequential容器中。
其次采用五个残差块构成时间卷积网络部分,五个残差块的dilation参数依次为[1,2,4,8,16],内通道in_channel依次为[3,52,52,52,72],将第一个残差块的输入通道数kernel_size设置为3,目的是为了匹配经过空间表征模块处理后的3维交通数据空间特征向量,通常具有n层且输入通道数kernel_size为k的一维卷积网络的感受野r大小公式为:
r=1+n×(k-1)
为使时间卷积网络部分不仅仅是一个过于复杂的线性回归模型,则需要在卷积层中添加ReLU激活函数来引入非线性;而为防止也测模型过拟合,可以通过在每个剩余块的每个卷积层之后通过Dropout引入正则化,Dropout大小可以设置为0.2,对于不同残差块之间的卷积层出现不同的输入和输出通道宽度,则需要根据1x1卷积调整残差张量的宽度,用以缓解处理长时间序列可能遇到的梯度消失和网络加深后的退化问题。
最后将经过以上模块的交通数据集输入进门控循环单元中进行处理,其中,门控循环单元主要由隐藏层组成,结构中包括更新门和重置门,更新门决定多少先前的记忆(数据)起作用,其公式表示为:
Zt=σ(Wzxt+Uzht-1+bz)
其中,Zt为更新门,σ为sigmoid激活函数,Wz为更新门权重,xt为当前时刻输入,Uz为更新门神经元,ht-1为上一位置隐藏层的输出,bz为神经元参数。
重置门决定了如何把新的输入数据与之前的记忆(数据)相结合,其对应的公式为:
rt=σ(Wrxt+Urht-1+br)
其中,rt为重置门,σ为sigmoid激活函数,Wr为重置门权重,xt为当前时刻输入,Ur为重置门神经元,ht-1为上一位置隐藏层的输出,br为神经元参数。
通过利用门控循环单元的更新门和重置门可以很好的处理时间序列数据中的长期时间特征,预测模型中可以将隐藏层参数hidden_size设置为16,以此进一步捕获交通数据集的时间特征。
进一步的,将经过空间表征模块提取到的空间特征和时间表征模块提取到的时间特征,输入进全连接层中,目的是通过全连接层将交通数据集的多层输出映射为最终的输出结果,其可以将前一层所有神经元与后一层所有神经元相连接,从而实现输入数据的全局处理和输出结果的全局计算。
因此,通过使用全连接层用来充分融合经过预测模型处理后的时空特征,使得模型最终输出特征为全局特征,而为了让最终输出特征数与原交通数据集对应的3维特征数相一致,可以将全连接层的输出特征数out_features设置为3。
需要说明的是,上述预测模型中每一层涉及的参数的取值仅是示例说明,在实际应用中,可以根据实际情况进行修改和设定,本申请实施例对此不作具体限定。
因此,本申请实施例通过空间表征模块和时间表证模块对交通数据集的处理,可以提高获取交通数据时空特征的准确性,缓解梯度消失和网络加深后的退化问题,以及获到较为长期的时间特征。
可选的,所述预配置的预测模型的构建过程包括:
获取交通数据训练集,并将所述交通数据训练集按照预定义算法进行切分,得到训练数据集和用于数据比对的真实数据集;所述交通数据训练集包括多个交通影响因素对应的交通数据集;
将所述训练数据集进行归一化处理,并将经过归一化处理的训练数据集输入预测模型中进行迭代训练,得到预测的交通数据时空特征;所述预测模型包括空间表征模块、时间表征模块以及全连接层;
将所述预测模型输出的交通数据时空特征与所述真实数据集进行比对,得到比对结果;
基于所述比对结果对所述预测模型进行模型优化,得到预配置的预测模型。
其中,所述交通数据集为时间序列数据,是基于预设时间提前切分好的数据集。
本申请实施例中,预定义算法可以指的是提前预设的用于进行数据集分割的算法,如可以为比例分割算法,即将训练数据集按照7:3的比例进行切分,得到训练数据集和用于数据比对的真实数据集,本申请实施例对预定义算法对应的具体算法不作限定,以上仅是示例说明。
示例性的,图3为本申请实施例提供的一种构建预测模型的流程示意图,如图3所示,收集交通数据,即交通数据训练集,进行交通数据的预处理工作,所述预处理工作包括数据读取,数据切分和数据归一化处理等过程;进一步的,将经过预处理工作的交通数据输入预测模型中进行迭代训练,即输入空间表征模块,利用图注意力网络提取交通数据空间特征,进而输入时间表征模块,利用时间卷积网络和门控循环单元提取交通数据时间特征,进一步的,将交通数据空间特征和交通数据时间特征通过全连接层进行充分融合,得到预测值,将预测值与真实值进行对比,输出比对结果。
其中,预测模型在所有数据训练集上执行一遍梯度下降算法被称为一轮,每一轮都会对预测模型的参数进行更新,因此,初步训练时,可以将训练轮次设置为100,使用60分钟的历史数据来预测未来60分钟的数据,提高模型预测精度。
进一步的,还可以利用比对结果对预测模型进行模型优化,进而得到预配置的预测模型,其中,进行模型优化的方法可以是采用Adam(Adaptive Moment Estimation)优化器对模型进行优化,也可以是采用TensorRT优化器对模型进行优化,本申请实施例对此不作具体限定。
因此,本申请实施例可以通过对预测模型进行训练,用于优化模型,提高预测模型的预测精度。
可选的,基于所述比对结果对所述预测模型进行模型优化,得到预配置的预测模型,包括:
基于所述比对结果,采用优化算法对所述预测模型的参数进行更新,以优化所述预测模型,得到预配置的预测模型。
本申请实施例中,优化算法可以指的是提前设定的基于梯度下降的算法,用于对预测模型的性能进行优化,可以使得预测模型在深度学习反向传播过程中,指引损失函数的各个参数往正确的方向更新大小,以使更新后的各个参数让损失函数值不断逼近全局最小;所述优化算法包括用于机器学习模型优化的多种算法,如AdaGrad(AdaptiveGradient)算法,RMSProp算法,Adam算法以及AdaDelta算法等,每一优化算法对应优化器。
示例性的,可以采用Adam优化器对预测模型进行优化,如可以将学习率设置为0.003,批量大小设置为64,对预测模型的参数进行更新,以优化预测模型,得到预配置的预测模型。
因此,本申请实施例可以对预测模型进行优化,可以保证预测模型较好的伸缩性和高效性,提高预测模型的聚类效果。
可选的,所述方法还包括:
利用评价指标对所述比对结果进行评估,以验证所述预测模型的性能;其中,所述评价指标包括平均绝对误差指标、平均绝对百分比误差指标和均方根误差指标。
本申请实施例中,评价指标用于评价预测模型的性能,所述评级指标为基于数学算法公式计算得到的,所述评价指标可以包括平均误差指标、平均百分比误差指标、平均绝对比例误差指标、平均绝对误差(Mean Absolute Error,MAE)指标、均方误差指标、均方根误差(Root Mean Squared Error,RMSE)指标、平均绝对相对误差指标、均方相对误差指标、均方根相对误差指标、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)指标、均方误差百分比指标以及均方根百分比误差指标等;本申请实施例使用的评价指标的类型不作具体限定。
可选的,在本申请实施例中,以MAE、MAPE和RMSE三种评价指标为例进行评估,以判断预测模型的性能。具体的,将预测模型输出的时空融合特征与真实交通数据进行对比,得到比对结果,进一步的,计算预测模型的性能,即对于比对结果,可以使用MAE、MAPE和RMSE三种评价指标进行评估,以判断预测模型的性能。
其中,计算平均绝对误差(MAE)指标对应的公式为:
其中,y表示预测得到的时空融合特征,表示真实数据,N表示预测点的个数,如果误差越大,则MAE值越大。
计算平均绝对百分比误差(MAPE)指标对应的公式为:
其中,y表示预测得到的时空融合特征,表示真实数据,N表示预测点的个数,如果误差越大,则MAPE值越大。
计算均方根误差(RMSE)指标对应的公式为:
其中,y表示预测得到的时空融合特征,表示真实数据,N表示预测点的个数,如果误差越大,则RMSE值越大。
进一步的,利用上述MAE、MAPE和RMSE三种评价指标,并通过本申请的预测模型与不同模型结果对比,如以历史平均模型(History Average Model,HA),向量自回归模型(Vector Autoregressive Model,VAR),扩散卷积递归神经网络(DiffusionConvolutional Recurrent Neural Network,DCRNN)模型,时空图卷积网络(Spatio-Temporal Graph Convolutional Networks,STGCN)模型和自适应图卷积循环网络(Adaptive Graph Convolutional Recurrent Network,AGCRN)模型为例,得到评估结果,如表1所示:
表1
由表1可知,本申请提供的预测模型对应的三种指标分别为:MAE为11.21,MAPE为9.64%,RMSE为25.48,并通过与上述不同模型的指标对比可知,本申请提供的预测模型取得了更加准确的预测效果。
因此,本申请实施例可以让优化的模型性能表现的更加可信,并验证本申请提供的预测模型的性能更好。
可选的,所述方法还包括:
将所述交通数据时空特征与历史交通数据时空特征进行对比,得到比对结果;
基于所述比对结果判断预设时间段内是否发生突发事件;
在确定发生突发事件后,生成提示信息,以提示用户交通流发生异常。
本申请实施例中,历史交通数据时空特征可以指的是过去预设时间段内的某区域对应的真实交通数据时空特征,通过将预测得到的交通数据时空特征与历史交通数据时空特征进行对比,若预测得到的交通数据时空特征相较于多个历史交通数据时空特征有较大的变动或者完全不同,则可以生成提示信息,以提醒用户发生突发事件,且交通流发生异常,并让用户进行判断,以确定交通流是否真的发生异常;其中,突发事件可以指的是交通事故或交通阻塞等事件,本申请实施例对此不作具体限定。
示例性的,以图1所示的应用场景为例,在数据处理系统101基于预测得到的交通数据时空特征与历史交通数据时空特征的比对结果,判断发生突发事件并生成提示信息后,可以将提示信息发送到用户的终端设备102上进行可视化显示,其中,可以以短信的形式,也可以以消息框的形式发送到用户的终端设备102上,本申请实施例对提示消息的发送形式和发送内容不作具体限定,如发送内容可以为“道路1的交通流异常,可能发生交通事故”等。
因此,本申请实施例可以监控异常的交通流,并及时提醒用户,进而提高交通的便利性。
在前述实施例中,对本申请实施例提供的时空特征融合交通流预测方法进行了介绍,而为了实现上述本申请实施例提供的方法中的各功能,作为执行主体的电子设备可以包括硬件结构和/或软件模块,以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行,取决于技术方案的特定应用和设计约束条件。
例如,图4为本申请实施例提供的一种时空特征融合交通流预测装置的结构示意图,如图4所示,该装置包括:获取模块401,处理模块402,输入模块403和显示模块404;其中,所述获取模块401,用于每隔预设时间段,获取所述预设时间段内的包括多个交通影响因素的交通数据集;
所述处理模块402,用于基于所述多个交通影响因素构建多个数据节点的图结构,并将所述交通数据集载入所述图结构,对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集;
所述输入模块403,用于将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;其中,所述预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;所述空间表征模块用于对所述目标交通数据集进行加权处理、与邻域数据节点建立连接关系、非线性参数的更新处理以及聚合处理,得到交通数据空间特征;所述时间表征模块用于对所述目标交通数据集进行感受野扩充处理、非线性参数的更新处理、正则化处理、残差张量调整处理、数据更新处理,得到交通数据时间特征;所述全连接层用于融合所述交通数据时间特征和所述交通数据空间特征,得到交通数据时空特征;所述交通数据时空特征用于表述交通流的分布特征;
所述显示模块404,用于将所述交通数据时空特征进行可视化显示,以对所显示的所述交通数据时空特征进行交通流的分析。
可选的,所述交通数据集包括交通流量、交通速度和交通占有率;所述处理模块402,具体用于:
分别对载入所述图结构的交通流量、交通速度和交通占有率进行归一化处理,得到目标交通数据集。
可选的,所述输入模块403,具体用于:
将所述目标交通数据集输入所述空间表征模块中,得到交通数据空间特征;所述空间表征模块包括图注意力层、非线性层、第一激活函数层,所述图注意力层用于基于交通影响因素的影响程度对所述目标交通数据集进行加权处理,所述非线性层用于构建经过加权处理的目标交通数据集的一阶邻域空间特征向量,所述第一激活函数层用于对所述一阶邻域空间特征向量进行非线性参数的更新,并将更新后的一阶邻域空间特征向量输入图注意力层进行聚合,得到交通数据空间特征;
将所述目标交通数据集输入所述时间表征模块中,得到交通数据时间特征;所述时间表征模块包括时间卷积网络和门控循环单元;所述时间卷积网络包括一维卷积层、第二激活函数层、丢失层、残差连接层,所述一维卷积层用于对所述目标交通数据集的感受野进行处理,得到输入所述残差连接层所需维度的交通数据空间特征向量,所述第二激活函数层用于对所述交通数据空间特征向量进行非线性参数的更新,并将更新后的交通数据空间特征向量输入所述丢失层,以使所述丢失层对更新后的交通数据空间特征向量进行正则化处理;所述残差连接层用于调整经过正则化处理的交通数据空间特征向量对应的残差张量,并将调整残差张量后的交通数据空间特征向量输入门控循环单元,以使所述门控循环单元对调整残差张量后的交通数据空间特征向量进行数据更新,得到交通数据时间特征;
将所述交通数据时间特征和所述交通数据空间特征输入全连接层进行特征融合,得到交通数据时空特征。
可选的,所述装置还包括构建模型模块,所述构建模型模块包括获取单元,处理单元,比对单元和优化单元;
具体的,所述获取单元,用于获取交通数据训练集,并将所述交通数据训练集按照预定义算法进行切分,得到训练数据集和用于数据比对的真实数据集;所述交通数据训练集包括多个交通影响因素对应的交通数据集;
所述处理单元,用于将所述训练数据集进行归一化处理,并将经过归一化处理的训练数据集输入预测模型中进行迭代训练,得到预测的交通数据时空特征;所述预测模型包括空间表征模块、时间表征模块以及全连接层;
所述比对单元,用于将所述预测模型输出的交通数据时空特征与所述真实数据集进行比对,得到比对结果;
所述优化单元,用于基于所述比对结果对所述预测模型进行模型优化,得到预配置的预测模型。
可选的,所述优化单元,具体用于:
基于所述比对结果,采用优化算法对所述预测模型的参数进行更新,以优化所述预测模型,得到预配置的预测模型。
可选的,所述装置还包括评价模块,所述评价模块,用于:
利用评价指标对所述比对结果进行评估,以验证所述预测模型的性能;其中,所述评价指标包括平均绝对误差指标、平均绝对百分比误差指标和均方根误差指标。
可选的,所述装置还包括提示模块,所述提示模块,用于:
将所述交通数据时空特征与历史交通数据时空特征进行对比,得到比对结果;
基于所述比对结果判断预设时间段内是否发生突发事件;
在确定发生突发事件后,生成提示信息,以提示用户交通流发生异常。
本申请实施例提供的时空特征融合交通流预测装置的具体实现原理和效果可以参见上述实施例对应的相关描述和效果,此处不做过多赘述。
本申请实施例还提供了一种电子设备的结构示意图,图5为本申请实施例提供的一种电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器501以及与所述处理器通信连接的存储器502;该存储器502存储计算机程序;该处理器501执行该存储器502存储的计算机程序,使得该处理器501执行上述任一实施例所述的方法。
其中,存储器502和处理器501可以通过总线503连接。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序执行指令,计算机执行指令被处理器执行时用于实现如本申请前述任一实施例中的所述的方法。
本申请实施例还提供了一种运行指令的芯片,该芯片用于执行如本申请前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
本申请实施例还提供了一种计算机程序产品,该程序产品包括计算机程序,该计算机程序被处理器执行时可实现如本申请前述任一实施例中由电子设备所执行的前述任一实施例中所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,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,例如多个模块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接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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实施例方案。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速随机存取存储器(Random Access memory,简称RAM),也可能还包括非不稳定的存储器(Non-volatile Memory,简称NVM),例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
以上所述,仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何在本申请实施例揭露的技术范围内的变化或替换,都应涵盖在本申请实施例的保护范围之内。因此,本申请实施例的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种时空特征融合交通流预测方法,其特征在于,所述方法包括:
每隔预设时间段,获取所述预设时间段内的包括多个交通影响因素的交通数据集;
基于所述多个交通影响因素构建多个数据节点的图结构,并将所述交通数据集载入所述图结构,对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集;
将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;其中,所述预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;所述空间表征模块用于对所述目标交通数据集进行加权处理、与邻域数据节点建立连接关系、非线性参数的更新处理以及聚合处理,得到交通数据空间特征;所述时间表征模块用于对所述目标交通数据集进行感受野扩充处理、非线性参数的更新处理、正则化处理、残差张量调整处理、数据更新处理,得到交通数据时间特征;所述全连接层用于融合所述交通数据时间特征和所述交通数据空间特征,得到交通数据时空特征;所述交通数据时空特征用于表述交通流的分布特征;
将所述交通数据时空特征进行可视化显示,以对所显示的所述交通数据时空特征进行交通流的分析。
2.根据权利要求1所述的方法,其特征在于,所述交通数据集包括交通流量、交通速度和交通占有率;对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集,包括:
分别对载入所述图结构的交通流量、交通速度和交通占有率进行归一化处理,得到目标交通数据集。
3.根据权利要求1所述的方法,其特征在于,将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征,包括:
将所述目标交通数据集输入所述空间表征模块中,得到交通数据空间特征;所述空间表征模块包括图注意力层、非线性层、第一激活函数层,所述图注意力层用于基于交通影响因素的影响程度对所述目标交通数据集进行加权处理,所述非线性层用于构建经过加权处理的目标交通数据集的一阶邻域空间特征向量,所述第一激活函数层用于对所述一阶邻域空间特征向量进行非线性参数的更新,并将更新后的一阶邻域空间特征向量输入图注意力层进行聚合,得到交通数据空间特征;
将所述目标交通数据集输入所述时间表征模块中,得到交通数据时间特征;所述时间表征模块包括时间卷积网络和门控循环单元;所述时间卷积网络包括一维卷积层、第二激活函数层、丢失层、残差连接层,所述一维卷积层用于对所述目标交通数据集的感受野进行处理,得到输入所述残差连接层所需维度的交通数据空间特征向量,所述第二激活函数层用于对所述交通数据空间特征向量进行非线性参数的更新,并将更新后的交通数据空间特征向量输入所述丢失层,以使所述丢失层对更新后的交通数据空间特征向量进行正则化处理;所述残差连接层用于调整经过正则化处理的交通数据空间特征向量对应的残差张量,并将调整残差张量后的交通数据空间特征向量输入门控循环单元,以使所述门控循环单元对调整残差张量后的交通数据空间特征向量进行数据更新,得到交通数据时间特征;
将所述交通数据时间特征和所述交通数据空间特征输入全连接层进行特征融合,得到交通数据时空特征。
4.根据权利要求1所述的方法,其特征在于,所述预配置的预测模型的构建过程包括:
获取交通数据训练集,并将所述交通数据训练集按照预定义算法进行切分,得到训练数据集和用于数据比对的真实数据集;所述交通数据训练集包括多个交通影响因素对应的交通数据集;
将所述训练数据集进行归一化处理,并将经过归一化处理的训练数据集输入预测模型中进行迭代训练,得到预测的交通数据时空特征;所述预测模型包括空间表征模块、时间表征模块以及全连接层;
将所述预测模型输出的交通数据时空特征与所述真实数据集进行比对,得到比对结果;
基于所述比对结果对所述预测模型进行模型优化,得到预配置的预测模型。
5.根据权利要求4所述的方法,其特征在于,基于所述比对结果对所述预测模型进行模型优化,得到预配置的预测模型,包括:
基于所述比对结果,采用优化算法对所述预测模型的参数进行更新,以优化所述预测模型,得到预配置的预测模型。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
利用评价指标对所述比对结果进行评估,以验证所述预测模型的性能;其中,所述评价指标包括平均绝对误差指标、平均绝对百分比误差指标和均方根误差指标。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
将所述交通数据时空特征与历史交通数据时空特征进行对比,得到比对结果;
基于所述比对结果判断预设时间段内是否发生突发事件;
在确定发生突发事件后,生成提示信息,以提示用户交通流发生异常。
8.一种时空特征融合交通流预测装置,其特征在于,所述装置包括:
获取模块,用于每隔预设时间段,获取所述预设时间段内的包括多个交通影响因素的交通数据集;
处理模块,用于基于所述多个交通影响因素构建多个数据节点的图结构,并将所述交通数据集载入所述图结构,对载入所述图结构的所述交通数据集进行预处理,得到目标交通数据集;
输入模块,用于将所述目标交通数据集输入预配置的预测模型中,得到交通数据时空特征;其中,所述预配置的预测模型包括空间表征模块、时间表征模块以及全连接层;所述空间表征模块用于对所述目标交通数据集进行加权处理、与邻域数据节点建立连接关系、非线性参数的更新处理以及聚合处理,得到交通数据空间特征;所述时间表征模块用于对所述目标交通数据集进行感受野扩充处理、非线性参数的更新处理、正则化处理、残差张量调整处理、数据更新处理,得到交通数据时间特征;所述全连接层用于融合所述交通数据时间特征和所述交通数据空间特征,得到交通数据时空特征;所述交通数据时空特征用于表述交通流的分布特征;
显示模块,用于将所述交通数据时空特征进行可视化显示,以对所显示的所述交通数据时空特征进行交通流的分析。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2023108892881 | 2023-07-19 | ||
CN202310889288 | 2023-07-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117095541A true CN117095541A (zh) | 2023-11-21 |
Family
ID=88768971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921063.XA Pending CN117095541A (zh) | 2023-07-19 | 2023-07-25 | 时空特征融合交通流预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951585A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司曲阜市供电公司 | 一种电力设备运行状态实时检测方法及系统 |
-
2023
- 2023-07-25 CN CN202310921063.XA patent/CN117095541A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951585A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司曲阜市供电公司 | 一种电力设备运行状态实时检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A network traffic forecasting method based on SA optimized ARIMA–BP neural network | |
CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
CN110647921B (zh) | 一种用户行为预测方法、装置、设备及存储介质 | |
CN112052787A (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
CN112101169A (zh) | 基于注意力机制的道路图像目标检测方法及相关设备 | |
CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN110096938A (zh) | 一种视频中的动作行为的处理方法和装置 | |
CN111339818A (zh) | 一种人脸多属性识别系统 | |
CN117095541A (zh) | 时空特征融合交通流预测方法、装置、设备及存储介质 | |
CN112910710A (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
Sabih et al. | Crowd anomaly detection with LSTMs using optical features and domain knowledge for improved inferring | |
CN111931707A (zh) | 基于对抗补丁的人脸图像预测方法、装置、设备和介质 | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN113569657A (zh) | 一种行人重识别方法、装置、设备及存储介质 | |
CN113420722B (zh) | 一种机场安全管理平台的突发事件联动方法及系统 | |
CN116977674A (zh) | 图像匹配方法、相关设备、存储介质及程序产品 | |
Qian et al. | Forecasting short-term taxi demand using boosting-GCRF | |
CN114077912A (zh) | 数据预测方法以及数据预测装置 | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN112766402A (zh) | 算法选择方法、装置和电子设备 | |
CN117077928A (zh) | 网约车需求预测方法、装置、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 |