用于交通预测的多传感器学习系统的制作方法

1.本发明涉及交通控制系统，尤其涉及一种通过利用将统计和机器学习应用于大数据处理的多传感器相关性学习和融合引擎来优化交通预测的系统。


背景技术：

2.交通拥堵给城市基础设施带来严峻挑战，也影响人们的社会经济生活，因为在等候交通时浪费了时间。
3.尽管存在描述交通流模型的多种特征，但我们可以遵循一个一般性假设，即交通流数据是一个时间序列，它是一个时间索引的值序列(即，包含各种类型数据的元组：车辆数量、车辆速度等)。交通数据可以按时间顺序从各种来源(如摄像头或街道感应回路传感器、污染传感器、噪声传感器和天气传感器)收集。这些数据由测量交通指标的传感器随着时间的推移不断生成。这些传感器通常在空间上分布在城市基础设施中。
4.人们已经开发各种交通建模和控制方法，例如宏观模型或微观模型、过滤模型和其它组合模型。此类研究缺乏实际部署，原因包括预测准确度低、无法处理相关性、对数据要求严格、缺乏表现度或缺乏对内部机制的理解以及不可容忍的预测时间成本。
5.现有交通预测模型在实际应用中失败的关键原因在于，它们未能充分利用可用的多传感器源。同时，直接测量特定位置的车辆数量的摄像头和感应回路价格高昂、侵入性强、难以维护并且需要利用算法来处理数据，这增加了此类方案的成本，导致其无法大规模实施。现有模型也未能充分利用交通网络提供的独特信息，包括动态空间因素，即车辆的拓扑结构和固有时间流及其相关性，这些信息可以通过城市群中可用的多个价格低廉的传感器来感测，如污染传感器(例如，no2、no、pm10)、噪声传感器、天气传感器(例如，湿度、降水持续时间)、在线数据和蜂窝线路数据。这些都是间接表征交通流信息的可用和替代数据源。
6.用于时间序列预测的典型统计和机器学习模型，例如自回归滑动平均系列(ar、ma、arma、arima)、贝叶斯推理和回归树，只能对一维时间序列进行建模和预测。此类预测模型假设数据中的相关性可以通过全局时间固定的参数来充分描述。此外，它们本质上不能扩展为多元空间相关预测，这使得它们不适用于数据之间的相关性呈动态和异构的情况，例如道路交通数据。
7.在基于机器学习的时间序列建模和预测领域，有各种方法试图弥补典型统计方法的局限性，并对新技术进行补充以提高表现度和灵活性。现有技术通常侧重于采用贝叶斯积分、支持向量回归、非线性最小二乘法、组合方法和专家系统的离线程序。
8.以下文献所述的方法假设所涉及模型的多样性和精确度是选择模型时要考虑的最重要因素，并研究了一种基于神经网络和元特征的时间序列预测的新方法：r.fonseca等人，“时间序列预测组合方法中的自动模型选择”，《ieee汇刊》，第14卷第8期，第3811至3819页，2016年8月。该方法在选择预测器时自动调整多样性和精确度之间的所需平衡，并在高度非线性的时间序列上提供了良好的结果。然而，离线无监督训练和复杂的模型更新导致
该方法难以在实时场景中实现。
9.以下文献所述的另一种方法假设了解时间序列复杂度可以使自适应预测决策支持系统的设计能够积极支持预测行为和结果的精确度：m.adya等人，“开发和验证基于规则的时间序列复杂度评分技术以支持自适应预测决策支持系统(dss)的设计”，第83卷，2016年。该系统以基于规则的复杂度评分技术为基础，该技术使用十二条规则生成时间序列的复杂度评分，这些规则依赖于序列的十四个特征。尽管在建模中嵌入专家系统规则是一种有趣的方法，但决策系统选择模型时需要大量规则和特征，导致其难以符合实时处理所需的低资源和低时间预算要求。此外，该预测决策支持系统(forecasting decision support system，fdss)考虑复杂特征，例如不连续度、基本趋势方向、水平不连续度和域知识，这确实可以增加适应性，但也会增加复杂度和计算时间。这些指标不是增量计算的，而是离线计算的，因此计算时间取决于时间序列的长度，但没有任何实时预测要求。
10.在交通预测领域，为了满足交通拥堵预警的需求，许多研究都开发了基于大数据驱动理论的实时交通流状态识别和预测方法。交通大数据具有时间相关性、空间相关性、历史相关性和多态性等特点。
11.以下文献所述的方法通过使用基于模拟退火遗传算法的模糊c均值(simulated annealing genetic algorithm based fuzzy c-means，saga-fcm)的交通聚类模型来量化交通流状态，这是交通流状态识别的基础：hua-pu lu、zhi-yuan sun和wen-cong qu，“基于大数据驱动的实时交通流状态识别与预测”，《自然与社会离散动力学》，第2015卷，文章编号284906，11页，2015年。考虑到计算简单、预测准确度高，建立了区域交通流相关性分析双层优化模型，以基于时间-空间-历史相关性预测交通流参数。尽管该模型具有灵活性，但它对模型的时空参数化进行了许多假设，在交通拥堵缓解方面仅获得10％的增益。
12.以下文献所述的另一种方法采用随机信元传输模型(stochastic cell transmission model，sctm)进行概率交通状态评估，该模型结合从空间相关性分析中校准的协方差结构：t.l.pan、a.sumalee、r.x.zhong和n.indra-payoong，“基于时空相关性的短期交通状态预测”，《ieee智能交通系统汇刊》，第14卷第3期，第1242至1254页，2013年9月。尽管模型背后的计算量很大，但该系统的所有预测的总体最大绝对百分比误差(maximum absolute percentage error，mape)约为16.2％，遗憾的是，该数字仅在静态实证研究中获得(而不是在真实场景中获得)。
13.以下文献中的研究采用了更面向实时的方法研究概率假设密度(probability hypothesis density，phd)过滤器在实时交通状态估计方面的潜力：m.canaud、l.mihaylova、j.sau等人(2013年)，“用于实时交通状态估计和预测的概率假设密度过滤”，《网络与非均匀介质》(nhm)，8(3)，第825至842页。该方法采用与phd过滤器耦合的信元传输模型(cell transmission model，ctm)，考虑了测量来源的不确定性，并表明这可以在交通设置和实时计算成本方面提供高精确度。尽管该模型具有很大的吸引力，但它仅用于没有大量车道和交叉路口的高速公路环境，在实际交通环境下复杂度通常会增大。
14.us 2002/0067292 a1描述了使用传感器系统进行环境感测，以进行智能场景解释。为了确定机动车辆相对于行车道的位置，将来自与导航系统耦合的数字道路地图的数据与距离解析传感器提供的数据相融合。在这种背景下，对距离解析传感器的接收信号的特征和距离相关变化进行评估，以确定距离道路边缘的距离。
15.需要开发一种解决这些问题的交通预测系统和方法。


技术实现要素：

16.根据第一方面，提供了一种道路交通流预测系统，所述道路交通流预测系统用于从第一传感器以及第二传感器和第三传感器接收数据，所述第一传感器用于获取第一数据域中的交通流数据，所述第二传感器和所述第三传感器用于获取第二数据域中的数据，所述第一传感器和所述第二传感器位于第一位置，所述第三传感器位于在空间上远离所述第一位置的第二位置，其中，所述系统用于：从所述第一传感器、所述第二传感器和所述第三传感器接收数据；根据从所述第一传感器和所述第二传感器接收的数据处理从所述第三传感器接收的数据，以估计所述第二位置处的交通流。
17.从所述传感器中的每个传感器接收的所述数据可以包括值的时间序列。这可以允许所述传感器随着时间的推移连续生成数据以测量交通指标。
18.所述第一传感器可以是摄像头，所述第一数据域可以是所述位置处的车辆的一个或多个图像。这使得能够学习交通流和其它类型的传感器数据之间的关系。
19.所述第二传感器和所述第三传感器可以分别用于获取与所述第一位置和所述第二位置处的环境属性水平相关的数据。这使得能够学习可以从普遍存在的和/或价格更低廉的传感器收集的交通流和数据之间的关系。
20.所述第二传感器和所述第三传感器中的每个传感器可以包括天气传感器、污染传感器、噪声传感器、co传感器和感应回路中的一个。这些是可以学习传感器数据和交通流之间的关系的方便的传感器实现方式。
21.所述第三传感器可以用于获取与所述第二传感器相同的环境属性相关的数据。这使得能够将在一个位置处学习的关系传递到第二位置，使得来自所述第三传感器的数据可以用于推断所述第二位置处的交通流。
22.所述系统可以用于通过实现所学习的人工智能模型来执行所述处理。所述人工智能模型可以是神经网络。这可以是一种方便的实现方式。
23.所述系统可以用于学习从所述第二数据域到所述第一数据域的映射。所述学习的映射可以应用于其它位置，以预测无法直接测量车辆数量的位置的交通流。
24.所述系统可以用于根据从所述第一传感器和所述第二传感器接收的数据随时间迭代地更新所述模型的参数。这可以提高所学习关系的精确度。
25.所述系统还可以用于根据从至少一个其它传感器接收的数据处理从所述第三传感器接收的数据，以估计所述第二位置处的交通流。这可以允许使用更多类型的传感器来提高预测的稳健性。
26.所述系统还可以用于：从位于所述第一位置的第四传感器以及位于所述第二位置的第五传感器接收数据，所述第四传感器和所述第五传感器用于获取第三数据域中的数据；根据从所述第一传感器、所述第二传感器和所述第四传感器接收的数据处理从所述第三传感器和所述第五传感器接收的数据，以估计所述第二位置处的交通流。
27.所述第一位置和所述第二位置可以分别是第一交通交叉路口和第二交通交叉路口。所述系统还可以用于为所述第一交叉路口和所述第二交叉路口处的相应多组交通信号灯生成时间计划。因此，可以实现所述系统来管理城市环境中的交通。
28.根据第二方面，提供了一种用于在道路交通流预测系统处实现的方法，所述道路交通流预测系统用于从第一传感器以及第二传感器和第三传感器接收数据，所述第一传感器用于获取第一数据域中的交通流数据，所述第二传感器和所述第三传感器用于获取第二数据域中的数据，所述第一传感器和所述第二传感器位于第一位置，所述第三传感器位于在空间上远离所述第一位置的第二位置，所述方法包括：从所述第一传感器、所述第二传感器和所述第三传感器接收数据；根据从所述第一传感器和所述第二传感器接收的数据处理从所述第三传感器接收的数据，以估计所述第二位置处的交通流。
29.所述处理可以包括实现所学习的人工智能模型。所述人工智能模型可以是神经网络。这可以是一种方便的实现方式。
30.还可以提供一种计算机程序，当所述计算机程序由计算机执行时，使所述计算机执行上述方法。所述计算机程序可以存储在非瞬时性计算机可读存储介质上。
附图说明
31.现参照附图通过示例描述本发明。其中：
32.图1示出了交通控制系统和不同位置的典型传感器数据的图形化描述；
33.图2示出了可用于交通预测的通用多传感器处理设置的概况；
34.图3示出了使用位于两个在空间上远离的交通交叉路口处的传感器的示例；
35.图4示出了多传感器学习交通预测架构的概况；
36.图5示出了多传感器学习系统的模块；
37.图6(a)和图6(b)示出了系统中的时间序列相关性学习；
38.图7(a)至图7(d)示出了系统中的相关性学习的另一示例；
39.图8(a)和图8(b)示出了系统的可扩展性特征；
40.图9(a)至图9(c)示出了系统中的推理和预测。图9(a)示出了输入，图9(b)示出了所学习的关系，图9(c)示出了解码的关系；
41.图10示出了系统的运行时功能；
42.图11示出了使用在一个位置学习的模型来预测在空间上远离的其它位置处的交通流的交通预测；
43.图12(a)和图12(b)示出了所学习的传感器关系。图12(a)示出了所学习的no2水平和湿度之间的关系；图12(b)示出了所学习的no2水平和车辆数量之间的关系；
44.图13示出了从缺失的传感器推断数据；
45.图14示出了用于在道路交通流预测系统处实现的方法的示例。
具体实施方式
46.本发明涉及一种处理系统，所述处理系统用于从位于交叉路口处的不同类型的传感器收集交通数据，通过提取可用传感器之间的相关性对所述数据进行建模，并对未来交通流进行预测。这种处理系统可用于控制交通信号灯序列以改善道路交通流。交通流可以定义为在特定时间段内通过特定点的车辆数量(例如，每分钟的车辆数量)，或每个交通信号灯周期通过交叉路口的车辆数量(即，在交叉路口处的交通信号灯为绿灯的时间段内通过的车辆数量)。因此，用于评估车辆数量的时间分辨率可以是单位时间段，也可以是交通
信号灯周期的持续时间。
47.如图1所示，不同的道路交通位置处可以有不同类型的传感器。例如，在地点1(通常如101所示)处，包括no水平、no2水平、颗粒计数和湿度在内的变量由相应传感器测量，或者从用于收集数据的传感器测得，其中，可以对这些数据进行处理以确定这些量。在地点2(通常如102所示)处，包括no水平、co水平、no2水平、颗粒计数和湿度在内的变量由相应传感器测量，或者从用于收集数据的传感器测得，其中，可以对这些数据进行处理以确定这些量。地点1和地点2都没有可直接测量该地点处的交通流(即车辆数量)的传感器，例如摄像头或感应回路。地点3(通常如103所示)处有摄像头，通过该摄像头可以测量车辆的数量。此外，地点3处还配备其它类型的传感器来测量变量，包括no2、o3、no
x
、no、湿度水平和降水持续时间。因此，可以通过所述摄像头直接测量地点3处的交通流。然而，在地点1和地点2处，没有能够测量车辆数量的摄像头或感应回路，因此无法直接测量交通流。
48.图2示出了说明城市交通环境的另一个典型场景(即，两条或多条道路的交叉路口)。在道路s1-s4的交叉路口201处，设有摄像头202、噪声传感器203、湿度传感器204和co2传感器205。给定来自摄像头的测量交通流(即，通过每条车道的车辆数量，通常如206所示)，该系统预测未来交通流(如207所示)以及交通信号灯的控制时间(如208所示)以使交通流最大化。
49.如上所述，仅在每个位置或交叉路口处使用摄像头数据进行交通流预测不仅成本高昂，而且需要额外的基础设施，例如专用图像处理软件。因此，大规模安装并不具有成本效益。此外，隐私问题也是一个障碍。然而，许多其它可用传感器(例如噪声传感器203、co2传感器204和湿度传感器205)也普遍存在。
50.本发明利用来自这些其它类型的传感器的数据并利用描述交通状况的所有可用数据源来改进交通流预测。
51.如图3所示，城区300包括：一系列道路，车辆可以沿着这些道路在至少一个方向上行驶；以及交叉道路之间的交叉路口或十字路口。第一传感器301位于交通交叉路口302的第一位置处。第一传感器用于获取第一数据域中的数据。第一数据域提供对交叉路口处的车辆数量的测量，据此确定交通流。优选地，第一传感器301是用于收集交叉路口处的车辆数量图像的摄像头，据此可以确定交通流。传感器303也位于交叉路口302的第一位置处，用于收集与环境属性相关的数据。在该示例中，传感器303是co传感器。第二co传感器305位于在空间上远离第一交叉路口302的交叉路口304的第二位置处。
52.如下文将更详细描述的，该系统学习摄像头301和co传感器303收集的数据之间的关系。然后，该系统将所学习的关系应用于从第二位置处的co传感器305收集的数据，以推断该路段位置处的车辆数量，并由此推断交通流。
53.该系统还可以学习摄像头与第一位置处的至少一个其它传感器之间的关系，并使用所学习的关系来确定第二位置处的交通流。例如，在图3中，噪声传感器306和307也分别位于第一位置和第二位置处。该系统可以从噪声传感器307接收数据，并且根据所学习的摄像头301和噪声传感器306之间的关系，预测第二位置处(即，交叉路口304处)的交通流。该系统还可以从第二位置处的多个传感器接收数据并使用从第一位置处学习的多个关系来形成第二位置处的交通流的输出。
54.所确定的交通流可用于预测未来交通流(例如，比当前时间提前几个小时)，并为
第一交叉路口和第二交叉路口处的相应多组交通信号灯生成时间计划，分别如308和309所示。
55.因此，该系统聚合了不同位置处可用的多个传感器数据源，以描述和预测城市环境中的交通场景。这种系统是与每个交叉路口的交通控制系统交互的组件。因此，该系统位于交通估计和建模与交通信号灯序列控制组件之间的交汇点。
56.图4介绍了所提出的系统的整体架构和数据流。图4中400处所示的架构包括几个部分，这些部分协同处理传入的传感器时间序列数据401。
57.402处示出的第一个组件是道路交通流时间序列表示和建模模块。作为一个本质上复杂的过程，可以使用时间模型对道路交通流进行建模，该模型假设数据以空间分布的时间序列的形式描述全局现象的局部变化。该模块使用1d自组织映射(self-organizing-map，som)，这是一种神经网络，能够在处理单元(即，神经元)的晶格上以分布式活动模式对传感器时间序列进行编码。每个处理单元都有一个优选值，当该值被馈送到网络时，它将为该优选值发出输出。这种机制使该系统能够表示som的输入传感器空间中彼此接近的相邻值。使用这种机制，该系统能够通过调制高斯函数对数据分布进行编码(即，窄高斯表示低分布，宽高斯表示高分布)，从时间序列中提取数据分布。表示和建模系统快速收敛，从而恢复传感器数据的分布，用于后续的相关性学习。因此，该系统属于轻量级系统，运行速度快。
58.403处示出的第二个组件是用于道路交通预测的多传感器相关性学习系统。该系统使用由模块402确定的传感器时间序列的分布式编码来提取不同类型传感器之间的时间共激活。这是通过相关性学习机制实现的，例如赫布学习。这允许每个输入传感器som中的处理单元或神经元根据共激活来加强传感器之间的联系(即，对于来自传感器时间序列的特定样本，神经元同时处于活跃状态)。对于每个新的传感器数据样本，学习向表示输入传感器之间关系的表示快速收敛。方便地，该表示是连接矩阵，类似于邻接矩阵。就收敛时间和内存分配而言，内在机制快速且资源高效。
59.404处示出的第三个组件是用于道路交通的容错推理和预测系统。随后，从矩阵表示中提取所学习的传感器之间的关系，同时考虑输入编码系统(即som)中的神经元位置。该过程包括一种简单的优化方法，用于在所学习的矩阵表示中根据关系的数学表示找到最接近正确值的值。这是通过简单的数学计算(例如求和、乘积、平方根)来实现的，支持整体简单快速的运算。解码后的函数数学关系用于推断丢失的传感器数据(例如，在交叉路口处没有摄像头的情况下)，或者用于在传感器出现故障时预测正确的值，如405所示。
60.整体架构是模块化的，并提供了一个自适应系统，适用于对高度异构的时间序列和非平稳过程进行建模和预测。该系统可以利用描述多传感器大规模(网络)现象的不同非平稳、确定性时间序列之间的相关性。该系统利用能够捕获传感器时间序列形状和时间分布的分布式表示机制以及用于融合数据的时间相关性学习机制和基于简单操作的强大推理机制，可以在高度非平稳问题(例如交通流预测)中实现改进的时间序列预测性能。
61.因此，该系统提供了一种流水线处理机制，该流水线处理机制将从传感器获取的时间序列数据转换为能够在表示和建模模块中提取传感器之间潜在相关性的表示，学习传感器之间的相关性并将它们融合到多传感器相关性学习模块中，并在容错推理和预测模块中推断交通流(例如，对于没有摄像头的位置，或摄像头发生故障的位置)或改进交通流估计(当存在摄像头时)。
62.现在将参考图5进一步详细描述这些元件的操作。
63.如501所示，表示和建模模块在分布式编码过程中处理来自所有传感器的时间序列数据，如500所示，以从时间序列中提取统计和数据分布。
64.非平稳和确定性时间序列的建模需要使用专门的机制来解释它们的特性。此外，处理多个此类相关时间序列需要适当的层来描述其协方差。模块501使用分布式处理单元网络对传感器时间序列500进行编码。使用自组织映射(self-organizing maps，som)以分布式表示对传感器时间序列进行编码。该机器学习算法负责提取传入数据的统计并以分布式活动模式对传感器样本进行编码，如图6(a)和图6(b)所示。这种活动模式的生成使得最接近输入样本的神经元(就其优选值而言)将被强烈激活。激活随输入和优选值之间的距离的函数而衰减。使用som分布式表示，模型学习输入数据的边界，使得在松弛之后，som提供输入空间的拓扑保持表示。
65.多传感器相关性学习模块502使用机器学习从传感器数据中提取传感器相关性。在一个优选实现方式中，使用的机器学习算法是赫布学习。该算法学习传感器收集的数据之间的相关性，并将其存储在高效、成本低廉且可解释的表示中。这种方法基于轻量级的基于神经网络的学习系统，无需反向传播训练。它可以表示和提取同一学习层中传感器数据的底层统计。这允许系统根据提取的统计来学习数据表示并相应地分配资源。
66.该系统使用时间共激活模式对不同传感器之间的相关性进行编码，如图6(a)和图6(b)中两个传感器所示。在图6(a)中，提取来自传感器1和2的时间序列数据的som，并且使用机器学习算法来学习这两个数据集之间的关系。在图6(b)中，生成交叉模态权重矩阵以表示这两个传感器数据集之间的相关性。
67.这种方法有几个优点。例如，它可以提供可解释的结构(“无黑盒设计”)和易于解释的输出。该方法能够使用相同的表示和学习层来处理双模态、三模态或多模态扩展。此外，与许多现有方法形成对比的是，在本文所述的系统中，不需要对传感器关联和传感器融合规则进行明确编码。
68.为了说明系统及其底层机制的潜力，图7(a)至图7(d)示出了两个传感器数据集之间非线性关系(在该例中为三阶幂律关系)的学习。图7(a)示出了类似于三阶幂律关系的输入数据和输入数据分布。图7(b)示出了确定交叉模态权重矩阵的内部模型架构。图7(c)示出了计算阶段。收到传感器数据时，该系统检测数据是否来自以前未学习关系的新传感器。如果传感器不是新传感器，则该机制进入推理阶段，以使用传感器数据预测交通流。如果数据来自新传感器，则在模型训练中使用传感器数据来确定新传感器数据与来自已知传感器类型的接收数据之间的关系。图7(d)示出了所学习的来自传感器1和2的数据之间的相关性。
69.该系统能够处理来自不同传感器类型的数据之间存在任意非线性关系的情况，并且具有高度可扩展性，能够处理多个传感器。图8(a)和图8(b)示出了包括具有树形相关性结构的传感器s1、s2和s3的三维系统中的场景。图8(a)比较了在模型m1、m2和m3中编码的输入数据和解码的学习表示，而图8(b)示出了在神经网络权重中编码的所学习传感器关系。
70.该系统学习底层的传感器相关性后，便能够解码用于在容错干扰和预测模块中预测或推理的高效且可解释的学习表示，如图5中的503所示。更准确地说，在学习过程之后，网络存储在训练期间考虑的两个传感器输入之间的关系的稳定表示。通过仅考虑一个输入
传感器源(尽管可以使用多个)，网络可以使用所学习的共激活模式推断缺失源的相应数量。该模块使用解码器，该解码器只需计算一个条件，即可微调最活跃(获胜)神经元的优选值，使其接近更精确的估计。这些计算很简单，例如求和以及乘积运算。
71.图9(a)至图9(c)示出了系统的推理能力示例。对于不同的输入数据集，图9(a)示出了输入信号和关系，图9(b)示出了所学习的关系，图9(c)示出了解码的关系。
72.上述系统组件在系统运行时协同工作，并对应于图10所示的功能模块。系统运行时序列以及由功能模块(块)1001至1005执行的操作如下。在模块1001中，计算分布式表示，并提取描述交通的输入传感器时间序列统计，通常如1000所示。在模块1002中，组合传感器数据1000的数据统计，并且使用可解释的表示来学习底层传感器关系。在模块1003中，解码来自可解释编码的传感器相关性。模块1004根据所学习的相关性和其它可用传感器对传感器执行预测。模块1005根据所学习的关系和来自其它可用传感器的数据执行缺失或故障传感器的推理。1006处示出的模块1005的输出是相较于真实值(断续线)的时间序列预测(点虚线)。
73.该系统可以高效地学习各种交通场景中的传感器相关性。在图11至图13所示的示例性交通场景中，在地点3处学习环境参数(例如，no、o3、no2、no
x
)、天气(例如，湿度、降水)和交通流(由摄像头确定的车辆数量)之间的相关性，通常如图11中的1101所示。
74.学习相关性后，即可将所学习的关系传递到不同的地点，以便在没有安装可以直接测量车辆数量的交通传感器但存在其它类型的传感器的区域推断交通流。例如，在地点1和2处，通常分别如1102和1103所示，没有直接交通流传感器，但是这些位置处有no2和湿度传感器。该系统学习地点3处不同传感器之间的传感器关系后，即可仅使用从地点2收集的no2和湿度传感器数据来预测地点2处的车辆计数，如图13所示。因此，该系统学习地点3处的no2和车辆计数(通过摄像头)以及湿度之间的成对相关性。所学习的no2和湿度以及no2和车辆计数之间的关系分别如图12(a)和图12(b)所示。在地点3处学习之后，两种不同传感器类型之间的相关性可用于推断地点2等位置处的交通流，这些位置没有配备可直接测量交叉路口处的车辆数量的摄像头或感应回路等交通传感器。由于该位置有其它类型的传感器，因此可以使用从地点3学习的相关性来推断车辆数量。
75.该系统的输出可应用于交通控制单元，以更新该区域中交叉路口处的交通信号灯，以使交通流最大化。该单元可以使用任何可用的交通传感器数据进行操作。该系统由灵活的仪器支持，确保以低延迟、高传入事件率和固定资源预算进行更新。此外，该系统可以部署在任何类型的位置或交叉路口，无需预先训练，并且与道路或交叉路口布局、大小和可用传感器无关。这在降低部署成本方面提供了重大优势，特别是因为所学习的底层相关性可以传递到配备不同传感器的新基础设施布局中。
76.可以连续执行道路交通的优化，并结合历史数据和当前交通数据的传入流(例如，车辆数量、车辆速度、交通信号灯处的占用情况、特定路段的噪声、针对路段记录的污染值)。因此，该系统能够持续学习交通传感器相关性，融合描述道路交通的传感器数据并适应变化以改进道路交通预测。此外，在交通流预测和控制中，控制单元可以估计和适应数据分布的变化，并提供准确的预测和明智的控制动作，例如控制交通信号灯绿灯时间。因此，该系统可以在具有固定资源预算的可用传感器数据的情况下预测交通流。
77.除了预测不存在摄像头或感应回路的位置处的交通流之外，可替代地或附加地，
该系统还可用于检测传感器何时出现故障。例如，当摄像头或感应回路出现故障时，该系统可以使用从其它传感器收集的数据，根据所学习的关系预测正确的参数数据。假设先前已学习其它传感器类型与故障传感器类型之间的相关性，该系统可以提供数据，以根据来自另一个传感器的数据替换来自故障传感器的数据。因此，该系统能够推断缺失的传感器量。如果需要校正故障传感器量，则可使用此方法。例如，当污染传感器由于湿度而发生漂移时。
78.可以使用大量可用的传感器来实现该系统。可以使用的传感器的示例包括但不限于：摄像头、污染传感器、噪声传感器、co传感器、no2传感器、no传感器、o3传感器、no2传感器、no
x
传感器、天气传感器(例如，湿度、降水)感应回路、移动性数据、覆盖地理空间运动参数的gsm用户小区开关、安装在街道上的高强度声音范围以及用于大范围废气的颗粒计数传感器。
79.图14总结了用于在道路交通流预测系统中实现的方法，所述道路交通流预测系统用于从第一传感器以及第二传感器和第三传感器接收数据，所述第一传感器用于获取第一数据域中的交通流数据，所述第二传感器和所述第三传感器用于获取第二数据域中的数据，所述第一传感器和所述第二传感器位于第一位置，所述第三传感器位于在空间上远离所述第一位置的第二位置。在步骤1401中，所述方法包括从所述第一传感器、所述第二传感器和所述第三传感器接收数据。在步骤1402中，所述方法包括根据从所述第一传感器和所述第二传感器接收的数据处理从所述第三传感器接收的数据，以估计所述第二位置处的交通流。
80.本文所述的系统和方法可以通过推断来自多个源的交通流来帮助最小化交通控制系统的总成本。这通过从其它价格更低廉且易于获得的相关传感器推断交通流，减轻了每个位置或交叉路口对价格高昂的传感器和数据源(例如摄像头和感应回路)的需求，从而使该系统能够针对大城市场景高效地扩展。
81.该系统特别适用于交通预测，这需要建模、预测和快速适应传感器时间序列。如其模块化结构所示，该系统采用高效的时间序列表示和建模方法，能够提取数据分布，并通过利用时间共激活，在统一计算单元中学习多传感器相关性以进行容错交通预测。
82.无论部署场景如何，数据处理单元都能够利用它们自动提取的数据分布的表示，根据其时间结构对时间序列进行分布式建模。该计算单元能够适应任何类型的传感器时间序列和任何数量的描述道路交通的可用传感器。
83.该系统还支持将各种传感器时间序列编码为能够捕获底层统计和数据分布模型的分布式表示，并为能够找到描述传感器数据底层结构的最佳拟合模型的时间序列建模提供通用方法。
84.该系统包括通用架构，该通用架构能够作为交通控制系统的一部分运行，从而获得每个位置的预测模型。该系统可部署用于多种场景，不受道路几何形状、大小和配置以及可用传感器的影响，这些场景需要灵活性和可扩展性。
85.该系统可以包括处理器和非易失性存储器。该系统可以包括多个处理器和多个存储器。所述存储器可以存储可由所述处理器执行的数据。所述处理器可以用于根据以非瞬时形式存储在机器可读存储介质上的计算机程序运行。所述计算机程序可以存储用于使所述处理器按照本文描述的方式执行其方法的指令。这些组件可以在物理硬件中实现，也可
以部署在各种边缘或云设备上。
86.当数据进入系统时，计算处理的时间跨度有限，受资源分配和执行时间的限制，只能执行简单的操作。所提出的系统提出了一种道路交通预测计算单元，该道路交通预测计算单元利用描述交通状况的不同交通传感器数据之间的时间相关性，从而克服了基于微分方程、数值方法和经验方法的复杂解析流模型等资源消耗大、计算成本高且复杂的现有技术方法。
87.道路交通流时间序列表示和建模及计算单元能够使用支持轻量级学习算法的数据表示和统计建模的高效分布式模型对传感器时间序列进行建模。该系统提供了一种用于道路交通预测的多传感器相关性学习系统，该多传感器相关性学习系统在给定描述交通状况的传感器数据对的情况下，学习它们之间的时间相关性模式，对它们之间的底层函数数学关系进行编码，而无需任何关于底层统计和相关性的先验信息。解码机制将所学习的传感器之间的相关性解码并以高效的数据表示形式编码为可解释的数学函数关系。
88.因此，所提出的系统提供了一种灵活的基础设施来分析任意传感器相关性并提取可理解的传感器数据关联以进行交通预测。该轻量级学习系统以高效的数据表示形式来表示和提取传感器数据的底层统计。此外，该系统具有可解释的结构，无“黑盒设计”，且可解释的输出适用于双传感器、三传感器、多传感器场景。所提出的系统结合了神经网络和som在高效表示时间序列方面表现出的学习能力以及高效的相关性学习和多传感器融合机制。这种组合允许实时学习和重新学习。由于该系统具有学习能力，它不需要对传感器关联和传感器模型进行明确编码。该系统能够将所学习的相关性信息传递到其它位置或交叉路口，无需重新配置，即可通过其它可用的传感器数据预测道路交通流，从而可最大限度地降低为所有路口配备价格高昂的传感器的相关成本。
89.申请人在此单独公开了本文中描述的每个单独特征以及两个或多个此类特征的任何组合，在某种程度上，这样的特征或组合能够根据本领域技术人员的公知常识基于本说明书作为一个整体来执行，无论这些特征或特征的组合是否解决了本文公开的任何问题，并且不限制权利要求的范围。申请人指出，本发明的方面可以包括任何这样的单独特征或特征的组合。鉴于上述描述，本领域技术人员将明显地看到，在本发明的范围内可以进行各种修改。