交通流量预测方法及系统

文档序号:26143071发布日期:2021-08-03 14:28阅读:368来源:国知局
交通流量预测方法及系统

本发明涉及交通流量的预测技术领域,尤其涉及一种基于时空图神经网络模型的交通流量预测方法及系统。



背景技术:

智能交通系统正在大力发展,交通数据预测问题是其中的重要组成部分。车流量是反映公路运行状态的主要参数之一,如果能够提前准确地对车流量进行预测,事先对车辆进行疏导,可以提高路网的运行能力和效率,降低人们的出行时间和成本,减少交通事故,保障交通安全。

交通流量预测是典型的时空数据预测问题,不同类别的交通数据内嵌于连续空间,并且随时间动态变化,因此,有效提取时空相关性对解决这类问题至关重要。早期的时间序列预测模型只能用于数据相对稳定、呈线性变化的预测问题,很难适应实际需求。随后发展起来的机器学习方法虽然能对更复杂的数据进行建模,但仍然很难同时考虑交通数据的时空相关性。如利用卷积神经网络(cnn)可以有效提取网格数据的空间特征,但cnn无法捕捉到时间特征,且因为网格的存在,空间特征被稀释了。



技术实现要素:

针对现有技术中的缺陷,本发明的目的是提供一种交通流量预测方法及系统。

根据本发明提供的一种交通流量预测方法,包括如下步骤:

获取pems数据,以构建交通路网拓扑图;

按预设时长跨度划分时间段,并对划分的每个时间段根据所述交通路网拓扑图分别建立网络分支;

提取所述网络分支的空间特征和时间特征;

聚合提取的所述空间特征和所述时间特征,以获取能够预测交通流量的神经网络模型。

进一步,所述的获取pems数据,以构建交通网络拓扑图包括如下步骤:

获取所述pems数据;

将所述pems数据集中的传感器作为所述交通路网的拓扑图的节点;

将所述传感器收集到的路网车流量、车速、车道占有率作为所述节点的特征向量,以得到所述交通网络拓扑图。

进一步,所述预设时长跨度至少包括如下时长跨度:

最近2小时;

最近6小时;

一日;

一周。

进一步,所述最近2小时对应了交通流量的具有随机特征的短视预测;

所述最近6小时对应交通流量的具有周期性特征的短时预测;

所述一日对应交通流量的中长期预测;

所述一周对应交通流量的长期预测。

进一步,所述的提取网络分支的空间特征和时间特征包括如下步骤:

在空间维度上,聚合所述网络分支的节点特征,以形成空间卷积模块,提取得到所述空间特征;

在时间维度上,利用长短期记忆网络,以提取得到所述网络分支的时间特征。

进一步,在提取所述空间特征时,采用多头注意力机制提高网络模型的聚合效率;

采用空洞卷积扩大感受视野。

进一步,利用在所述空间卷积模块之间加入残差连接的方式来防止梯度消失。

进一步,所述的聚合提取的空间特征和时间特征,以获取能够预测交通流量的神经网络模型包括如下步骤:

初始化超参数;

利用反向传播更新网络参数,并计算损失函数;

调整所述超参数,使所述损失函数的数值达到设定阈值,以得到所述神经网络模型。

进一步,采用随机梯度下降法来计算所述损失函数的数值。

进一步,采用均方误差mse和平均绝对误差mae作为损失函数,其中,

所述均方误差的计算公式:

所述平均绝对误差的计算公式:

本发明还提供了一种交通流量预测系统,能够用来实现前述的交通流量预测方法的步骤。该系统包括:

数据搭建模块,用于获取pems数据,以构建交通路网拓扑图;

数据划分模块,用于按预设时长跨度划分时间段,并对划分的每个时间段根据所述交通路网拓扑图分别建立网络分支;

特征提取模块,用于提取所述网络分支的空间特征和时间特征;

特征处理模块,用于聚合提取的所述空间特征和所述时间特征,以获取能够预测交通流量的神经网络模型。

与现有技术相比,本发明具有如下的有益效果:

1、本发明利用图卷积提取空间特征,利用二维卷积提取时间特征,相比传统方法来说,能够同时提取空间依赖和时间依赖。

2、本发明在卷积模块中加入注意力机制,使不同节点的相关性有所区分,凸显有用信息,抑制无用的特征。

3、本发明根据交通路网的特点采用空洞卷积扩大感受野,即远距离道路仍然会对当前道路产生潜在影响,聚合潜在道路特征。

4、本发明将时间片划分为四段,分别捕捉短期随机性特征、短期周期性特征、中长期特征、长期特征。最终与空间特征聚合,提高预测的准确性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:

图1为本发明实施例提供的交通流量预测方法流程示意图;

图2为本发明实施例提供的构建交通网络拓扑图的示意图;

图3a、3b、3c和3d为本发明实施例提供的pems数据集所构成的图结构数据可视化结果示意图;

图4为本发明实施例提供的提取网络分支的空间特征和时间特征的方法步骤示意图;

图5为本发明实施例提供的时空卷积结构示意图;

图6为本发明实施例提供的卷积模块示意图;

图7为本发明实施例提供的网络整体架构示意图;

图8为本发明实施例提供的交通流量预测系统示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。

如图1所示,在本发明提供的一种交通流量预测方法,该方法包括如下步骤:

s100:获取pems数据,以构建交通路网拓扑图;

s200:按预设时长跨度划分时间段,并对划分的每个时间段根据所述交通路网拓扑图分别建立网络分支;

s300:提取所述网络分支的空间特征和时间特征;

s400:聚合提取的所述空间特征和所述时间特征,以获取能够预测交通流量的神经网络模型。

本发明提供的交通流量预测方法中,以图卷积提取空间特征,以二维卷积提取时间特征的方式最终获取神经网络模型,以此来预测交通流量,相比传统方法可以同时提取空间依赖和时间依赖,提高了预测的精准度。

这里的预设时长跨度可以被设置为最近2小时的时长、最近6小时的时长,以及一日时长和一周时长。通过不同时长跨度的划分,可以将最近2小时对应为交通流量的具有随机特征的短时预测,将最近6小时对应交通流量的具有周期性特征的短时预测;将所述一日对应交通流量的中长期预测;将一周对应交通流量的长期预测。

在本发明的一实施例中,还提供了一种构建交通网络拓扑图的方法。如图2所示的构建交通网络拓扑图的示意图。该方法包括如下步骤:

s101:获取pems数据;

s102:将所述pems数据集中的传感器作为所述交通网络的拓扑图的节点;

s103:将所述传感器收集到的路网车流量、车速、车道占有率作为所述节点的特征向量,以得到所述交通网络拓扑图。

在图3中示出了pems(freewayperformancemeasurementsystem,高速路性能评价系统)数据集所构成的图结构数据可视化结果,图中节点为传感器,边为路网道路。在具体的实施方式中,可以采用美国加利福尼亚运输部提供的pems数据集来建立交通网络拓扑图。继而,可以将该数据集中的307个传感器视为拓扑图上的节点。由于这些数据是从39000多个单独的探测器中实时收集的,这些传感器跨越了加利福尼亚所有主要都会区的高速公路,本发明中使用的数据可以是这些数据的子数据集,是其中一个区域的307个传感器数据。在使用数据之前,需要对数据进行清洗处理,数据清理后使用线性插值的方法来填补缺失值,以传感器为节点,以道路为边,环路系统可以被数值化成一个拓扑图。

在本发明的一实施例中,本发明还提供了一种提取网络分支的空间特征和时间特征的方法。如图4所示,该方法包括如下步骤:

s301:在空间维度上,聚合所述网络分支的节点特征,以形成空间卷积模块,提取得到所述空间特征;

s302:在时间维度上,利用长短期记忆网络,以提取得到所述网络分支的时间特征。

由此进一步同时提高了网络模型的空间依赖性和时间依赖性。

如图5、图6和图7所示,其中图5所示的结构为时空卷积示意图。在纵向上看,节点的特征向邻居节点流动,促成节点间的信息交换与特征集合;在横向上来看,随着时间在时间轴上的推移,前一个时刻的节点状况影响下一个时刻的节点状况。这反映了交通流量的特点,即临近道路会互相影响、一定时间内的道路会影响当前时刻道路的状况。图6所示为卷积模块示意图。每个卷积模块由图卷积核和长短期记忆网络(lstm,longshort-termmemory)组成,不同卷积模块之间使用残差连接。图7是网络整体架构,网络由四个分支组成,分别对应交通流的四个不同时间段,在提取完每个时间段的特征信息后,使用聚合函数进行聚合,而聚合函数可以是:

y=w1⊙x1+w2⊙x2+w3⊙x3+w4⊙x4

其中,w1、w2、w3、w4表示四个分支学习参数,反映四种周期特征对目标结果的影响程度;x1、x2、x3、x4则表示四个分支提取的特征向量。

需要说明的是,时间依赖性是指前一时刻的交通流会对下一时刻的交通流产生影响,即现在和未来交通状态受历史交通状态影响,并且交通流时间序列变化趋势与历史时间序列趋势呈正相关、空间依赖性是指目标区域的交通状况受其周围区域甚至远处区域的影响。交通流量预测的关键就在于提取数据的时间、空间特征。

另外,在提取空间特征时,还可以采用多头注意力机制以提高网络模型的聚合效率,还能采用空洞卷积以扩大感受视野。为了防止梯度消失,还可以利用空间卷积模块之间加入残差连接的方式来实现。

在获取神经网络模型时还需要将超参数初始化,并且利用反向传播更新网络参数;计算损失函数时不断调整超参数,以使损失函数获得最优解或者说是其数值达到设定阈,继而得到需要的神经网络模型。

在进行损失函数计算时,本发明采用随机梯度下降法进行计算。其中将均方误差mse和平均绝对误差mae作为损失函数。其中,

所述均方误差的计算公式:

所述平均绝对误差的计算公式:

其中xi表示特征向量,表示特征向量的估计值。

如图8所示,本发明一实施例还提供了一种交通流量预测系统,该系统包括:

数据搭建模块,用于获取pems数据,以构建交通路网拓扑图;

数据划分模块,用于按预设时长跨度划分时间段,并对划分的每个时间段根据所述交通路网拓扑图分别建立网络分支;

特征提取模块,用于提取所述网络分支的空间特征和时间特征;

特征处理模块,用于聚合提取的所述空间特征和所述时间特征,以获取能够预测交通流量的神经网络模型。

通过上述说明可知,本发明在卷积模块中加入注意力机制,使不同节点的相关性有所区分,凸显有用信息,抑制无用的特征。还根据交通路网的特点采用空洞卷积扩大感受野,即远距离道路仍然会对当前道路产生潜在影响,聚合潜在道路特征。另外本发明将时间片划分为四段,分别捕捉短期随机性特征、短期周期性特征、中长期特征、长期特征。最终与空间特征聚合,提高预测的准确性。

以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1