一种交通流量补全与预测方法与流程

本发明涉及交通技术领域，具体而言，涉及一种基于深度学习和图网络技术的道路交通流量预测方法。

背景技术：

近年来，随着技术的不断发展，城市交通压力日益增大。及时准确的预测交通流量对于交通路径规划，提高出行效率，从而缓解交通压力起着关键性作用。

现有的道路交通流量预测模型中，对于缺失的数据，通常只是补零处理，在预测的同时往往只考虑的交通流量之间的时间依赖性，忽略它们之间的空间依赖性，因而并不能达到实时、准确的预测效果。

在现实生活中，当前道路的交通状况显然会受到相邻道路交通情况的影响。然而，因为不同道路的交通状况有差异，天气状况也会对交通产生潜在的影响。相邻道路对当前道路的影响明显会出现时间上的偏移，此外，数据在采集的过程中也会有大量的缺失情况。如果预测模型无法有效的考虑到以上因素，显然无法实时、有效的预测交通情况。

技术实现要素：

为了克服现有的道路交通流量预测模型中特征单一，无法有效考虑相邻道路交通状况，致使模型精度不高等因素，本发明通过分析多元化的综合数据，提出一种交通流量补全与预测方法，该方法即使在长时交通信息预测以及道路交通数据缺失较多的情况下，也能准确的预测交通信息。

本发明解决其技术问题所采用的技术方案是：

一种交通流量补全与预测方法，所述的方法包括以下步骤：

1)离线模块主要对路况历史交通信息进行采样，路况信息包括车流量、车速、通行时间、天气以及拥堵信息；

2)补齐缺失数据，过程如下：

2.1)以固定的时间窗tx将采集的流量数据分割成多个道路流量快照，若每个流量快照的节点数据缺失个数i≤ε,则把这些快照组合成完整道路流量快照集合tr＝(tri)n×tx×k，tri为第i张完整道路流量快照，k为完整的流量快照个数；剩余的流量快照组合成缺失的道路流量快照集合la＝(lai)n×tx×l，lai为第i张完整道路流量快照，l为缺失的流量快照个数；

2.2)对于完整的道路流量快照,随机删除每个节点的交通信息，得到删除后的道路流量快照集合以及删除区域的掩码m＝(mi)n×tx×k，其中掩码由0，1构成，0表示未删除的节点的交通信息，1表示已删除的节点交通信息，把这些数据输入由卷积与反卷积神经网络构成的数据补全模型中，输出流量快照集合pr＝(pr)n×tx×k，用l2距离表示数据补全模型的损失函数，公式如下：

lrec(x,m)＝||m⊙(g((1-m)⊙x)-x)||²

其中⊙表示元素之间的点乘，g(·)表示数据补全模型得到的输出，x表示数据补全器模型的输入；

2.3)把数据补全模型得到的输出pr与完整的道路流量快照集合tr输入到鉴别器网络模型中，然后不断的交替更新数据补全模型与鉴别器模型，直到数据补全模型得到的输出无法被鉴别器模型所鉴别别，停止模型更新，公式如下：

l＝αlrec+βladv

其中，d(·)表示鉴别器模型的输出，ladv表示鉴别器模型的损失函数，l表示数据补全模型与鉴别器模型联合损失函数，α、β分别表示数据补全模型与鉴别器模型损失函数的权值；

2.4)把缺失的流量快照集合la输入到数据补全网络模型中，补齐缺失值，得到补齐后的流量快照集合la'＝(la′i)n×tx×l，然后把补齐后的流量快照集合和完整的流量快照集合拼接在一起，最终得到完整的流量数据

3)基于道路行程时间计算可达矩阵，采用图卷积网络提取相邻道路不同时段的交通信息；

4)采用递归神经网络提取不同时刻交通流量信息之间的时间依赖性；

5)将天气、拥堵特征独热编码，嵌入流量特征空间；

6)用全连接层将递归神经网络提取后的信息与嵌入的天气、拥堵特征信息组合起来，得到流量预测模型；

7)在线模块基于实时采样交通数据，输入预训练好的预测模型，过程中得到新的误差结果，动态训练模型。

进一步，所述步骤3)中，如果车辆选择通过边(i,m)到达目的节点j，车辆从节点i行驶到节点j花费的最小行程时间为rj(i,m)，rj(i,m)通过以下公式进行迭代更新：

其中，

i,j∈n：表示道路交通网络中所有节点的集合；

d∈d：表示所有车辆行驶的终点的集合；

tim：表示车辆从节点i行驶到节点m所耗费的平均行程时间；

a(j)：所有以m为起点的车道的终点的集合

依据预测的时间间隔，计算如下可达矩阵:

其中,

tk：预测的时间间隔；

rij：车辆从节点i行驶到节点j的最小行程时间；

xij:xij＝1表示节点i的车辆在预测间隔为tk时间内是可以到达节点j的，xij＝0表示节点i的车辆在预测间隔为tk时间内尚未到达节点j。

进一步的，以可达矩阵为卷积核进行图卷积，提取特征，用可训练参数与可达矩阵的哈达马乘积确保可达矩阵的可更新性，公式如下：

其中，为可达矩阵，n为道路交通网络的节点数；

in为n阶单位阵，d为道路交通网络的度值矩阵；

为流量特征矩阵；w2,w3是通过训练得出的参数；

relu(·)、σ(·)表示激活函数；表示权重和邻接矩阵的哈达马乘积。

所述步骤4)中，采用递归神经网络提取不同时刻交通流量信息之间的时间依赖性，用图卷积网络处理后的流量特征输入递归神经网络模型中，公式如下：

ht＝ot*tanh(ct)

其中，表示用图卷积网络提取后的特征，tanh(·)表示激活函数；

ht-1表示递归神经网络模型在t-1时刻的输出，ft表示递归神经网络模型的遗忘门，决定了t-1时刻的交通流量信息是否被保留到t时刻；

it、以及ct表示递归神经网络模型的输入门，决定了t时刻有多少的交通流量信息输入到模型中；

ot和ht表示递归神经网络模型的输出门，决定了t时刻模型的流量输出情况。wf、wi、wj、wo和bf、bi、bj、bo是模型参数，通过训练更新确定。

所述步骤5)中，对天气、拥堵特征进行独热编码；

将编码后的特征通过浅层神经网络嵌入流量特征空间，公式如下：

其中，xij为独热编码后的天气或者拥堵特征，tanh(·)表示激活函数；j(w*,b*)表示特征嵌入后的流量与实际流量的误差，通过随机梯度下降最小化误差，迭代更新模型参数w0、w1、b1、b2，最终得出嵌入后的天气、拥堵特征。

所述步骤6)中，用全连接层综合提取流量、天气以及拥堵特征，将递归神经网络模型的输出与嵌入后的天气、拥堵特征组合起来，作为新的特征输入到全连接层中，最终得出预测结果其中l表示输入递归神经网络模型的序列长度，k表示预测的时间间隔，公式如下：

其中，m表示每次训练输入的样本数。用adam优化算法最小化损失函数los，更新模型参数，最终得出流量预测模型。

本发明的有益效果主要表现在：在各种数据质量条件下充分挖掘交通数据的时空特性，不但能提高道路交通流量预测方法的鲁棒性，而且针对长时的道路交通流量预测也能很好的效果。

附图说明

图1为本方案提供的道路交通流量预测算法流程图。

图2为本方案提供的交叉路口构建的交通网络结构示意图。

图3为本方案提供的缺失数据补齐模型示意图。

图4为本方案提供的属性特征嵌入过程的流程示意图。

图5为本方案提供的道路交通流量预测方法的模型结构示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图5，一种交通流量补全与预测方法，包括以下步骤：

步骤s1.采集道路基本信息，对路况交通信息进行采样，路况交通信息包括但不限于车流量、车速、拥堵情况、以及天气情况等特征；

步骤s2.如图2所示，以车流走向分歧点为结点，车流行走路线为边，构建道路交通网络图；

步骤s3，如图3所示，以固定的时间窗tx将采集的流量数据分割成多个道路流量快照。如果每个流量快照的节点数据缺失个数i≤ε,则把这些快照组合成完整道路流量快照集合tr＝(tri)n×tx×k，tri为第i张完整道路流量快照，k为完整的流量快照个数。剩余的流量快照组合成缺失的道路流量快照集合la＝(lai)n×tx×l。lai为第i张完整道路流量快照，l为缺失的流量快照个数；

步骤s4，如图3所示，对于完整的道路流量快照,随机删除每个节点的交通信息，得到删除后的道路流量快照集合以及删除区域的掩码m＝(mi)n×tx×k。其中掩码由0，1构成，0表示未删除的节点的交通信息，1表示已删除的节点交通信息。把这些数据放入到由卷积以及反卷积神经网络构成的数据补全模型中，得到预测流量快照集合pr＝(pr)n×tx×k。用l2距离表示数据补全模型的损失函数，公式如下：

lrec(x,m)＝||m⊙(g((1-m)⊙x)-x)||²(1)

其中⊙表示元素之间的点乘，g(·)表示数据补全模型得到的输出，x表示数据补全模型的输入；

步骤s5，如图3所示，把数据补全模型得到的输出pr与完整的道路流量快照集合tr输入到鉴别器网络模型中。然后不断的交替更新鉴别器模型与数据补全模型，直到数据补全网络模型得到的输出无法被鉴别器模型所判别，停止模型更新，公式如下：

l＝αlrec+βladv(3)

其中，ladv表示鉴别器模型的对抗损失函数，l表示数据补全模型与鉴别器模型联合损失函数，α、β分别表示数据补全模型与鉴别器模型损失函数的权值；

步骤s6，如图3所示，把缺失的流量快照集合md输入到数据补全网络模型中，补齐缺失值，得到补齐后的流量快照集合la'＝(la′i)n×tx×l，然后把补齐后的流量快照集合和完整的流量快照集合拼接在一起，最终得到完整的数据集

步骤s7，如图4所示，对道路的天气、拥堵等属性特征进行独热编码，构建特征张量w＝(wij)n×t，e＝(eij)n×t，其中wij、eij分别表示节点i到节点j独热编码后的天气特征和拥堵特征；进一步的，利用浅层神经网络把独热编码后的特征嵌入到对应的流量特征空间，公式如下：

其中，xij可以为wij或者eij；j(w*,b*)表示特征嵌入后的流量与实际流量的误差，通过随机梯度下降优化算法最小化误差，在误差收敛后，得出嵌入模型参数w0、w1、b1、b2。最终得出嵌入后的天气、拥堵特征

步骤s8，如图5所示，针对相邻道路交通对当前道路交通状况的影响会在时间上存在迟滞现象，因而，如果车辆选择通过边(i,m)到达目的节点j，车辆从节点i行驶到节点j花费的最小行程时间为rj(i,m)，rj(i,m)通过以下公式进行迭代更新：

其中，

i,j∈n：表示道路交通网络中所有节点的集合；

d∈d：表示所有车辆行驶的终点的集合；

tim：表示车辆从节点i行驶到节点m所耗费的平均行程时间；

a(j)：所有以m为起点的车道的终点的集合

依据预测的时间间隔，计算如下可达矩阵:

其中,

tk：预测的时间间隔；

rij：车辆从节点i行驶到节点j的最小行程时间；

xij:xij＝1表示节点i的车辆在预测间隔为tk时间内是可以到达节点j的，xij＝0表示节点i的车辆在预测间隔为tk时间内尚未到达节点j；

步骤s9，如图5所示，根据步骤s8得出的可达矩阵a'代替传统gcn算法中的邻接矩阵，实现对于预测时间间隔较短的预测任务，仅使用预测地点附近的交通数据；用可训练的参数矩阵与可达矩阵的哈达马乘积来实现对预测地点附近的交通数据赋予不同的权重，公式如下：

其中，为可达矩阵，由公式(7)计算得到；

n为道路交通网络的节点数；

in为n阶单位阵，d为道路交通网络的度值矩阵；

为流量特征矩阵；w2,w3是通过训练得出的参数；

relu(·)、σ(·)表示激活函数；表示权重和邻接矩阵的哈达马乘积；

步骤s10，如图5所示，将步骤s9得到的输出输入递归神经网络模型当中，提取流量特征之间的时间依赖性，公式如下：

ht＝ot*tanh(ct)(18)

其中，表示用图卷积网络提取后的特征，tanh(·)表示激活函数；

ht-1表示递归神经网络模型在t-1时刻的输出，ft表示递归神经网络模型的遗忘门，决定了t-1时刻的交通流量信息是否被保留到t时刻；

it、以及ct表示递归神经网络模型的输入门，决定了t时刻有多少的交通流量信息输入到模型中；

ot和ht表示递归神经网络模型的输出门，决定了t时刻模型的流量输出情况。wf、wi、wj、wo和bf、bi、bj、bo是模型参数，通过训练更新确定；

步骤s11，将递归神经网络模型的输出与通过公式(5)嵌入后的天气、拥堵特征组合起来，作为新的特征输入到全连接层中，最终得出结果其中l表示输入递归神经网络模型的序列长度，k表示预测的时间间隔，公式如下：

其中，m表示每次训练输入的样本数。用adam优化算法最小化损失函数los，更新模型参数，最终得出流量预测模型，并使用均方误差(rmse)和平均绝对误差(mae)评估模型的精度，公式如下：

步骤s12，基于实时采样交通数据，输入预训练好的预测模型，过程中得到新的误差结果，动态训练模型。

最后应说明的是：以上所述方法，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。