一种基于节假日拥堵预测算法的预警方法及系统与流程

1.本发明涉及智慧公路技术领域，具体涉及一种基于节假日拥堵预测算法的预警方法及系 统。


背景技术：

2.近年来，随着社会经济的持续发展以及城市建设的逐步完善，人们往返于城市之间日趋 频繁，运行在高速公路上的车辆也越来越多，因此如何利用已有的交通量信息和资源对上述 问题进行有效解决，防止交通运行恶化从而保证高速公路的畅通运行，成为目前高速公路迫 切需要解决的问题。
[0003][0004]
高速公路交通拥堵日趋加剧的根本原因主要有两方面，一方面是高速公路交通管理部门 缺乏对网状交通状态变化趋势的整体把握，因而无法进行有效的交通管控和疏导；另一方面在 于出行者不清楚实时路况的变化，盲目驾驶从而导致交通拥堵的发生。而准确把握交通状态 和实时路况变化趋势的关键在于对交通流量变化趋势的有效预测，因此要实现对高速公路的 有效管理，减少交通拥堵和交通事故的发生，其重点在于对高速公路交通流量的准确预测。
[0005]
节假日与日常出行相比有出行流量大、出行距离较长的差异，因而节假日的交通拥堵与 日常拥堵相比会有发生频率高、拥堵时间长、影响路段长的特点。利用准确的节假日拥堵信 息可以通过提前部署高速管理资源达到快速处置和交通流的动态调控进行管理。
[0006]
从上世纪中叶开始国外就已经有学者利用其它领域的一些预测方法对节假日拥堵情况 进行预测，大约在上个世纪八十年代，我国一些学者也相继开始在交通流领域进行深入研究， 迄今为止，国内外已经出现了许多较成熟的预测方法。这些预测方法大致可以分为下几类:基 于线性系统理论的预测方法、基于非线性系统理论的预测方法、基于数据训练的智能预测以 及基于组合方式的预测方法。上述这些模型考虑了时间特征而忽略了空间依赖性，使得交通 数据的变化不受城市路网的约束，无法准确预测道路上的交通状况。充分利用时空相关性是 解决交通预测问题的关键。
[0007]
在大数据时代，随着科学技术和数据的发展，不少学者将深度学习应用至节假日拥堵情 况的预测中，在基于神经网络的高速公路交通流预测研究中，建立了基于神经网络的交通流 预测模型，并取得了良好的效果。如在多维空间bp神经网络的节假日高速公路网节点拥堵 预测分析研究中，通过选取具有闭环反馈的多维空间bp神经网络建立了路网预测模型，并 通过具体试验和验证，预测值和真实值具有很好的拟合度。同时，在高速公路网运行监测若 干关键技术的研究中指出来交通监控硬件基础的关键技术，为交通流数据的采集和研究奠定 了坚实的基础。但其仍然存在着有效利用数据的范围太小，同时参数设置方面过多的依赖于 人工经验和调试等问题。


技术实现要素：

[0008]
为解决上述对节假日拥堵情况的预测过程中存在的一系列问题，本发明提供了一种基于 节假日拥堵预测算法的预警方法，通过融合时间特征、历史特征、空间位置变量以及高速公 路场景中的多源外部影响因素，采用节假日拥堵预测算法建立st-gcn模型分析预测未来某 段时间的交通拥堵路况，同时采用拥堵评价指标对所预测的交通拥堵路况进行评估，评估出 交通拥堵情况并推送至高速公路上布设的情报板进行展示并预警，及时处理突发拥堵事件并 合理疏导车流，从而有效提高高速公路的通行效率。本发明还涉及一种基于节假日拥堵预测 算法的预警系统。
[0009]
本发明的技术方案如下：
[0010]
一种基于节假日拥堵预测算法的预警方法，其特征在于，包括以下步骤：
[0011]
数据获取及预处理步骤：获取交通数据集，并对获取的交通数据集进行预处理；
[0012]
融合分析步骤：将时间特征、历史特征、空间位置变量以及天气数据与预处理后的交通 数据集进行融合，形成完整交通数据集；
[0013]
模型建立步骤：根据完整交通数据集，选择预设的数据粒度，并采用节假日拥堵预测算 法进行空间相关性和时间相关性建模，建立st-gcn模型，并对建立的st-gcn模型进行训 练，得到最优st-gcn模型，根据最优st-gcn模型预测交通拥堵路况；
[0014]
模型评估步骤：根据交通数据集中实际交通数据和预测的交通拥堵路况建立评估指标， 根据评估指标并采用对比模型对st-gcn模型进行评估，验证st-gcn模型为最优模型；
[0015]
拥堵评估步骤：采用包括拥堵时空范围、拥堵点数量、拥堵团平均速度、拥堵团总交通 运行指数值和/或平均拥堵时空频率的拥堵评价指标对验证为最优模型的st-gcn模型所预测 的交通拥堵路况进行评估，评估出交通拥堵情况；
[0016]
信息展示步骤：通过高速公路上布设的情报板将交通拥堵情况进行展示并预警。
[0017]
优选地，所述模型评估步骤中，所述评估指标包括均方根误差、平均绝对误差和决定系 数，所述均方根误差和平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述决 定系数用于衡量预测的平均车速结果所代表的实际平均车速能力。
[0018]
优选地，所述融合分析步骤中，所述时间特征包括预测点日期和预测点时刻，所述历史 特征包括历史拥堵频率、历史平均交通运行指数值和历史拥堵团率，将时间特征、历史特征、 空间位置变量以及天气数据与预处理后的交通数据集进行融合，融合入训练数据集中，形成 完整交通数据集。
[0019]
优选地，所述模型建立步骤中，所述st-gcn模型由图卷积网络、长短期记忆网路和注 意力机制三部分组成；
[0020]
首先根据网络构建的邻接矩阵、根据poi构建的功能相似矩阵以及使用预处理后的高速 路网的实时和历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑 结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路 模型中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意 力机制计算输入数据对当前预测产生的影响，以得到预测交通拥堵路况。
[0021]
优选地，所述数据获取及预处理步骤中，所述预处理包括删除异常数据和重复数
据，填 补缺失数据，以及去除噪声和数据标准化。
[0022]
优选地，所述模型评估步骤中，所述对比模型包括历史平均模型、自回归综合移动平均 模型、支持向量机模型、长短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积 循环神经网络的若干组合。
[0023]
一种基于节假日拥堵预测算法的预警系统，其特征在于，包括数据获取及预处理模块、 融合分析模块、模型建立模块、模型评估模块、拥堵评估模块和信息展示模块，
[0024]
数据获取及预处理模块：获取交通数据集，并对获取的交通数据集进行预处理；
[0025]
融合分析模块：将时间特征、历史特征、空间位置变量以及天气数据与预处理后的交通 数据集进行融合，形成完整交通数据集；
[0026]
模型建立模块：根据完整交通数据集，选择预设的数据粒度，并采用节假日拥堵预测算 法进行空间相关性和时间相关性建模，建立st-gcn模型，并对建立的st-gcn模型进行训 练，得到最优st-gcn模型，根据最优st-gcn模型预测交通拥堵路况；
[0027]
模型评估模块：根据交通数据集中实际交通数据和预测的交通拥堵路况建立评估指标， 根据评估指标并采用对比模型对st-gcn模型进行评估，验证st-gcn模型为最优模型；
[0028]
拥堵评估模块：采用包括拥堵时空范围、拥堵点数量、拥堵团平均速度、拥堵团总交通 运行指数值和/或平均拥堵时空频率的拥堵评价指标对验证为最优模型的st-gcn模型所预测 的交通拥堵路况进行评估，评估出交通拥堵情况；
[0029]
信息展示模块：通过高速公路上布设的情报板将交通拥堵情况进行展示并预警。
[0030]
优选地，所述评估指标包括均方根误差、平均绝对误差和决定系数，所述均方根误差和 平均绝对误差用于测量预测的平均车速与实际平均车速误差，所述决定系数用于衡量预测的 平均车速结果所代表的实际平均车速能力。
[0031]
优选地，所述时间特征包括预测点日期和预测点时刻，所述历史特征包括历史拥堵频率、 历史平均交通运行指数值和历史拥堵团率；将时间特征、历史特征、空间位置变量以及天气 数据与预处理后的交通数据集进行融合，融合入训练数据集中，形成完整交通数据集。
[0032]
优选地，所述对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、 长短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积循环神经网络的若干组合。
[0033]
本发明的有益效果为：
[0034]
本发明提供的一种基于节假日拥堵预测算法的预警方法，该方法在动态感知实时车流的 同时，综合考虑了时间特征、历史特征、空间位置变量以及天气数据，并融合了节假日、交 通事故、交通管制以及其他活动等影响信息，通过整合多源外部影响因素，并采用节假日拥 堵预测算法建立时空图卷积神经网络模型——st-gcn模型来高效准确预测未来某段时间的 交通拥堵路况；再根据交通数据中实际真实值和预测结果建立评估指标，根据评估指标并采 用对比模型对st-gcn模型进行评估，验证st-gcn模型为最优模型，最后根据验证为最优 模型的st-gcn模型所预测结果，提高了在真实高速公路交通场景中的有效性和准确性。具 有先进性，将图卷积网络gcn和长短期记忆单元模型lstm相结合，通过对高速公路网络 进行建模，可将图形上的节点表示道路，邻接矩阵表示道路之间的连接关系，道路
上的交通 信息描述为图形上节点的属性，分析交通数据集的空间相关性和时间相关性，以及预测未来 某段时间的交通拥堵路况；通过引入多种经典或当前在交通领域认可度较高的对比模型，与 st-gcn模型进行比较，证明st-gcn模型在所有方法中有着最好的性能表现，其实质为 基于时空序列的预测模型，模型的主要输入特征为：交通量，相关政策等因子。整个算法充 分考虑到了对行程预测可能产生影响的主要因素，方法从时间和空间两个维度出发，时刻关 注输入数据的动态变化过程，从而精准预测多目标值。通过采用评估指标对st-gcn模型进 行评估验证其为最优模型，大大提升了预测精度，同时采用拥堵评价指标对所预测的交通拥 堵路况进行评估，评估出交通拥堵情况并预警，及时处理突发拥堵事件并合理疏导车流，从 而有效提高高速公路的通行效率，且全程无需人工干预，大大降低了人员工作强度。本发明 可以在高速公路场景中的交通数据集中捕获复杂的时空特征，整合多源外部影响因素，高效 准确预测节假日期间的交通流量趋势，为指挥调度、交通信号控制、交通诱导等提供决策依 据，达到可有效用于基于高速公路道路网络的复杂交通预测任务的目的，对确保路网运行畅 通，提供便民服务具有重要意义。此外，精确高效的高速公路交通流预测对于交通使用者和 管理者具有重要意义，准确预测高速公路交通量在宏观层面有利于客观反映经济运行规律， 科学制定经济政策；在微观层面，对高速公路运营企业制定经营策略、合理平衡收支具有重 要的参考价值。
[0035]
本发明还涉及一种基于节假日拥堵预测算法的预警系统，该系统与上述的基于节假日拥 堵预测算法的预警方法相对应，可理解为是一种实现上述基于节假日拥堵预测算法的预警方 法的系统，包括数据获取及预处理模块、融合分析模块、模型建立模块、模型评估模块、拥 堵评估模块和信息展示模块，各模块相互协同工作，通过综合考虑时间特征、历史特征、空 间位置变量以及天气数据，融合节假日、交通事故、交通管制以及其他活动等影响信息，并 采用节假日拥堵预测算法建立st-gcn模型分析交通数据集的空间相关性和时间相关性，分 析预测未来某段时间的交通拥堵路况，通过采用评估指标对st-gcn模型进行评估验证其为 最优模型，具有鲁棒性和有效性，大大提升了预测的精度，同时采用拥堵评价指标对所预测 的交通拥堵路况进行评估，评估出交通拥堵情况并推送至高速公路上布设的情报板进行展示 并预警，及时处理突发拥堵事件并合理疏导车流，从而有效提高高速公路的通行效率，且全 程无需人工干预，大大降低了人员工作强度。
附图说明
[0036]
图1是本发明基于节假日拥堵预测算法的预警方法的流程图。
[0037]
图2是本发明基于节假日拥堵预测算法的预警方法的优选流程图。
[0038]
图3是本发明拥堵划分界面示意图。
[0039]
图4是本发明空间位置变量示意图。
[0040]
图5是本发明st-gcn模型的整体框架示意图。
[0041]
图6是本发明st-gcn模型结构图。
[0042]
图7是本发明图卷积网络模型的结构示意图。
[0043]
图8是本发明长短期记忆网络模型的结构示意图。
[0044]
图9是本发明超参数配置界面示意图。
具体实施方式
[0045]
下面结合附图对本发明进行说明。
[0046]
本发明涉及一种基于节假日拥堵预测算法的预警方法，该方法的流程图如图1所示，依 次包括以下步骤：
[0047]
数据获取及预处理步骤：获取实时和历史交通数据集，并对获取的交通数据集进行预处 理，具体地，如图2所示的优选流程图，先通过路测设备和收费站获取交通数据集，所述交 通数据集包括出入口收费站流水及牌识数据、门架交易数据、门架牌识数据、卡签发行数据、 车辆治超数据、气象数据、基础路网数据、gis数据、实时交通事件、实时拥堵情况、稽核 数据等任意组合，并对获取的交通数据集进行预处理，去除交通数据集中的异常和重复的数 据，填补缺失数据，并去除噪声和数据标准化等，然后对预处理后的交通数据集做脱敏处理。 此外，在现实中，交通检测器或者传感器可能会由于电路或者电子单元损坏故障失效，或者 信号干扰等外部影响而导致数据异常，这些故障会进一步导致获取到的交通数据集中存在缺 失值，因此采用掩码机制克服潜在的缺失值问题；同时，以收费站至门架或者门架至门架划 定路段，计算选定路段的交通平均速度时间序列形成特征矩阵，并以路段索引作为行，时间 戳索引作为列，得到以路段-速度为特征的交通数据集。
[0048]
融合分析步骤：将时间特征、历史特征、空间位置变量以及天气数据与预处理后的交通 数据集进行融合，形成完整交通数据集；具体地，时间特征是指交通拥堵预测中与时间相关 的变量特征，具体包括预测点日期、预测点时刻以及预测点日期是否为工作日这3个变量。 预测点日期反映为预测点所在的日编号，该变量反映的是不同日期点对拥堵预测的影响；预 测点时刻是指预测点所在的当天的时间序列，该变量反映不同时刻对拥堵预测的影响，具体 可以反映包括早高峰/晚高峰/平峰等的时刻变化。预测点日期是否为工作日是指预测点日期是 否为工作日或周末，由于工作日和非工作日的交通状态变化存在较大差异，因此通过该变量 反映工作日/非工作日对拥堵的影响。
[0049]
历史特征是指交通拥堵预测中统计在历史相同时期相同位置的变量特征，具体包括历史 拥堵频率、历史平均交通运行指数值、历史拥堵团率这3个变量。历史拥堵频率是指历史相 同时期相同位置发生拥堵的频率，历史平均交通运行指数值是指历史相同时期相同位置的平 均交通运行指数值，一般来说，道路交通运行指数的取值范围为[0,10]，并且分为5个等级， 其中[0,2),[2,4),[4,6),[6,8),[8,10]分别代表“畅通”，“缓行”，“轻度拥堵”，“中度拥堵
”ꢀ
和“严重拥堵”。因此，在实际聚类过程中将速度比聚类成5种类型，如图3所示，历史拥 堵团率是指历史相同时期相同位置的拥堵时空团频率。
[0050]
当前空间位置是指由上游网格(对应上游道路)和下游网格(对应下游道路)组成的网 格连接，如图4所示，由于空间位置变量属于分类变量，且网格编号的数值对实际拥堵情况 没有相关关系，因此需要对空间位置变量做处理，由于空间位置数量众多，处理后会导致变 量过多，从而产生数据维度爆炸的问题，因此在编码之前需要对空间位置变量进行降维处理。 通过对空间位置进行聚类，由于不同的空间位置具有某些相似的特征，因此可以把不同位置 但具有相似特征的网格连接看作相同变量，从而达到数据降维的目的。
[0051]
此外，准确的预测不仅依赖于上述信息，还需要考虑多种外部因素的影响，如温度、湿 度、风速、能见度和天气条件等会对交通状态产生影响。因此通过爬取气象官网得到天气数 据，并将时间特征、历史特征、空间位置变量以及高速公路路段的天气数据与预处
理后的交 通数据集进行融合，融合入训练数据集中，形成用于模型训练的完整交通数据集。
[0052]
模型建立步骤：根据完整交通数据集，选择预设的数据粒度，并采用节假日拥堵预测算 法进行空间相关性和时间相关性建模，建立st-gcn模型，并对建立的st-gcn模型进行训 练，得到最优st-gcn模型，根据最优st-gcn模型预测未来某段时间的交通拥堵路况；
[0053]
其中，数据粒度是一个潜在的重要超参数，使用过小的数据粒度可能会导致很多零值， 尤其是在流量非常稀疏的情况下。另一方面，使用过高的粒度可能会导致数据读数的平滑， 重要的交通趋势会丢失。因此，根据数据场景，研究中选择每15分钟汇总一次每条道路上的 交通速度，预测未来15分钟、30分钟、45分钟和60分钟的交通速度。st-gcn模型的超参 数主要包括：学习率(learning rate)、一次训练的样本数(batch size)、一代训练(training epoch) 以及隐藏层数(hidden layers)。在研究中，手动调整并将learning rate设置为0.001，batch size 设置为64，其他参数通过实验搜索比较，找到最优参数值。当一个完整的数据集通过了神经 网络一次并且返回了一次，即所有训练样本在神经网络中都进行了一次正向传播和一次反向 传播，这个过程称为一次epoch(也就是说，一个epoch就是将所有训练样本训练一次的过 程)。在神经网络中传递完整的数据集一次是不够的，而且需要将完整的数据集在同样的神 经网络中传递多次。对于输入层，训练数据集(总数据集的80％)作为训练过程的输入，其余 数据作为测试集。优选地，st-gcn模型使用adam优化器进行训练。
[0054]
交通数据集作为一种时间序列数据，具有时间相关性，即某一时间段的交通数据集和之 前多个时间段的交通数据集有关，而且距离当前时间段越近，数据相关性越高。为分析交通 数据集的时间相关性，采用深度学习相关算法来探究当前时刻与滞后时刻的相关性。而考虑 到单个路段并不能很好地体现出车辆行驶情况变化的趋势，以及整个高速路网中路段之间的 关联性，因此就交通速度或者流量而言，某一路段的交通状况易受到周边路段的影响，如路 段上游堵车时，势必会减慢下游路段车速，故通过对路网中的交通空间依赖性分析，可以发 现路段间交通数据集的空间关联程度，即空间相关性。
[0055]
具体地，采用节假日拥堵预测算法建立st-gcn模型来捕捉交通数据集的空间相关性和 时间相关性，并实现基于高速公路的交通拥堵路况预测，该st-gcn模型由图卷积网络(graphconvolutional network，gcn)、长短时记忆(longshort-term memory，lstm)网络和注意力 机制三部分组成。如图5所示，先使用根据网络构建的邻接矩阵、根据poi构建的功能相似 矩阵及高速路网相关的实时和历史交通数据集作为输入数据，并使用gcn模型捕捉高速公路 网络的拓扑结构以获得交通数据集的空间特征，在卷积层进行不同时间维度路网信息的深度 挖掘，然后将得到的具有空间特征的交通数据集输入到lstm网络模型中，在循环神经网络 进行不同时间维度路网信息关系挖掘，通过单元间的信息传递获得动态变化，以获取交通数 据集的时间特征，最后，通过全连接层和注意力机制计算输入数据对当前预测产生的影响， 得到预测交通拥堵路况，st-gcn模型的结构如图6所示。
[0056]
其中，获取复杂的空间相关性是交通预测的关键问题。传统的卷积神经网络(cnn)可 以获取局部空间特征，但只能用于欧几里得空间，如图像、规则网格等。城市道路网络是图 的形式，而不是二维网格，这意味着cnn模型不能反映城市道路网络复杂的拓扑结构，从 而不能准确捕捉空间依赖性。图卷积网络(gcn)将cnn推广到可以处理任意图结构数据， 并
且已成功用于许多应用中，包括文档分类、无监督学习和图像分类。道路网络是自然的图 结构。由于交通在连接的路段上流动，因此在网络上建模空间依赖性对于交通预测任务至关 重要。图卷积神经网络(gcn)受到许多研究人员的青睐，因为它能够对非欧几里德域中的复 杂关系和相互依赖性进行建模，并且近年来取得了很大进展。图卷积神经网络的主要目的是 在考虑相邻节点的影响的同时，获得图中每个节点的表示，如图7所示，gcn模型在傅立叶 域构造了一个滤波器，该滤波器作用于图的节点及其一阶邻域，捕捉节点之间的空间特征， 然后通过叠加多个演化层建立gcn模型。
[0057]
gcn模型可以获得中心道路与其周边道路之间的拓扑关系、编码道路网络的拓扑结构和 道路上的属性，然后获得空间相关性，如交叉口、邻接路段和较远路段等空间特征信息。因 此使用gcn模型从交通数据集中学习空间特征。一个双层gcn模型按照下式进行表示：
[0058][0059]
上式中，表示邻接矩阵，x表示特征矩阵，w0和w1表示第一层和第二层中的权重矩阵， σ、relu表示激活函数。
[0060]
其中，表示预处理步骤，是具有自连接结构的矩阵，是度矩阵， [0061]
获取时间相关性是交通预测的另一个关键问题。lstm神经网络有一个记忆单元和一个 状态单元，通过门控机制不断更新状态单元和记忆单元。图8描绘了lstm内部的门控机制， 分别是输入门、遗忘门和输出门，这三个门相互独立并且分别处理时间序列特征信息的输入、 遗忘和输出过程。此外，通过门控机制和记忆单元的共同作用，还可以有选择性地控制信息 的传递，不仅可以有效地改善梯度消失和梯度爆炸的问题，而且对于较长的序列数据具有更 好的处理和预测能力。lstm模型的训练过程如下：
[0062]
先选择性地遗忘记忆单元中存储的信息c
i-1
，选择σ(sigmoid)函数作为遗忘门的激活函数， 通过将记忆单元中存储的信息c
i-1
与遗忘门fi相乘，一部分信息将会被遗忘，因此需要根据目 前的输入门ii更新记忆单元中的信息。与遗忘门类似，输入门ii也是选择重要的特征信息来更 新记忆单元ci。输出门同样采用σ函数作为激活函数，负责将记忆单元信息ci中的部分重要 特征作为输出，最后将lstm的输出结果连接至全连接层得到预测结果。
[0063]
需要说明的是，长时间序列的每个短子序列特征的重要程度是不同的，赋予lstm关注 更重要特征的能力可以更好实现短时交通速度的预测。因此lstm模型使用注意力机制提取 短序列的显著性特征，将不同时间下的交通速度对最后输出结果的重要性纳入考虑之中，通 过计算注意力系数，与输出结果作矩阵乘法后输入全连接层，得到预测结果。
[0064]
为了同时捕获交通数据集的空间和时间依赖性，提出了一种基于图卷积网络(gcn)和 长短期记忆(lstm)网络的时空图卷积网络模型(即st-gcn模型)，具体计算过程如下 所示：
[0065]ut
＝σ(w
％
[f(a,x
t
xt),h
t-1
]+b
％
)
ꢀꢀ
(2)
[0066]rt
＝σ(wr[f(a,x
t
),h
t-1
]+br)
ꢀꢀ
(3)
[0067]ct
＝tanh(wc[f(a,x
t
),(r
t
*h
t-1
)]+bc)
ꢀꢀ
(4)
[0068]ht
＝u
t
*h
t-1
+(1-u
t
)*c
t
ꢀꢀ
(5)
[0069]
上式中，u
t
、r
t
是在时间t的更新门和复位门，h
t
表示在时间点t时的车速输出，h
t-1
表示 在时间点t-1时的车速输出，f(a,x
t
)表示图形卷积过程，定义为不等式1，w和b代表训练过 程中的权重和偏差，tanh为双切正切曲线函数。
[0070]
可以理解的是，在训练过程中，目标是将道路上的实际平均车速与预测平均车速之间的 误差降至最低。st-gcn模型的损失函数按照下式进行表示：
[0071][0072]
上式中，y
t
和分别表示实际平均车速和预测平均车速，l
reg
是l2正则项，用于避免过拟 合问题，λ是一个超参数。
[0073]
其中，st-gcn模型的超参数主要包括学习率、批量大小、训练时间和隐藏单元数。具 体地，如图9所示，通过系统配置学习率为0.0005，批量大小为32，训练循环为50。需要说 明的是，隐藏单元数是st-gcn模型的一个非常重要的参数，因为不同的隐藏单元数可能会 极大地影响预测精度，系统配置隐藏单元数为128，此时预测精度最高。
[0074]
综上所述，st-gcn模型可以处理复杂的空间依赖性和时间动态性。一方面，利用图卷 积网络对高速公路网络的拓扑结构进行捕捉，得到高速公路网络的空间相关性。另一方面， 利用长短期记忆网络捕捉道路交通信息的动态变化，获得时间依赖性，最终实现交通预测。
[0075]
基于实时和历史数据，选取研究区域，将未来15分钟、30分钟、45分钟和60分钟 的交通速度预测结果与该路段真实数据对比，评估模型。
[0076]
模型评估步骤：以交通状态数据和拥堵时空数据为基础，对交通拥堵预测问题进行研究， 通过深度学习等方法建立路网结构下的交通时空状态预测模型，并分析不同时空条件、拥堵 条件下模型的预测精度，将交通路网中的交通拥堵进行提取，识别交通拥堵发生和结束的时 间和空间位置，分析拥堵的发生频率和拥堵传播特性，并对交通拥堵的程度进行评价。
[0077]
根据交通数据集中实际交通数据和预测的未来某段时间的交通拥堵路况建立评估指标， 根据评估指标并采用对比模型对st-gcn模型进行评估，验证st-gcn模型为最优模型。
[0078]
为了评估st-gcn模型的预测性能，使用评估指标来评估实际平均车速y
t
和预测平均车 速之间的差异，评估指标包括均方根误差(rmse)、平均绝对误差(mae)和决定系数(r2)， 其中，均方根误差(rmse)按照下式进行表示：
[0079][0080]
平均绝对误差(mae)按照下式进行表示：
[0081][0082]
决定系数(r2)按照下式进行表示：
[0083][0084]
其中，rmse和mae用于测量预测的平均车速误差，值越小，预测效果越好。r2用于 衡量预测的平均车速结果所代表的实际平均车速能力，值越大，预测效果越好。
[0085]
将st-gcn模型的预测指标与以下基线方法的预测指标进行对比：(1)历史平均模型 (ha)，它使用历史时期的平均交通信息作为预测；(2)自回归综合移动平均模型(arima)， 将观测到的时间序列拟合到一个参数模型中，预测未来的交通数据集。(3)支持向量机模型 (svm)，它选取历史数据对模型进行训练，得到输入和输出之间的关系，然后通过给出未 来的交通数据集进行预测。(4)长短期记忆单元模型(lstm)；(5)图卷积网络模型(gcn)； (6)前馈神经网络(fnn)；(7)扩散卷积循环神经网络(dcrnn)，利用有向图的双向随机 游动捕获空间依赖，利用编解码结构和定时采样捕获时间依赖。
[0086]
st-gcn模型和其他基线方法在数据集对未来一个小时内高速公路速度的预测指标的比 对结果如表1所示。
[0087]
表1
[0088][0089]
由表1可以看出，st-gcn模型在所有评估指标下都获得了最佳的预测性能：基于神经 网络的方法，如lstm、gcn、fnn、dcrnn以及本发明提出的st-gcn网络普遍比其他 机器学习模型如ha模型、arima模型，具有更好的预测精度。例如，与ha模型相比，st-gcn 模型的mae误差降低了约11.1％，与arima模型相比，st-gcn模型的mae误差降低了 约19.7％；基于神经网络的方法比其他机器学习类的基线模型，具有更好的相关性，根据本 发明提出的st-gcn网络预测所得的相关系数(r2)相较于arima模型提高了约242％，测 试结果整体上验证了st-gcn模型在时空交通预测中的优势。
[0090]
拥堵评估模块：采用特定的拥堵评价指标对验证为最优模型的st-gcn模型所预测的交 通拥堵路况进行评估，评估出交通拥堵情况；具体地，拥堵评价指标包括拥堵时间范围、拥 堵空间范围、拥堵点数量、拥堵团平均速度、拥堵团总交通运行指数值和/或平均拥堵时空频 率。其中，拥堵时间范围和拥堵空间范围越大，表示拥堵传播的范围越广，持续的
时间越长， 其拥堵越严重。拥堵点数量代表拥堵内部实际产生的拥堵时空点总量，拥堵时空点越多代表 拥堵越严重。拥堵团平均速度也可以代表拥堵团内部的交通特征，速度越小代表拥堵越严重。 其中，拥堵团表示在物理上具有相邻关系而组成的高速公路拥堵道路集合，用于量化拥堵道 路在时间和空间上的动态变化模式。拥堵团总交通运行指数值代表拥堵内所有拥堵时空点的 交通运行指数值加和，对于拥堵交通运行指数指标主要代表拥堵的严重程度，而平均拥堵时 空频率表征的是拥堵在特定时空位置发生的概率。一般来说，拥堵时空频率越高，其周期性 越强，说明拥堵产生原因较为固定，更需要采取措施进行交通治理；而拥堵时空频率越低， 说明拥堵发生的概率较低，拥堵治理的优先级也越低。
[0091]
对交通拥堵指标进行同趋化和标准化处理。由于交通拥堵指标的趋势具有差别，其走势 的不同会对评价的结果造成影响，因此需要首先对各个指标进行同趋化处理。对于拥堵时间 范围、拥堵空间范围、拥堵团总交通运行指标值和平均拥堵时空频率等指标，其值越大代表 拥堵越严重；但是对于拥堵团平均速度指标，其值越小代表拥堵越严重。因此，需要对拥堵 平均速度指标进行变换，将其转化为倒数，使得其趋势与其它四个指标相同。在同趋化处理 之后，需要对指标进行标准化处理。标准化采用z-score法：
[0092][0093]
其中x
ij
代表第i个指标的第j行数据，代表第i个指标的平均值，var(xi)代表第i个指 标的方差。通过z-score变换，所有指标都会变为无量纲化的标准指标，从而得到每个拥堵 评估指标的值进行评估。
[0094]
信息展示步骤：通过高速公路上布设的情报板将交通拥堵情况进行展示并预警，以诱导 司乘用户的行为，从而提高高速公路通行效率。
[0095]
本发明还涉及了一种基于短时路况预测算法的预警系统，该系统与上述基于短时路况预 测算法的预警方法相对应，可理解为是实现上述方法的系统，该系统包括数据获取及预处理 模块、融合分析模块、模型建立模块、模型评估模块、拥堵评估模块和信息展示模块，具体 地，
[0096]
数据获取及预处理模块，获取交通数据集，并对获取的交通数据集进行预处理；
[0097]
融合分析模块，将时间特征、历史特征、空间位置变量以及天气数据与预处理后的交通 数据集进行融合，形成完整交通数据集；
[0098]
模型建立模块，根据完整交通数据集，选择预设的数据粒度，并采用节假日拥堵预测算 法进行空间相关性和时间相关性建模，建立st-gcn模型，并对建立的st-gcn模型进行训 练，得到最优st-gcn模型，根据最优st-gcn模型预测交通拥堵路况；
[0099]
模型评估模块，根据交通数据集中实际交通数据和预测的交通拥堵路况建立评估指标， 根据评估指标并采用对比模型对st-gcn模型进行评估，验证st-gcn模型为最优模型；
[0100]
拥堵评估模块，采用包括拥堵时空范围、拥堵点数量、拥堵团平均速度、拥堵团总交通 运行指数值和/或平均拥堵时空频率的拥堵评价指标对验证为最优模型的st-gcn模型所预测 的交通拥堵路况进行评估，评估出交通拥堵情况；
[0101]
信息展示模块，通过高速公路上布设的情报板将交通拥堵情况进行展示并预警。
[0102]
优选地，评估指标包括均方根误差、平均绝对误差和决定系数，所述均方根误差和
平均 绝对误差用于测量预测的平均车速与实际平均车速误差，所述决定系数用于衡量预测的平均 车速结果所代表的实际平均车速能力。
[0103]
优选地，时间特征包括预测点日期和预测点时刻，所述历史特征包括历史拥堵频率、历 史平均交通运行指数值和历史拥堵团率；将时间特征、历史特征、空间位置变量以及天气数 据与预处理后的交通数据集进行融合，融合入训练数据集中，形成完整交通数据集。
[0104]
优选地，对比模型包括历史平均模型、自回归综合移动平均模型、支持向量机模型、长 短期记忆单元模型、图卷积网络模型、前馈神经网络和扩散卷积循环神经网络的若干组合。
[0105]
本发明提供了客观、科学的基于短时路况预测算法的预警方法及系统，通过综合考虑时 间特征、历史特征、空间位置变量以及天气数据等影响信息，并采用节假日拥堵预测算法建 立st-gcn模型分析交通数据集的空间相关性和时间相关性，以预测未来某段时间尤其节假 日期间的交通拥堵路况，同时采用拥堵评价指标对所预测的交通拥堵路况进行评估，评估出 交通拥堵情况并推送至高速公路上布设的情报板进行展示并预警，及时处理突发拥堵事件并 合理疏导车流，从而有效提高高速公路的通行效率，且全程无需人工干预，大大降低了人员 工作强度。
[0106]
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造， 但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进 行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等 同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本 发明创造专利的保护范围当中。