短时交通流数据预测方法、系统、计算机设备及存储介质

1.本发明属于交通控制技术领域，涉及一种短时交通流数据预测方法、系统、计算机设备及存储介质。


背景技术：

2.伴随着经济的飞速发展与人们生活水平的日益提高，各类交通工具尤其是私家车的规模不断扩大，由此带来了各种各样的交通问题，交通拥挤现象频繁发生。如何避免出现严重交通事故，如何降低交通拥堵发生的概率成为交通流研究的重要内容。近年来，随着智能交通系统的发展，构建its被认为是目前降低交通拥堵、缓解城市交通压力的一种行之有效的方法，它不仅能够为出行人员提供实时的道路状况信息，供出行者选择合适的路线，有效缓解道路拥堵，提高交通设施服务水平，而且在减少交通管理部门成本投入的同时，极大提高了交通管理服务水平，对于降低环境污染、保障道路通行安全发挥着不容小觑的作用。交通流量预测作为its的重要分支，可为交通参与者提供决策依据，在路网规划、缓解拥堵和交通控制等方面具有很大的应用前景。
3.自1981年stephanedes初次考虑利用ha模型解决城市智能交通控制系统方面的一系列问题以来，在交通流量预测方向的相关研究已经有四十多年的历史，短时交通流数据预测方法日渐成熟并趋于饱和。现有的交通流量预测方法大致可以分为四类：基于数理逻辑的统计方法模型、传统的机器学习预测模型、基于神经网络的预测模型以及组合模型。基于数理逻辑的统计方法模型较早用于交通流量预测，ha模型就属于其中一种，除此之外，还包括arima、var等时间序列模型，虽然该类算法较容易理解，但因为当时技术有限，模型预测精度较低，不能很好的捕获交通流数据的高度不确定性及随机性，所以该模型已经很少使用。包括knn、svm等在内的传统的机器学习预测模型从训练样本出发，实现了模型的解释性与结果的有效性之间的平衡，但不能很好地处理多维度序列数据和大规模训练样本。与传统机器学习算法相比，深度学习网络可以使用更多的数据实现更高的性能。在基于神经网络的短时交通流数据预测模型中，卷积神经网络和循环神经网络都占有一席之地。但随着相关研究的不断深入开展，单一交通流量预测模型的缺点也随之暴露出来，有的预测模型只考虑了短时交通流数据节点间的空间相关性，忽略了时间依赖关系；而有的只考虑了序列数据间的时间相关性，忽略了区域节点间的空间依赖关系。
4.为了同时捕获交通流序列数据时间维度和空间维度方面的特征，研究者们开始将关注点转移至组合模型，并将其用于短时交通流数据预测。虽然现有研究基本同时考虑了交通流量序列数据的时间相关性和空间相关性，并尝试引入外部特征影响因素和注意力机制，但同一数据集也会因为组合模型的不同，而产生不同的预测结果及预测精度，而且预测结果与模型的训练情况息息相关。因此，短时交通流数据预测模型在预测精度及实际应用方面还需进一步提高。


技术实现要素：

5.本发明的目的在于克服上述现有技术中，短时交通流数据预测准确性较低的缺点，提供一种短时交通流数据预测方法、系统、计算机设备及存储介质。
6.为达到上述目的，本发明采用以下技术方案予以实现：
7.本发明第一方面，一种短时交通流数据预测方法，包括：
8.获取待预测区域以及待预测区域各相关区域的历史交通流数据；
9.根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；
10.获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值。
11.可选的，所述周期性交通流数据包括日周期性交通流数据、周周期性交通流数据以及月周期性交通流数据。
12.可选的，所述通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据包括：计算待预测区域以及待预测区域各相关区域的历史交通流数据之间的pearson相关系数，并选取pearson相关系数前第一预设数量大的相关区域，作为待预测区域的目标相关区域；基于待预测区域的目标相关区域，采用模拟退火算法选取与当前时段的交通流数据相关性前第二预设数量大的历史时刻的交通流数据，得到待预测区域的最优相关历史交通流数据。
13.可选的，所述预设的交通流预测模型包括第一深度神经网络层、第二深度神经网络层、第一时间注意力机制网络层、第二时间注意力机制网络层、融合层、第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层依次连接第一时间注意力机制网络层和融合层，第二深度神经网络层依次连接第二时间注意力机制网络层和融合层，融合层依次连接第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层的输入为最优相关历史交通流数据；第二深度神经网络层的输入为待预测区域当前时段的周期性交通流数据；待预测区域当前时段的外部特征影响因素数据与融合层的输出合并后作为第一全连接神经网络层的输入；第二全连接神经网络层的输出为待预测区域的交通流数据短时预测值。
14.可选的，所述第一深度神经网络层包括一个特征提取单元，第二深度神经网络层包括若干个特征提取单元，特征提取单元包括依次连接的时序卷积神经网络和门控循环单元网络。
15.可选的，所述交通流数据为交通流量数据或交通速度数据。
16.可选的，当交通流数据为交通流量数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通速度数据；当交通流数据为交通速度数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通流量数据。
17.本发明第二方面，一种短时交通流数据预测系统，包括：
18.数据获取模块，用于获取待预测区域以及待预测区域各相关区域的历史交通流数据；
19.特征提取模块，用于根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；
20.预测模块，用于获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值。
21.本发明第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述短时交通流数据预测方法的步骤。
22.本发明第四方面，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程序，所述计算机程序被处理器执行时实现上述短时交通流数据预测方法的步骤。
23.与现有技术相比，本发明具有以下有益效果：
24.本发明短时交通流数据预测方法，根据待预测区域的历史交通流数据，结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据，然后结合待预测区域当前时段的周期性交通流数据以及待预测区域当前时段的外部特征影响因素数据，共同作为交通流预测模型的输入数据，进行交通流数据短时预测，在降低模型训练成本、提高模型训练效率的同时，加强了关键性输入数据的特征表达，基于多特征融合的方式，显著提高了短时交通流数据预测的准确性，基于其预测结果能够有效提高道路运营效率，为道路交通安全提供保障，使管理人员能够采取及时的诱导控制措施以尽量降低或避免道路交通事故的出现，对缓解和控制交通拥堵状况，提高出行效率具有重要十分重要的意义与研究价值。
附图说明
25.图1为本发明实施例的短时交通流数据预测方法流程图；
26.图2为本发明实施例的周期性交通流数据的输入时间序列段示例图；
27.图3为本发明实施例的短时交通流数据预测方法细节流程图；
28.图4为本发明实施例的时间注意力机制网络架构示意图。
具体实施方式
29.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
30.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于
清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.下面结合附图对本发明做进一步详细描述：
32.参见图1，本发明一实施例中，提供一种短时交通流数据预测方法，能够基于多特征融合构建合适的深层网络预测模型用于短时交通流量预测，其成果将提高道路运营效率，为道路交通安全提供保障，使管理部门能够采取及时的诱导控制措施以尽量降低或避免道路交通事故的出现。对缓解和控制交通拥堵状况，提高出行效率具有重要十分重要的意义与研究价值，同时也是交通流研究中非常迫切需要解决的问题。具体的，该短时交通流数据预测方法包括以下步骤：
33.获取待预测区域以及待预测区域各相关区域的历史交通流数据；根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值。
34.在一种可能的实施方式中，所述周期性交通流数据包括日周期性交通流数据、周周期性交通流数据以及月周期性交通流数据。
35.具体的，参见图2，以周期划分为切入点，通过对交通流数据的日周期性、周周期性及月周期性的依赖关系进行分析，进而提高交通流数据的短时预测精度。
36.在一种可能的实施方式中，所述通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据包括：计算待预测区域以及待预测区域各相关区域的历史交通流数据之间的pearson相关系数，并选取pearson相关系数前第一预设数量大的相关区域，作为待预测区域的目标相关区域；基于待预测区域的目标相关区域，采用模拟退火算法选取与当前时段的交通流数据相关性前第二预设数量大的历史时刻的交通流数据，得到待预测区域的最优相关历史交通流数据。
37.具体的，选择采用基于filter式的时空特征选择方法，通过计算特征间的相关性并给出相应分数，根据得分高低移除相关性不大的特征，将选中的最优时空序列特征输入到预测模型，作为交通流预测模型的输入数据之一。
38.其中，空间特征选择的核心目标是寻找与待预测区域相关性强的相关区域，使得待预测区域在任一时间段内的数据序列都与该相关区域在同一时间段内的数据序列具有较强的相关性。由于短时交通流数据具有复杂的非线性关系，所以通过利用pearson相关系数来度量所有相关区域间的相关性强度，并按照相关性程度从高到低进行排名形成相似度矩阵，以此为基础从中筛选出与待预测区域相似性较高的相关区域，忽略对待预测区域意义不大的相关区域。为了避免因输入序列时间段不同可能导致相关区域间相似性不同的问题，本文将数据集中每个相关区域的所有时刻的交通流数据看作该相关区域的特征用来刻画该相关区域，时间窗很长，以便找到与待预测区域真正有相似性的相关区域。
39.时间特征选择的核心目标是寻找与预测时间段相关性强的时间段，找寻真正发挥作用的关键性数据，使得预测时间段不会由于其他空间节点的加入而导致最优时间序列数据的改变，预测时间段与所选的最优时间序列数据段具有较高的相似性。通过基于模拟退
火算法的时间特征选择算法(tfsabs，temporal feature selective algorithm based on spatial)，在寻找到的最优空间特征的基础上，来确定最优时间序列数据，最终在数据集上表现出较高的预测精度。
40.在一种可能的实施方式中，参见图3，预设的交通流预测模型包括第一深度神经网络层、第二深度神经网络层、第一时间注意力机制网络层、第二时间注意力机制网络层、融合层、第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层依次连接第一时间注意力机制网络层和融合层，第二深度神经网络层依次连接第二时间注意力机制网络层和融合层，融合层依次连接第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层的输入为最优相关历史交通流数据，表示为x
t
；第二深度神经网络层的输入为待预测区域当前时段的周期性交通流数据，分别表示为xm、xw和xd；待预测区域当前时段的外部特征影响因素数据与融合层的输出合并后作为第一全连接神经网络层的输入；第二全连接神经网络层的输出为待预测区域的交通流数据短时预测值，表示为与实际交通流数据y进行比较，通过最小化损失函数对整个模型进行优化。
41.可选的，所述第一深度神经网络层包括一个特征提取单元，第二深度神经网络层包括若干个特征提取单元，特征提取单元包括依次连接的时序卷积神经网络和门控循环单元网络。
42.具体的，利用时序卷积网络(temporal convolutional network，tcn)捕获各节点间的空间依赖关系，通过因果卷积神经网络的加入，将交通流数据空间维度上的因果关系考虑在内。将tcn网络的输出作为门控循环单元(gated recurrent unit，gru)的输入，利用gru网络捕获各区域间的时间依赖关系，在捕获当前时段的交通流数据的同时，仍然保留了历史交通流数据的变化趋势。参见图4，通过引入时间注意力机制网络为每个历史时间段赋予权重，考虑了不同历史时间段对预测时间段的不同影响。其中，所述预设的交通流预测模型在使用前，应当是基于历史数据集完成训练和测试后，才能进行使用。
43.在一种可能的实施方式中，所述交通流数据为交通流量数据或交通速度数据。基于本发明短时交通流数据预测方法，能够实现交通流量数据或交通速度数据的短时预测，可以是下一时刻，也可以下几时刻的交通流数据预测。
44.在一种可能的实施方式中，当交通流数据为交通流量数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通速度数据；当交通流数据为交通速度数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通流量数据。
45.具体的，除了考虑日期类型数据(如工作日和节假日)、天气数据等常用的外部特征影响因素数据外，还加入了当前时段的交通速度数据或交通流量数据，即在预测交通流量数据时，将当前时段的交通速度数据作为外部特征影响因素之一；在预测交通速度数据时，将当前时段的交通流量数据作为外部特征影响因素之一。将当前时段的某种外部特征因素表示为向量e
ext
∈r
l
，其中l表示某种外部特征影响因素数据的长度。其中，对于离散型数据，如日期类型数据和天气数据等外部特征影响因素数据，通过one-hot编码方式处理成二进制向量；对于速度、温度、湿度及风速等连续型数据，通过min-max操作进行归一化处理，最后基于两层全连接神经网络实现了外部特征因素数据对于待预测区域的反应。
46.本发明短时交通流数据预测方法，针对当前交通流预测模型输入数据过多但无
用，通过加入时空特征选择算法以挑选出待预测区域的最优相关历史交通流数据。基于现有交通流预测模型所采用的短时交通流数据集的时间跨度较短，最多只能考虑相邻几周间的空间依赖关系的考虑，以周期划分为切入点，初次尝试考虑月周期性，得到待预测区域当前时段的周期性交通流数据；基于此，对短时交通流数据的四个时间特性：最优相关历史交通流数据、日周期性交通流数据、周周期性交通流数据以及月周期性交通流数据的依赖关系进行建模，在降低交通流预测模型训练成本、提高交通流预测模型训练效率的同时，加强关键性输入数据的特征表达。针对现有的交通流预测模型未考虑同一时间段内的交通流量与交通速度之间存在的潜在影响的问题，在考虑日期类型数据及天气数据等常规外部特征因素的同时，考虑了当前时段的交通流量数据或交通速度数据的影响，在预测问题加入宏观参数间的联系，提高交通流预测模型的适用性和泛化性，使交通流预测模型具备一定地说服力。
47.本发明再一个实施例中，以高速公路和城市道路两种道路类型的数据集为研究对象进行了基于本发明短时交通流数据预测方法的预测。
48.其中，高速公路数据集采用来自pems系统收集的公共实时车流量数据集，包括交通流量数据和交通速度数据，并在此数据集基础上通过网络爬虫技术基于dark sky平台加入天气数据等外部特征信息；城市道路数据集采用某市某二环具有交叉路口、没有信号灯指导的快速路区域公开的视频数据；对以上两种道路类型的数据集进行单独训练与测试，通过对比实验，本发明短时交通流数据预测方法在短时交通流数据的单步预测和多步预测方面均具有明显的优势与性能表现。
49.下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
50.本发明再一个实施例中，提供一种短时交通流数据预测系统，能够用于实现上述的短时交通流数据预测方法，具体的，该短时交通流数据预测系统包括数据获取模块、特征提取模块以及预测模块。
51.其中，数据获取模块用于获取待预测区域以及待预测区域各相关区域的历史交通流数据；特征提取模块用于根据待预测区域的历史交通流数据，得到待预测区域当前时段的周期性交通流数据，以及结合待预测区域各相关区域的历史交通流数据，通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据；预测模块用于获取待预测区域当前时段的外部特征影响因素数据，并将待预测区域当前时段的外部特征影响因素数据、当前时段的周期性交通流数据及最优相关历史交通流数据输入预设的交通流预测模型，得到待预测区域的交通流数据短时预测值。
52.在一种可能的实施方式中，所述周期性交通流数据包括日周期性交通流数据、周周期性交通流数据以及月周期性交通流数据。
53.在一种可能的实施方式中，所述通过预设的时空特征选择方法，得到待预测区域的最优相关历史交通流数据包括：计算待预测区域以及待预测区域各相关区域的历史交通流数据之间的pearson相关系数，并选取pearson相关系数前第一预设数量大的相关区域，作为待预测区域的目标相关区域；基于待预测区域的目标相关区域，采用模拟退火算法选取与当前时段的交通流数据相关性前第二预设数量大的历史时刻的交通流数据，得到待预测区域的最优相关历史交通流数据。
54.在一种可能的实施方式中，预设的交通流预测模型包括第一深度神经网络层、第二深度神经网络层、第一时间注意力机制网络层、第二时间注意力机制网络层、融合层、第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层依次连接第一时间注意力机制网络层和融合层，第二深度神经网络层依次连接第二时间注意力机制网络层和融合层，融合层依次连接第一全连接神经网络层以及第二全连接神经网络层；第一深度神经网络层的输入为最优相关历史交通流数据；第二深度神经网络层的输入为待预测区域当前时段的周期性交通流数据；待预测区域当前时段的外部特征影响因素数据与融合层的输出合并后作为第一全连接神经网络层的输入；第二全连接神经网络层的输出为待预测区域的交通流数据短时预测值。
55.在一种可能的实施方式中，所述第一深度神经网络层包括一个特征提取单元，第二深度神经网络层包括若干个特征提取单元，特征提取单元包括依次连接的时序卷积神经网络和门控循环单元网络。
56.在一种可能的实施方式中，所述交通流数据为交通流量数据或交通速度数据。
57.在一种可能的实施方式中，当交通流数据为交通流量数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通速度数据；当交通流数据为交通速度数据时，所述外部特征影响因素数据包括日期类型数据、天气数据以及当前时段的交通流量数据。
58.前述的短时交通流数据预测方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的短时交通流数据预测系统所对应的功能模块的功能描述，在此不再赘述。
59.本发明实施例中对模块的划分是示意性的，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，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
60.本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于短时交通流数据预测方法的操作。
61.本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并
执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关短时交通流数据预测方法的相应步骤。
62.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
63.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
64.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
65.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
66.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。