一种高速公路服务区车流量预测方法与流程

本发明涉及智能交通，尤其涉及一种高速公路服务区车流量预测方法。

背景技术：

1、目前，多源数据融合、建立综合性大数据分析技术模型、推进数据资源赋能交通发展等成为未来交通行业发展的方向。现阶段我国高速公路里程建设已经达到世界前列，有着需求大、多元化、实际情况多变且复杂的特点。尤其是针对高速公路用户的需求所提供的服务由基础功能逐步向无死角、细节化转变。

2、高速公路服务区是智慧高速公路建设的重要组成部分，服务区的智慧化进程直接影响着高速公路智慧化建设水平。在高速公路中服务区是经常被提供服务的开发者所忽视的环节，为了服务区能够更有效地为出行人员提供服务，准确地预测服务区的流量、更好地引导驾驶员提前获取服务区流量信息变得十分重要。在对服务区的服务水平进行评价时，主要分析和挖掘服务区的供给能力和高速公路交通量之间的相互关系。因此，对高速公路服务区交通量进行有效的量化和预测，是科学合理评价高速公路服务区服务能力的重要技术手段。

3、传统的交通量预测主要依靠arima时间序列和卡尔曼滤波模型展开，实时性不高且不适合波动较大的交通量数据。近年来，随着这几年深度学习的快速发展，基于深度学习的方法解决时空数据挖掘的方法也应运而生。尤其是处理时间序列的任务，越来越多的科研工作者选择lstm及其衍生模型作为深度神经网络的最佳选择。目前，针对高速公路服务区交通量预测还面临以下问题：

4、1)传统的交通预测建模缺乏交通数据时空维度的动态特征，未考虑连续数据中固有的局部趋势信息，不能直接处理交通网络。

5、2)传统的交通预测建模无法捕获交通数据的周期性和空间异质性。

技术实现思路

1、有鉴于此，本发明的目的在于提出一种高速公路服务区车流量预测方法，以解决统的交通预测建模缺乏交通数据时空维度的动态特征，未考虑连续数据中固有的局部趋势信息，不能直接处理交通网络，无法捕获交通数据的周期性和空间异质性的问题。

2、基于上述目的，本发明提供了一种高速公路服务区车流量预测方法，包括：

3、s1、获取历史数据，并对历史数据进行预处理；

4、s2、基于服务区、临近门架之间的位置关系，构建位置关系无向图；

5、s3、使用神经网络划分历史数据中的车辆是否进入服务区；

6、s4、构建高速公路服务区交通流量预测数据属性库，构建服务区交通流量输入矩阵；

7、s5、对步骤s2构建的位置关系无向图和步骤s4建立的输入矩阵进行融合，得到向量化交通网络状态数据，并按一定比例划分训练集和测试集；

8、s6、构建基于注意力机制的时空图卷积神经网络模型，将chebnet图卷积和沿时间维度的一维卷积相结合，作为服务区交通流量特征提取的深度学习融合模型；

9、s7、将步骤s5中的向量化交通网络状态数据导入时空图卷积神经网络模型中，通过捕获时间与空间的相关性及发掘流量趋势特征的相似性，预测多个未来时刻的服务区预测流量。

10、优选地，历史数据为高速公路服务区邻近的门架的原始流量数据，所述预处理包括：完善残缺的数据、纠正错误的数据和去除多余的数据。

11、优选地，位置关系无向图g＝(v,e)定义为交通网络，其中v是|v|＝n个节点的集合，每个节点代表一个交通监控点，e是|e|＝m条边的集合，表示门架-门架、门架-服务区及服务区-门架之间的邻接关系，选取服务区上游和下游若干个门架构建邻接关系，服务区交通流量输入矩阵是由邻近门架在历史不同时间段的流量组成，以设定时间为时间间隔分别统计历史的服务区及邻近门架流量数据

12、

13、其中，表示t时刻所有节点的交通流数据，为服务区或门架节点i在t时刻的交通流数据，为服务区或门架节点n在t时刻的交通流数据，t为以设定时间为单位的时间序列的长度。

14、优选地，神经网络为已经过训练的两层全连接神经网络，输出神经元个数为2，用于表示输入车辆是否进入服务区，输入神经元包括路段车辆小时平均速度，门架、服务区间距离，车辆通过门架的时间戳，训练使用的标签为车辆是否停靠服务区。

15、优选地，高速公路服务区交通流量预测数据属性库包括交通流量预测所需要使用到的数据属性名称和车辆时间通过门架监控的时间戳、时间类型、地理位置、车辆是否进入服务区和天气信息；

16、构建服务区交通流量输入矩阵包括将步骤s1预处理所得数据及步骤s3所得的车辆是否进入服务区属性连接，构建服务区交通流量输入矩阵。

17、位置关系无向图和输入矩阵之间的融合是基于位置关系的分组匹配。

18、优选地，划分训练集和测试集的方式为：前百分之70的数据作为训练集，后百分之30作为测试集；

19、标准化处理方法为运用最大最小标准化处理方法，将交通网络状态数据的训练集数据线性变换映射到[0,1]中，测试集数据线性变换时使用训练集的min和max值，公式为：

20、

21、在评价模型的预测效果时，再将预测值重新还原到原来的大小与真实值进行比较。

22、优选地，chebnet图卷积利用切比雪夫多项式将图卷积的操作限制在k阶邻域内，在时空图数据上，通过堆叠多层chebnet图卷积由近及远依次捕获图结构上节点之间的空间相关性，形式化描述为

23、

24、其中是在第t个时间步，n个节点的第c维特征的图信号矩阵，θ∈rk是待学习的参数，对应切比雪夫多项式系数，是归一化的拉普拉斯矩阵，λmax是无向图拉普拉斯矩阵l的最大特征值，拉普拉斯矩阵l定义为l＝in-d-1/2ad-1/2，其中a为图的邻接矩阵，in∈rn×n为单位矩阵，d∈rn×n是一个对角矩阵，其中对角线上元素的取值为切比雪夫多项式以递归的形式定义为：tk(x)＝2xtk-1(x)-tk-2(x)，其中t0(x)＝1,t1(x)＝x0。

25、优选地，基于注意力机制的时空图卷积神经网络模型包括：

26、在输入进入到编码器或解码器之前，增加一个结构多头自注意模块来提取路网拓扑结构信息，使用时间趋势感知多头自注意力来感知时间变化的趋势，使用空间动态图卷积进行空间相关性提取；

27、结构多头自注意模块的设计与实现步骤包括：

28、将输入矩阵通过线性投影转换成高维表示将x′通过权重矩阵转换为索引qs、键ks和值vs，计算公式为：

29、

30、加入邻接矩阵计算注意力权重，计算公式为：

31、score＝softmax(a(qs，ks))＝softmax(σ(aαt[qs，ks]))

32、其中是权值向量，a是带权静态邻接矩阵，[·，·]为连接操作，σ(·)为非线性激活函数，a(qs，ks)是索引qs与键ks的相似性，score表示特征之间的注意力权重；

33、将score与值vs相乘得到一个头的自注意向量head：

34、head＝score·vs

35、最终结构多头自注意结果为：

36、

37、

38、其中，h是注意力头的个数，xs为最终的输出权重矩阵。

39、优选地，构建基于注意力机制的时空图卷积神经网络模型使用时空注意力机制；

40、时空注意力机制包括空间维度注意力模块和时间维度注意力模块，空间维度注意力模块形式化描述为

41、s＝vs·σ((x(l-1)w1)w2(w3x(l-1))t+bs)   (7)

42、

43、其中，σ表示sigmoid函数，x(l-1)是第l个时空注意力模块的输入，vs,bs∈rn×n，矩阵s′中的任意一个元素s′i,j表示了图中节点i和节点j之间的相关性强弱。为了动态控制图卷积中信息聚合时邻居节点的重要程度，此处利用公式实现对相关性的动态建模，其中⊙表示哈达玛乘积；

44、时间维度注意力模块形式化描述为

45、e＝ve·σ((x(l-1))tu1)u2(u3x(l-1))+be)   (9)

46、

47、其中，ve，u1∈rn，矩阵e′中的任意一个元素e′i,j表示时间序列上第i个时间步的状态和第j个时间步的状态之间的相关性强弱；

48、根据e′i,j对输入数据做动态调整，形式化表示为x(l-1)ei,j。

49、优选地，步骤s6中构建的基于注意力机制的时空图卷积神经网络的总体架构包括：

50、编码器和解码器均堆叠了多层结构相似的编码层和解码层，在模型的层与层之间加入了残差连接和层归一化，所有层中数据的特征维度均为dmodel，使用表示编码器第l层的输入，其中l∈{1,2,...,l}，基于注意力机制的时空图卷积神经网络中数据的处理流程包括：

51、原始输入经过时间嵌入层和空间嵌入层转换到dmodel维特征空间，记为其中dmodel>c；

52、编码器通过l个编码层将编码为基于编码器的输出f(l)，解码器部分使用另外l'个解码层预测未来的时空交通图信号序列y(l′)再经过一个线性变换映射到指定维度的输出y，模型的预测过程遵循自回归模式，即为了在每一步生成yi(l′)，i∈{1,...,tp}，解码器将和之前生成的图信号矩阵作为输入；

53、将动态演化卷积模块的输出进行残差连接和层正则化处理，在步骤s4中，训练预测模型包括：

54、选择目标函数，将训练集作为时空图卷积网络预测模型的输入，求解模型最优参数从而完成模型训练；

55、在训练过程中，将历史数据经过位置编码嵌入提取空间结构信息，并加入时间位置信息后得到的新输入x(0)输入编码器，编码器通过l个编码器层将输入序列x(0)映射到中间表示序列x(l)，解码器采用l个解码器层生成预测结果其中解码器输入为x(l)和历史真实数据；使用平均绝对误差(mae)作为损失函数，计算公式为：

56、

57、其中，mae为模型预测输出，y为实际交通流数据，n为样本数量，并通过反向模式自动微分和adam对模型进行优化。

58、本发明的有益效果：

59、(1)空间维度上，通过标准化时空图输入提取路网拓扑结构信息，嵌入时间维度和位置编码；进一步地，通过动态演化图卷积模块，将chebnet图卷卷积和沿时间维度的一维卷积相结合提取动态空间相关性，同时采用多头自注意力构造动态邻接矩阵，使得模型能自适应地动态调整节点之间的相关强度。

60、(2)在时间维度上，通过时间位置嵌入和多头注意力提取长期时间相关性。相比传统方法而言，所述预测方法可以有效提取交通流数据中的时空相关性及时间变化趋势，更加充分地挖掘高速公路服务区及上下游门架流量数据中的信息，故能提升其预测精度。

61、(3)此外，所述方法使用了残差连接和层正则化，一定程度上避免了有效高速公路服务区流量数据特征的丢失并提高了预测的精度。

62、因此本方法能够直接处理交通网络，能够捕获交通数据的周期性和空间异质性。