一种基于残差网络的交通流量预测方法

本发明属于人工智能领域，具体涉及一种基于残差网络的交通流量预测方法。

背景技术：

1、交通流量预测就是利用该城市各个不同区域的历史交通流量数据来预测下一时刻这些区域会有多少交通流量。交通流量预测在城市智能管理系统中起着重要作用，能帮助减少城市中的交通拥堵，减少交通事故等。交通流量预测任务开始得到广泛的研究，传统的预测方式采用历史平均值或者arima模型来预测下一时刻的车流量信息，此类方法忽略了交通流量的时空特性，仅仅只考虑了一部分的时间特性。而基于学习的交通流量预测技术是近些年的热门方向，借助深度学习中端到端映射的卷积神经网络技术,通过学习交通流量中的复杂的时间特性和空间特性，来更好的预测效果。

2、传统的交通流量预测方法包括基于arima的车流量预测模型，根据需要预测的时间周期个数可将短时车流量数据划分为对应的数据集组，再由每个数据集组预测下一个时间周期的车流量；但是该模型结果较为简单，没有考虑空间因素对交通流量的影响。zhanget al等人发现交通流量存在一定的周期性，对于输入数据进行数据划分，提取关键时间点数据。并利用cnn网络来提取空间因素对于交通流量的影响，并采用残差网络来解决由于网络层数过多导致的梯度消失和梯度爆炸问题；但是此类模型需要堆叠过的残差网络，导致模型参数过大，不利于部署。xie et al.等人提出利用vit网络替代cnn，这样避免了残差层数堆叠过多导致的模型参数过大的问题；但是基于vit的模型需要大量的训练数据进行训练，在训练数据较少的时候模型效果表现不佳。guo et al.等人采用tcn网络使得模型可以从更长的时间输入中进行交通流量预测；但是该模型只关注到了更多的时间特性，对于空间特性考虑不足。lin et al.等人通过引入新的外部数据(poi)来提升模型的预测效果。但是随着城市经济的快速发展，各种网红景点层出不穷，使得poi数据需要的得到及时的更新，导致该类方法实用性较低。

3、综上所述，现有技术存在以下技术问题：

4、1、对于时间特性的考虑不充分，并没有完全考虑到历史数据中所有有用的车流量信息，这使得对于一次输入的历史数据不能得到充分的利用；

5、2、通过堆叠多层的cnn残差网络来捕获空间特性，单纯的堆叠较多的残差层对于空间特性的提取并不会带来巨大的提升，反而使得模型参数量增长巨大，不利于模型的部署；

6、3、对于易获取的外部数据(气候，节假日等)使用并不充分，没有构建较好的子网络对外部数据进行信息提取，外部数据对于一个城市的交通流量也有着重要的影响。

技术实现思路

1、为解决以上现有技术存在的问题，本发明提出了一种基于残差网络的交通流量预测方法，该方法包括：获取待预测地点的信息数据，将信息数据输入到训练好的交通流量预测模型中，得到待预测地点的交通流量预测结果；其中，交通流量预测模型包括数据输入模块、外部特征提取模块以及空间特征提取模块；

2、对交通流量预测模型进行训练包括：

3、s1：获取待预测地点的交通数据和外部数据，其中外部数据包括气温、风速、天气、日期以及是否为假日；

4、s2：将交通数据输入到数据输入模块中进行拆分，得到关键时间交通流量数据；

5、s3：将外部数据输入到外部特征提取模块中，得到外部特征；

6、s4：将外部特征和关键时间交通流量数据进行融合，将融合后的特征图输入到空间特征提取模块进行交通流量预测，得到预测结果；

7、s5：根据预测结果计算模型的损失函数，调整模型参数，当损失函数收敛时，完成模型的训练。

8、优选的，将交通数据输入到数据输入模块中进行拆分的公式为：

9、fc,fp,fpn＝division(ft)

10、其中，fc表示当前时刻前几个时刻的交通流量数据，fp表示过去几天中当前时刻的交通流量数据，fpn表示过去几天中当前时刻的下一时刻的交通流量数据，ft表示当前时刻过去一周的所有交通流量数据，division表示数据拆分操作。

11、优选的，外部特征提取模块对外部数据进行处理包括：将外部数据中的离散型数据转换为one-hot标签，对外部数据中的连续数据进行归一化处理；将one-hot标签与归一化后的进行拼接；将拼接后的数据输入到外部特征嵌入层，得到外部特征向量；将外部特征向量进行卷积，将卷积后的特征进行形状转变，得到外部数据；对外部数据进行离散特征内部关系提取操作；将提取的关系和外部数据输入到外部特征捕获网络中，得到外部特征；其中离散特征内部关系提取操作的公式为：

12、extd＝extd×w

13、其中，w为一个可学习参数的矩阵，extd为未处理的离散外部数据，extd为提取后的离散外部数据。

14、进一步的，外部特征捕获网络对外部数据进行特征提取包括：

15、extcon＝concat(normal(extc),extd)

16、其中，extc表示连续的外部数据；extcon表示非连续的外部数据；vec表示转为one-hot标签操作，normal表示归一化操作，concat表示拼接操作；extcon为初步处理完的外部数据。

17、优选的，空间特征提取模块包括膨胀卷积残差元、普通卷积残差元、融合模块以及全连接层，膨胀卷积残差元和普通卷积残差元相互并列，构成并行卷积模块。

18、优选的，采用空间特征提取模块对融合后的特征图进行处理的过程包括：将融合特征图输入到膨胀卷积残差单元中进行膨胀卷积运算，将膨胀卷积的输出结果与融合特征图进行融合，得到第一特征图；将融合特征图输入得到普通卷积残差单元进行卷积运算，将卷积运算的结果与融合特征图进行融合，得到第二特征图；采用融合模块对第一特征图和第二特征图进行融合，得到第三融合特征图；将第三融合特征图输入到全连接层中，得到预测结果。

19、进一步的，膨胀卷积残差单元对融合特征图进行处理的公式为：

20、

21、

22、其中，f表示输入数据或上一层残差网络的输出，表示一个残差元中第一次膨胀卷积运算的结果，表示该残差元的输出。

23、进一步的，普通卷积残差单元对融合特征图进行处理的公式为：

24、

25、

26、其中，f表示输入数据或上一层残差网络的输出，表示一个残差元中第一次卷积运算的结果，表示该残差元的输出。

27、进一步的，预测结果为：

28、

29、其中，表示普通卷积子网络的输出，表示膨胀卷积子网络的输出，f为普通卷积操作，为最终预测结果。

30、优选的，模型的损失函数为以均方根误差和平均绝对误差作为结果的评价指标；其表达式为：

31、

32、

33、其中，mse表示均方误差，max表示像素值中的最大值，f表示该区域下一时刻交通流量的真实值，表示该区域下一时刻交通流量的预测值。

34、本发明的有益效果：

35、本发明使用了新的数据划分策略，更为有效的使用历史车流量数据；本发明提出了全新的外部数据特征提取网络，能够深入挖掘出不同外部数据之间的相互内联关系，使得外部数据能够得到更为全面的利用。本发明构造了一个并行卷积网络，使得模型能够分别提取出邻近和遥远区域对目标区域的交通流量影响，并且该结构能够大幅度减少网络参数，使得模型能够在得到较好预测结果的同时又轻量化。本发明构造出新的残差元结构，相比以往的串行残差元结构，本发明的残差元能够将中间运算的结果也纳入最终结果求和，使得模型的学习能力更强。