一种交通流量预测方法、装置、设备以及存储介质制造方法及图纸

本申请实施例公开了一种交通流量预测方法、装置、设备及存储介质，其中，该方法包括：获取基于目标区域的历史出入流量构建的历史出入流量张量，以及基于目标区域对的历史OD流量构建的历史OD流量张量；根据历史出入流量张量和历史OD流量张量，通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息；通过交通流量预测模型中的指示矩阵对历史出入流量特征信息和历史OD流量特征信息进行融合处理，该指示矩阵是根据目标区域与目标区域对之间的关联关系确定的；通过交通流量预测模型基于融合处理得到的信息，确定出入流量预测结果和/或OD流量预测结果。该方法有效地提升了交通流量预测的准确性。

A traffic flow prediction method, device, equipment and storage medium

【技术实现步骤摘要】
一种交通流量预测方法、装置、设备以及存储介质
本申请涉及人工智能
，尤其涉及一种交通流量预测方法、装置、设备及存储介质。
技术介绍
预测城市各区域的出入流量以及区域间的起终点(OriginDestination，OD)流量是交通规划管理的基础任务，也是智慧城市、智慧交通等领域的重要目标，在交通管理、城市规划、城市治理等多个领域中均具有极其重要的作用。对于出入流量以及OD流量的预测实质上属于时空序列预测问题，即基于历史时期内的交通流量数据，对当前时刻的交通流量数据进行预测。目前常用于预测出入流量和OD流量的方法包括：传统的时间序列分析方法、利用经深度学习算法训练得到的时间序列模型进行预测、利用经深度学习算法训练得到的时空预测模型进行预测。经专利技术人研究发现，上述方法普遍将出入流量预测和OD流量预测作为两个独立的预测任务，忽略了出入流量与OD流量之间的相关性，没有较好地利用二者之间的相关性辅助提升出入流量和OD流量预测的准确性。
技术实现思路
本申请实施例提供了一种基于人工智能的交通流量预测方法、装置、设本文档来自技高网...

【技术保护点】
1.一种基于人工智能的交通流量预测方法，其特征在于，所述方法包括：/n获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量；所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的，所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的；/n根据所述历史出入流量张量和所述历史OD流量张量，通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息；/n基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息，拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息...

【技术特征摘要】
1.一种基于人工智能的交通流量预测方法，其特征在于，所述方法包括：
获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量；所述历史出入流量张量是根据所述目标地理范围内目标区域的历史出入流量构建得到的，所述历史OD流量张量是根据所述目标地理范围内目标区域对的历史OD流量构建得到的；
根据所述历史出入流量张量和所述历史OD流量张量，通过交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息；
基于所述交通流量预测模型中的指示矩阵将所述历史出入流量特征信息转换为待融合历史出入流量特征信息，拼接所述待融合历史出入流量特征信息和所述历史OD流量特征信息得到第一融合信息；和/或，基于所述交通流量预测模型中的指示矩阵将所述历史OD流量特征信息转换为待融合历史OD流量特征信息，拼接所述待融合历史OD流量特征信息和所述历史出入流量特征信息得到第二融合信息；所述指示矩阵是根据所述目标区域与所述目标区域对之间的关联关系确定的；
通过所述交通流量预测模型基于所述第一融合信息和/或所述第二融合信息，确定所述待预测时刻所述目标地理范围的出入流量预测结果和OD流量预测结果中的至少一个。


2.根据权利要求1所述的方法，其特征在于，所述目标地理范围内的区域是根据街区划分的，所述目标区域为目标街区，所述目标区域对为目标街区对；所述交通流量预测模型包括：第一图卷积神经网络GCN层和第二GCN层；则所述通过所述交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息，包括：
通过所述第一GCN层对所述历史出入流量张量进行处理得到历史出入流量时空张量，作为所述历史出入流量特征信息；通过所述第二GCN层对所述历史OD流量张量进行处理得到历史OD流量时空张量，作为所述历史OD流量特征信息。


3.根据权利要求2所述的方法，其特征在于，所述交通流量预测模型还包括：第一循环神经网络RNN层和第二RNN层；则所述通过所述交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息，包括：
通过所述第一RNN层对所述历史出入流量张量进行处理得到历史出入流量时序张量；拼接所述历史出入流量时序张量和所述历史出入流量张量；通过所述第一GCN层对拼接后的张量进行处理得到所述历史出入流量时空张量，作为所述历史出入流量特征信息；
通过所述第二RNN层对所述历史OD流量张量进行处理得到历史OD流量时序张量；拼接所述历史OD流量时序张量和所述历史OD流量张量；通过所述第二GCN层对拼接后的张量进行处理得到历史OD流量时空张量，作为所述历史OD流量特征信息。


4.根据权利要求1所述的方法，其特征在于，所述目标区域的历史出入流量包括：P种采样周期下的出入流量，所述P为大于1的整数；所述目标区域对的历史OD流量包括：Q种采样周期下的OD流量，所述Q为大于1的整数；则所述获取目标地理范围在待预测时刻之前的历史出入流量张量和历史起终点OD流量张量，包括：
针对所述P种采样周期中的每种采样周期，根据该采样周期下的出入流量构建该采样周期对应的历史出入流量张量；
针对所述Q种采样周期中的每种采样周期，根据该采样周期下的OD流量构建该采样周期对应的历史OD流量张量。


5.根据权利要求4所述的方法，其特征在于，所述P种采样周期中每种采样周期对应的历史出入流量张量，是根据该采样周期下第一目标时段内的出入流量构建的；所述第一目标时段是根据所述待预测时刻确定的；
所述Q种采样周期中每种采样周期对应的历史OD流量张量，是根据该采样周期下第二目标时段内的OD流量构建的；所述第二目标时段是根据所述待预测时刻确定的。


6.根据权利要求4所述的方法，其特征在于，所述交通流量预测模型包括：P个第一特征提取层和Q个第二特征提取层，所述P个第一特征提取层与所述P种采样周期一一对应，所述Q个第二特征提取层与所述Q种采样周期一一对应；则所述通过所述交通流量预测模型提取历史出入流量特征信息和历史OD流量特征信息，包括：
针对所述P种采样周期中的每种采样周期，通过与该采样周期对应的第一特征提取层对该采样周期对应的历史出入流量张量进行处理，得到该采样周期对应的子历史出入流量特征信息；
对所述P种采样周期各自对应的子历史出入流量特征信息进行融合处理，得到所述历史出入流量特征信息；
针对所述Q种采样周期中的每种采样周期，通过与该采样周期对应的第二特征提取层对该采样周期对应的历史OD流量张量进行处理，得到该采样周期对应的子历史OD流量特征信息；
对所述Q种采样周期各自对应的子历史OD流量特征信息进行融合处理，得到所述历史OD流量特征信息。


7.根据权利要求6所述的方法，...

【专利技术属性】
技术研发人员：杨帆，孙福宁，
申请(专利权)人：腾讯云计算北京有限责任公司，
类型：发明
国别省市：北京;11