一种交通数据预测方法、装置及交通工具控制方法制造方法及图纸

本申请涉及智能交通控制技术领域，特别地，涉及一种交通数据预测方法、装置及交通工具控制方法。本申请提供的一种交通数据预测方法，包括获取检测装置所捕获的交通数据；对交通数据进行有效性整理得到维度为N＊T的路口矩阵数据，N为城市道路网的路口总数，T为总时间戳记录个数；基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵；准化数据划分为多个维度为N＊D的路口矩阵数据样本，D为历史时间序列数；将路口矩阵数据样本和标准化拉普拉斯矩阵作为输入数据对T‑GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T‑GCN模型；将即时交通数据代入最终T‑GCN模型计算输出预测交通数据。

A traffic data prediction method, device and vehicle control method

【技术实现步骤摘要】
一种交通数据预测方法、装置及交通工具控制方法
本申请涉及智能交通控制
，特别地，涉及一种交通数据预测方法、装置及交通工具控制方法。
技术介绍
交通数据预测是分析城市道路交通状况的过程，包括车流量，车流速度，或车流密度等，并且可以根据交通数据预测城市道路交通的趋势。在一些交通数据预测的实现中，使用数据驱动的方法根据数据的统计规律推断出变化趋势，并最终使用，预测和评估交通状况。例如，假设模型静止，预先假定回归函数，挖掘足够的历史数据来自动学习交通数据的统计规律性从而确定参数，然后基于回归函数实现流量预测。但是，当城市道路网的交通处于高峰时段时，道路网中某一个路口的突发情况会直接的影响到相邻的路口的交通状况，进一部的会影响到一定区域内道路网路口的交通状况，在这种情况，即现有技术中的交通预测方法考虑了交通状况的动态变化而忽略了空间依赖性，使得交通状况的变化不受道路网络的限制，无法准确预测交通状况的状态，现有技术中交通数据的预测精确度会下降，预测系统的鲁棒性较低。
技术实现思路
本申请提供了一种交通数据预测方法、装置及交通工具控制方法，通过图形卷积神经网络与循环神经网络对城市多路口交通数据预测，可以将交通状况的时间动态变化和多路口之间的空间依赖性结合起来，可以提高交通数据预测的准确性，提高交通数据预测的鲁棒性。本申请的实施例是这样实现的：本申请实施例的第一方面提供一种交通数据预测方法，包括：获取检测装置所捕获的交通数据；对所述交通数据进行有效性整理得到维度为N＊T的路口矩阵数据，N为城市道路网的路口总数，T为总时间戳记录个数。基于所述路口矩阵数据，使用GCN模型构建具有空间特征维度为N＊N的城市道路网标准化拉普拉斯矩阵；将所述路口矩阵数据进行归一化处理得到无量纲的标准化数据，并将所述无量纲的准化数据划分为多个维度为N＊D的路口矩阵数据样本，D为历史时间序列数；将所述路口矩阵数据样本和所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型；将即时交通数据代入最终T-GCN模型计算输出预测交通数据。本申请实施例的第二方面提供一种交通工具控制方法，包括：基于本申请实施例的第一方面提供的
技术实现思路
所述的方法确定目标途径的预测交通数据；至少基于所述目标途径的预测交通数据生成交通工具的控制指令和/或提示信息，导航指令和/或提示信息。本申请实施例的第三方面提供一种交通数据预测装置，包括：存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序时执行本申请实施例的第一方面提供的
技术实现思路
中任一所述的交通数据预测方法。本申请实施例的第四方面提供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指令，当所述计算机指令中的至少部分指令被处理器执行时，实现本申请实施例的第一方面提供
技术实现思路
中任意一项所述的操作。本申请的有益效过：通过获取路口矩阵交通数据，使用GCN模型构建具有空间特征的城市路网标准化拉普拉斯矩阵，提取路网中的空间结构信息对交通数据的影响；进一步将合有时间信息的路口矩阵数据样本和标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练，利用循环神经网络提取路网中的时间信息对预测数据的影响，得到最终T-GCN模型，使用最终得到的T-GCN模型可以提高交通数据的预测精确度，提高预测系统的鲁棒性。附图说明具体为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1示出了本申请实施例一种交通数据预测系统100的示意图；图2示出了本申请实施例路口车道设置的检测装置示意图；图3示出了本申请实施例T-GCN模型时间特征和空间特征组合流程示意图；图4示出了本申请实施例GCN模型提取空间特征示意图；图5示出了本申请实施例GRU模型获取数据的时间依赖性示意图；图6示出了本申请实施例T-GCN模型捕捉数据的空间和时间依赖性示意图；图7示出了本申请实施例T-GCN模型中loss函数的变化趋势图；图8示出了本申请实施例T-GCN模型中运算单元示意图；图9(a)示出了本申请实施例基于HA、GRU、T-GCN模型的指标对比示意图；图9(b)示出了本申请实施例基于HA、GRU、T-GCN模型的指标对比示意图；图10示出了本申请实施例HA对比模型路口的预测与实际数据对比图；图11示出了本申请实施例T-GCN模型路口的预测与实际数据对比图；图12示出了本申请实施例T-GCN模型的长时预测示意图；图13示出了本申请实施例一种交通数据预测方法的步骤示意图；图14示出了本申请实施例一种示例性计算设备200的示意图图15示出了本申请实施例T-GCN模型训练流程图；图16示出了本申请实施例一种交通数据预测方法的流程图。具体实施方式现在将描述某些示例性实施方案，以从整体上理解本文所公开的装置和方法的结构、功能、制造和用途的原理。这些实施方案的一个或多个示例已在附图中示出。本领域的普通技术人员将会理解，在本文中具体描述并示出于附图中的装置和方法为非限制性的示例性实施方案，并且本专利技术的多个实施方案的范围仅由权利要求书限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征进行组合。这种修改和变型旨在包括在本专利技术的范围之内。本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本专利技术的范围之内。本申请的实施例所述的交通数据包括但不限于人力车、代步工具、汽车、轨道交通、无人驾驶交通工具中的一种或几种的组合。应当理解，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。图1是根据本申请的一些实施例所示的一种交通数据预测系统100的示意图。交通数据预测系统100是一个为可以自动预测交通数据的平台。交通数据预测系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个检测装置150-1、150-2......150-N。服务器110可以包括一个处理引擎112。在一些实施例中，服务器110可以是一个单独的服务器或者一个服务本文档来自技高网...

【技术保护点】
1.一种交通数据预测方法，其特征在于，包括：/n获取检测装置所捕获的交通数据；/n对所述交通数据进行有效性整理得到维度为N＊T的路口矩阵数据，N为城市道路网的路口总数，T为总时间戳记录个数；/n基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵；/n将所述路口矩阵数据进行归一化处理得到无量纲的标准化数据，并将所述无量纲的准化数据划分为多个维度为N＊D的路口矩阵数据样本，D为历史时间序列数；/n将所述路口矩阵数据样本和所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型；/n将即时交通数据代入最终T-GCN模型计算输出预测交通数据。/n

【技术特征摘要】
1.一种交通数据预测方法，其特征在于，包括：
获取检测装置所捕获的交通数据；
对所述交通数据进行有效性整理得到维度为N＊T的路口矩阵数据，N为城市道路网的路口总数，T为总时间戳记录个数；
基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵；
将所述路口矩阵数据进行归一化处理得到无量纲的标准化数据，并将所述无量纲的准化数据划分为多个维度为N＊D的路口矩阵数据样本，D为历史时间序列数；
将所述路口矩阵数据样本和所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型；
将即时交通数据代入最终T-GCN模型计算输出预测交通数据。


2.如权利要求1所述的一种交通数据预测方法，其特征在于，
所述图形卷积神经网络模型为GCN模型；以及
所述空间特征具体设置为空间特征维度为N＊N，N为城市道路网的路口总数。


3.如权利要求2所述的一种交通数据预测方法，其特征在于，基于所述路口矩阵数据，使用图形卷积神经网络模型构建具有空间特征的城市道路网标准化拉普拉斯矩阵包括：
基于所述路口矩阵数据的城市多路口的空间位置，通过GCN模型构建城市的路网图；
基于所述路网图，通过GCN模型获得中心路口遇周围路口之间的拓扑关系从而构建每个路口的邻接矩阵；
基于上述邻接矩阵构建标准化拉普拉斯矩阵，所述标准化拉普拉斯矩阵的维度为N＊N，其中N为城市道路网的路口总数。


4.如权利要求1所述的一种交通数据预测方法，其特征在于，将所述路口矩阵数据样本和所述标准化拉普拉斯矩阵作为输入数据对T-GCN模型进行训练、迭代、优化直至达到损失收敛得到最终的T-GCN模型包括：
将所述路口矩阵数据中获得的具有空间特征的时间序列输入到门控递归单元模型中，通过单元之...

【专利技术属性】
技术研发人员：靳嘉曦，牛文广，陈炜青，李德盼，张玉福，闫辰云，王伟，张立，
申请(专利权)人：青岛海信网络科技股份有限公司，
类型：发明
国别省市：山东;37