一种高速公路交通流量预测方法技术

本发明专利技术提出了一种高速公路交通流量预测方法包括：将各监测点所采集数据构建成图结构并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关时空特征；借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；结合低维影响特征并运用注意力机制以赋予不同时间单位下时序数据权重，最后综合其他因素特征通过全连接层得到预测结果。采用多模态数据并使用神经网络训练，所得到的交通流量预测结果能够较为准确的根据历史时间片段预测未来时间片段高速交通流量。

【技术实现步骤摘要】
一种高速公路交通流量预测方法
本专利技术涉及实时交通的
，特别是一种高速公路交通流量预测方法。
技术介绍
如今，通信技术等不断发展为出行人员及道路管理者提供了极大便利，同时也带来了新的挑战——如何运用包含大量反映路网交通流量预测是一个关系到交通引导、路线规划等不同交通决策的核心问题。该问题往往是在给定一段历史交通流量以及待预测路网分布后预测未来所有监测点上的流量分布情况。在现有技术中，不能充分运用交通数据特点，如时序上的相近性、趋势性、周期性；空间上的相关性；其他因素对交通状况的影响程度等等。借助于大数据技术能提高交通流量预测准确性，尤其是高速公路流量预测准确性，现提出一种高速公路交通流量预测方法。
技术实现思路
本专利技术的目的就是解决现有技术中的问题，提出一种高速公路交通流量预测方法，能够充分利用多模态数据特点准确预测交通流量。为实现上述目的，本专利技术提出了一种高速公路交通流量预测方法，依次包括以下步骤：S1.将各监测点所采集数据构建图结构，并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关的时空特征；S2.借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；S3.结合低维影响特征并运用注意力机制以赋予不同时间单位间隔下时序数据权重，最后综合其他影响因素特征通过全连接层得到预测结果。作为优选，所述步骤S1中，对各监测点所采集数据构建图结构，并得到时空特征，具体包括如下步骤：步骤a1、选取空间上监测点位置，并表示为通过欧式距离度量各监测点间相关性的邻接矩阵St；步骤b1、获取各个监测点上交通数据，并按照时序排列，得到以时序长度为行数、监测点数为列数的矩阵F；步骤c1、根据问题性质选取合适若干时间单位，并分别从步骤b1所述矩阵F中，得到若干连续时间片段，构建该时间单位间隔下的输入；步骤d1、对步骤c1中各时间片段先后依次进行时序卷积、图卷积、时序卷积三次卷积运算，并根据问题需要重复若干次三次卷积运算，以得到不同时间单位间隔下的各个时空特征；当有效提取时空特征时，进入步骤e1，否则，重复时序卷积、图卷积、时序卷积三次卷积运算；步骤e1、将不同时间单位间隔下的时空特征进行张量合并操作，得到时空特征HFST。作为优选，所述步骤S2中，借助于嵌入技术得到低维影响特征，具体包括以下步骤：步骤a2、选定影响交通流量预测结果的其他影响因素，并按时序排列；步骤b2、根据问题性质选取合适若干时间片段上的影响因素，作为输入；步骤c2、将输入的影响因素借助嵌入技术，将其嵌入至低维空间得到低维特征向量；步骤d2、将所得到的各低维特征向量进行张量合并操作，得到低维影响特征HFInf。作为优选，所述步骤S3中，借助于注意力机制，根据时空特征及低维影响特征，通过全连接层得到预测结果，具体包括以下步骤：步骤a3、将低维影响特征HFInf通过全连接层，并将结果与时空特征HFST做矩阵乘法得到共享特征；步骤b3、对共享特征做处理以作为时空特征HFST的权重；步骤c3、通过若干全连接层得到预测结果。作为优选，所述影响交通流量预测结果的其他影响因素包括出入口车型数据、日期数据。本专利技术的有益效果：本专利技术通过将前一时间片段上的多模态数据作为神经网络的输入，得到反映交通流量的不同特征，并通过全连接层网络得到下一时间片段的预测结果。由于交通流量表现为非线性，同时受到时空特征、其他因素影响，因此采用多模态数据并使用神经网络训练，所得到的交通流量预测结果能够较为准确的根据历史时间片段预测未来时间片段高速交通流量。本专利技术的特征及优点将通过实施例结合附图进行详细说明。【附图说明】图1是本专利技术一种高速公路交通流量预测方法的流程图；图2是本专利技术一种高速公路交通流量预测方法的提取时空特征的流程图；图3是本专利技术一种高速公路交通流量预测方法的提取低维影响特征的流程图；图4是本专利技术一种高速公路交通流量预测方法的根据特征预测结果的流程图；图5是时空维度上的路网模型；图6是深度神经网络模型(C-STGCN)图；图7是联系矩阵示意图。【具体实施方式】本专利技术实施例中，采用深度学习模型，包含若干时序卷积、空间卷积、嵌入技术、注意力机制，进行高速公路交通流量预测。为方便本领域技术人员能够更好实施方式，下面对基于数据特征的网络模型、时序卷积、空间卷积进行具体介绍：1.1问题定义：高速交通流量预测问题是给定历史观测数据X,起始时间tc及间隔时间tgap,由X预测时刻tc+tgap之后1小时内各个观测点通行量Y。其中tgap的取值从5分钟开始,并按增量为5线性递增，根据问题定义，时间片段包含1小时的时间长度，并按照最小时间间隔5分钟得到片段起始点。每一时间片段由该片段起始点代表,则路网在以某一时刻t为起始时间的时间片段上容易构建成图，Gt＝{Vt,Et,St,Ft},其中的Vt表示该t时间片段上路网中N个监测点的集合,Et表示监测点间的道路，St表示短时监测点间的稳定联系并构成N×N的邻接矩阵，Ft表示各个监测点上所观测的流量，其中某个监测点v∈Vt上的流量为ft(v)。图Gt用于存储该时间片段上的路网状态,即包含各监测点所观测流量及监测点间联系程度.因此，如图5在当前tc时间片段前H小时h个时间片段上的路网可以包含时序T＝{tc-H-h,tc-H-h+1,···,tc-H}上高速交通流量序列同理可表示当前tc时间片段前D天d个时间片段上路网高速交通流量以及前W周w个时间片段上的路网高速交通流量除了考虑到路网数据所能提取的时空特征,其他影响因素也会对高速交通流量存在影响,如出入口车辆类型,日期类型.在某一时间片段t上,出入口M种车辆类型可构成其中代表t时间片段上第i种车辆类型通行数量,en,ex分别代表t时间片段上入口和出口；L种日期类别可构成其中代表相对时间片段t前j天的日期类型.由tc时间片段前所观测的数据作为模型的一个输入,并通过模型预测得到tc+tgap时间片段上的流量1.2模型结构在该部分将介绍如图6所示的模型结构.该结构包含时空特征提取模块、影响因素特征提取模块以及预测输出模块三个部分。其中时空特征提取模块将分别作为三组时空卷积网络模块的输入进而得到邻近时间、D天前、W周前的时空特征；影响因素特征提取将VF,DF分别做嵌入操作得到隐藏特征并结合时空特征,通过注意力机制得到共享特征；最后,共享特征通过全连接层预测tc+tgap时间片段上的流量。1.2.1时空特征提取由于高速交通流量预测中越来越多研究关注到时空特征能显著提升预测精度,所提出的深度神经网络模型同样具有从时序和空间中提取相关特征的能力.在时序T上,将中每一监测点所统计流量作为输入，通过时序卷积层(TemporalConvolutionalLayer,TCL)分别本文档来自技高网...

【技术保护点】
1.一种高速公路交通流量预测方法，其特征在于：依次包括以下步骤：/nS1.将各监测点所采集数据构建图结构，并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关的时空特征；/nS2.借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；/nS3.结合低维影响特征并运用注意力机制以赋予不同时间单位间隔下时序数据权重，最后综合其他影响因素特征通过全连接层得到预测结果。/n

【技术特征摘要】
1.一种高速公路交通流量预测方法，其特征在于：依次包括以下步骤：
S1.将各监测点所采集数据构建图结构，并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关的时空特征；
S2.借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；
S3.结合低维影响特征并运用注意力机制以赋予不同时间单位间隔下时序数据权重，最后综合其他影响因素特征通过全连接层得到预测结果。


2.如权利要求1所述的一种高速公路交通流量预测方法，其特征在于：所述步骤S1中，对各监测点所采集数据构建图结构，并得到时空特征，具体包括如下步骤：
步骤a1、选取空间上监测点位置，并表示为通过欧式距离度量各监测点间相关性的邻接矩阵St；
步骤b1、获取各个监测点上交通数据，并按照时序排列，得到以时序长度为行数、监测点数为列数的矩阵F；
步骤c1、根据问题性质选取合适若干时间单位，并分别从步骤b1所述矩阵F中，得到若干连续时间片段，构建该时间单位间隔下的输入；
步骤d1、对步骤c1中各时间片段先后依次进行时序卷积、图卷积、时序卷积三次卷积运算，并根据问题需要重复若干次三次卷积运算，以得到不同时间单位间隔下的各个时空特征，当有效提取时空特征时，进入步骤e1，否则，重复时序卷积、图卷积、时序卷积...

【专利技术属性】
技术研发人员：蒋云良，范金斌，张雄涛，刘勇，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：浙江;33