交通流量的预测方法、装置、可读存储介质及电子设备制造方法及图纸

本申请提供了交通流量的预测方法、装置、可读存储介质及电子设备，基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及环境预测信息，确定待预测路段的周期时间偏移量；基于周期时间偏移量和待预测时间段，确定当前预测时间窗口，以及历史时间窗口；基于待预测路段所在路网区域的路网信息、当前预测时间窗口、历史预测时间窗口以及路网区域的历史交通数据，构建待预测路段的动态时空特征矩阵；将动态时空特征矩阵输入至训练好的交通流量预测模型中，得到待预测路段在待预测时间段的预测交通流量。这样，利用动态时空特征矩阵对交通流量进行预测，可以为交通流量预测提供更全面的参考数据，有助于提高交通流量预测的准确性。

【技术实现步骤摘要】
交通流量的预测方法、装置、可读存储介质及电子设备
本申请涉及交通预测
，具体而言，涉及交通流量的预测方法、装置、可读存储介质及电子设备。
技术介绍
随着交通设施的逐步完善，汽车保有量与道路里程数地不断增加，道路正在面临着严峻的交通拥堵问题，构建智能交通系统能有效缓解交通拥堵问题，而交通流量预测是其中的重要组成部分，交通流量是反映交通道路运行状态的主要参数之一，提前对相关路段的交通流量进行预测，并采取相应的疏通措施，将有效缓解拥堵情况，以提高交通路网的运输能力。现阶段，对交通流量的预测大多依赖于设置在交通路网各处的摄像头、传感器等采集设备，实时采集道路的多类交通数据，通过采集的交通数据对道路的交通流量进行预测，但是交通数据在进行预测时，会受其本身的空间特征以及时间特征，以及其他因素的影响，仅通过实时采集到的交通数据对交通流量进行预测，会存在预测不稳定以及准确率较低的情况。
技术实现思路
有鉴于此，本申请的目的在于提供一种交通流量的预测方法、装置、可读存储介质及电子设备，结合待预测时间段以及待预测路段的属性，确定与待预测时间段相关联的多个预测时间窗口，进而生成包含多时间跨度的交通数据动态时空特征矩阵，利用动态时空特征矩阵对交通流量进行预测，可以为交通流量预测提供更全面的参考数据，有助于提高交通流量预测的准确性。本申请实施例还提供了一种交通流量的预测，所述预测方法包括：基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息，确定所述待预测路段的周期时间偏移量；基于所述周期时间偏移量和所述待预测时间段，确定在当前预测周期中的当前预测时间窗口，以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口；基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据，构建所述待预测路段的动态时空特征矩阵；将所述动态时空特征矩阵输入至训练好的交通流量预测模型中，得到所述待预测路段在所述待预测时间段的预测交通流量；其中，所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段，所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段，以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。进一步的，所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期，以及在所述多个历史预测周期之前的、相邻的、包括多个历史预测周期的统计周期，其中，所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。进一步的，所述基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据，构建所述待预测路段的动态时空特征矩阵，包括：基于所述路网区域的路网信息，确定所述待预测路段的道路空间路网邻接矩阵；基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据，构建所述待预测路段的初步时空特征矩阵；获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度，以及针对所述路网区域中的每条道路，在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点，相对于所述待预测时间段的时间流量贡献度；基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵，确定所述待预测路段的动态时空特征矩阵。进一步的，通过以下步骤确定所述道路流量贡献度：基于所述道路空间路网邻接矩阵和所述路网区域的历史交通数据，确定所述待预测路段的空间特征矩阵；将所述空间特征矩阵输入至训练好的空间注意力模型中，得到所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度。进一步的，通过以下步骤确定所述时间流量贡献度：针对所述路网区域中的每条道路，基于所述路网区域的历史交通数据和所述预测周期中的多个时间节点，构建该道路在所述当前预测周期或者在所述历史预测周期的时序特征矩阵；将所述时序特征矩阵输入至训练好的时间注意力模型中，得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点，相对于所述待预测时间段的时间流量贡献度。进一步的，所述将所述动态时空特征矩阵输入至训练好的交通流量预测模型中，得到所述待预测路段在所述待预测时间段的预测交通流量，包括：将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中，得到所述待预测路段对应的空间特征序列；将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中，得到所述待预测路段对应的时间特征序列；将所述动态时空特征矩阵经过卷积神经网络，得到与所述时间特征序列相同维度的第一变换时序特征序列；加和所述第一变换时序特征序列与所述时间特征序列，并将得到的特征序列输入至全连接层，确定最后的输出结果；基于所述输出结果，确定出待预测路段在待预测时间段的交通流量。进一步的，所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中，得到所述待预测路段对应的空间特征序列，包括：在预测时间窗口中每个时间节点处，提取待预测路段的空间特征，得到该时间节点处的子空间特征；将得到的多个子空间特征，按照对应的时间节点的时序拼接，得到所述空间特征序列。进一步的，所述将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中，得到所述待预测路段对应的时间特征序列，包括：针对空间特征序列中的每个空间节点，将该空间节点处的空间特征序列输入至循环神经网络中，得到第一预测特征序列；将所述第一预测特征序列输入至循环神经网络中，得到第二预测特征序列；将所述第二预测特征序列作为第一预测特征序列输入至循环神经网络中，继续进行特征提取，直至预设次数后停止特征提取，得到子时间特征序列；将确定出的多个子时间特征序列，按照对应的空间节点进行拼接，得到时间特征序列。进一步的，在所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中，得到所述待预测路段对应的空间特征序列之后，所述预测方法还包括：对所述空间特征序列在每个空间节点处进行时空特征提取，得到时空特征序列；基于所述时空特征序列，得到时空高维输出特征序列；将所述动态时空特征矩阵经过卷积神经网络，得到与所述时空高维输出特征序列相同维度的第二变换时序特征序列；将所述第二变换时序特征序列与所述时空高维输出特征序列进行残差拼接，得到拼接特征序列；将所述拼接特征序列输入至卷积神经网络，确定拼接输出结果；基于所述拼接输出结果，确定出待预测路段在待预测时间本文档来自技高网...

【技术保护点】
1.一种交通流量的预测方法，其特征在于，所述预测方法包括：/n基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息，确定所述待预测路段的周期时间偏移量；/n基于所述周期时间偏移量和所述待预测时间段，确定在当前预测周期中的当前预测时间窗口，以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口；/n基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据，构建所述待预测路段的动态时空特征矩阵；/n将所述动态时空特征矩阵输入至训练好的交通流量预测模型中，得到所述待预测路段在所述待预测时间段的预测交通流量；/n其中，所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段，所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段，以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。/n

【技术特征摘要】
1.一种交通流量的预测方法，其特征在于，所述预测方法包括：
基于获取到的待预测时间段的时间属性信息、待预测路段的道路属性信息以及待预测路段在所述待预测时间段的环境预测信息，确定所述待预测路段的周期时间偏移量；
基于所述周期时间偏移量和所述待预测时间段，确定在当前预测周期中的当前预测时间窗口，以及在当前预测周期之前的多个历史周期中每个历史周期的历史时间窗口；
基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据，构建所述待预测路段的动态时空特征矩阵；
将所述动态时空特征矩阵输入至训练好的交通流量预测模型中，得到所述待预测路段在所述待预测时间段的预测交通流量；
其中，所述当前预测时间窗口包括所述待预测时间段和所述当前预测周期中在所述待预测时间段之前的、与所述周期时间偏移量对应的当前邻接时间段，所述历史预测时间窗口包括历史周期中与所述待预测时间段对应的历史时间段，以及分别位于所述历史时间段前后的第一历史邻接时间段和第二历史邻接时间段。


2.根据权利要求1所述的预测方法，其特征在于，所述多个历史周期包括在所述当前预测周期之前的、相邻的多个历史预测周期，以及在所述多个历史预测周期之前的、相邻的、包括多个历史预测周期的统计周期，其中，所述统计周期的历史时间窗口为所述统计周期中与所述当前预测周期的时间信息相对应的历史预测周期的历史时间窗口。


3.根据权利要求1所述的预测方法，其特征在于，基于所述待预测路段所在路网区域的路网信息、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据，构建所述待预测路段的动态时空特征矩阵，包括：
基于所述路网区域的路网信息，确定所述待预测路段的道路空间路网邻接矩阵；
基于所述道路空间路网邻接矩阵、所述当前预测时间窗口、所述历史预测时间窗口以及所述路网区域的历史交通数据，构建所述待预测路段的初步时空特征矩阵；
获取所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度，以及针对所述路网区域中的每条道路，在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点，相对于所述待预测时间段的时间流量贡献度；
基于所述道路流量贡献度、所述时间流量贡献度和所述初步时空特征矩阵，确定所述待预测路段的动态时空特征矩阵。


4.根据权利要求3所述的预测方法，其特征在于，通过以下步骤确定所述道路流量贡献度：
基于所述道路空间路网邻接矩阵和所述路网区域的历史交通数据，确定所述待预测路段的空间特征矩阵；
将所述空间特征矩阵输入至训练好的空间注意力模型中，得到所述路网区域中每条道路相对于所述待预测路段的道路流量贡献度。


5.根据权利要求3所述的预测方法，其特征在于，通过以下步骤确定所述时间流量贡献度：
针对所述路网区域中的每条道路，基于所述路网区域的历史交通数据和所述预测周期中的多个时间节点，构建该道路在所述当前预测周期或者在所述历史预测周期的时序特征矩阵；
将所述时序特征矩阵输入至训练好的时间注意力模型中，得到在每个所述历史预测时间窗口中的每个时间节点和所述当前预测时间窗口中除所述待预测时间段之外的每个时间节点，相对于所述待预测时间段的时间流量贡献度。


6.根据权利要求1所述的预测方法，其特征在于，所述将所述动态时空特征矩阵输入至训练好的交通流量预测模型中，得到所述待预测路段在所述待预测时间段的预测交通流量，包括：
将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中，得到所述待预测路段对应的空间特征序列；
将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中，得到所述待预测路段对应的时间特征序列；
将所述动态时空特征矩阵经过卷积神经网络，得到与所述时间特征序列相同维度的第一变换时序特征序列；
加和所述第一变换时序特征序列与所述时间特征序列，并将得到的特征序列输入至全连接层，确定最后的输出结果；
基于所述输出结果，确定出待预测路段在待预测时间段的交通流量。


7.根据权利要求6所述的预测方法，其特征在于，所述将所述动态时空特征矩阵输入至所述交通流量预测模型中的空间特征提取网络中，得到所述待预测路段对应的空间特征序列，包括：
在预测时间窗口中每个时间节点处，提取待预测路段的空间特征，得到该时间节点处的子空间特征；
将得到的多个子空间特征，按照对应的时间节点的时序拼接，得到所述空间特征序列。


8.根据权利要求6所述的预测方法，其特征在于，所述将所述空间特征序列输入至所述交通流量预测模型中的时间特征提取网络中，得到所述待预测路段对应的时间特征序列，包括：
针对空间特征序列中的每个空间节点，将该空间节点处的空间特征序列输入至循环神经网络中，得到第一预测特征序列；
将所述第一预测特征序列输入至循环神经网络中，得到第二预测特征序列；
将所述第二预测特征序列作为第一预测特征序...

【专利技术属性】
技术研发人员：张驰，简志春，刘国平，温翔，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11