交通时空序列单步预测方法、系统及存储介质技术方案

本发明专利技术公开了一种交通时空序列单步预测方法、系统及存储介质，使用3D卷积神经网络提取时空特征，未割裂时间特征和空间特征时之间的联系；同时，本发明专利技术将交通时空序列的多模态数据之间的影响纳入考虑范围，利用多任务学习提取各模态之间的关联，提高了预测精度。提高了预测精度。提高了预测精度。

【技术实现步骤摘要】
Conference on ArtificialIntelligence,2017.)利用残差神经网络、基于参数矩阵的融合机制和外部信息来 提高预测人群流动的性能。这些研究更多地关注交通数据的空间相关性。而对于 时间相关性的建模，只是简单的将CNN通过神经网络提取的特征进行融合，并 没有充分利用时间相关性。
[0005]另一方面，RNN及其变体，即LSTM和GRU在序列任务中的成功使得许 多研究者基于它们来预测时空序列。Zhao等人(Z.Zhao,W.Chen,X.Wu,P.C.Y. Chen,and J.Liu,“LSTM network:a deep learning approach for short
‑
term trafficforecast,”IET Intell.Transp.Syst.,vol.11,no.2,pp.68
–
75,2017.)提出采用级联 LSTM，其中横向维度表示时域的变化，纵向维度表示不同观测点的指标，结合 起点
‑
终点的相关矩阵，获取时空相关性，用于预测交通流。Xu等人(J.Xu,R. Rahmatizadeh,L.and D.Turgut,“Real
‑
time prediction of taxi demand usingrecurrent neural networks,”IEEE Trans.Intell.Transp.Syst.,vol.19,no.8,pp. 2572
–
2581,2017.)利用LSTM和混合密度网络预测纽约市出租车需求。该模型 首先预测出租车需求的整体概率分布，然后利用该概率分布确定每个区域的出租 车需求。这些研究更侧重于时间相关性的捕获，数据的空间相关性没有被充分利 用。
[0006]为了充分利用时空相关性，许多研究者将CNN和RNN相结合来预测时空 序列。Wu等人(Y.Wu and H.Tan,“Short
‑
term traffic flow forecasting withspatial
‑
temporal correlation in a hybrid deep learning framework,”arXiv Prepr. arXiv1612.01022,2016.)利用将道路作为一个向量，将其输入一维CNN获取交 通流的空间相关性，然后利用两个LSTM挖掘交通流的短期变异性和周期性。 Yu等人(H.Yu,Z.Wu,S.Wang,Y.Wang,and X.Ma,“Spatiotemporal recurrentconvolutional networks for traffic prediction in transportation networks,”Sensors,vol. 17,no.7,p.1501,2017.)提出利用深度CNN提取空间特征，再将其反馈到叠加 LSTM中进行大规模交通网络流量预测。Yao等人(H.Yao et al.,“Deep multi
‑
viewspatial
‑
temporal network for taxi demand prediction,”in Thirty
‑
Second AAAIConference on Artificial Intelligence,2018.)认为将CNN应用于整个城市的图像会 影响预测的准确性，为此，他们利用局部CNN来捕捉空间相关性，并引入了结 合LSTM的语义视图来预测出租车需求。虽然这两种情况都考虑了时空相关性， 但这些研究将时空相关性的相互作用分离开来。
[0007]交通时空序列的单步预测指的是根据给定的历史数据，预测下一个时间戳的 序列状况。单步预测模型需要接受最新的历史数据作为输入，因此对数据的收集、 处理、存储和发布有较高的时间要求，更适用于待预测时间间隔较大、对预测的 时效性要求不高的应用场景。例如，出租车需求预测可以为空车的路径规划、乘 客的出行安排、出租车公司的调度安排提供参考建议，由于车辆的行驶需要耗费 一定的时间，因此这类任务的待预测时间间隔通常都大于20分钟，使得模型可 以及时的获得最新历史数据，不断做出准确预测。
[0008]目前效果较好的时空序列预测方法主要是结合CNN和RNN及其变体(即 LSTM或GRU)的模型。在数据预处理阶段，该类模型首先会将时空序列数据 处理为网格数据；之后，该数据被送入到CNN进行下采样，以捕获空间关联， 并编码为向量；随后，再将所得到的向量输入到RNN或其变体中，抽取时间特 征，并编码为新向量；最后，结合外部信息，使用全连接神经网络对下一时间戳 的时空序列进行预测。
[0009]这类方法通常会存在以下问题：(1)这类方法割裂了时间关联和空间关联的 相互作用。2D
‑
CNN的卷积核只能在空间维度上移动，捕获空间信息。与此同时， 对网格数据进行卷积时必然会损失部分信息，经过多层卷积后，所得表征向量已 经丢失了部分时间信息，RNN的性能不能得到充分利用，最终导致预测精度的 下降。(2)这类方法没有充分利用数据各模态之间的关联。交通时空序列的信息 通常以多各信息呈现，这些信息之间存在相互影响。如图1(a)～图1(c)所 示，出租车需求预测问题中，大量的空车可能激发路人的打车欲望；车流量预测 问题中，道路的车流量可以分为南向流量和北向流量，复杂的路网环境下，二者 可能会相互转化；道路车辆速度预测问题中，司机在十字路口的决策会影响到南 向车速和北向车速。因此，打车需求预测和下车需求预测、南向流量预测和北向 流量预测、南向车辆速度预测和北向车辆速度预测共同组成了原预测问题，并且 相互影响。现有研究通常使用不同的2D卷积核分别捕获它们的空间关联，而不 考虑各模态之间的联系，这也影响到了时空序列预测的精度。

技术实现思路

[0010]本专利技术所要解决的技术问题是，针对现有技术不足，提供一种交通时空序 列单步预测方法，提高预测精度。
[0011]为解决上述技术问题，本专利技术所采用的技术方案是：一种交通时空序列单步 预测方法，包括以下步骤：
[0012]1)获取原始交通时空数据，并对所述原始交通时空数据进行预处理， 得到三个时间片段X
closeness
、K
period
及X
trend
；
[0013]2)将所述三个时间片段按模态分别拆分为2)将所述三个时间片段按模态分别拆分为和共计3n份子数据，将所述分别对 应输入到三个第一3D卷积神经网络中，得到3n个时空特征张量拉 伸为向量x1，x2，...，x
3n
；n为数据的模态；
[0014]3)按时间顺序，将所述3n个向量x1，x2，...，x
3n
分别作为3n个LSTM的 输入，得到输出h1，h2，...，h
3n
，利用h1，h2，...，h
3n
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通时空序列单步预测方法，其特征在于，包括以下步骤：1)获取原始交通时空数据，并对所述原始交通时空数据进行预处理，得到三个时间片段X
closeness
、K
period
及X
trend
；2)将所述三个时间片段按模态分别拆分为2)将所述三个时间片段按模态分别拆分为和共计3n份子数据，将所述分别对应输入到三个第一3D卷积神经网络中，得到3n个时空特征张量拉伸为向量x1，x2，...，x
3n
；n为数据的模态；3)按时间顺序，将所述3n个向量x1，x2，...，x
3n
分别作为3n个LSTM的输入，得到输出h1，h2，...，h
3n
，利用h1，h2，...，h
3n
得到基于注意力机制的LSTM的输出s1，s2，...，s
3n
；将s1，s2，...，s
3n
重塑为一个三维张量X0，将X0作为第二3D卷积神经网络的输入，将第二3D卷积神经网络的输出拉伸为向量4)获取外部信息，将所述外部信息处理为向量，并获取该向量在t时刻的特征向量5)拼接g
t
和e
t
，得到q
t
，将q
t
送至全连接神经网络，得到最终的输出，即t时刻的时空序列X
t
。2.根据权利要求1所述的交通时空序列单步预测方法，其特征在于，步骤1)中，对所述原始交通时空数据进行预处理的具体实现过程包括：第一步，获取原始交通时空数据，所述原始交通时空数据包含ID、事件发生时间、事件发生地点的经度和纬度；第二步，设定经度跨度λ
lng
和纬度跨度λ
lat
；将城市划分为I
×
J个大小一致的网格，其中其中grid(i，j)表示第i行、第j列的网格；i＜I且j＜J；P
A
(lng
A
，lat
A
)为A点坐标，即城市最西南角的坐标；P
B
(lng
B
，lat
B
)为B点坐标，即城市最东北角的坐标；设λ
time
为单位时间长度，t
start
为原始交通时空数据的起始时间点，t
end
为原始数据的最后一个时间点，根据公式将所述原始交通时空数据按时间分为T个部分；第三步，生成时空序列X
1：T
＝[X1，X2，X3，...，X
T
‑1，X
T
]；其中X
t
代表第t个时间段内的时空序列状况，1≤t≤T，由n
×
I
×
J个网格组成，n代表数据的模态，通过统计J个网格组成，n代表数据的模态，通过统计内事件发生的次数确定X
1：T
中每个网格即grid(i，j)的值。3.根据权利要求2所述的交通时空序列单步预测方法，其特征在于，步骤1)中，三个时间片段X
closeness
、X
period
及X
trend
的获取过程包括：邻近时间戳其中0＜L
c
＜T，C代表临近时间戳序列的长度，C为常数，X
closeness
表示与预测目标X
t
最邻近的L
c
个时间戳的序列；周期时间戳其中L
p
为参数且0≤L
p
＜T
‑
24/λ
time
，P代表周期时间戳序列的长度，X
period
表示与预测目标X
t
相距24小时的L
p
个时间戳的序列；趋势时间戳其中L
t
为参数且0≤L
t
＜T
‑
24*7/
λ
time
，X
trend
...

【专利技术属性】
技术研发人员：邝砾，颜学谨，杨海洋，张欢，
申请(专利权)人：中南大学，
类型：发明
国别省市：