交通速度预测方法、装置、电子设备及计算机可读介质制造方法及图纸

本公开的实施例提供了一种交通速度预测方法、装置、电子设备及计算机可读介质，涉及深度学习技术。该方法包括：获取0至T历史时间步地图中各路段节点的历史速度信息和历史时间相关信息；利用循环神经网络模型的编码器的第t个图生成器获得t历史时间步路段节点的动态自适应邻接矩阵；对t历史时间步路段节点的动态自适应邻接矩阵进行图卷积运算，确定编码器中的第t个编码单元的门函数；利用第t个编码单元的门函数获得第t个编码单元的隐状态；通过解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。本公开实施例提供的技术方案能够在建模时兼顾空间关联信息和时间关联信息，提高交通速度的预测性能。

【技术实现步骤摘要】
交通速度预测方法、装置、电子设备及计算机可读介质
本公开涉及智能交通领域，具体而言，涉及一种交通速度预测方法、装置、电子设备及计算机可读介质。
技术介绍
随着经济的发展，快速的城市化进程导致城市人口和车辆的急剧增加，给运输基础设施造成了巨大负担，而日趋频繁的交通拥堵不光造成了时间和生产力的巨大损失还会导致空气污染和能源浪费。可以说，交通拥堵已经成为现代城市进一步发展的重大威胁之一。作为智能交通系统发展的基石，交通预测通过预测未来的交通状况(例如出行时间，出行流量和出行速度)，为城市规划和交通管理提供参考，以减少拥堵并提高交通效率，并为公共安全应急管理提供预警。准确的交通预测，还可以帮助出行者进行路线规划和更改，从而提升生活质量。然而，由于复杂的时空相关性，交通预测问题通常具有很大挑战性。因此，需要一种新的交通速度预测方法、装置、电子设备及计算机可读介质。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开实施例提供一种交通速度预测方法、装置、电子设备及计算机可读介质，进而至少在一定程度上能够在建模时兼顾空间关联信息和时间关联信息，提高交通速度的预测性能。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。本公开实施例提出一种交通速度预测方法，包括：获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。本公开实施例提出一种交通速度预测装置，包括：历史信息获取模块，配置为获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；邻接矩阵确定模块，配置为利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步各路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；图卷积运算模块，配置为对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；编码模块，配置为利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；解码模块，配置为通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。在本公开的一种示例性实施例中，邻接矩阵确定模块包括：输入信息单元，配置为对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；感知单元，配置为通过多层感知机对所述t历史时间步的输入信息进行处理，获得t历史时间步的感知信息；第一图卷积单元，配置为根据所述t历史时间步的感知信息对静态先验邻接矩阵进行图卷积运算，获得t历史时间步的图卷积信息；向量过滤单元，配置为根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量；邻接矩阵确定单元，配置为对t历史时间步各路段节点的所述节点自适应嵌入向量进行互相似性计算，获得t历史时间步所述路段节点的所述动态自适应邻接矩阵。在本公开的一种示例性实施例中，第一图卷积单元包括：第一图卷积子单元，配置为以所述t历史时间步的感知信息为输入，对所述静态先验邻接矩阵依次进行一阶至K阶的图卷积运算，获得t历史时间步的一阶至K阶的第一图卷积运算结果，K为大于0的整数；第一节点属性子单元，配置为根据所述t历史时间步的感知信息和k-1阶的第一图卷积运算结果确定k阶节点属性信息，0<k≤K；第一拼接子单元，配置为将所述t历史时间步的感知信息作为0阶节点属性信息，并将0阶至K阶节点属性信息拼接获得t历史时间步的拼接信息；图卷积信息子单元，配置为根据所述t历史时间步的拼接信息确定所述t历史时间步的图卷积信息。在本公开的一种示例性实施例中，向量过滤单元包括：第一向量过滤子单元，配置为若所述静态节点嵌入向量的维度与所述t历史时间步的图卷积信息的维度相同，则对所述静态节点嵌入向量和所述图卷积信息进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量；第二向量过滤子单元，配置为若所述静态节点嵌入向量的维度为所述t历史时间步的图卷积信息的维度的约数且小于所述t历史时间步的图卷积信息的维度，则对所述t历史时间步的图卷积信息进行维度转换，将维度转换后的所述t历史时间步的图卷积信息和所述静态节点嵌入向量进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量。在本公开的一种示例性实施例中，图卷积运算模块包括：输入信息单元，配置为对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；第二图卷积单元，配置为以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至M阶的图卷积运算，获得t历史时间步的一阶至M阶的第二图卷积运算结果，M为大于0的整数；第三图卷积单元，配置为以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至Q阶的图卷积运算，获得t历史时间步的一阶至Q阶的第三图卷积运算结果，Q为大于0的整数；门函数确定单元，配置为根据所述t历史时间步的一阶至M阶的第二图卷积运算结果和一阶至Q阶的第三图卷积运算结果确定第t个编码单元的门函数。在本公开的一种示例性实施例中，编码模块包括：门函数计算单元，配置为根据所述t历史时间步的输入信息和所述第t个编码单元的门函数确定第t个编码单元的更新门输出和重置门输出；按位相乘单元，配置为对重置门输出与t-1历史时间步的隐状态按位相乘，获得按位相乘信息；第二拼接单元，配置为将所述t历史时间步的输入信息和所述按位相乘信息进行拼接，获得t历史时间步的中间状态输入信息；第四图卷积单元，配置为以t历史时间步的中间状态输入信息为输入，对t时间步的所述路段节点的动态自适应邻接矩阵和所述静态先验邻接矩阵依次进行一阶至I阶的图卷积运算，获得t时间步的本文档来自技高网...

【技术保护点】
1.一种交通速度预测方法，其特征在于，包括：/n获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；/n利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；/n对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；/n利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；/n通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。/n

【技术特征摘要】
1.一种交通速度预测方法，其特征在于，包括：
获取0至T历史时间步各路段节点的历史速度信息和历史时间相关信息，T为大于0的整数；
利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵，t为大于0且小于或等于T的整数；
对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数；
利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态；
通过所述循环神经网络模型的解码器对第T个编码单元的隐状态进行处理，获得未来时间步各路段节点的预测交通速度。


2.如权利要求1所述的方法，其特征在于，利用循环神经网络模型的编码器中的第t个图生成器对所述编码器中的第t-1个编码单元的隐状态、t历史时间步各路段节点的历史速度信息和历史时间相关信息进行处理，获得t历史时间步所述路段节点的动态自适应邻接矩阵包括：
对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；
通过多层感知机对所述t历史时间步的输入信息进行处理，获得t历史时间步的感知信息；
根据所述t历史时间步的感知信息对静态先验邻接矩阵进行图卷积运算，获得t历史时间步的图卷积信息；
根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量；
对t历史时间步各路段节点的所述节点自适应嵌入向量进行互相似性计算，获得t历史时间步所述路段节点的所述动态自适应邻接矩阵。


3.如权利要求2所述的方法，其特征在于，根据所述t历史时间步的感知信息对静态先验邻接矩阵进行图卷积运算，获得t历史时间步的图卷积信息包括：
以所述t历史时间步的感知信息为输入，对所述静态先验邻接矩阵依次进行一阶至K阶的图卷积运算，获得t历史时间步的一阶至K阶的第一图卷积运算结果，K为大于0的整数；
根据所述t历史时间步的感知信息和k-1阶的第一图卷积运算结果确定k阶节点属性信息，0<k≤K；
将所述t历史时间步的感知信息作为0阶节点属性信息，并将0阶至K阶节点属性信息拼接获得t历史时间步的拼接信息；
根据所述t历史时间步的拼接信息确定所述t历史时间步的图卷积信息。


4.如权利要求2所述的方法，其特征在于，根据所述t历史时间步的图卷积信息对各路段节点的静态节点嵌入向量进行过滤，获得t历史时间步各路段节点的动态节点自适应嵌入向量包括：
若所述静态节点嵌入向量的维度与所述t历史时间步的图卷积信息的维度相同，则对所述静态节点嵌入向量和所述图卷积信息进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量；
若所述静态节点嵌入向量的维度为所述t历史时间步的图卷积信息的维度的约数且小于所述t历史时间步的图卷积信息的维度，则对所述t历史时间步的图卷积信息进行维度转换，将维度转换后的所述t历史时间步的图卷积信息和所述静态节点嵌入向量进行按位相乘，获得所述t历史时间步各路段节点的动态节点自适应嵌入向量。


5.如权利要求1-4任一项所述的方法，其特征在于，对所述t历史时间步所述路段节点的动态自适应邻接矩阵进行图卷积运算，确定所述编码器中的第t个编码单元的门函数包括：
对t历史时间步各路段节点的历史速度信息、历史时间相关信息和第t-1个编码单元的隐状态进行拼接，获得t历史时间步的输入信息；
以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至M阶的图卷积运算，获得t历史时间步的一阶至M阶的第二图卷积运算结果，M为大于0的整数；
以t历史时间步的输入信息为输入，对t历史时间步的所述路段节点的动态自适应邻接矩阵和静态先验邻接矩阵依次进行一阶至Q阶的图卷积运算，获得t历史时间步的一阶至Q阶的第三图卷积运算结果，Q为大于0的整数；
根据所述t历史时间步的一阶至M阶的第二图卷积运算结果和一阶至Q阶的第三图卷积运算结果确定第t个编码单元的门函数。


6.如权利要求5所述的方法，其特征在于，利用所述编码器中的第t个编码单元的门函数对所述第t-1个编码单元的隐状态和所述t历史时间步各路段节点的历史速度信息进行处理，获得第t个编码单元的隐状态，包括：
根据所述t历史时间步的输入信息和所述第t个编码单元的门函数确定第t个编码单元的更新门输出和重置门输出；
对重置门输出与t-1历史时间...

【专利技术属性】
技术研发人员：李府显，李勇，郭殿升，孙福宁，
申请(专利权)人：腾讯大地通途北京科技有限公司，清华大学，
类型：发明
国别省市：北京;11