【技术实现步骤摘要】
一种交通流量分布预测方法、预测装置及终端设备
本申请属于人工智能
,尤其涉及一种交通流量分布预测方法、交通流量分布预测装置、终端设备及计算机可读存储介质。
技术介绍
随着机动车数量的不断增加,城市道路系统承受的压力越来越大,交通流量预测技术的地位日益凸显。近年来,神经网络的引入大大提高了交通流量预测的准确性。利用神经网络可以从交通流量数据中提取时空特征,并根据时空特征预测交通流量。然而现有的交通流量预测的方法都忽视了位置信息。在城市中,不同位置的交通流量有着不同的变化模式,忽视位置信息的交通流量预测方法准确性会较低。
技术实现思路
有鉴于此,本申请提供了一种交通流量分布预测方法、交通流量分布预测装置、终端设备及计算机可读存储介质,可以提高待预测区域的交通流量预测的准确性。第一方面,本申请提供了一种交通流量分布预测方法,包括:将待预测区域划分为至少一个局部区域;获取各个局部区域在待预测时间段之前预设的至少一个历史时间段内的交通流量;根据各个交通流量生成至少一个流量分布矩阵,其中,每个交通流量作为流量分布矩阵中的一个元素,在同一历史时间段内的各个局部区域的交通流量属于同一流量分布矩阵;将上述至少一个流量分布矩阵输入至训练后的预测模型,得到各个局部区域的预测交通流量,其中,上述预测模型基于上述至少一个流量分布矩阵和各个局部区域的位置特征向量预测出各个局部区域的预测交通流量,每个位置特征向量通过训练上述预测模型得到,用于表示对应的局部区域在上述待预测区 ...
【技术保护点】
1.一种交通流量分布预测方法,其特征在于,包括:/n将待预测区域划分为至少一个局部区域;/n获取各个局部区域在待预测时间段之前预设的至少一个历史时间段内的交通流量;/n根据各个交通流量生成至少一个流量分布矩阵,其中,每个交通流量作为流量分布矩阵中的一个元素,在同一历史时间段内的各个局部区域的交通流量属于同一流量分布矩阵;/n将所述至少一个流量分布矩阵输入至训练后的预测模型,得到各个局部区域的预测交通流量,其中,所述预测模型基于所述至少一个流量分布矩阵和各个局部区域的位置特征向量预测出各个局部区域的预测交通流量,每个位置特征向量通过训练所述预测模型得到,用于表示对应的局部区域在所述待预测区域中的位置。/n
【技术特征摘要】
1.一种交通流量分布预测方法,其特征在于,包括:
将待预测区域划分为至少一个局部区域;
获取各个局部区域在待预测时间段之前预设的至少一个历史时间段内的交通流量;
根据各个交通流量生成至少一个流量分布矩阵,其中,每个交通流量作为流量分布矩阵中的一个元素,在同一历史时间段内的各个局部区域的交通流量属于同一流量分布矩阵;
将所述至少一个流量分布矩阵输入至训练后的预测模型,得到各个局部区域的预测交通流量,其中,所述预测模型基于所述至少一个流量分布矩阵和各个局部区域的位置特征向量预测出各个局部区域的预测交通流量,每个位置特征向量通过训练所述预测模型得到,用于表示对应的局部区域在所述待预测区域中的位置。
2.根据权利要求1所述的交通流量分布预测方法,其特征在于,所述预测模型包括特征提取神经网络和记忆神经网络,所述将所述至少一个流量分布矩阵输入至训练后的预测模型,得到各个局部区域的预测交通流量,包括:
根据所述至少一个流量分布矩阵和各个局部区域的位置特征向量,利用所述特征提取神经网络提取各个局部区域的短期时空特征向量;
根据各个局部区域的短期时空特征向量,利用所述记忆神经网络得到各个局部区域的长期时空特征向量;
根据所述预测模型对得到的各个局部区域的长期时空特征向量进行1×1卷积,得到各个局部区域的预测交通流量。
3.根据权利要求2所述的交通流量分布预测方法,其特征在于,所述特征提取神经网络包括依次连接的至少一个子特征提取神经网络,所述根据所述至少一个流量分布矩阵和各个局部区域的位置特征向量,利用所述特征提取神经网络提取各个局部区域的短期时空特征向量,包括:
在当前子特征提取神经网络中,将各个位置特征向量与当前子特征提取神经网络的输入进行特征融合,得到融合特征,其中,第一个子特征提取神经网络的输入为所述至少一个流量分布矩阵;
根据所述当前子特征提取神经网络,从所述融合特征中提取各个局部区域的子短期时空特征向量;
利用残差连接,将所述当前子特征提取神经网络提取到的各个局部区域的子短期时空特征向量与所述当前子特征提取神经网络的输入求和,作为下一子特征提取神经网络的输入;
将最后一个子特征提取神经网络提取到的各个局部区域的子短期时空特征向量作为所述特征提取神经网络所提取到的各个局部区域的短期时空特征向量。
4.根据权利要求3所述的交通流量分布预测方法,其特征在于,每个子特征提取神经网络中包括至少一个卷积神经网络,所述根据所述当前子特征提取神经网络,从所述融合特征中提取各个局部区域的子短期时空特征向量,包括:
将所述融合特征分别输入到所述当前子特征提取神经网络的各个卷积神经网络中;
根据所述各个卷积神经网络的输出,通过1×1卷积得到各...
【专利技术属性】
技术研发人员:郭嵩,马世珩,詹玉峰,
申请(专利权)人:香港理工大学深圳研究院,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。