一种交通流量分布预测方法、预测装置及终端设备制造方法及图纸

本申请适用于人工智能技术领域，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及终端设备，所述方法包括：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；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。通过上述方法，可以提高待预测区域的交通流量预测的准确性。

【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域中的位置。第二方面，本申请提供了一种交通流量分布预测装置，包括：局部区域确定单元，用于将待预测区域划分为至少一个局部区域；历史交通流量获取单元，用于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；流量分布矩阵生成单元，用于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；预测单元，用于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域中的位置。第三方面，本申请提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面所提供的方法。第四方面，本申请提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如第一方面所提供的方法。第五方面，本申请提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所提供的方法。由上可见，本申请方案中，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域中的位置。通过本申请方案，可以利用待预测区域中各个局部区域的位置信息，提高待预测区域的交通流量预测的准确性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的交通流量分布预测方法的流程示意图；图2是本申请实施例提供的预测模型的结构图；图3是本申请实施例提供的交通流量分布预测装置的结构示意图；图4是本申请实施例提供的终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。图1示出了本申请实施例提供的一种交通流量分布预测方法的流程图，详述如下：步骤101，将待预测区域划分为至少一个局部区域；在本申请实施例中，上述待预测区域为需要预测交通流量分布的区域，将上述待预测区域划分为至少一个局部区域，每个局部区域是上述待预测区域的一部分。例如，需要预测某个城市的交通流量分布，则将该城市划分为至少一个交通小区或格网。步骤102，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；在本申请实施例中，在上述待预测时间段之前预设有至少一个历史时间段，每个历史时间段的时间长度均与上述待预测时间段的时间长度相等。各个历史时间段不本文档来自技高网...

【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