一种交通流量预测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种交通流量预测方法、装置、电子设备和存储介质；可以根据待预测区域和待预测时刻，获取历史交通流量矩阵，历史交通流量矩阵中包括多个交通区域中每一交通区域与其他交通区域之间的交通流量流转信息，通过邻接矩阵基于历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对流量流转特征向量进行特征提取，得到交通流量特征，基于交通流量特征进行交通流量预测，得到预测结果，基于预测结果中目标交通区域在待预测时刻下的交通流量，确定待预测时刻下待预测区域对应的交通流量；由于本发明专利技术实施例根据交通流量流转信息进行交通流量预测，提高了交通流量预测结果的准确性。测结果的准确性。测结果的准确性。

【技术实现步骤摘要】
一种交通流量预测方法、装置、电子设备和存储介质


[0001]本专利技术涉及交通信息处理
，具体涉及一种交通流量预测方法、装置、电子设备和存储介质。

技术介绍

[0002]随着当前经济和科技的快速发展，人们越来越关注智慧城市、智慧交通等领域的发展，其中，交通流量是一项不可忽视的信息，在交通管理、城市发展规划、城市治理等多个领域中都有非常重要的作用。
[0003]目前，在预测交通流量时采取的主要方法是，通过图卷积神经网络模型，根据历史的交通流量信息进行交通流量预测。但是采用这种方案，需要技术人员根据先验知识来预定义图结构进行图卷积操作，而预定义的图不能包含交通流量信息中有关于空间相关性的信息，并且不能与当前的交通流量预测任务直接相关，会导致预测结果存在偏差。

技术实现思路

[0004]本专利技术实施例提供一种交通流量预测方法、装置、电子设备和存储介质，可以通过图卷积计算过程准确提取历史交通流量矩阵中包含的各交通区域之间的交通流量流转信息，提高了交通流量预测结果的准确性。
[0005]本专利技术实施例提供一种交通流量预测方法，包括：
[0006]根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与所述多个交通区域中其他交通区域之间的交通流量流转信息，所述多个交通区域包括所述待预测区域所在的目标交通区域；
[0007]通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征；
[0008]基于所述交通流量特征进行交通流量预测，得到预测结果；
[0009]基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
[0010]相应的，本专利技术实施例还提供一种交通流量预测装置，包括：
[0011]矩阵获取模块，用于根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与所述多个交通区域中其他交通区域之间的交通流量流转信息，所述多个交通区域包括所述待预测区域所在的目标交通区域；
[0012]特征提取模块，用于通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征；
[0013]流量预测模块，用于基于所述交通流量特征进行交通流量预测，得到预测结果；
[0014]流量确定模块，用于基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
[0015]可选的，所述特征提取模块，用于通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，其中，若当前图卷积单元为第一个图卷积单元，所述前一图卷积单元输出的交通流量特征为空；
[0016]将所述当前图卷积单元的后一图卷积单元作为新的当前图卷积单元，返回执行所述通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征的步骤，直到最后一个图卷积单元输出交通流量特征为止。
[0017]可选的，在本专利技术实施例提供的交通流量预测装置中，图卷积单元包括第一特征提取单元、第二特征提取单元、第三特征提取单元和特征融合单元；
[0018]对应的，所述特征提取模块，用于通过当前图卷积单元中第一特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第一流量流转特征向量，对所述第一流量流转特征向量进行第一特征提取处理，得到第一交通流量特征；
[0019]通过当前图卷积单元中第二特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第二流量流转特征向量，对所述第二流量流转特征向量进行第二特征提取处理，得到第二交通流量特征；
[0020]通过当前图卷积单元中的第三特征提取单元，对所述第二交通流量特征与所述前一图卷积单元输出的交通流量特征进行点乘得到第一乘积向量；
[0021]通过所述第三特征提取单元的邻接矩阵，基于所述最初的历史交通流量矩阵和所述第一乘积向量提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第三流量流转特征向量，对所述第三流量流转特征向量进行第三特征提取处理，得到第三交通流量特征；
[0022]通过所述特征融合单元，计算所述第一交通流量特征与所述前一图卷积单元输出的交通流量特征的第二乘积向量，以及所述第一交通流量特征对应的目标矩阵与所述第三交通流量特征的第三乘积向量，计算所述第二乘积向量和所述第三乘积向量之和，得到所述当前图卷积单元输出的交通流量特征，其中，所述目标矩阵通过单位矩阵与所述第一交通流量特征做减法运算得到。
[0023]可选的，所述历史交通流量矩阵的数量为至少两个，每个历史交通流量矩阵对应的交通区域相同，且流量监测时间区域不同；
[0024]所述特征提取模块，用于通过邻接矩阵基于各所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到各所述历史交通流量矩阵对应的流量流转特征向量，对各所述流量流转特征向量进行特征提取，得到各所述历史交通流量
矩阵对应的交通流量特征。
[0025]可选的，所述流量预测模块，用于对各所述历史交通流量矩阵对应的交通流量特征进行特征融合，得到融合后交通流量特征；
[0026]基于所述融合后交通流量特征进行交通流量预测，得到预测结果。
[0027]可选的，所述流量预测模块，用于基于所述交通流量特征进行交通流量预测，得到所述多个交通区域中每个交通区域的预测结果；
[0028]对应的，所述流量确定模块，用于基于所述多个交通区域中每个交通区域的预测结果，得到所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。
[0029]可选的，所述矩阵获取模块，用于根据需要预测交通流量的待预测时刻，确定所述待预测时刻之前的至少两个流量监测时间区域；
[0030]对各流量监测时间区域基于预设的时间间隔划分为多个时间片；
[0031]根据需要预测交通流量的待预测区域，确定所述待预测区域所在的目标交通区域以及所述目标交通区域对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通流量预测方法，其特征在于，包括：根据待预测区域和待预测时刻，获取历史交通流量矩阵，所述历史交通流量矩阵中包括多个交通区域的子向量，每一子向量包括对应的交通区域与所述多个交通区域中其他交通区域之间的交通流量流转信息，所述多个交通区域包括所述待预测区域所在的目标交通区域；通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征；基于所述交通流量特征进行交通流量预测，得到预测结果；基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量。2.根据权利要求1所述的交通流量预测方法，其特征在于，所述通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，包括：通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，其中，若当前图卷积单元为第一个图卷积单元，所述前一图卷积单元输出的交通流量特征为空；将所述当前图卷积单元的后一图卷积单元作为新的当前图卷积单元，返回执行所述通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征的步骤，直到最后一个图卷积单元输出交通流量特征为止。3.根据权利要求1所述的交通流量预测方法，其特征在于，图卷积单元包括第一特征提取单元、第二特征提取单元、第三特征提取单元和特征融合单元；所述通过当前图卷积单元的邻接矩阵，基于最初的历史交通流量矩阵，和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，包括：通过当前图卷积单元中第一特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第一流量流转特征向量，对所述第一流量流转特征向量进行第一特征提取处理，得到第一交通流量特征；通过当前图卷积单元中第二特征提取单元的邻接矩阵，基于最初的历史交通流量矩阵和前一图卷积单元输出的交通流量特征，提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第二流量流转特征向量，对所述第二流量流转特征向量进行第二特征提取处理，得到第二交通流量特征；通过当前图卷积单元中的第三特征提取单元，对所述第二交通流量特征与所述前一图卷积单元输出的交通流量特征进行点乘得到第一乘积向量；
通过所述第三特征提取单元的邻接矩阵，基于所述最初的历史交通流量矩阵和所述第一乘积向量提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到第三流量流转特征向量，对所述第三流量流转特征向量进行第三特征提取处理，得到第三交通流量特征；通过所述特征融合单元，计算所述第一交通流量特征与所述前一图卷积单元输出的交通流量特征的第二乘积向量，以及所述第一交通流量特征对应的目标矩阵与所述第三交通流量特征的第三乘积向量，计算所述第二乘积向量和所述第三乘积向量之和，得到所述当前图卷积单元输出的交通流量特征，其中，所述目标矩阵通过单位矩阵与所述第一交通流量特征做减法运算得到。4.根据权利要求1所述的交通流量预测方法，其特征在于，所述历史交通流量矩阵的数量为至少两个，每个历史交通流量矩阵对应的交通区域相同，且流量监测时间区域不同；所述通过邻接矩阵基于所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到流量流转特征向量，对所述流量流转特征向量进行特征提取，得到交通流量特征，包括：通过邻接矩阵基于各所述历史交通流量矩阵提取每一交通区域和其他交通区域的交通流量之间的流转特征，得到各所述历史交通流量矩阵对应的流量流转特征向量，对各所述流量流转特征向量进行特征提取，得到各所述历史交通流量矩阵对应的交通流量特征。5.根据权利要求4所述的交通流量预测方法，其特征在于，所述基于所述交通流量特征进行交通流量预测，得到预测结果，包括：对各所述历史交通流量矩阵对应的交通流量特征进行特征融合，得到融合后交通流量特征；基于所述融合后交通流量特征进行交通流量预测，得到预测结果。6.根据权利要求1所述的交通流量预测方法，其特征在于，所述基于所述交通流量特征进行交通流量预测，得到预测结果，包括：基于所述交通流量特征进行交通流量预测，得到所述多个交通区域中每个交通区域的预测结果；所述基于所述预测结果中所述目标交通区域在所述待预测时刻下的交通流量，确定所述待预测时刻下所述待预测区域对应的交通流量，包括...

【专利技术属性】
技术研发人员：杨润，杨思骞，蒋正锴，王亚彪，汪铖杰，黄飞跃，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：