一种基于混合卷积LSTM的城市短时交通流预测方法及系统技术方案

本发明专利技术属于智慧城市交通预测技术领域，涉及一种基于混合卷积LSTM的城市短时交通流预测方法及系统，包括构建短时交通流预测模型，其包括特征融合模块、混合卷积模块和空间感知多注意力模块；引入外部因素，采用特征融合模块融合交通流图和外部因素生成特征融合图，并利用混合卷积模块进行处理生成多个隐藏图，将所有隐藏图融合得到完整隐藏图；对其上采样后送入空间感知多注意力模块，得到模块输出图；将模块输出图与交通流图卷积生成预测交通流图，将其反归一化产生真实交通流量值；本发明专利技术将混合卷积模块嵌入LSTM，提取时间和空间特征，捕获两者的相互关系，多注意力空间感知模块采用全局感知和局部感知提升重要时空信息的权重占比，提高了预测性能。提高了预测性能。提高了预测性能。

【技术实现步骤摘要】
一种基于混合卷积LSTM的城市短时交通流预测方法及系统


[0001]本专利技术属于智慧城市交通预测
，具体涉及一种基于混合卷积LSTM的城市短时交通流预测方法及系统。

技术介绍

[0002]城市地域面积的不断扩张和城市人口数量的迅猛增长带来了一系列城市病，其中较为显著的是交通拥堵。而随着传感器、无线传感网络、移动设备的普及，越来越多的时空数据为智能交通系统的实现提供了便利，例如车载GPS数据、移动手机信令数据、可穿戴设备定位数据等；这些时空数据一般为一系列时间和经纬度坐标的序列，可以反映人、车辆的迁移和活动。其中，将城市根据经纬度划分为多个大小相等的网格，每个网格称为一个区域；一段时间内，从一个区域到另一个区域称为流动，简称为流(包含交通流和人流)。但是交通流动具有非线性时空依赖的特性，在预测方面存在一定困难。
[0003]近年来，传统时序预测和机器学习方法在智能交通系统的时间序列预测任务中取得非凡成果，但是传统的时序预测和机器学习方法虽然充分挖掘了时间关联性，但是忽略了或者只考虑了非常有限的区域之间的空间依赖性；相邻区域和远距离地区的空间依赖挖掘不充分，预测性能受限。此外，深度学习也在交通预测领域得到广泛应用。一种典型的深度学习网络DeepST使用卷积神经网络建模空间相关性，并由三个时间分支(临近时间、日周期、周周期)捕获时间依赖；在此基础上，ST
‑
ResNet引入残差结构以此代替简单的卷积操作，避免随着网络深度加深导致特征弥散。DeepSTN+设计了一种ConvPlus结构，长距离的空间依赖得意更好捕获。ST
‑
3DNet引入3D卷积来同时提取空间和时间特征。但上述方法对时间维度的建模都是基于严格的时间周期，但是实际生活中时间依赖是动态变化的。
[0004]为了建模时间依赖，一些用于序列建模的方法被广泛用于交通预测任务，例如递归神经网络及其变体LSTM等。他们使用一系列记忆单元来选择保留或者遗忘关键信息，达到长时间记忆。ConvLSTM在LSTM内部设计了一个卷积操作，结合卷积神经网络擅于捕获空间特征和递归神经网络捕获时间特征的特点，以捕获时间和空间的相关性。E3D
‑
LSTM将自注意力机制和3D卷积嵌入LSTM，来建模长期和短期的时空依赖。虽然这些方法已经取得了显著的进展，但应用在复杂的城市空间中，效果仍有提升空间，他们存在以下几点局限性：
[0005]1、简单的应用2D卷积提取空间特征会忽略时间和空间特征之间的相互关系并且相邻时间间隔的特征的动态变化无法捕获；
[0006]2、直接运用3D卷积提取时空特征会使得局部空间特征细节挖掘不充分并且会引入较多冗余空间特征信息；
[0007]3、局部卷积操作对远距离空间依赖挖掘不充分。

技术实现思路

[0008]为解决上述问题，本专利技术提出一种基于混合卷积LSTM的城市短时交通流预测方法，构建基于混合卷积LSTM的短时交通流预测模型，该模型包括特征融合模块、混合卷积模
块和空间感知多注意力模块，基于混合卷积LSTM的城市短时交通流预测方法包括以下步骤：
[0009]S1.根据经纬度将城市划分为多个(I
×
J)网格，每个网格表示城市的一个区域，获取多个(I
×
J)网格的原始轨迹数据；
[0010]S2.对获取的原始轨迹数据进行处理后分为N个时间步，每个时间步包含m个时刻的交通流图；
[0011]S3.将交通流图按时间信息划分为节假日的交通流图和星期一到星期天的交通流图，将划分的交通流图作为外部因素；
[0012]S4.将每个时间步的交通流图和其该时间步对应时间的外部因素输入特征融合模块进行特征融合，每个时间步有m帧特征融合图；
[0013]S5.将每个时间步的特征融合图分别输入混合卷积模块获得对应的隐藏图，将得到的所有隐藏图进行拼接，得到一个完整隐藏图；
[0014]S6.对完整隐藏图进行上采样后送入空间感知多注意力模块，得到模块输出图；
[0015]S7.将模块输出图与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。
[0016]进一步的，将一个时间步的交通流图与其对应的外部因素输入特征融合模块，得到特征融合图的过程为：
[0017]S11.采用3D跨步卷积对原交通流图进行降采样，得到新的交通流图，其长和宽的尺寸为原交通流图的一半；
[0018]S12.对外部因素进行卷积，并对卷积后的外部因素复制整形使其尺寸与新的交通流图一致；
[0019]S13.将新的交通流图和复制整形后的外部因素进行拼接，得到特征融合图。
[0020]进一步的，混合卷积模块包括混合卷积单元和LSTM网络，将一个时间步的特征融合图输入混合卷积模块得到隐藏图的过程包括：
[0021]S21.采用3D卷积对时间步内的m帧特征融合图进行卷积，得到3D特征图；
[0022]S22.采用2D卷积对时间步内的最后一帧特征融合图进行空间特征提取，得到2D特征图；
[0023]S23.对2D特征图进行UNsqueeze，并与3D特征图进行融合，得到特征结合图；
[0024]S24.将特征结合图输入LSTM网络获取隐藏图。
[0025]进一步的，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：
[0026]第一种融合策略：
[0027]第二种融合策略：
[0028]其中，表示3D卷积，表示为2D卷积操作，表示一个时间步内的m帧特征融合图，F
t
表示一个时间步内的最后一帧特征融合图。
[0029]进一步的，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：
[0030][0031]其中，表示3D卷积，表示为2D卷积操作，Concat(
·
)表示沿轴拼接操作，表示一个时间步内的m帧特征融合图，F
t
表示一个时间步内的最后一帧特征融合图。
[0032]进一步的，步骤S6包括：
[0033]对完整隐藏图进行上采样得到新完整隐藏图，新完整隐藏图的长和宽尺寸变为完整隐藏图的2倍；
[0034]将新完整隐藏图输入通道注意力模块进行全局感知，获取最有意义的通道特征；
[0035]将最有意义的通道特征送入空间注意力模块进行局部感知，获取具体的空间位置；
[0036]将新完整隐藏图与具体的空间位置进行融合，得到模块输出图。
[0037]进一步的，通道注意力模块和空间注意力模块对新完整隐藏图进行处理的过程表示为：
[0038][0039][0040][0041]M
G
(
·
)＝σ(FC(AvgPool(
·
))+FC(MaxPool(
·
)))；
[0042]M本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，构建基于混合卷积LSTM的短时交通流预测模型，该模型包括特征融合模块、混合卷积模块和空间感知多注意力模块，基于混合卷积LSTM的城市短时交通流预测方法包括以下步骤：S1.根据经纬度将城市划分为多个(I
×
J)网格，每个网格表示城市的一个区域，获取多个(I
×
J)网格的原始轨迹数据；S2.对获取的原始轨迹数据进行处理后分为N个时间步，每个时间步包含m个时刻的交通流图；S3.将交通流图按时间信息划分为节假日交通流图和星期一到星期天的交通流图，将划分好的交通流图作为外部因素；S4.将每个时间步的交通流图和该时间步对应时间的外部因素输入特征融合模块进行特征融合，每个时间步融合得到m帧特征融合图；S5.将每个时间步的特征融合图分别输入混合卷积模块获得对应的隐藏图，将得到的所有隐藏图进行拼接，得到一个完整隐藏图；S6.对完整隐藏图进行上采样后送入空间感知多注意力模块，得到模块输出图；S7.将模块输出图与最后一个时间步的最后一帧交通流图进行卷积，生成预测的交通流图，并对其进行反归一化产生真实交通流量值。2.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，将一个时间步的交通流图与其对应的外部因素输入特征融合模块，得到特征融合图的过程为：S11.采用3D跨步卷积对原交通流图进行降采样，得到新的交通流图，其长和宽的尺寸为原交通流图的一半；S12.对外部因素进行卷积，并对卷积后的外部因素复制整形使其尺寸与新的交通流图一致；S13.将新的交通流图和复制整形后的外部因素进行拼接，得到特征融合图。3.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，混合卷积模块包括混合卷积单元和LSTM网络，将一个时间步的特征融合图输入混合卷积模块得到隐藏图的过程包括：S21.采用3D卷积对时间步内的m帧特征融合图进行卷积，得到3D特征图；S22.采用2D卷积对时间步内的最后一帧特征融合图进行空间特征提取，得到2D特征图；S23.对2D特征图进行UNsqueeze，并与3D特征图进行融合，得到特征结合图；S24.将特征结合图输入LSTM网络获取隐藏图。4.根据权利要求3所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：其中，表示3D卷积，表示为2D卷积操作，表示一个时间步内的m帧特征融合图，F
t
表示一个时间步内的最后一帧特征融合图。5.根据权利要求3所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征
在于，步骤S23中，将2D特征图与3D特征图结合在一起所采用的融合策略表示为：其中，表示3D卷积，表示为2D卷积操作，Concat(
·
)表示沿轴拼接操作，表示一个时间步内的m帧特征融合图，F
t
表示一个时间步内的最后一帧特征融合图。6.根据权利要求1所述的一种基于混合卷积LSTM的城市短时交通流预测方法，其特征在于，步骤S6包括：对完整隐...

【专利技术属性】
技术研发人员：张旭，温顺杰，夏英，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：