一种考虑动态空间关系的交通流预测方法技术

本发明专利技术公开了一种考虑动态空间关系的交通流预测模型，属于智能交通领域。本发明专利技术并没有直接计算交通网络的动态空间关系，而是设计了一种高效、简便地计算交通网络动态空间关系的方法，该方法通过时空转换模块、自编码器、图归一化模块，将实时的交通流信息转化为交通网络的动态空间关系，记为时变空间图，其真正意义上反映了交通网络动态空间关系的时变特性，然后分别根据时变空间图和基于交通网络节点位置的稳定的空间图对交通流数据进行时空特征提取并进行融合得到交通流的时空融合特征，该特征既反映了交通流的稳定时空特征也反映了交通流的动态时空特征，因而能够更加精准地实现交通流预测。实现交通流预测。实现交通流预测。

【技术实现步骤摘要】
一种考虑动态空间关系的交通流预测方法


[0001]本专利技术属于智能交通领域，更具体地，涉及一种考虑动态空间关系的交通流预测方法。

技术介绍

[0002]随着计算机与信息技术的更新，智能交通系统(Intelligent Transport System，ITS)逐渐发展起来。而交通流量预测作为智能交通系统实现的关键受到较高重视，精确的交通流量预测是智能交通系统的基础前提，对于解决城市交通拥堵问题具有显著作用。
[0003]交通流量的主要特点之一在于不断变化的时间与空间特征：在时间上，交通流量数据表现为较强的周期性特征，受到通勤交通影响，交通流量在工作日一般均会出现早晚高峰现象，而在非工作日，这种现象则不太显著；在空间上，交通网络中的节点之间存在着直接影响与间接影响，直接影响主要受到节点间距离的影响，一般来说，节点间距离越小，节点之间的关联越大，且直接影响是一种相对长期的、稳定的关联。间接影响则主要考虑距离较远节点之间存在的隐藏关联，例如办公区节点与居住区节点可能相距较远，但这两个节点之间交通流量变化可能存在较大关联，而且这种关联也随着时间的改变而不断变化，例如在上下班期间，办公区节点与居住区节点关联性较强，而在其他时段，两节点之间的关联性较弱。因此，如何刻画上述动态变化的时空特征，特别是动态的空间关系，对交通流量预测有重要意义。
[0004]现有的对交通流动态空间关系的研究，主要体现在对动态空间关系本身的准确描述与计算。如使用动态时间规整算法(Dynamic Time Warping，DTW)算法，计算不同节点采集到的完整的时间序列之间的相关性，将得到的相关性矩阵作为交通网络的动态空间关系，还有学者使用更加复杂的深度学习模型如Transformer，通过节点的嵌入特征，计算节点之间的相关性，得到交通网络的动态空间关系。
[0005]但是，无论使用哪种方式都没有实现真正意义上的动态空间关系，因为上述方法中，以节点上采集到的完整的交通流数据为依据进行相关性计算，并将计算得到的动态空间相关性用于所有时刻的交通流预测，在本质上还是一种静态的空间关系，反映了节点之间的稳定的、长期的相关性，并不能真正体现节点对之间突发的、短暂的相关性，如发生交通事故导致的节点对之间的短暂相关性。

技术实现思路

[0006]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种考虑动态空间关系的交通流预测方法，其目的在于实现对交通流复杂时空特征的准确提取，提升交通流的预测精度。
[0007]为实现上述目的，本专利技术提供了一种考虑动态空间关系的交通流预测方法，包括：
[0008]S1.对交通网络中采集到的数据进行预处理后，划分为训练集、测试集合验证集；
[0009]S2.构建交通流预测模型；包括时变空间图估计器、动态时空卷积模块；
[0010]时变空间图估计器，包括时空转换模块、自编码器和输出层；时空转换模块，用于计算当前时间框交通流数据X(t)两两节点之间时序数据的相关性，得到节点之间在当前时段下的时变空间图的初始拓扑结构；自编码器，对初始拓扑结构进行数据降噪与特征学习；输出层，对自编码器学习到的特征进行激活和图归一化，得到时变空间图G
t
；
[0011]动态时空卷积模块，用于提取空间图G、时变空间图G
t
、以及由当前时间框交通流数据X(t)、一天前待预测时段交通流数据X
D
(t)和一周前待预测时段交通流数据X
W
(t)拼接成的三通道数据X
S
(t)中的动态时空融合特征；
[0012]S3.采用训练集对交通流预测模型进行迭代训练；
[0013]S4.将交通网络空间图、待预测时段一小时前交通流数据、一天前交通流数据和一周前交通流数据输入训练好的交通流预测模型，得到交通流预测结果。
[0014]进一步地，动态时空卷积模块，包括第一时间卷积单元、时变空间图卷积单元、空间图卷积单元、第二时间卷积单元；
[0015]第一时间卷积单元，提取三通道数据X
S
(t)的时间特征M；
[0016]时变空间图卷积单元，根据时变空间图G
t
提取时间特征M中表征时间序列相关性的空间特征，得到动态时空特征；
[0017]空间图卷积单元，根据空间图G提取时间特征M中表征时间序列相关性的空间特征，得到静态时空特征；
[0018]第二时间卷积单元，对融合后的动态时空特征与静态时空特征进一步在时间维度上提取特征。
[0019]进一步地，时变空间图卷积单元中的卷积公式如下：
[0020][0021]代表图卷积操作，Θ表示图卷积的卷积核，为交通网络中所有节点，W
t
为时变空间图G
t
的拓扑结构，θ表示图卷积权重参数。
[0022]进一步地，空间图卷积单元中的卷积计算公式为：
[0023][0024]为中间变量。
[0025]进一步地，第一时间卷积单元学习到的时间特征M为，
[0026]M＝ReLU(Q
⊙
H+P)
[0027]Q为X
S
(t)
′
的时间维度特征，H为可学习权重参数，P为残差特征。
[0028]进一步地，采用Pearson相关系数计算当前时间框交通流数据X(t)两两节点之间时序数据的相关性。
[0029]进一步地，所述交通流预测模型还包括残差单元。
[0030]进一步地，两层动态时空卷积模块级联连接。
[0031]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果。
[0032](1)本专利技术研究重点不在于计算动态空间关系，而在于设计一种高效、简便的计算交通网络动态空间关系的方法。该方法能够将当前时刻的交通流数据转化为当前时刻的动态空间关系，使得动态空间关系实现了真正意义上的随时间变化，因而能够对于交通网络
中的突发事件或短暂性事件作出灵敏反应，更加精准对交通流进行预测。
[0033](2)本专利技术设计的计算交通网络动态空间关系的方法，并没有使用如DTW或Transformer等的复杂算法和模型，而是选择了计算复杂度较低的Pearson系数算法和简单的全连接网络模型，该方法不仅能够有效计算交通网络的动态空间关系，而且结构简单，参数量少，因而计算速度较快，模型体积小，也更易于部署。
[0034](3)分别根据动态空间关系和静态空间关系对交通流数据进行时空特征提取并将两者进行融合得到时空融合特征，该特征既包含了交通流的长期时空特征，也包含了交通流的短期时空特征，因而更加准确地反映了交通流的真实时空特征，然后使用时间卷积模块进一步对时空融合特征进行特征提取，得到精度更高的交通流预测值。
附图说明
[0035]图1为交通流预测模型框架；
[0036]图2为时变空间图估计器框架；
[0037]图3为不同模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑动态空间关系的交通流预测方法，其特征在于，包括：S1.对交通网络中采集到的数据进行预处理后，划分为训练集、测试集合验证集；S2.构建交通流预测模型；包括时变空间图估计器、动态时空卷积模块；时变空间图估计器，包括时空转换模块、自编码器和输出层；时空转换模块，用于计算当前时间框交通流数据X(t)两两节点之间时序数据的相关性，得到节点之间在当前时段下的时变空间图的初始拓扑结构；自编码器，对初始拓扑结构进行数据降噪与特征学习；输出层，对自编码器学习到的特征进行激活和图归一化，得到时变空间图G
t
；动态时空卷积模块，用于提取空间图G、时变空间图G
t
、以及由当前时间框交通流数据X(t)、一天前待预测时段交通流数据X
D
(t)和一周前待预测时段交通流数据X
W
(t)拼接成的三通道数据X
S
(t)中的动态时空融合特征；S3.采用训练集对交通流预测模型进行迭代训练；S4.将交通网络空间图、待预测时段一小时前交通流数据、一天前交通流数据和一周前交通流数据输入训练好的交通流预测模型，得到交通流预测结果。2.根据权利要求1所述的一种考虑动态空间关系的交通流预测方法，其特征在于，动态时空卷积模块，包括第一时间卷积单元、时变空间图卷积单元、空间图卷积单元、第二时间卷积单元；第一时间卷积单元，提取三通道数据X
S
(t)的时间特征M；时变空间图卷积单元，根据时变空间图G
t
提取时间特征M中表征时间序列相关性的空间特征，得到动态时空特征；空间图卷积单元，根据空间图G提取时间特征M中表征时间序列相关性的空间特征，得...

【专利技术属性】
技术研发人员：曾伟，赵振兴，唐晨嘉，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：