一种交通流量预测装置、预测方法及预测模型构建方法制造方法及图纸

本发明专利技术公开了一种交通流量预测装置、预测方法及预测模型构建方法，属于交通流量预测技术领域。本发明专利技术在传统时序预测模型的基础上，基于交通传感器的时序数据，构建交通流量时空图，并采用weighted

【技术实现步骤摘要】
一种交通流量预测装置、预测方法及预测模型构建方法


[0001]本专利技术属于交通流量预测
，更具体地说，涉及一种基于MCB和Attention双通道多模态融合的交通流量预测装置、预测方法及预测模型构建方法。

技术介绍

[0002]交通是现代都市中最为重要的基础设施，它为数百万人提供了日常出行和出行服务。随着城市化进程的加快，人口的不断增加，道路交通的日趋完善，交通体系也日趋复杂，其中包括了公路交通、轨道交通、行人以及网约车、共享单车等多种共享交通工具。但是，随着城市化进程的加快，城市的发展也出现了许多与之相对应的问题，如空气污染、交通拥堵等。基于交通预测的早期干预被认为是改善交通系统效率、缓解交通拥堵问题的重要方法。随着智能化都市与智能化运输体系的发展，在公路上设置了诸如环形检测器之类的传感器可以感知交通状态，车载GPS系统可以不断的读取车辆位置信息以反馈交通状态，地铁、公交车等的交易记录，以及路况监测录像，甚至可以利用装有GPS的智能手机实现对行人的出行进行数据采集，实现对路况信息的间接反映。交通预测的主要过程是基于上述各类历史交通相关数据，结合环境因素(天气、节假日、POI等)来预测未来交通状态。
[0003]交通预测由于数据量大、高维、动态性强，以及交通事故等各种突发情况，因此具有非常大的挑战性。交通状况预测，既存在空间依赖，也存在时间依赖，会受到附近区域的影响，也会受到季节性的时间影响。传统的交通预测模型主要采用线性时间序列模型，如自回归综合移动平均模型(ARIMA)，无法处理这样的时空依赖问题。为解决线性时间序列模型存在的缺点，有相关研究引入了基于数据驱动的机器学习和深度学习技术。然而，现有方法虽然可以捕捉交通预测问题的时空依赖问题，但是交通预测仍不可避免地会受到各种因素的影响。

技术实现思路

[0004]1.要解决的问题
[0005]本专利技术的目的之一在于提供一种基于MCB和Attention双通道多模态融合的交通流量预测装置及预测方法，从而可以解决现有预测方法易受到各种因素影响的问题，提高了交通流量的预测精度。
[0006]本专利技术的目的之二在于提供一种交通流量预测模型的构建方法，从而可以对影响交通流量预测的各项因素进行多模态融合，以获得更高预测精度的交通流量预测模型。
[0007]2.技术方案
[0008]为了解决上述问题，本专利技术所采用的技术方案如下：
[0009]本专利技术的一种交通流量预测模型构建方法，包括以下步骤：
[0010]步骤一、构建交通流量的时空图，提取交通流量的时空图特征，并生成时空图表示向量；
[0011]步骤二、以路网、车辆轨迹以及传感器位置数据构建图片序列，对图片序列进行特
征提取，获取图片序列的视觉表示向量；
[0012]步骤三、对天气因素特征进行提取，形成天气因素的向量化表示；
[0013]步骤四、采用MCB和Attention双通道多模态融合模型对时空图表示向量与图片序列的视觉表示向量进行融合，得到图结构与视觉特征对齐的融合向量，最终拼接天气因素向量，从而得到交通流量的预测模型。
[0014]针对现有交通流量预测方法存在的易受到各种因素的影响，从而导致预测精度较低的不足，本专利技术对影响交通流量预测的各项因素进行多模态融合，即将交通流量的时空图表示向量、图片序列的视觉表示向量以及天气因素向量进行融合、拼接，从而可以有效提高交通流量预测模型的预测精度。
[0015]更进一步的，步骤一中构建交通流量的时空图时，根据交通流量传感器的相关数据，分别构建n个不同时刻的空间图；对于n个时刻的空间图，在相邻的时间步上将所有节点与其自身连接起来作为传感器节点之间的时间边，从而得到传感器对于n个时刻的全局时空图；传感器节点的空间边权值计算方法如公式(1)、(2)所示：
[0016][0017][0018]上式中，d
i,j
是传感器i和传感器j之间的空间距离，为传感器i和传感器j之间空间得分；
[0019]传感器节点的时间边权值计算方法如公式(3)、(4)所示：
[0020][0021][0022]上式中，N是传感器个数，是区域内车辆的平均速度，
△
t是两个时刻之间的时间间隔，是传感器节点的时间边得分。
[0023]更进一步的，步骤一中采用改进的STSGCN对空间图结构进行特征提取，具体包括基于滑动窗口的时空图序列化和基于权值融合的STSGCM局部特征提取，其中：
[0024](1)基于滑动窗口的时空图序列化
[0025]采用滑动窗口结合序列填补的方式对全局时空图进行序列化分割，得到一系列局部时空图；
[0026](2)基于权值融合的STSGCM局部特征提取
[0027]基于STSGCM对分割的时空图序列分别进行特征提取，得到对应的时空图特征序列；然后基于权值对各时空图序列的特征分别进行融合，最终得到输出向量序列，即时空图表示向量。
[0028]更进一步的，对全局时空图进行序列化分割时，采用窗口大小为3，步长为1的滑动窗口对时间方向进行序列化分割，同时对构建的全局时空图添加t0和t
n+1
时刻随机初始化的空间图，以减少特征提取的特征丢失；序列化分割之后，即得到n个时间步为3的局部时空图。
[0029]更进一步的，基于STSGCM对分割的时空图序列进行特征提取时，STSGCM运算的具体公式如公式(6)、公式(7)所示:
[0030]H
(l)
＝σ(A
′
H
(l
‑
1)
W+b)
ꢀꢀꢀꢀ
(6)
[0031]H
i(out)
＝λ1max(H
i(1)
,H
i(2)
,...,H
i(L)
)+λ2H
i(L)
ꢀꢀꢀꢀ
(7)
[0032]其中，A
′
表示时间步为3的局部时空图的邻接矩阵，H
(l
‑
1)
是第l个图卷积层的输入，W和b为可学习参数，σ是激活函数，H
i(j)
表示第i个局部空图序列的第j层图卷积输出向量，λ1+λ2＝1，L为图卷积层数，H
i(out)
为第i个局部空图序列的图卷积融合输出结果。
[0033]更进一步的，基于权值对时空图序列的特征进行融合的具体操作如下公式所示：
[0034][0035]其中，分别表示第i个局部时空图序列的三个时刻的第j层图卷积输出向量，ω
i
‑1+ω
i
+ω
i+1
＝1，代入公式(7)中得到：
[0036][0037]对所有的局部时空图序列进行特征提取后，最终得到输出向量序列
[0038]更进一步的，步骤三中采用基于时间衰减的天气因素提取算法来提取天气相关因素，具体过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通流量预测模型构建方法，其特征在于，包括以下步骤：步骤一、构建交通流量的时空图，提取交通流量的时空图特征，并生成时空图表示向量；步骤二、以路网、车辆轨迹以及传感器位置数据构建图片序列，对图片序列进行特征提取，获取图片序列的视觉表示向量；步骤三、对天气因素特征进行提取，形成天气因素的向量化表示；步骤四、采用MCB和Attention双通道多模态融合模型对时空图表示向量与图片序列的视觉表示向量进行融合，得到图结构与视觉特征对齐的融合向量，最终拼接天气因素向量，从而得到交通流量的预测模型。2.根据权利要求1所述的一种交通流量预测模型构建方法，其特征在于，步骤一中构建交通流量的时空图时，根据交通流量传感器的相关数据，分别构建n个不同时刻的空间图；对于n个时刻的空间图，在相邻的时间步上将所有节点与其自身连接起来作为传感器节点之间的时间边，从而得到传感器对于n个时刻的全局时空图；传感器节点的空间边权值计算方法如公式(1)、(2)所示：计算方法如公式(1)、(2)所示：上式中，d
i,j
是传感器i和传感器j之间的空间距离，为传感器i和传感器j之间空间得分；传感器节点的时间边权值计算方法如公式(3)、(4)所示：计算方法如公式(3)、(4)所示：上式中，N是传感器个数，是区域内车辆的平均速度，
△
t是两个时刻之间的时间间隔，是传感器节点的时间边得分。3.根据权利要求1所述的一种交通流量预测模型构建方法，其特征在于，步骤一中采用改进的STSGCN对空间图结构进行特征提取，具体包括基于滑动窗口的时空图序列化和基于权值融合的STSGCM局部特征提取，其中：(1)基于滑动窗口的时空图序列化采用滑动窗口结合序列填补的方式对全局时空图进行序列化分割，得到一系列局部时空图；(2)基于权值融合的STSGCM局部特征提取
基于STSGCM对分割的时空图序列分别进行特征提取，得到对应的时空图特征序列；然后基于权值对各时空图序列的特征分别进行融合，最终得到输出向量序列，即时空图表示向量。4.根据权利要求3所述的一种交通流量预测模型构建方法，其特征在于，对全局时空图进行序列化分割时，采用窗口大小为3，步长为1的滑动窗口对时间方向进行序列化分割，同时对构建的全局时空图添加t0和t
n+1
时刻随机初始化的空间图，以减少特征提取的特征丢失；序列化分割之后，即得到n个时间步为3的局部时空图。5.根据权利要求3所述的一种交通流量预测模型构建方法，其特征在于，基于STSGCM对分割的时空图序列进行特征提取时，STSGCM运算的具体公式如公式(6)、公式(7)所示:H
(l)
＝σ(A
′
H
(l
‑
1)
W+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，A
′
表示时间步为3的局部时空图的邻接矩阵，H
(l
‑
1)
是第l个图卷积层的输入，W和b为可学习参数，σ是激活函数，H
i(j)
表示第i个局部空图序列的第j层图卷积输出向量，λ1+λ2＝1，L为图卷积层数，H
i(out)
为第i个局部空图...

【专利技术属性】
技术研发人员：佘祥荣，陈钢，陈健鹏，
申请(专利权)人：长三角信息智能创新研究院，
类型：发明
国别省市：