融合多源时空数据的交通流量预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种融合多源时空数据的交通流量预测方法、装置及存储介质，方法包括获取0到t

【技术实现步骤摘要】
融合多源时空数据的交通流量预测方法、装置及存储介质


[0001]本专利技术涉及交通流量预测
，尤其涉及一种融合多源时空数据的交通流量预测方法、装置及存储介质。

技术介绍

[0002]目前，城市中不同区域的交通流量反映了城市居民的出行需求。精准高效地预测不同区域的交通流量，是实现车辆精准调度、公交系统优化的基础，有助于缓解城市交通拥堵、提高城市交通效率，对推动智慧交通与智慧城市协同发展至关重要。例如，基于精确的交通流量预测结果，交警部门可以进行及时的交通疏导以缓解由于流量过大带来的拥堵；出租车、网约车、共享单车等公司可以进行车辆调度，以保障市民的用车需求。同时，通过对未来时刻的人流进行精准、及时的预测，可以科学地助力政府部门及时对人流密集的景区、景点加派治安人员，采取临时人流管制与疏散等措施，最大限度降低由于人流过大引起踩踏事故的概率，避免悲剧的发生。
[0003]在一种现有技术中，交通流量预测方法主要基于回归模型，例如ARIMA模型与非参数回归模型，这些模型考虑了区域未来交通流量与历史数据的时间相关性，但缺乏对区域之间空间相关性的考虑。同时，通过从交通数据中提取特征，利用机器学习算法，例如支持向量机、梯度提升回归树、随机森林等方法进行交通的预测，较为依赖于人为定义的特征，缺乏对时空关系的深层次考虑。
[0004]在另一种现有技术中，利用深度学习进行短时交通流预测。例如，采用卷积神经网络(CNN)、图神经网络(GNN)、循环神经网络(RNN)及其变形长短期记忆(LSTM)、GRU对区域之间的空间相关性或交通流量历史数据中的时间相关性进行训练。然而，这些方法聚焦于局部区域的相关性，难以捕获距离较远的区域之间的相关性或者时间较长的相关性。
[0005]综上，现有技术中的交通流量预测方法将时间相关性和空间相关性分开考虑，忽略了两者之间相互作用的结果，导致交通流量预测的准确度不高。

技术实现思路

[0006]本专利技术提供了一种融合多源时空数据的交通流量预测方法、装置及存储介质，以解决现有技术中的交通流量预测方法将时间相关性和空间相关性分开考虑，忽略了两者之间相互作用的结果，导致交通流量预测的准确度不高的技术问题。
[0007]第一方面，为了解决上述技术问题，本专利技术提供了一种融合多源时空数据的交通流量预测方法、装置及存储介质，包括：
[0008]获取0到t
‑
1时刻的区域交通的历史流量数据和轨迹数据；
[0009]根据所述轨迹数据，构建区域时空关系图；
[0010]根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；
[0011]将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区
域在t时刻的时空特征；
[0012]根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；
[0013]根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。
[0014]优选地，所述根据所述轨迹数据，构建区域时空关系图，包括：
[0015]对于同一条轨迹数据中的任意两个位置点，将两个位置点对应的区域所表示的节点r
i
与r
j
，在区域时空关系图中用边连接；其中，区域时空关系图中每个区域r
i
用一个节点表示。
[0016]优选地，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量，包括：
[0017]基于q层的图神经网络对所述区域时空关系图中每个节点的空间特征进行训练:
[0018][0019]其中，所述区域时空关系图中每个区域用一个节点r
i
表示，表示第k层网络中r
i
的空间特征向量,d为超参数，是可学习参数，Mean(
·
)表示对向量按位进行求平均的操作，Neigh
S
(r
i
)表示在空间图中r
i
的邻居节点，||表示两个向量的连接操作，为一个随机的向量；
[0020]通过预测两个节点是否为邻居节点对空间特征进行学习:
[0021][0022]其中，y
ij
为预测结果，用1表示两个节点为邻居节点，0表示两个节点为非邻居节点；Sigmoid(
·
)表示Sigmoid激活函数，tanh(
·
)表示tanh激活函数，与为可学习参数，
[0023]将训练结束后的作为区域r
i
的空间特征向量。
[0024]优选地，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的时间特征，包括：
[0025]设预测时间间隔为a小时，基于神经网络对时间特征进行训练：
[0026][0027]其中，表示时间特征，Relu(
·
)为Relu激活函数，为时刻t的独热编码，独热编码的长度为的长度为与为可学习参数。
[0028]优选地，根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的交通流量特征，包括：
[0029]利用r
i
在t
‑
1到t
‑
k时刻的交通流入量与交通流出量对节点r
i
在t时刻的交通流量特征进行学习；
其中，表示t
‑
1时刻r
i
的交通流入量，表示t
‑
1时刻r
i
的交通流出量，所述历史流量数据包括和
[0030]利用一维卷积网络对交通流量特征进行学习：
[0031][0032]其中，Conv1(
·
)与Conv2(
·
)表示1维卷积网络，卷积核的尺寸为1
×
p(p<k),步长为1，输出通道量为f，||表示两个特征向量的相连，是可学习的参数,l＝2
×
f
×
(k
‑
p+1)。
[0033]优选地，所述根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征，包括：
[0034]采用multi
‑
head学习机制与多层的网络进行学习，对于第m个head中的第k层网络，两个区域r
i
,r
j
之间在t时刻的相关性及时空特征计算为：
[0035][0036][0037][0038]其中，为第m个head中第k
‑
1层网络中区域r
i
在t时刻的所述时空特征，为可学习的参数，d为特征向量的长度；
[0039]用每个head中的最后一层输出，作为该head的区域特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合多源时空数据的交通流量预测方法，其特征在于，包括：获取0到t
‑
1时刻的区域交通的历史流量数据和轨迹数据；根据所述轨迹数据，构建区域时空关系图；根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量、时间特征和交通流量特征；将所述空间特征向量、所述时间特征和所述交通流量特征进行融合，得到每一区域在t时刻的时空特征；根据图神经网络和所述时空特征对区域之间的时空相关性进行学习，得到最终区域特征；根据全连接神经网络和所述最终区域特征进行预测，得到每一区域在t时刻的交通流入量预测值和交通流出量预测值。2.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据所述轨迹数据，构建区域时空关系图，包括：对于同一条轨迹数据中的任意两个位置点，将两个位置点对应的区域所表示的节点r
i
与r
j
，在区域时空关系图中用边连接；其中，区域时空关系图中每个区域r
i
用一个节点表示。3.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的空间特征向量，包括：基于q层的图神经网络对所述区域时空关系图中每个节点的空间特征进行训练:其中，所述区域时空关系图中每个区域用一个节点r
i
表示，表示第k层网络中r
i
的空间特征向量，d为超参数，是可学习参数，Mean(
·
)表示对向量按位进行求平均的操作，Neigh
S
(r
i
)表示在空间图中r
i
的邻居节点，||表示两个向量的连接操作，为一个随机的向量；通过预测两个节点是否为邻居节点对空间特征进行学习：其中，y
ij
为预测结果，用1表示两个节点为邻居节点，0表示两个节点为非邻居节点；Sigmoid(
·
)表示Sigmoid激活函数，tanh(
·
)表示tanh激活函数，与为可学习参数，将训练结束后的作为区域r
i
的空间特征向量。4.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，所述根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的时间特征，包括：设预测时间间隔为a小时，基于神经网络对时间特征进行训练：其中，表示时间特征，Relu(
·
)为Relu激活函数，为时刻t的独热编码，独热编码
的长度为与为可学习参数。5.根据权利要求1所述的融合多源时空数据的交通流量预测方法，其特征在于，根据所述历史流量数据与区域空间关系对所述区域时空关系图进行训练，得到每个区域的交通流量特征，包括：利用r
i
在t
‑
1到t
‑
k时刻的交通流入量与交通流出量对节点r
i
在t时刻的交通流量特征进行学习；其中，表示t
‑
1时刻r
i
的交通流入量，表示t
‑...

【专利技术属性】
技术研发人员：邓兴栋，李冠耀，刘洋，毕瑜菲，
申请(专利权)人：广州市城市规划勘测设计研究院，
类型：发明
国别省市：