基于轻量级的时空图卷积模型对交通量的预测方法及装置制造方法及图纸

本发明专利技术涉及交通流预测技术，揭露了一种基于轻量级的时空图卷积模型对交通量的预测方法，包括：根据道路传感器及路网关系构建交通时空网络结构图；利用交通时空网络结构图对交通流数据特征进行采集，得到时间序列数据，根据时间序列数据及交通流数据特征生成交通流量网络序列；提取交通流量网络序列的交通流空间特征，根据交通流外源因素提取交通流量网络序列的交通流时间特征；利用交通流空间特征及交通流时间特征对时空图卷积模型进行训练，得到路网交通量预测模型；根据路网交通量预测模型对目标地区的路网交通量进行预测。本发明专利技术还提出一种基于轻量级的时空图卷积模型对交通量的预测装置。本发明专利技术可以提高路网交通量预测的准确度。的准确度。的准确度。

【技术实现步骤摘要】
基于轻量级的时空图卷积模型对交通量的预测方法及装置


[0001]本专利技术涉及交通流预测
，尤其涉及一种基于轻量级的时空图卷积模型对交通量的预测方法及装置。

技术介绍

[0002]随着社会经济的快速增长，城市车辆的保有量也在迅速增加，车辆交通流信息也显得越来越重要。但为了给人们提供更好的出行信息，提高人们在出行时的便利性，需要对路网交通量进行预测，以进行便利出行。
[0003]现有的路网交通量预测技术主要把交通流的历史数据看作时间序列进行预测。实际应用中，对于路网交通量的预测不仅要考虑时间信息，还需要考虑空间信息和外源因素的影响，仅考虑时间因素，可能导致忽略关键信息，从而对进行路网交通量预测的准确度较低。

技术实现思路

[0004]本专利技术提供一种基于轻量级的时空图卷积模型对交通量的预测方法及装置，其主要目的在于解决进行路网交通量预测时的准确度较低的问题。
[0005]为实现上述目的，本专利技术提供的一种基于轻量级的时空图卷积模型对交通量的预测方法，包括：
[0006]S1、获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通时空网络结构图；
[0007]S2、利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；
[0008]S3、利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，其中所述利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，包括：
[0009]S31、根据所述交通流量网络序列构建自适应邻接矩阵，将所述自适应邻接矩阵进行转置，得到自适应转置邻接矩阵；
[0010]S32、设置所述自适应图卷积网络的特征传递参数及反向特征传递卷积参数；
[0011]S33、利用如下的卷积特征计算公式根据所述自适应邻接矩阵、所述自适应转置邻接矩阵、所述特征传递参数及所述反向特征传递卷积参数计算所述交通流空间特征：
[0012][0013]其中，Q
A
为所述交通流空间特征，B
m
为第m个交通流量网络序列中交通流数据特征对应的自适应邻接矩阵，Q为扩散图卷积的输入特征，δ1为所述特征传递参数，(B
T
)
m
为第m个
交通流量网络序列中交通流数据特征对应的自适应转置邻接矩阵，δ2为所述反向特征传递卷积参数，B
T
为所述自适应转置邻接矩阵，M为特征传递的步数；
[0014]S4、利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；
[0015]S5、根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。
[0016]可选地，所述根据预设的道路传感器及所述路网关系构建交通时空网络结构图，包括：
[0017]获取所述道路传感器的安装位置；
[0018]按照所述路网关系对所述安装位置进行空间连接，得到空间结构图；
[0019]按照预设的时序窗口长度对所述空间结构图进行时间汇集，得到所述交通时空网络结构图。
[0020]可选地，所述利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，包括：
[0021]利用每个所述图节点统计车辆通行数量及车辆占用时间，以及利用每个所述图节点确定车辆平均车速；
[0022]根据所述车辆通行数量及预设的时间间隔确定每个所述图节点对应的交通流量，根据所述车辆通行数量及所述车辆占用时间确定每个所述图节点对应的车道占用率；
[0023]汇集所述车辆平均车速、所述交通流量及所述车道占用率为交通流数据特征；
[0024]根据预设的交通流时刻将所述交通流数据特征进行统计，得到所述时间序列数据。
[0025]可选地，所述利用每个所述图节点确定车辆平均车速，包括：
[0026]通过每个所述图节点采集特定时刻内的车辆位置；
[0027]利用如下的平均车速公式根据所述车辆位置与所述特定时刻计算所述车辆平均车速：
[0028][0029]详细地，为第h时刻的所述车辆平均车速，N为观测时段内的车辆数，y2为在h2特定时刻内的所述车辆位置，y1为在h1特定时刻内的所述车辆位置，i为第i辆车，lim为极限函数。
[0030]可选地，所述根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列，包括：
[0031]提取所述时间序列数据中的每个序列时刻；
[0032]提取所述交通流数据特征中所述序列时刻对应的序列交通流数据特征；
[0033]根据所述序列时刻及所述序列交通流数据特征生成所述交通流量网络序列，其中所述交通流量网络序列为：
[0034]X
t
＝(x
t
‑
p
‑1,
…
,x
t
‑1,x
t
)
[0035]其中，X
t
为第t序列时刻的所述交通流量网络序列，x
t
‑
p
‑1为第t
‑
p
‑
1序列时刻的所述序列交通流数据特征，x
t
‑1为第t
‑
1序列时刻是所述序列交通流数据特征，x
t
为第t序列时
刻的所述序列交通流数据特征。
[0036]可选地，所述根据所述交通流量网络序列构建自适应邻接矩阵，包括：
[0037]确定所述交通流量网络序列的变换矩阵参数；
[0038]根据所述变换矩阵参数及预设的饱和率超参数生成变量矩阵；
[0039]利用预设的激活函数将所述变量矩阵转换为所述自适应邻接矩阵。
[0040]可选地，所述根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，包括：
[0041]根据所述交通流外源因素确定交通流持续时间；
[0042]利用所述交通流持续时间及预设的时间跨度计算当前时刻的时间特征；
[0043]按照所述交通流空间特征的特征维度对所述时间特征的维度进行扩展，得到所述交通流时间特征。
[0044]可选地，所述利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型，包括：
[0045]将所述交通流空间特征及所述交通流时间特征进行拼接，得到交通流拼接特征；
[0046]根据所述交通流拼接特征及预设的损失函数计算所述时空图卷积模型的损失值；
[0047]当所述损失值小于预设的损失阈值时，将所述时空图卷积模型作为所述路网交通量预测模型。
[0048]可选地，所述根据所述路网交通量预测模型对所述目标地区的路网交通量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述方法包括：S1、获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通时空网络结构图；S2、利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；S3、利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，其中所述利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，包括：S31、根据所述交通流量网络序列构建自适应邻接矩阵，将所述自适应邻接矩阵进行转置，得到自适应转置邻接矩阵；S32、设置所述自适应图卷积网络的特征传递参数及反向特征传递卷积参数；S33、利用如下的卷积特征计算公式根据所述自适应邻接矩阵、所述自适应转置邻接矩阵、所述特征传递参数及所述反向特征传递卷积参数计算所述交通流空间特征：其中，Q
A
为所述交通流空间特征，B
m
为第m个交通流量网络序列中交通流数据特征对应的自适应邻接矩阵，Q为扩散图卷积的输入特征，δ1为所述特征传递参数，(B
T
)
m
为第m个交通流量网络序列中交通流数据特征对应的自适应转置邻接矩阵，δ2为所述反向特征传递卷积参数，B
T
为所述自适应转置邻接矩阵，M为特征传递的步数；S4、利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；S5、根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。2.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述根据预设的道路传感器及所述路网关系构建交通时空网络结构图，包括：获取所述道路传感器的安装位置；按照所述路网关系对所述安装位置进行空间连接，得到空间结构图；按照预设的时序窗口长度对所述空间结构图进行时间汇集，得到所述交通时空网络结构图。3.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，包括：利用每个所述图节点统计车辆通行数量及车辆占用时间，以及利用每个所述图节点确定车辆平均车速；根据所述车辆通行数量及预设的时间间隔确定每个所述图节点对应的交通流量，根据所述车辆通行数量及所述车辆占用时间确定每个所述图节点对应的车道占用率；汇集所述车辆平均车速、所述交通流量及所述车道占用率为交通流数据特征；根据预设的交通流时刻将所述交通流数据特征进行统计，得到所述时间序列数据。
4.如权利要求3所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述利用每个所述图节点确定车辆平均车速，包括：通过每个所述图节点采集特定时刻内的车辆位置；利用如下的平均车速公式根据所述车辆位置与所述特定时刻计算所述车辆平均车速：详细地，为第h时刻的所述车辆平均车速，N为观测时段内的车辆数，y2为在h2特定时刻内的所述车辆位置，y1为在h1特定时刻内的所述车辆位置，i为第i辆车，lim为极限函数。5.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列，包括：提取所述时间序列数据中的每个序列时刻；提取所述交通流数据特征中所述序列时刻对应的序列交通流数据特征；根据所述序列时刻及所述序列交通流数据特征生成所述交通流量网络序列，其中所述交通流量网络序列为：X
t
＝(x
t

【专利技术属性】
技术研发人员：李佳，
申请(专利权)人：遥相科技发展北京有限公司，
类型：发明
国别省市：