一种交通流量预测方法及装置制造方法及图纸

本发明专利技术所提供的一种交通流量预测方法及装置，所述方法包括：获取当前时间段内的车流量信息，将所述车流量信息输入预先训练的时序预测模型中；在所述时序预测模型的编码器结构中提取所述车流量信息中的有效特征，得到层次化特征金字塔；根据所述车流量信息得到初始趋势项和初始残差项，将所述初始趋势项和所述初始残差项输入所述时序预测模型的解码器结构中，并根据所述层次化特征金字塔得到下一时间段内的车流量预测信息。本发明专利技术通过在编码器结构中提取所述车流量信息的有效特征后，构建出从局部到全局的层次化特征金字塔，并利用层次化特征金字塔来进行时序生成，使得输出的下一时间段内的车流量预测信息更加准确。时间段内的车流量预测信息更加准确。时间段内的车流量预测信息更加准确。

【技术实现步骤摘要】
一种交通流量预测方法及装置


[0001]本专利技术涉及交通监测
，尤其涉及的是一种交通流量预测方法及装置。

技术介绍

[0002]时空序列预测属于时间序列预测的一个方向，随着深度学习在计算机视觉和自然语言处理取得了优异的效果，该领域也得到了突飞猛进的发展。在交通领域，通过使用历史数据对模型进行训练，可以让模型学习到数据中的规律性特征，从而对未来进行准确的预测。
[0003]现有的技术大多是基于卷积神经网络和循环神经网络与图神经网络结合的模型。由于卷积神经网络是基于图像识别而提出的一类模型，因此，众多基于卷积神经网络的模型都不能很好的利用时空序列中时序的特点，从而难以对数据中的规律性进行建模，也就难以对未来进行准确预测。循环神经网络是基于序列建模而提出的一类模型，该类模型的结构就是为序列建模而设计的，因此能很好的契合时空序列的特点。但是，随着序列长度的增加该模型存在梯度消失或者梯度爆炸等情况使得模型难以训练。不仅如此，该类模型还存在无法并行训练的问题，导致训练的时间随着序列长度的增加而增加。
[0004]因此，现有的技术大多直接照搬图神经网络的基础架构融合到自己的模型中，这样，没有结合时空序列的数据特点进行预测，导致预测的结果并不准确。
[0005]因此，现有技术存在缺陷，有待改进与发展。

技术实现思路

[0006]本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种交通流量预测方法及装置，旨在解决现有技术中使用模型对交通流量进行预测时得到的预测结果并不准确的问题。
[0007]本专利技术解决技术问题所采用的技术方案如下：
[0008]一种交通流量预测方法，所述方法包括：
[0009]获取当前时间段内的车流量信息，将所述车流量信息输入预先训练的时序预测模型中；
[0010]在所述时序预测模型的编码器结构中提取所述车流量信息中的有效特征，得到层次化特征金字塔；
[0011]根据所述车流量信息得到初始趋势项和初始残差项，将所述初始趋势项和所述初始残差项输入所述时序预测模型的解码器结构中，并根据所述层次化特征金字塔得到下一时间段内的车流量预测信息。
[0012]在一种实现方式中，在所述时序预测模型的编码器结构中提取所述车流量信息中的有效特征，得到层次化特征金字塔之前，还包括：
[0013]在所述时序预测模型中将所述车流量信息进行归一化处理，得到归一化数据；
[0014]利用快速傅立叶变换获取所述归一化数据中每个节点的傅立叶特征，利用线性变
换方式将每个节点的傅立叶特征映射到高维度；
[0015]利用线性变换方式将所述归一化数据映射到高维度后进行时序位置编码，得到编码数据；
[0016]将所述编码数据和所述傅立叶特征之和作为编码器结构的输入数据。
[0017]在一种实现方式中，所述编码器结构包括多层编码器；在所述时序预测模型的编码器结构中提取所述车流量信息中的有效特征，得到层次化特征金字塔，包括：
[0018]将所述车流量信息处理为编码器结构的输入数据后，依次经多层编码器提取所述车流量信息中的有效特征，经过每层编码器后均输出对应的特征提取信息；
[0019]根据各个所述特征提取信息得到层次化特征金字塔；
[0020]其中，上一层编码器输出的特征提取信息作为下一层编码器的输入数据。
[0021]在一种实现方式中，每层编码器均包括：时序自注意力模块、第一时序分解模块、空间自注意力模块和图卷积模块；
[0022]在每层编码器中，提取所述输入数据中有效特征的步骤包括：
[0023]获取输入数据，将所述输入数据输入所述时序自注意力模块，提取所述输入数据中的时序特征；
[0024]将所述时序特征输入所述第一时序分解模块，得到第一移动平均值；
[0025]将所述第一移动平均值输入所述图卷积模块，得到静态图特征，以及，将所述第一移动平均值进行空间位置编码后输入所述空间自注意力模块，得到动态图特征；
[0026]将所述静态图特征与所述动态图特征进行拼接，将拼接后的所述静态图特征和动态图特征进行空间特征融合处理，得到空间特征融合结果；
[0027]将所述空间特征融合结果输入所述第一时序分解模块，得到第二移动平均值；
[0028]对所述第二移动平均值进行时序特征融合处理，得到特征提取信息。
[0029]在一种实现方式中，每层编码器还包括：图结构学习模块；
[0030]将所述第一移动平均值输入所述图卷积模块，得到静态图特征，包括：
[0031]若所述第一移动平均值中存在邻接矩阵，则将所述第一移动平均值输入所述图卷积模块；
[0032]若所述第一移动平均值中不存在邻接矩阵，则将所述第一移动平均值输入所述图结构学习模块中构建自适应邻接矩阵，并将构建有自适应邻接矩阵的第一移动平均值输入所述图卷积模块；
[0033]将具有邻接矩阵的所述第一移动平均值输入所述图卷积模块后，得到邻居信息与节点自身信息，对所述邻居信息与节点自身信息的特征变换进行分离，得到邻居特征和节点特征，同时，利用门控线性单元对所述邻居特征进行约束处理；
[0034]将所述邻居特征和所述节点特征进行特征融合，得到静态图特征。
[0035]在一种实现方式中，根据所述车流量信息得到初始趋势项和初始残差项，将所述初始趋势项和所述初始残差项输入所述时序预测模型的解码器结构中，并根据所述层次化特征金字塔得到下一时间段内的车流量预测信息，包括：
[0036]获取归一化处理后的所述车流量信息，将归一化处理后的所述车流量信息中各个车流量数据分解为观测值趋势项和观测值残差项；
[0037]将各个所述观测值趋势项的平均值作为待预测值的趋势项进行填充，得到待预测
趋势项，以及将待预测残差项初始化为零；
[0038]将所述观测值趋势项和所述待预测趋势项进行拼接处理，得到初始趋势项，以及将所述观测值残差项和所述待预测残差项进行拼接处理，得到初始残差项；
[0039]将所述初始趋势项和所述初始残差项输入所述时序预测模型的解码器结构中，并根据所述层次化特征金字塔得到下一时间段内的车流量预测信息。
[0040]在一种实现方式中，所述解码器结构包括多层解码器，且每层解码器均对应有一层编码器；
[0041]将所述初始趋势项和所述初始残差项输入所述时序预测模型的解码器结构中，并根据所述层次化特征金字塔得到下一时间段内的车流量预测信息，包括：
[0042]在所述时序预测模型中，依次经多层解码器将所述初始趋势项、所述初始残差项和所述层次化特征金字塔进行趋势预测处理，经过每层解码器后均输出对应的趋势项预测值和残差项预测值；
[0043]将最后一层解码器输出的趋势项预测值和残差项预测值相加，并利用全连接层处理得到下一时间段内的车流量预测信息；
[0044]其中，第一层解码器的趋势项输入数据为所述初始趋势项，第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通流量预测方法，其特征在于，所述方法包括：获取当前时间段内的车流量信息，将所述车流量信息输入预先训练的时序预测模型中；在所述时序预测模型的编码器结构中提取所述车流量信息中的有效特征，得到层次化特征金字塔；根据所述车流量信息得到初始趋势项和初始残差项，将所述初始趋势项和所述初始残差项输入所述时序预测模型的解码器结构中，并根据所述层次化特征金字塔得到下一时间段内的车流量预测信息。2.根据权利要求1所述的交通流量预测方法，其特征在于，在所述时序预测模型的编码器结构中提取所述车流量信息中的有效特征，得到层次化特征金字塔之前，还包括：在所述时序预测模型中将所述车流量信息进行归一化处理，得到归一化数据；利用快速傅立叶变换获取所述归一化数据中每个节点的傅立叶特征，利用线性变换方式将每个节点的傅立叶特征映射到高维度；利用线性变换方式将所述归一化数据映射到高维度后进行时序位置编码，得到编码数据；将所述编码数据和所述傅立叶特征之和作为编码器结构的输入数据。3.根据权利要求2所述的交通流量预测方法，其特征在于，所述编码器结构包括多层编码器；在所述时序预测模型的编码器结构中提取所述车流量信息中的有效特征，得到层次化特征金字塔，包括：将所述车流量信息处理为编码器结构的输入数据后，依次经多层编码器提取所述车流量信息中的有效特征，经过每层编码器后均输出对应的特征提取信息；根据各个所述特征提取信息得到层次化特征金字塔；其中，上一层编码器输出的特征提取信息作为下一层编码器的输入数据。4.根据权利要求3所述的交通流量预测方法，其特征在于，每层编码器均包括：时序自注意力模块、第一时序分解模块、空间自注意力模块和图卷积模块；在每层编码器中，提取所述输入数据中有效特征的步骤包括：获取输入数据，将所述输入数据输入所述时序自注意力模块，提取所述输入数据中的时序特征；将所述时序特征输入所述第一时序分解模块，得到第一移动平均值；将所述第一移动平均值输入所述图卷积模块，得到静态图特征，以及，将所述第一移动平均值进行空间位置编码后输入所述空间自注意力模块，得到动态图特征；将所述静态图特征与所述动态图特征进行拼接，将拼接后的所述静态图特征和动态图特征进行空间特征融合处理，得到空间特征融合结果；将所述空间特征融合结果输入所述第一时序分解模块，得到第二移动平均值；对所述第二移动平均值进行时序特征融合处理，得到特征提取信息。5.根据权利要求4所述的交通流量预测方法，其特征在于，每层编码器还包括：图结构学习模块；将所述第一移动平均值输入所述图卷积模块，得到静态图特征，包括：若所述第一移动平均值中存在邻接矩阵，则将所述第一移动平均值输入所述图卷积模
块；若所述第一移动平均值中不存在邻接矩阵，则将所述第一移动平均值输入所述图结构学习模块中构建自适应邻接矩阵，并将构建有自适应邻接矩阵的第一移动平均值输入所述图卷积模块；将具有邻接矩阵的所述第一移动平均值输入所述图卷积模块后，得到邻居信息与节点自身信息，对所述邻居信息与节点自身信息的特征变换进行分离，得到邻居特征和节点特征，同时，利用门控线性单元对所述邻居特征进行约束处理；将所述邻居特征和所述节点特征进行特征融合，得到静态图特征。6.根据权利要求3所述的交通流量预测方法，其特征在于，根据所述车流量信息得到初始趋势项和初始残差项，将所述初始趋势项和所述初始残差项输入所述时序预测模型的解码器结构中，并根据所述层次化特征金字塔得到下一时间段内的车流量预测信息，包括：获取归一化处理后的所述车流量信息，将归一化处理后的所述车流量信息中各个车流量数据分解为观测值趋势项和观测值残差项；将各个所述观测值趋势项的平均值作为待预测值的趋势项进行填充，得到待预测趋势项，以及将待预测残差项初始化为零；将所述观测值趋势项和所述待预测趋势项...

【专利技术属性】
技术研发人员：蒋沁言，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：