一种高速公路服务区车流量预测方法技术

本发明专利技术涉及智能交通技术领域，尤其涉及一种高速公路服务区车流量预测方法，基于注意力机制的时空图卷积神经网络模型属于基于CNNs的STGNN模型，创造性地将ChebNet图卷卷积和沿时间维度的一维卷积相结合，用于解决时空交通图数据的预测问题。设计结构多头自注意模块，提取路网拓扑结构信息；设计动态演化图卷积模块，为每个时间片学习一个新的图，并利用自注意机制自适应地动态调整节点之间的相关强度；设计时间多头自注意模块和时间位置嵌入，提取时间相关性。并通过优化Transformer结构，使得Trans

【技术实现步骤摘要】
一种高速公路服务区车流量预测方法


[0001]本专利技术涉及智能交通
，尤其涉及一种高速公路服务区车流量预测方法。

技术介绍

[0002]目前，多源数据融合、建立综合性大数据分析技术模型、推进数据资源赋能交通发展等成为未来交通行业发展的方向。现阶段我国高速公路里程建设已经达到世界前列，有着需求大、多元化、实际情况多变且复杂的特点。尤其是针对高速公路用户的需求所提供的服务由基础功能逐步向无死角、细节化转变。
[0003]高速公路服务区是智慧高速公路建设的重要组成部分，服务区的智慧化进程直接影响着高速公路智慧化建设水平。在高速公路中服务区是经常被提供服务的开发者所忽视的环节，为了服务区能够更有效地为出行人员提供服务，准确地预测服务区的流量、更好地引导驾驶员提前获取服务区流量信息变得十分重要。在对服务区的服务水平进行评价时，主要分析和挖掘服务区的供给能力和高速公路交通量之间的相互关系。因此，对高速公路服务区交通量进行有效的量化和预测，是科学合理评价高速公路服务区服务能力的重要技术手段。
[0004]传统的交通量预测主要依靠ARIMA时间序列和卡尔曼滤波模型展开，实时性不高且不适合波动较大的交通量数据。近年来，随着这几年深度学习的快速发展，基于深度学习的方法解决时空数据挖掘的方法也应运而生。尤其是处理时间序列的任务，越来越多的科研工作者选择LSTM及其衍生模型作为深度神经网络的最佳选择。目前，针对高速公路服务区交通量预测还面临以下问题：
[0005]1)传统的交通预测建模缺乏交通数据时空维度的动态特征，未考虑连续数据中固有的局部趋势信息，不能直接处理交通网络。
[0006]2)传统的交通预测建模无法捕获交通数据的周期性和空间异质性。

技术实现思路

[0007]有鉴于此，本专利技术的目的在于提出一种高速公路服务区车流量预测方法，以解决统的交通预测建模缺乏交通数据时空维度的动态特征，未考虑连续数据中固有的局部趋势信息，不能直接处理交通网络，无法捕获交通数据的周期性和空间异质性的问题。
[0008]基于上述目的，本专利技术提供了一种高速公路服务区车流量预测方法，包括：
[0009]S1、获取历史数据，并对历史数据进行预处理；
[0010]S2、基于服务区、临近门架之间的位置关系，构建位置关系无向图；
[0011]S3、使用神经网络划分历史数据中的车辆是否进入服务区；
[0012]S4、构建高速公路服务区交通流量预测数据属性库，构建服务区交通流量输入矩阵；
[0013]S5、对步骤S2构建的位置关系无向图和步骤S4建立的输入矩阵进行融合，得到向量化交通网络状态数据，并按一定比例划分训练集和测试集；
[0014]S6、构建基于注意力机制的时空图卷积神经网络模型，将ChebNet图卷积和沿时间维度的一维卷积相结合，作为服务区交通流量特征提取的深度学习融合模型；
[0015]S7、将步骤S5中的向量化交通网络状态数据导入时空图卷积神经网络模型中，通过捕获时间与空间的相关性及发掘流量趋势特征的相似性，预测多个未来时刻的服务区预测流量。
[0016]优选地，历史数据为高速公路服务区邻近的门架的原始流量数据，所述预处理包括：完善残缺的数据、纠正错误的数据和去除多余的数据。
[0017]优选地，位置关系无向图G＝(V,E)定义为交通网络，其中V是|V|＝N个节点的集合，每个节点代表一个交通监控点，E是|E|＝M条边的集合，表示门架
‑
门架、门架
‑
服务区及服务区
‑
门架之间的邻接关系，选取服务区上游和下游若干个门架构建邻接关系，服务区交通流量输入矩阵是由邻近门架在历史不同时间段的流量组成，以设定时间为时间间隔分别统计历史的服务区及邻近门架流量数据
[0018][0019]其中，表示t时刻所有节点的交通流数据，为服务区或门架节点i在t时刻的交通流数据，为服务区或门架节点N在T时刻的交通流数据，T为以设定时间为单位的时间序列的长度。
[0020]优选地，神经网络为已经过训练的两层全连接神经网络，输出神经元个数为2，用于表示输入车辆是否进入服务区，输入神经元包括路段车辆小时平均速度，门架、服务区间距离，车辆通过门架的时间戳，训练使用的标签为车辆是否停靠服务区。
[0021]优选地，高速公路服务区交通流量预测数据属性库包括交通流量预测所需要使用到的数据属性名称和车辆时间通过门架监控的时间戳、时间类型、地理位置、车辆是否进入服务区和天气信息；
[0022]构建服务区交通流量输入矩阵包括将步骤S1预处理所得数据及步骤S3所得的车辆是否进入服务区属性连接，构建服务区交通流量输入矩阵。
[0023]位置关系无向图和输入矩阵之间的融合是基于位置关系的分组匹配。
[0024]优选地，划分训练集和测试集的方式为：前百分之70的数据作为训练集，后百分之30作为测试集；
[0025]标准化处理方法为运用最大最小标准化处理方法，将交通网络状态数据的训练集数据线性变换映射到[0,1]中，测试集数据线性变换时使用训练集的min和max值，公式为：
[0026][0027]在评价模型的预测效果时，再将预测值重新还原到原来的大小与真实值进行比较。
[0028]优选地，ChebNet图卷积利用切比雪夫多项式将图卷积的操作限制在K阶邻域内，在时空图数据上，通过堆叠多层ChebNet图卷积由近及远依次捕获图结构上节点之间的空间相关性，形式化描述为
[0029][0030]其中是在第t个时间步，N个节点的第c维特征的图信号矩阵，θ∈R
K
是待学习的参数，对应切比雪夫多项式系数，是归一化的拉普拉斯矩阵，λ
max
是无向图拉普拉斯矩阵L的最大特征值，拉普拉斯矩阵L定义为L＝I
N
‑
D
‑
1/2
AD
‑
1/2
，其中A为图的邻接矩阵，I
N
∈R
N
×
N
为单位矩阵，D∈R
N
×
N
是一个对角矩阵，其中对角线上元素的取值为切比雪夫多项式以递归的形式定义为：T
k
(x)＝2xT
k
‑1(x)
‑
T
k
‑2(x)，其中T0(x)＝1,T1(x)＝x0。
[0031]优选地，基于注意力机制的时空图卷积神经网络模型包括：
[0032]在输入进入到编码器或解码器之前，增加一个结构多头自注意模块来提取路网拓扑结构信息，使用时间趋势感知多头自注意力来感知时间变化的趋势，使用空间动态图卷积进行空间相关性提取；
[0033]结构多头自注意模块的设计与实现步骤包括：
[0034]将输入矩阵通过线性投影转换成高维表示将X
′
通过权重矩阵转换为索引Q
S
、键K本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速公路服务区车流量预测方法，其特征在于，包括：S1、获取历史数据，并对历史数据进行预处理；S2、基于服务区、临近门架之间的位置关系，构建位置关系无向图；S3、使用神经网络划分历史数据中的车辆是否进入服务区；S4、构建高速公路服务区交通流量预测数据属性库，构建服务区交通流量输入矩阵；S5、对步骤S2构建的位置关系无向图和步骤S4建立的输入矩阵进行融合，得到向量化交通网络状态数据，按一定比例划分训练集和测试集，并将数据标准化处理；S6、构建基于注意力机制的时空图卷积神经网络模型，将ChebNet图卷积和沿时间维度的一维卷积相结合，作为服务区交通流量特征提取的深度学习融合模型；S7、将步骤S5中的向量化交通网络状态数据导入时空图卷积神经网络模型中，通过捕获时间与空间的相关性及发掘流量趋势特征的相似性，预测多个未来时刻的服务区预测流量。2.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述历史数据为高速公路服务区邻近的门架的原始流量数据，所述预处理包括：完善残缺的数据、纠正错误的数据和去除多余的数据。3.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，位置关系无向图G＝(V,E)定义为交通网络，其中V是|V|＝N个节点的集合，每个节点代表一个交通监控点，E是|E|＝M条边的集合，表示门架
‑
门架、门架
‑
服务区及服务区
‑
门架之间的邻接关系，选取服务区上游和下游若干个门架构建邻接关系，服务区交通流量输入矩阵是由邻近门架在历史不同时间段的流量组成，以设定时间为时间间隔分别统计历史的服务区及邻近门架流量数据其中，表示t时刻所有节点的交通流数据，为服务区或门架节点i在t时刻的交通流数据，为服务区或门架节点N在T时刻的交通流数据，T为以设定时间为单位的时间序列的长度。4.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述神经网络为已经过训练的两层全连接神经网络，输出神经元个数为2，用于表示输入车辆是否进入服务区，输入神经元包括路段车辆小时平均速度，门架、服务区间距离，车辆通过门架的时间戳，训练使用的标签为车辆是否停靠服务区。5.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，所述高速公路服务区交通流量预测数据属性库包括交通流量预测所需要使用到的数据属性名称和车辆时间通过门架监控的时间戳、时间类型、地理位置、车辆是否进入服务区和天气信息；构建服务区交通流量输入矩阵包括将步骤S1预处理所得数据及步骤S3所得的车辆是否进入服务区属性连接，构建服务区交通流量输入矩阵；位置关系无向图和输入矩阵之间的融合是基于位置关系的分组匹配。
6.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，划分训练集和测试集的方式为：前百分之70的数据作为训练集，后百分之30作为测试集；标准化处理方法为运用最大最小标准化处理方法，将交通网络状态数据的训练集数据线性变换映射到[0,1]中，测试集数据线性变换时使用训练集的min和max值，公式为：在评价模型的预测效果时，再将预测值重新还原到原来的大小与真实值进行比较。7.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，ChebNet图卷积利用切比雪夫多项式将图卷积的操作限制在K阶邻域内，在时空图数据上，通过堆叠多层ChebNet图卷积由近及远依次捕获图结构上节点之间的空间相关性，形式化描述为其中是在第t个时间步，N个节点的第c维特征的图信号矩阵，θ∈R
K
是待学习的参数，对应切比雪夫多项式系数，是归一化的拉普拉斯矩阵，λ
max
是无向图拉普拉斯矩阵L的最大特征值，拉普拉斯矩阵L定义为L＝I
N
‑
D
‑
1/2
AD
‑
1/2
，其中A为图的邻接矩阵，I
N
∈R
N
×
N
为单位矩阵，D∈R
N
×
N
是一个对角矩阵，其中对角线上元素的取值为切比雪夫多项式以递归的形式定义为：T
k
(x)＝2xT
k
‑1(x)
‑
T
k
‑2(x)，其中T0(x)＝1,T1(x)＝x0。8.根据权利要求1所述的高速公路服务区车流量预测方法，其特征在于，基于注意力机制的时空图卷积神经网络模型包括：在输入进入到编码器或解码器之前，增加一个结构多头自注意模块来提取路网拓扑结构信息，使用时间趋势感知多头自注意力来感知时间变化的趋势，使用空间动态图卷积进行空间相关性提取；结构多头自注意模块的设计与实现步骤包括：将输入矩阵通过线性投影转换成高维表示将X
′
通过权重矩阵转换为索引Q
S
、键K
S
和值V
S
，计算公式为：加入邻接矩阵计算注意力权重，计算公式为：score＝softmax(a(Q

【专利技术属性】
技术研发人员：姜德宏，段洪琳，杨建国，徐华，王振华，滕志伟，王雅楠，王然，蔡灿，马浩，宁馨丽，
申请(专利权)人：招商局公路网络科技控股股份有限公司，
类型：发明
国别省市：