一种基于多源数据融合的高速公路流量预测方法及系统技术方案

本发明专利技术涉及交通流量预测技术领域，尤其涉及一种基于多源数据融合的高速公路流量预测方法及系统，提出一种基于自适应时空相关性建模的流量预测深度学习模型实现更准确的多时间步流量预测，该模型基于注意力机制和门控机制的图卷积网络更全面地捕获路网中流量序列的空间相关性，然后利用多头自注意力机制自适应地建模流量序列在不同时间步的非线性相关性，通过门控融合模块进一步捕获路网信息中复杂的时空相关性，最后通过编码器

【技术实现步骤摘要】
一种基于多源数据融合的高速公路流量预测方法及系统


[0001]本专利技术涉及交通流量预测
尤其涉及一种基于多源数据融合的高速公路流量预测方法及系统。

技术介绍

[0002]高速公路流量预测是指通过分析流量的历史变化规律，通过历史交通数据计算未来一段时间内经过检测器的车辆数。准确的高速公路流量预测对于提升智能高速公路交通系统的安全性、稳定性和效率至关重要。
[0003]在高速公路流量预测领域，虽然差分整合移动平均自回归和卡尔曼滤波等模型已被广泛应用，但此类方法只能分析同一位置流量序列的时间相关性，无法同时捕获不同位置流量序列的时空相关性；现有技术中，如授权公告号为CN20 1 911 233275.9公开的一种基于多源数据与滑动窗口组合的高速流量预测方法，该方法使用长短期记忆网络构建回归模型，长短期记忆网络和卷积神经网络等深度学习方法被应用于高速公路流量预测并证明了其有效性，但前者捕获序列数据的时间联系，不能捕获路段区域间的复杂时空关系，后者仅能处理欧几里得空间结构，不适应多样化的高速公路路网。随着图神经网络的应用，一些研究者将路网建模为时空图，通过图神经网络捕获路网中不同路段流量的空间相关性，使用循环神经网络提取流量序列的时间相关性。但是现有的应用于流量预测领域的图神经网络研究主要利用节点特征和邻接关系矩阵实现图信息的聚合，而没有充分的利用边上有向的多元特征和车流变化信息。在高速公路路网中，基于互联网车速数据，天气数据等多源数据融合得到的边信息是非常丰富的，合理地利用边信息，自适应地建模路网中有向的车流变化信息，将有助于实现更准确的流量预测。另外，高速公路中一个位置的流量值与历史观察值是具有相关性的，并且这种相关性随时间的变化是非线性的，而循环神经网络主要捕获流量序列中存在的长期和短期模式，难以自适应建模流量序列的非线性时间相关性。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提出一种基于多源数据融合的高速公路流量预测方法及系统，以解决现有循环神经网络难以自适应建模流量序列的非线性时间相关性的问题。
[0005]基于上述目的，本专利技术提供了一种基于多源数据融合的高速公路流量预测方法，包括如下步骤：
[0006]步骤一、采集路网中的多源数据；
[0007]步骤二、基于分布式并行计算对采集到的多源数据进行预处理；
[0008]步骤三、对预处理后的多源数据进行融合，得到路网拓扑图和不同时间步的图信号矩阵，并划分训练集；
[0009]步骤四、构建基于自适应时空相关性建模的流量预测深度学习模型；
[0010]步骤五、将训练集的路网拓扑图和不同时间步的图信号矩阵输入流量预测深度学
习模型，模型输出预测值；
[0011]步骤六、判断预测值和真实值误差是否满足阈值，若是则训练完成，保存模型，若否则更新参数，重新输出预测值。
[0012]优选地，构建图信号矩阵包括：
[0013]将高速公路路网定义为一个有向图G＝(V，E)，其中V是|V|＝N个节点的集合，每个节点代表高速公路上的一个检测点，E是|E|＝M条边的集合，表示检测点之间的路段；
[0014]有多源数据融合得到高速公路路网G上的图信号矩阵；
[0015]在第t个时间间隔内，观测到高速公路路网G上的节点信号用矩阵表示，其中表示第t个时间间隔内节点v的C个观测量的取值；
[0016]边信号用矩阵表示，其中e
t，i，j
表示第t个时间间隔内边e
ij
的D个观测量的取值：
[0017]表示第t个时间间隔内，观测到高速公路路网G上的流量序列；
[0018]历史T
h
个时间片的时空图信号矩阵表示为需要预测的未来T
p
时间片内的流量矩阵表示为
[0019]优选地，将训练集的路网拓扑图和不同时间步的图信号矩阵输入流量预测深度学习模型，模型输出预测值包括：
[0020]将图信号矩阵输入编码器模块，自适应建模路网中各个节点间的动态的时空相关性，输出融合了动态时空信息的节点嵌入表示；
[0021]将由编码器模块得到的节点嵌入表示输入解码器模块，自适应地提取对于流量预测有用的时空信息，输出解码后的节点嵌入表示，解码器模块的结构与编码器模块相同；
[0022]将得到的解码后的节点嵌入表示输入由全连接网络构成的预测模块，得到路网中各个节点在未来多个时间步的流量预测值。
[0023]优选地，将图信号矩阵输入编码器模块，自适应建模路网中各个节点间的动态的时空相关性，输出融合了动态时空信息的节点嵌入表示包括：
[0024]将图信号矩阵输入编码器模块中的自适应空间相关性建模模块，基于注意力机制和门控机制的图卷积网络对每个时刻的图信号矩阵建模路网中有向的车流变化信息，自适应地提取空间特征，在编码器的第l+1层，得到空间相关性建模后的输出其中节点i在时间步t的嵌入表示为
[0025]通过全连接层将第t个时间间隔内的节点信号矩阵X
t
映射为节点嵌入表示矩阵将第t个时间间隔内的边信号矩阵映射为边嵌入表示矩阵
[0026]在第l+1层编码器中的第t个时间步，通过基于注意力机制的图卷积网络建模节点
间空间相关性，公式为：
[0027][0028]其中，和为节点间空间相关性建模中要学习的参数，σ为sigmoid激活函数，ReLU为线性整流函数，BN表示批次正则化，表示与节点i具有邻接关系的节点集合，在l＝0时系的节点集合，在l＝0时为第t个时间步节点i在第l层编码器的嵌入表示；
[0029]在第l+1层编码器中的第t个时间步，通过基于注意力机制和门控机制的图卷积网络建模边之间的空间相关性，公式为：
[0030][0031]其中，和为边之间空间相关性建模中要学习的参数，为第t个时间步节点i和节点j之间的边在第l层编码器中的嵌入表示；
[0032]将图信号矩阵输入编码器模块中的自适应时间相关性建模模块，通过多头自注意力机制自适应地建模流量序列在不同时间步的非线性相关性，提取流量序列的时间特征，在编码器的第l+1层，得到时间相关性建模后的输出其中节点i在时间步t的嵌入表示为在编码器的第l+1层，首先计算节点i在时间步t和时间步t
j
的相关性，公式为：
[0033][0034]其中表示节点i在时间步t
j
和时间步t之间的相关性，<，>表示内积运算符，k表示第k个注意力头的计算，d＝h/K，其中K为注意力机制的总头数；
[0035]计算第k个注意力头中时间步t
j
和时间步t之间的注意力分数，以将流量序列在不同时间步的相关性归一化，公式为：
[0036][0037]其中表示第k个注意力头中时间步t
j
和时间步t之间的注意力分数，表示时间步t之前的时间步集合；
[0038]在编码器的第l+1层，基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源数据融合的高速公路流量预测方法，其特征在于，包括以下步骤：步骤一、采集路网中的多源数据；步骤二、基于分布式并行计算对采集到的多源数据进行预处理；步骤三、对预处理后的多源数据进行融合，得到路网拓扑图和不同时间步的图信号矩阵，并划分训练集；步骤四、构建基于自适应时空相关性建模的流量预测深度学习模型；步骤五、将训练集的路网拓扑图和不同时间步的图信号矩阵输入流量预测深度学习模型，模型输出预测值；步骤六、判断预测值和真实值误差是否满足阈值，若是则训练完成，保存模型，若否则更新参数，重新输出预测值。2.根据权利要求1所述的多源数据融合的高速公路流量预测方法，其特征在于，构建图信号矩阵包括：将高速公路路网定义为一个有向图G＝(V，E)，其中V是|V|＝N个节点的集合，每个节点代表高速公路上的一个检测点，E是|E|＝M条边的集合，表示检测点之间的路段；有多源数据融合得到高速公路路网G上的图信号矩阵；在第t个时间间隔内，观测到高速公路路网G上的节点信号用矩阵表示，其中表示第t个时间间隔内节点v的C个观测量的取值；边信号用矩阵表示，其中e
t，i，j
表示第t个时间间隔内边e
ij
的D个观测量的取值；表示第t个时间间隔内，观测到高速公路路网G上的流量序列；历史T
h
个时间片的时空图信号矩阵表示为需要预测的未来T
p
时间片内的流量矩阵表示为3.根据权利要求2所述的基于多源数据融合的高速公路流量预测方法，其特征在于，所述将训练集的路网拓扑图和不同时间步的图信号矩阵输入流量预测深度学习模型，模型输出预测值包括：将图信号矩阵输入编码器模块，自适应建模路网中各个节点间的动态的时空相关性，输出融合了动态时空信息的节点嵌入表示；将由编码器模块得到的节点嵌入表示输入解码器模块，自适应地提取对于流量预测有用的时空信息，输出解码后的节点嵌入表示，解码器模块的结构与编码器模块相同；将得到的解码后的节点嵌入表示输入由全连接网络构成的预测模块，得到路网中各个节点在未来多个时间步的流量预测值。4.根据权利要求3所述的基于多源数据融合的高速公路流量预测方法，其特征在于，所述将图信号矩阵输入编码器模块，自适应建模路网中各个节点间的动态的时空相关性，输出融合了动态时空信息的节点嵌入表示包括：将图信号矩阵输入编码器模块中的自适应空间相关性建模模块，基于注意力机制和门控机制的图卷积网络对每个时刻的图信号矩阵建模路网中有向的车流变化信息，自适应地
提取空间特征，在编码器的第l+1层，得到空间相关性建模后的输出其中节点i在时间步t的嵌入表示为通过全连接层将第t个时间间隔内的节点信号矩阵x
t
映射为节点嵌入表示矩阵将第t个时间间隔内的边信号矩阵映射为边嵌入表示矩阵在第l+1层编码器中的第t个时间步，通过基于注意力机制的图卷积网络建模节点间空间相关性，公式为：其中，和为节点间空间相关性建模中要学习的参数，σ为sigmoid激活函数，ReLU为线性整流函数，BN表示批次正则化，表示与节点i具有邻接关系的节点集合，在l＝0时集合，在l＝0时为第t个时间步节点i在第l层编码器的嵌入表示；在第l+1层编码器中的第t个时间步，通过基于注意力机制和门控机制的图卷积网络建模边之间的空间相关性，公式为：其中，和为边之间空间相关性建模中要学习的参数，为第t个时间步节点i和节点j之间的边在第l层编码器中的嵌入表示；将图信号矩阵输入编码器模块中的自适应时间相关性建模模块，通过多头自注意力机制自适应地建模流量序列在不同时间步的非线性相关性，提取流量序列的时间特征，在编码器的第l+1层，得到时间相关性建模后的输出其中节点i在时间步t的嵌入表示为在编码器的第l+1层，首先计算节点i在时间步t和时间步t
j
的相关性，公式为：其中表示节点i在时间步t
j
和时间步t之间的相关性，＜，＞表示内积运算符，k表示第k个注意力头的计算，d＝h/K，其中K为注意力机制的总头数；计算第k个注意力头中时间步t
j
和时间步t之间的注意力分数，以...

【专利技术属性】
技术研发人员：滕志伟，徐华，杨建国，姜德宏，段洪琳，王振华，王雅楠，蔡灿，马浩，黄玉广，宁馨丽，王然，
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：