【技术实现步骤摘要】
融合多周期和空间语义关联的交通状态预测方法及系统
[0001]本专利技术属于交通状态预测
，更具体地，涉及一种融合多周期和空间语义关联的交通状态预测方法及系统。
技术介绍
[0002]交通状态预测是智能交通系统(Intelligent Transportation System，ITS)中的一个重要研究分支，实时而准确的交通状态预测在车辆调度、路径规划、到达时间估计等场景中具有重要意义，人们在日常出行中最常用的打车软件在预估行程时间、规划出行道路时都会涉及到交通状态预测相关的技术。
[0003]然而，在实际的道路网络中，交通状态受多种因素的影响呈现出非常复杂的变化规律，这使得交通状态预测问题面临着巨大的挑战。现有的交通状态预测方法一般只考虑了道路交通节点之间的空间距离的相关性和近期变化特性，因而对交通状态预测的准确性不高。
技术实现思路
[0004]针对现有技术的缺陷和改进需求，本专利技术提供了一种融合多周期和空间语义关联的交通状态预测方法及系统，其目的在于提升交通状态预测的准确率。
[0005]为实现上述目的，按照本专利技术的第一方面，提供了一种融合多周期和空间语义关联的交通状态预测方法，包括：
[0006]训练阶段：
[0007]S1、获取实际路网中各路段的原始交通状态数据X；
[0008]S2、利用所述交通状态数据X构建训练样本集，训练得到交通状态预测模型；
[0009]其中，每个训练样本包括：表示历史时间片内交通状态的近期相关数据X>r
、表示历史几天在待预测时间片内交通状态的日周期相关数据X
d
、表示历史几周在待预测时间片内交通状态的周周期相关数据X
w
及表示待预测时间片内交通状态的训练目标Y
true
；其中，所述历史时间片为待预测时间片的包括上一时间片及之前的连续T
r
个时间片；所述待预测时间片为待预测的连续T
p
个时间片；
[0010]应用阶段：将待测交通状态数据对应的历史数据处理为近期相关数据、日周期相关数据、周周期相关数据并输入至训练好的交通状态预测模型中，输出预测时间片内的交通状态。
[0011]进一步地，所述交通状态预测模型包括：三个并联的分支、自适应融合层和全连接层；所述三个并联的分支为近期相关变化规律学习分支、日周期相关变化规律学习分支及周周期相关变化规律学习分支；
[0012]近期相关数据X
r
、日周期相关数据X
d
、周周期相关数据X
w
分别输入至对应的近期相关变化规律学习分支、日周期相关变化规律学习分支及周周期相关变化规律学习分支中，三个并联分支输出的特征分别通过所述自适应融合层进行自适应融合后，再经过所述全连
接层得到所述预测的输出Y
pred
。
[0013]进一步地，所述近期相关变化规律学习分支包括时空特征学习网络，所述时空特征学习网络包括空间学习模块、时间学习模块及时空信息融合模块；
[0014]所述空间学习模块用于以距离邻接矩阵A、自适应邻接矩阵A
apt
及作为数据样本的近期相关数据X
r
为输入，采用自适应扩散图卷积网络，输出交通节点之间的空间相关信息H
s
；所述距离邻接矩阵A用于表示交通节点间的空间距离关联关系，所述自适应语义邻接矩阵A
apt
用于表示交通节点间的道路语义信息关联关系；
[0015]所述时间学习模块用于以所述近期相关数据X
r
为输入，输出交通节点间的近期时间变化规律H
t
；
[0016]所述时空信息融合模块用于融合所述空间相关信息H
s
与所述近期时间变化规律特征H
t
，得到交通节点间的近期时空变化规律H
r
。
[0017]进一步地，所述日周期相关变化规律学习分支或周周期相关变化规律学习分支包括拆分模块、T
p
个并联的所述时空特征学习网络及拼接模块；
[0018]所述拆分模块用于将日周期相关数据X
d
或周周期相关数据X
w
沿着时间维度切片及维度变换，得到T
p
个数据块；
[0019]T
p
个并联的所述时空特征学习网络分别用于输出T
p
个待预测时间片内交通状态的日周期时空变化规律或周周期时空变化规律；其中，每个所述时空特征学习网络中输入的数据样本为对应的T
p
个数据块；
[0020]所述拼接模块用于将T
p
个并联的所述时空特征学习网络的输出按照时间维度拼接并进行维度变化后，得到待预测时间片内交通状态的日周期时空变化规律H
d
或周周期时空变化规律H
w
。
[0021]进一步地，所述自适应邻接矩阵A
apt
为：
[0022][0023]其中，为随机初始化并且具有可学习参数的交通节点嵌入向量，表示计算数据样本中任意两个节点之间的空间相似性；N表示交通节点数量，c为超参数；Relu(
·
)表示激活函数，Softmax(
·
)用于归一化；
[0024]所述自适应扩散图卷积网络的输出为：
[0025][0026]其中，为前向转移矩阵，为后向转移矩阵；rowsum(
·
)表示沿着行相加；A
Transpose
表示距离邻接矩阵A的转置；k为扩散因子，K表示设定的阈值；W
k1
、W
k2
、W
k3
为参数矩阵。
[0027]进一步地，所述时间学习模块为门控时间卷积网络。
[0028]进一步地，所述近期相关数据X
r
及所述训练目标Y
true
的生成方式为：
[0029][0030]其中，D
r
为包含所有近期相关数据样本的数据集，其中的每一个样本为所述近期相关数据D
true
为包含所有训练目标样本的数据集，其中的每一个样本为所述训练目标T
r
为近期相关数据的历史步长，T
p
为待预测的未来步长；newaxis表示新增加一个维度；Stack
dim＝1
表示对切片后的数据沿着维度1进行堆叠。
[0031]进一步地，所述日周期相关数据X
d
及所述周周期相关数据X
w
的生成方式包括：
[0032]S221、根据所述交通状态数据X生成任意时刻t对应的日周期相关数据和周周期相关数据构成的集合
[0033][0034]其中，q表示交通节点在一天内的采样频率；T
d
为日周期数据的历本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合多周期和空间语义关联的交通状态预测方法，其特征在于，包括：训练阶段：S1、获取实际路网中各路段的原始交通状态数据X；S2、利用所述交通状态数据X构建训练样本集，训练得到交通状态预测模型；其中，每个训练样本包括：表示历史时间片内交通状态的近期相关数据X
r
、表示历史几天在待预测时间片内交通状态的日周期相关数据X
d
、表示历史几周在待预测时间片内交通状态的周周期相关数据X
w
及表示待预测时间片内交通状态的训练目标Y
true
；其中，所述历史时间片为所述待预测时间片的包括上一时间片及之前的连续T
r
个时间片；所述待预测时间片为待预测的连续T
p
个时间片；应用阶段：将待测交通状态数据对应的历史数据处理为近期相关数据、日周期相关数据、周周期相关数据并输入至训练好的交通状态预测模型中，输出预测时间片内的交通状态。2.根据权利要求1所述的方法，其特征在于，所述交通状态预测模型包括：三个并联的分支、自适应融合层和全连接层；所述三个并联的分支为近期相关变化规律学习分支、日周期相关变化规律学习分支及周周期相关变化规律学习分支；近期相关数据X
r
、日周期相关数据X
d
、周周期相关数据X
w
分别输入至对应的近期相关变化规律学习分支、日周期相关变化规律学习分支及周周期相关变化规律学习分支中，三个并联分支输出的特征分别通过所述自适应融合层进行自适应融合后，再经过所述全连接层得到所述预测的输出Y
pred
。3.根据权利要求2所述的方法，其特征在于，所述近期相关变化规律学习分支包括时空特征学习网络，所述时空特征学习网络包括空间学习模块、时间学习模块及时空信息融合模块；所述空间学习模块用于以距离邻接矩阵A、自适应邻接矩阵A
apt
及作为数据样本的近期相关数据X
r
为输入，采用自适应扩散图卷积网络，输出交通节点之间的空间相关信息H
s
；所述距离邻接矩阵A用于表示交通节点间的空间距离关联关系，所述自适应语义邻接矩阵A
apt
用于表示交通节点间的道路语义信息关联关系；所述时间学习模块用于以所述近期相关数据X
r
为输入，输出交通节点间的近期时间变化规律H
t
；所述时空信息融合模块用于融合所述空间相关信息H
s
与所述近期时间变化规律特征H
t
，得到交通节点间的近期时空变化规律H
r
。4.根据权利要求3所述的方法，其特征在于，所述日周期相关变化规律学习分支或周周期相关变化规律学习分支包括拆分模块、T
p
个并联的所述时空特征学习网络及拼接模块；所述拆分模块用于将日周期相关数据X
d
或周周期相关数据X
w
沿着时间维度切片及维度变换，得到T
p
个数据块；T
p
个并联的所述时空特征学习网络分别用于输出T
p
个待预测时间片内交通状态的日周期时空变化规律或周周期时空变化规律；其中，每个所述时空特征学习网络中输入的数据样本为对应的T
p
个数据块；所述拼接模块用于将T
p
个并联的所述时空特征学习网络的输出按照时间维度拼接并进行维度变化后，得到待预测时间片内交通状态的日周期时空变化规律H
d
或周周期时空变化
规律H
w
。5.根据权利要求3或4所述的方法，其特征在于，所述自适应邻接矩阵A
apt
为：其中，为随机初始化并且具有可学习参数的交通节点嵌入向量，表示计算数据样本中任意两个节点之间的空间相似性；N表示交通节点数量，c为超参数；Relu(
·
)表示激活函数，Softmax(
·
)用于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。