【技术实现步骤摘要】
本专利技术涉及交通流预测，特别涉及一种交通流预测方法、系统、计算机设备与存储介质。
技术介绍
1、交通流预测是利用历史交通数据和相关特征，通过机器学习和深度学习等技术，以预测未来交通状况。
2、这项技术在城市规划和智能交通系统中发挥重要作用，可以帮助优化路况、减少拥堵，提升交通效率与城市可持续性。由于人工智能技术的高速发展，基于深度学习的短时交通流预测方法在交通流预测邻域有了新的突破。
3、基于深度学习的短时交通流预测技术随着科学技术的发展，预测结果的准确性得到了不小的提高。但现有的方法在捕捉复杂的非线性、空间和时间关系的方面还有较大进步空间，空间相关性与时间相关性的结合明显不足，导致在交通流预测中出现较大的误差。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足，提供一种交通流预测方法、系统、计算机设备与存储介质，以解决现有技术中现有的方法在捕捉复杂的非线性、空间和时间关系的方面还有较大进步空间，空间相关性与时间相关性的结合明显不足的问题。
2、本专利技术具体提供如下技术方案：一种交通流预测方法，包括以下步骤：
3、获取目标地的交通流数据，并使用交通流数据构建路网的0-1图、距离图和基于dtw的时间相似度图；
4、将所述0-1图、距离图和基于dtw的时间相似度图融合获得多尺度邻接阵；
5、利用基于gcn的空间处理模块处理所述多尺度邻接阵，获得路网中节点的空间信息特征；
6、将所述空间信
7、通过所述空间处理模块和时间处理模块构建st-block，并通过堆叠多个所述st-block的时序预测结果，获得一定时间内交通流最终的预测结果。
8、优选的，在所述使用交通流数据构建路网的0-1图、距离图和基于dtw的时间相似度图之前，需对所述交通流数据进行预处理，包括如下步骤：
9、对包括时间戳、节点序号、交通流数据、平均交通速度和道路占用率的交通流数据进行预处理，所述预处理包括剔除无用数据、填补缺失值，识别并删除异常值；
10、其中，无用数据为交通数据中的非交通流数据；采用众数法填补缺失值；采用z-score方法识别并删除异常值时，计算每个交通节点时间序列的均值μ与标准差σ，根据计算z值，其中x为具体的数据值。。
11、优选的，所述使用交通流数据构建路网的0-1图、距离图和基于dtw的时间相似度图，包括步骤：
12、定义0-1图anb，所述图anb内部元素的计算表达式为：
13、
14、其中，0-1阵是基于拓扑关系构造的邻接阵，通过反映节点在拓扑结构上的连通性来表达路网空间结构信息；
15、定义距离图adis，其内部元素由下式得出：
16、
17、其中，dist(i,j)代表节点i与节点j之间的距离，θ是分布控制参数，td为控制矩阵稀疏性的预定义阈值；
18、构建基于dtw的时间相似度图，包括如下步骤：
19、对于每个交通路网节点，使用dtw算法计算节点两两之间的dtw距离，通过dtw距离能够衡量两个时间序列之间的相似性；
20、使用计算得到的dtw距离，构建一个相似度矩阵，矩阵的每个元素代表两个时间序列之间的相似度，然后对矩阵进行min-max归一化，将矩阵数据规范到集合[0,1]。
21、优选的，将所述0-1图、距离图和基于dtw的时间相似度图融合获得多尺度邻接阵，包括如下步骤：
22、对所述0-1图、距离图和基于dtw的时间相似度图各自的邻接阵进行归一化；
23、将归一化后的邻接阵逐元素相加获得一个新的邻接阵，即获得融合邻居信息、距离信息、时间相似度关系的多尺度邻接阵；
24、对所述多尺度邻接阵进行min-max归一化，将矩阵数据规范到集合[0,1]。
25、优选的，所述利用基于gcn的空间处理模块处理所述多尺度邻接阵，包括如下步骤：
26、通过图卷积层、输出层、relu激活函数构建所述gcn的空间处理模块；
27、通过gcn的空间处理模块对所述多尺度邻接阵进行处理，获得结果为节点在多尺度图结构中的特征表达；
28、将所述特征表达输入到使用relu激活函数的单层全连接层，且引入非线性变换，捕获并处理路网中节点的空间信息。
29、优选的，将所述空间信息特征送入基于1d-cnn的时间处理模块中，获得路网中节点的时序预测结果，包括如下步骤：
30、通过1d-cnn层、池化层、输出层构成时间处理模块；
31、将所述特征输入到1d-cnn层中，通过1d-cnn层捕获特征序列中的局部模式和时序关系；
32、将1d-cnn层输出的特征序列输入到平池化层中，从输入序列的每个窗口中计算平均值作为池化后的值，从而提取出更平滑的特征；
33、通过所述输出层将平池化层输出的中间特征映射到该模块的预测结果。
34、优选的，通过堆叠多个所述st-block的时序预测结果运算，获得一定时间内交通流最终的预测结果，包括步骤：
35、通过将每个st-block的输入与输出进行残差连接，并基于任务和数据集对st-block的数量进行调整，输出最终的预测结果。
36、优选的，对所述任务和数据集设置阈值k，识别所有大于k的z值，这些数据点被识别为异常值，删除后使用众数法填补缺失。
37、优选的，本专利技术还提供一种交通流预测系统，包括：
38、路网图像构建模块，用于获取目标地的交通流数据，并使用交通流数据构建路网的0-1图、距离图和基于dtw的时间相似度图；
39、多尺度邻接阵获取模块，用于将所述0-1图、距离图和基于dtw的时间相似度图融合获得多尺度邻接阵；
40、空间信息获取模块，用于利用基于gcn的空间处理模块处理所述多尺度邻接阵，获得路网中节点的空间信息特征；
41、初步预测模块，用于将所述空间信息特征送入基于1d-cnn的时间处理模块中，获得路网中节点的时序预测结果；
42、最终预测模块，用于通过所述空间处理模块和时间处理模块构建st-block，并通过堆叠多个所述st-block的时序预测结果，获得一定时间内交通流最终的预测结果。
43、优选的，本专利技术还提供一种计算机设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述交通流预测方法的步骤。
44、优选的，本专利技术还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现所述的交通流预测方法。
45、与现有技术相比，本专利技术具有如下显著优点：
46、本专利技术通过0-1图、距离图和基于dt本文档来自技高网...
【技术保护点】
1.一种交通流预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种交通流预测方法，其特征在于，在所述使用交通流数据构建路网的0-1图、距离图和基于DTW的时间相似度图之前，需对所述交通流数据进行预处理，包括如下步骤：
3.如权利要求1所述一种交通流预测方法，其特征在于，所述使用交通流数据构建路网的0-1图、距离图和基于DTW的时间相似度图，包括步骤：
4.如权利要求3所述一种交通流预测方法，其特征在于，将所述0-1图、距离图和基于DTW的时间相似度图融合获得多尺度邻接阵，包括如下步骤：
5.如权利要求1所述一种交通流预测方法，其特征在于，所述利用基于GCN的空间处理模块处理所述多尺度邻接阵，包括如下步骤：
6.如权利要求1所述一种交通流预测方法，其特征在于，将所述空间信息特征送入基于1D-CNN的时间处理模块中，获得路网中节点的时序预测结果，包括如下步骤：
7.如权利要求1所述一种交通流预测方法，其特征在于，通过堆叠多个所述ST-BLOCK的时序预测结果，获得一定时间内交通流最终的预测结果，包括步骤
8.一种交通流预测系统，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述交通流预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至8中任一项所述的交通流预测方法。
...【技术特征摘要】
1.一种交通流预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述一种交通流预测方法，其特征在于，在所述使用交通流数据构建路网的0-1图、距离图和基于dtw的时间相似度图之前，需对所述交通流数据进行预处理，包括如下步骤：
3.如权利要求1所述一种交通流预测方法，其特征在于，所述使用交通流数据构建路网的0-1图、距离图和基于dtw的时间相似度图，包括步骤：
4.如权利要求3所述一种交通流预测方法，其特征在于，将所述0-1图、距离图和基于dtw的时间相似度图融合获得多尺度邻接阵，包括如下步骤：
5.如权利要求1所述一种交通流预测方法，其特征在于，所述利用基于gcn的空间处理模块处理所述多尺度邻接阵，包括如下步骤：
6.如权利要求1所述...
【专利技术属性】
技术研发人员：王晓强，汪维泰，陶乙豪，庄旭菲，李雷孝，齐承睿，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：
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。