【技术实现步骤摘要】
本申请涉及智能交通，具体涉及用于高速公路隧道管控的多细粒度交通流预测方法及系统。
技术介绍
1、随着城市化的发展与道路结构建设愈发复杂，高速公路路数量、车流量、高速公路隧道数量逐年增加，高速公路发生事故概率也在逐年增加，尤其是高速公路隧道内事故率，也在逐年增加，这极大增加了高速公路隧道交通管控的成本与复杂性。目前需要建立一套高速公路隧道交通预警系统辅助人们进行合理的智能监测管理、预测预警、应急管控，从而构建全过程安全可控的高速公路隧道交通管控系统。高速公路隧道速交通流数据预测是高速公路隧道交通预警系统的核心模块，通过分析历史时间固定地点的交通流量数据，预测下一时间状态交通流量或对长时间片段的流量进行趋势向、周期向判断。精准的高速公路隧道交通流数据预测可以有效地为高速公路车流量预测预警、精细化主动诱导管控等模块提供数据支撑，提高高速公路隧道交通全方位预警诱导能力。
2、高速公路隧道交通预警系统中的交通流预测可以被视为多源时间序列预测任务(the multivariate time series，mts)，区别于单源时间序列中单一传感器在一定时间段中固定时间间隔采样得到的数据，多元时间序列包括多个传感器在同一区域内的采样数据。通常情况下，将不同源数据间的数据关系称为空间关系，同一传感器不同时间节点的数据关系称为时间关系，不同传感器间的不同时间节点的数据关系称为时空关系。区别于其他时间序列，高速公路长隧道交通流数据因传感器差异或时间地点的不同而导致数据具有多细粒度特性。如节假日期间的车流量采样频率更高，或在某个偏远的高速公
3、多源时间序列预测的关键在于如何将过去的信息与多个变量之间复杂的时空相关性结合起来。与单变量时间序列预测相比，mts预测难度更大，且不同于其他mts，高速公路长隧道交通流预测还需处理多细粒度数据。已有很多研究工作基于单源时间序列预测，如基于传统数学方法的自回归差分滑动平均模型，卡尔曼滤波分析；基于机器学习方法的支持向量机(svm)等。但单源时间序列预测方法已经无法满足多源预测的复杂条件，这些方法难以有效结构化交通流数据中的时空关系，无法挖掘出其中的数据时空依赖。随着深度学习技术的发展，时间序列预测任务大都使用循环神经网络进行数据流的预测，如rnn，lstm，gru等。这些序列模型沿着时间维度逐步处理数据，具有挖掘时间依赖性的能力。但是，它们难以捕获交通流数据在空间关系上的特征，并且不能直接筛选出影响模型性能的重要特征。一些基于图神经网络的模型如gcn，t-gcn等可以提取数据的时空关系，但无法针对多细粒度数据进行预测。
4、由于现实问题中通常会根据存在时空关系的多个变量进行不同细粒度的交通流预测，因此使用多源变量来准确预测不同时间细粒度的交通流具有挑战性。现有方法通常基于单源时间变量捕获拟合时序映射关系，或在多源序列数据中提升特征提取能力，进行单一尺度的预测。这些方法缺乏捕捉多源变量间时空关系的能力，并且无法学习到不同时间细粒度的样本特征，导致无法精确的预测交通数据流。
技术实现思路
1、为解决上述背景中的问题，本申请提供一种多细粒度高速公路长隧道交通流量预测方法，能够针对高速公路长隧道交通流数据多时间间隔的特性进行时序预测，提升预测的连续性，提升模型预测的精准度。
2、为实现上述目的，本申请提供了用于高速公路隧道管控的多细粒度交通流预测方法，步骤包括：
3、收集交通流原始数据；
4、依据所述交通流原始数据构建预测模型；
5、使用构建好的所述预测模型完成交通流的预测。
6、优选的，使用所述预测模型进行预测的方法包括：
7、对所述交通流原始数据进行多细粒度特征融合，得到输入数据；
8、对所述输入数据进行数据特征的提取；
9、基于所述提取的数据特征，完成交通流的预测。
10、优选的，进行所述多细粒度特征融合的方法包括：
11、对所述交通流原始数据进行数据级一次融合，得到次级数据；
12、对所述次级数据进行特征级二次融合，得到所述输入数据。
13、优选的，进行所述数据级一次融合的方法包括：将高细粒度的数据按照采样频率倍数成组的整合到上一级低细粒度数据中；将所述低细粒度数据按照采样频率倍数成组的整合到上一级更低细粒度的数据中，完成数据层面的一次融合。
14、优选的，进行所述特征级二次融合的方法包括：将所述次级数据送入lstm网络分别提取不同细粒度数据的特征，将不同细粒度数据送入卷积模块提取数据特征，将每种特征维度对齐后拼接，形成拼接特征矩阵；特征维度指数据特征矩阵的维度，将不同细粒度但维度一致的数据特征矩阵进行通道维度的拼接；随后将拼接后的矩阵送入卷积模块提取特征层面的多种细粒度融合特征，输出针对多细粒度数据的融合特征，完成所述特征级二次融合。
15、优选的，提取所述数据特征的方法包括：使用自注意力机制将所述输入数据作为三个新向量映射到高维空间，提取一级特征；通将所述一级特征拆分为两个子特征，分别对两个子特征进行特征提取，完成所述数据特征的提取。
16、优选的，完成交通流的预测的方法包括：通过相互学习仿射变换参数促使两个子序列之间的信息交换，融合两个子特征经过lstm输出时序预测结果，完成交通流的预测。
17、本申请还提供了用于高速公路隧道管控的多细粒度交通流预测系统，包括：采集模块、构建模块和预测模块；
18、所述采集模块用于收集交通流原始数据；
19、所述构建模块用于依据所述交通流原始数据构建预测模型；
20、所述预测模块用于使用构建好的所述预测模型完成交通流的预测。
21、与现有技术相比，本申请的有益效果如下：
22、本申请模型将多源变量送入多细粒度融合预测模块用于提取多细粒度融合特征，随后将特征送入时空关系特征提取模块用于捕捉数据样本的时空关系依赖。本申请在时序预测任务尤其是多细粒度的高速公路长隧道交通流预测中有着较好表现。
本文档来自技高网...【技术保护点】
1.一种用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，使用所述预测模型进行预测的方法包括：
3.根据权利要求2所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，进行所述多细粒度特征融合的方法包括：
4.根据权利要求3所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，进行所述数据级一次融合的方法包括：将高细粒度的数据按照采样频率倍数成组的整合到上一级低细粒度数据中；将所述低细粒度数据按照采样频率倍数成组的整合到更低细粒度的数据中，完成数据层面的一次融合。
5.根据权利要求3所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，进行所述特征级二次融合的方法包括：将所述次级数据送入LSTM网络分别提取不同细粒度数据的特征，将不同细粒度数据送入卷积模块提取数据特征，将每种特征维度对齐后拼接，形成拼接特征矩阵；特征维度指数据特征矩阵的维度，将不同细粒度但维度一致的数据特征矩阵进行通道维度的拼接；随后将
6.根据权利要求2所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，提取所述数据特征的方法包括：使用自注意力机制将所述输入数据作为三个新向量映射到高维空间，提取一级特征；通将所述一级特征拆分为两个子特征，分别对两个子特征进行特征提取，完成所述数据特征的提取。
7.根据权利要求6所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，完成交通流的预测的方法包括：通过相互学习仿射变换参数促使两个子序列之间的信息交换，融合两个子特征经过LSTM输出时序预测结果，完成交通流的预测。
8.用于高速公路隧道管控的多细粒度交通流预测系统，其特征在于，包括：采集模块、构建模块和预测模块；
...【技术特征摘要】
1.一种用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，使用所述预测模型进行预测的方法包括：
3.根据权利要求2所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，进行所述多细粒度特征融合的方法包括：
4.根据权利要求3所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，进行所述数据级一次融合的方法包括：将高细粒度的数据按照采样频率倍数成组的整合到上一级低细粒度数据中；将所述低细粒度数据按照采样频率倍数成组的整合到更低细粒度的数据中，完成数据层面的一次融合。
5.根据权利要求3所述的用于高速公路隧道管控的多细粒度交通流预测方法，其特征在于，进行所述特征级二次融合的方法包括：将所述次级数据送入lstm网络分别提取不同细粒度数据的特征，将不同细粒度数据送入卷积模块提取数据特征，将每种特征维度对...
【专利技术属性】
技术研发人员：高金勇，曾俊铖，丁峰，曹建华，林文健，田俊山，王歆远，范云松，徐劲，周成，
申请(专利权)人：福建省高速公路集团有限公司，
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。