一种交通流量的预测方法、系统及终端设备与流程

本申请涉及交通预测技术领域，尤其涉及一种交通流量的预测方法、系统、终端设备及计算机可读存储介质。

背景技术：

准确的交通条件实时预测对于道路使用者，私营部门和政府来说至关重要。广泛使用的运输服务，例如流量控制，路线规划和导航，也在很大程度上依赖于高质量的交通状况评估。一般而言，多尺度交通预测是城市交通控制和引导的前提和基础，也是智能交通系统(its)的主要功能之一。在交通研究中，通常选择交通流量的基本变量，即速度，密度和占有率作为监测交通状况的当前状态和预测未来的指标。根据预测的长度，交通预测通常分为两个等级：短期(5～30分钟)，中期和长期(超过30分钟)。交通预测研究的方法主要可以分为参数模型和非参数模型，而非参数模型又可以分为基于机器学习方法和基于深度学习方法。

参数模型以回归函数为前提，通过处理原始数据确定参数，然后基于回归函数实现交通预测。时间序列模型，线性回归模型和卡尔曼滤波模型是常用的方法。时间序列模型将观察到的时间序列拟合到参数模型中以预测未来数据。线性回归模型基于历史交通数据构建回归函数以预测交通流量。卡尔曼滤波模型根据前一时刻的交通状况预测未来的交通状况和当前时刻。非参数模型中的机器学习方法包括：k近邻模型，支持向量回归模型，模糊逻辑模型，贝叶斯网络模型等等。上述非参数模型方法简单的仅考虑时间依赖性，近年来，随着深度学习的快速发展，深度神经网络模型能够很好地捕获交通数据的动态特征。充分利用时空依赖性是解决交通预测问题的关键。为了更好地表征空间特征，许多研究都在此基础上进行了改进。非参数模型中只需要足够的历史数据即可自动从交通数据中了解统计规律。非参数模型中的机器学习方法的缺点是结构较为简单，在复杂的非线性交通流预测问题中的表现一般。基于深度学习的方法结构复杂，能够更好的捕捉交通流变换的非线性关系，其缺点是这些模型考虑了时间特征，但忽略了空间依赖性。因此交通数据的变化不受城市路网的约束，它们无法准确预测道路上的交通状况。充分利用时空依赖性是解决交通预测问题的关键。

故有必要提出一种新的技术方案，以解决上述技术问题。

技术实现要素：

鉴于此，本申请实施例提供了一种交通流量的预测方法、系统及终端设备，以解决现有交通预测方法中忽略了交通运输的空间依赖性，从而使预测不精准的问题。

本申请实施例的第一方面提供了一种交通流量的预测方法，所述预测方法包括：

采集目标地区指定时间段内的交通数据，所述指定时间段包括当前n小时，前一天同一时间段的n小时以及前一周对应日相同时间段的n小时；

对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征；

将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；

根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。

可选地，在所述采集目标地区指定时间段内的交通数据之前包括：

检测目标地区的道路分布，根据所述道路分布构建道路网络图，其中，每个节点代表一条道路。

可选地，所述捕获城市道路网络的拓扑结构以获得空间特征，包括：

根据所述交通数据构建邻接矩阵和特征矩阵；

通过所述接矩阵和特征矩阵获取节点之间的空间特征，构建gat模型；

通过所述gat模型获取道路网络拓扑结构的空间特征。

可选地，所述捕获时间特征还包括，

根据所述空间特征获取所述道路网络图中各节点的高纬度表示；

将所述高纬度表示进行循环神经网络训练后得到预测值；

根据所述预测值构建预测模型。

可选地，在所述采集所述道路网络图中指定时间段内的交通数据之后包括：

将每小时内所获取的交通数据按照五分钟的间隔分为12个单元，将一个单元内一个交通探头记录的数据作为一次时间节点的数据。

本申请实施例的第二方面提供了一种交通流量的预测系统，所述预测系统包括：

采集模块，用于采集目标地区指定时间段内的交通数据，所述指定时间段包括当前n小时，前一天同一时间段的n小时以及前一周对应日相同时间段的n小时；

空间特征获取模块，用于对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征；

时间特征获取模块，用于将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；

预测模块，用于根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。

可选地，所述预测系统还包括：

检测目标地区的道路分布，根据所述道路分布构建道路网络图，其中，每个节点代表一条道路。

可选地，所述空间特征获取模块，用提用于，包括：

根据所述交通数据构建邻接矩阵和特征矩阵；

通过所述接矩阵和特征矩阵获取节点之间的空间特征，构建gat模型；

通过所述gat模型获取道路网络拓扑结构的空间特征。

本申请实施例的第三方面提供了一种终端设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述第一方面提及的方法。

本申请实施例的第四方面提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，上述计算机程序被处理器执行时实现上述第一方面提及的方法。

本申请实施例中首先采集目标地区指定时间段内的交通数据，然后对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征，将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；最后，根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。上述预测方法中采用深度学习强大的特征表达能力能够区别于传统的机器学习方法，模型有更高的收敛性，预测得出交通流量结果准确性高。将基于注意力机制的图卷积神经网络应用于交通领域的预测问题中，不同于基于谱域的图卷积神经网络，基于注意力机制的图卷积方式在复杂道路结构中能够更好的挖掘道路交通网络中的高维特征，搭配上经过改良的循环神经网络提高了交通流量预测的准确度，特别是在中长期的预测中提升效果明显。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种交通流量的预测方法的流程图；

图2为本申请实施例提供的预测过程流程图；

图3为本申请实施例提供的道路网络图的示意图；

图4为本申请实施例中以某节点为中心道路时的道路拓扑图；

图5为本申请实施例提供的时空图卷积结构示意图；

图6为本申请实施例提供交通流量的预测系统的结构示意图；

图7为本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1是本申请实施例一提供的交通流量的预测方法的流程示意图，该方法可以包括以下步骤：

步骤s11：采集目标地区指定时间段内的交通数据，所述指定时间段包括当前n小时，前一天同一时间段的n小时以及前一周对应日相同时间段的n小时。

步骤s12：对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征。

步骤s13：将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征。

步骤s14：根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。

具体地，本申请提供的预测方法通过stgat模型实现，该模型由两部分组成：图卷积网络和门控递归单元。如图2所示，我们首先使用历史n时间序列数据作为输入，然后使用图卷积网络捕获城市道路网络的拓扑结构以获得空间特征。其次，将获得的具有空间特征的时间序列输入到门控循环单元模型中，并通过单元之间的信息传递获得动态变化，以捕获时间特征。最后，我们通过完全连接的层获得结果。

城市道路网络不是二维网格，而是图的形式(如图3所示)。道路网络为g，我们使用未加权图g＝(v,e)来描述道路网的拓扑结构,每个道路作为一个节点,v是道路节点集合,v＝{v1、v2,…,vn},n是节点的数量,e代表边集合。邻接矩阵a表示道路之间的连接，a∈r(n×n)。邻接矩阵只包含0和1的元素。特征矩阵x∈r(n×p)。道路上的交通信息网络是网络中节点的属性特征,p代表节点属性的数量特征(历史时间序列的长度)，xt∈r(n×i)用于表示每条道路的速度。同样，节点属性特性可以是任何交通信息，比如交通速度、交通流和交通密度因此，时空交通预测问题可以认为是在路网拓扑g和特征矩阵x的前提下学习映射函数f，然后计算未来t时刻的交通信息，如式1所示：

[xt+1,…,xt+t]＝f(g；(xt-n,…,xt))(1)

步骤一，初始化历史数据，将某地区交通探头得到的数据按照近三小时，昨天同一时间，上周同一时段组成待训练数据。数据为3维形式，(x×y×z)，分别代表时间序列，节点坐标，节点特征。把每小时按照五分钟的间隔分为12个单元，将一个单元内一个交通探头记录的数据作为一次时间节点的数据。

步骤二，通过基于注意力机制的图卷积神经网络(graphattentionnetwork)，准确地捕捉城市道路网络复杂的拓扑结构空间依赖关系。在空间维度上，不同位置的交通状况相互影响，相互影响具有很强的动态性。因此我们使用注意力机制自适应地捕捉空间维度中节点之间的动态关联性。

给定一个邻接矩阵a和特征矩阵x,gat模型构造一个过滤器。该滤波器作用于图的节点上，通过它的一阶邻域捕获节点之间的空间特征，然后通过叠加多个卷积层来构建gat模型。对路网拓扑结构和道路属性进行编码，得到空间依赖关系。图4反映了假设节点1为中心道路，gat模型可以得到中心道路与其周围道路之间的拓扑关系。

步骤三，提取到路网拓扑结构后也就是得到了网络中节点带有道路信息(如速度，密度和占有率)的高维度表示，然后送入下一循环神经网络用以捕捉节点流量的时间序列特征。如图5所示，输入的xt是经过gat模块提取后的带有网络拓扑结构信息的高维度张量。经过如图4的循环神经网络训练后得到的隐藏层ht就是最后的预测值。此外，每个神经网络层都进行了归一化，防止过拟合。我们在最后附加了一个额外的时域卷积层和一个全连通层作为输出层，进而对未来一段时间内的交通流量进行预测。

本申请实施例中首先采集目标地区指定时间段内的交通数据，然后对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征，将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；最后，根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。上述预测方法中采用深度学习强大的特征表达能力能够区别于传统的机器学习方法，模型有更高的收敛性，预测得出交通流量结果准确性高。将基于注意力机制的图卷积神经网络应用于交通领域的预测问题中，不同于基于谱域的图卷积神经网络，基于注意力机制的图卷积方式在复杂道路结构中能够更好的挖掘道路交通网络中的高维特征，搭配上经过改良的循环神经网络提高了交通流量预测的准确度，特别是在中长期的预测中提升效果明显。

实施例二

图6是本申请实施例二提供的交通流量的预测系统的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。

该预测系统包括：

采集模块61，用于采集目标地区指定时间段内的交通数据，所述指定时间段包括当前n小时，前一天同一时间段的n小时以及前一周对应日相同时间段的n小时；

空间特征获取模块62，用于对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征；

时间特征获取模块63，用于将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；

预测模块64，用于根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。

可选地，所述预测系统还包括：

检测目标地区的道路分布，根据所述道路分布构建道路网络图，其中，每个节点代表一条道路。

可选地，所述空间特征获取模块，用提用于，包括：

根据所述交通数据构建邻接矩阵和特征矩阵；

通过所述接矩阵和特征矩阵获取节点之间的空间特征，构建gat模型；

通过所述gat模型获取道路网络拓扑结构的空间特征。

上述系统的具体工作过程参见上述交通流量的预测方法的实现过程，在此不再赘述。

实施例三

图7是本申请实施例三提供的终端设备的结构示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述方法实施例一中的步骤，例如图1所示的步骤s11至s14。所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61至64的功能。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。