短时交通流量预测的方法、系统、电子装置和存储介质与流程

[0001]
本申请涉及人工智能领域，特别是涉及短时交通流量预测的方法、系统、电子装置和存储介质。


背景技术：

[0002]
随着高速公路的不断发展与建设，由于其高效快速的通行能力已被越来越多的人作为日常出行方式的主要选择。但是，随着人们的出行需求的不断提高，已有的路网通行能力早已不能满足现有出行量，随即产生越来越多的交通拥堵状况，而其后果是交通事故的频发。因此，对高速公路短时交通量预测是实现合理有效的交通诱导，缓解交通拥堵，减少交通事故的频发的必要前提。
[0003]
在相关技术中，基于线性回归的算法预测，是获取可能影响交通流量的因子进行特征缩放，初始化经过特征缩放后的各个因子的参数，结合线性回归方法对特征缩放后的因子进行建模，然后根据实际交通流量和建立的模型确定代价函数，对代价函数进行正则化处理；接着利用梯度下降算法求解代价函数最小值，根据代价函数最小值求得最优参数，最后利用求得的最优参数对该道路的短时交通流量进行预测。由于基于线性回归的算法预测是假设采集到的路网数据呈线性趋势，并且输出的数据只能是线性关系，而路网数据是多样化的，路网的流量也是随机变化的，因此线性回归的算法误差大，数据利用率低，而且不能识别突发情况；
[0004]
基于卷积神经网络的方法，主要是利用构建交通流量序列，将流量序列输入到卷积神经网络进行训练从而得到观测点的预测结果，主要算法步骤为：(1)选定需要进行交通流预测的路段以及可获得的对应路网历史数据；(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测时段；(3)对预测路段的历史交通流数据进行二维矩阵转化；(4)构建卷积神经网络，对历史交通流数据集进行预测模型训练并验证优化。其预测数据的输入是单一来源，没有解决路网多模态数据应用的问题，此外，卷积神经网络只能完成单一任务的预测，不能实现路况多种情况的同时预测，运行效率低，计算成本大；
[0005]
基于支持向量机有监督训练模型预测利用不同的核函数对数据进行变换处理，将非线性的映射到一个高纬特征空间，并在高维特征空间构造出最优分类超平面，最后利用该超平面进行拟合或者分类，主要算法步骤为：(1)采集固定道路位置固定时间间隔内通过原始交通流量数据；(2)根据季节模型算法对原始的交通流量数据进行预处理，生成时序交通流数据；(3)根据数据类型和数据维度选择合适的核函数，构建基于支持向量机回归模型；(4)时序数据输入到支持向量机模型中进行训练和测试，并根据预测结果的平均绝对百分比误差进行模型参数调整。这种预测方法对大样本量的预测精度会下降，而且不能处理多模态数据，提取的特征无法捕捉路网的空间依赖性，参与模型计算的特征无法反应路网的复杂性和随机性。
[0006]
目前针对相关技术中，在对高速公路道路中间的短距离进行路况预测的情况下，针对路网多模态数据利用率低和路况多情况预测准确率低的问题，尚未提出有效的解决方
案。


技术实现要素：

[0007]
本申请实施例提供了短时交通流量预测的方法、系统、电子装置和存储介质，至少解决相关技术中在对高速公路道路中间的短距离进行路况预测的情况下，路网多模态数据利用率低和路况多情况预测准确率低的问题。
[0008]
第一方面，本申请实施例提供了一种短时交通流量预测的方法，所述方法包括：
[0009]
获取多模态路网源数据，以路段和时间为主维度，对所述数据进行预处理，生成口径统一和路段匹配的基础数据；
[0010]
分别对所述基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征；
[0011]
对所述时间依赖特征和所述空间依赖特征、所述环境特征以及所述图像特征进行特征融合，获得融合特征；
[0012]
通过注意力机制模型对所述融合特征进行过滤，捕捉所述融合特征中的关键有效特征；
[0013]
将所述有效特征输入任务回归模型中进行预测，得到预测值。
[0014]
在其中一些实施例中，所述通过注意力机制模型对所述融合特征进行过滤包括：
[0015]
建立所述融合特征之间的注意力权重，生成注意力权重矩阵；
[0016]
将所述注意力权重矩阵进行softmax归一化，得到权重向量；
[0017]
通过所述权重向量对所述融合特征进行加权线性组合，得到带权重参考的特征序列。
[0018]
在其中一些实施例中，所述分别对所述路网源数据中的路网时空数据、环境数据和视频图像数据进行特征提取包括：
[0019]
根据t-gcn模型对所述路网时空数据进行特征提取，获得时间依赖特征和空间依赖特征，对所述环境数据采用one-hot特征提取，获得环境特征，对所述视频图像数据采用卷积神经网络特征提取，获得图像特征。
[0020]
在其中一些实施例中，所述生成口径统一和路段匹配的基础数据包括：
[0021]
定义计算口径，对所述路网源数据进行转换，得到口径统一的基础数据；
[0022]
对所述路网源数据基于路段进行拆分或聚合，得到路段匹配的基础数据。
[0023]
在其中一些实施例中，所述将所述新特征输入任务回归模型中进行预测包括：
[0024]
采用多任务方式，对指定时间窗口指定路段的多个交通流量数据进行同时预测。
[0025]
第二方面，本申请实施例提供了一种短时交通流量预测的系统，所述系统包括：
[0026]
采集与预处理模块，用于获取多模态路网源数据，以路段和时间为主维度，对所述数据进行预处理，生成口径统一和路段匹配的基础数据；
[0027]
特征提取模块，用于分别对所述基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征；
[0028]
特征融合模块，用于对所述时间依赖特征和所述空间依赖特征、所述环境特征以及所述图像特征进行特征融合，获得融合特征；
[0029]
注意力机制模块，用于通过注意力机制模型对所述融合特征进行过滤，捕捉所述
融合特征中的关键有效特征；
[0030]
交通流量预测模块，用于将所述有效特征输入任务回归模型中进行预测，得到预测值。
[0031]
在其中一些实施例中，所述通过注意力机制模型对所述融合特征进行过滤包括：
[0032]
注意力机制模块建立所述融合特征之间的注意力权重，生成注意力权重矩阵；
[0033]
将所述注意力权重矩阵进行softmax归一化，得到权重向量；
[0034]
通过所述权重向量对所述融合特征进行加权线性组合，得到带权重参考的特征序列。
[0035]
第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项所述的短时交通流量预测的方法。
[0036]
第四方面，本申请实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项所述的短时交通流量预测的方法。
[0037]
相比于相关技术，本申请实施例提供的一种短时交通流量预测的方法，获取多模态路网源数据，以路段和时间为主维度，对该数据进行预处理，生成口径统一和路段匹配的基础数据；分别对基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征；对时间依赖特征和空间依赖特征、环境特征以及图像特征进行特征融合，获得融合特征；接着通过注意力机制模型对融合特征进行过滤，捕捉融合特征中的关键有效特征；最后将获取的有效特征输入任务回归模型中进行预测，得到预测值，解决了在对高速公路道路中间的短距离进行路况预测的情况下，路网多模态数据利用率低和路况多情况预测准确率低的问题，从而对短时的交通流量预测更为准确，也对短途路况的突发性有更好的预测，提升了模型预测的准确性和高效性。
附图说明
[0038]
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0039]
图1是根据本申请实施例的一种短时交通流量预测的方法的应用环境示意图；
[0040]
图2是根据本申请实施例的短时交通流量预测方法的流程图；
[0041]
图3是根据本申请实施例的短时交通流量预测系统的结构框图；
[0042]
图4是根据本申请实施例的一种短时交通流量预测的数据流程示意图；
[0043]
图5是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
[0044]
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关
的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
[0045]
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
[0046]
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
[0047]
本申请提供的短时交通流量预测的方法，可以应用于如图1所示的应用环境中，图1是根据本申请实施例的一种短时交通流量预测的方法的应用环境示意图，如图1所示，其中，该应用环境的系统包括服务器10和高速管理终端设备11，其中，服务器10获取多模态路网源数据，以路段和时间为主维度，对该数据进行预处理，生成口径统一和路段匹配的基础数据；再分别对预处理后的基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征；接着对获取的时间依赖特征和空间依赖特征、环境特征以及图像特征进行特征融合，获得融合特征；通过注意力机制模型对该融合特征进行过滤，捕捉融合特征中的关键有效特征；最后将获得的有效特征输入任务回归模型中进行预测，得到预测值，并将该预测值发送到高速管理终端设备11中，解决了在对高速公路道路中间的短距离进行路况预测的情况下，路网多模态数据利用率低和路况多情况预测准确率低的问题，从而对短时的交通流量预测更为准确，也对短途路况的突发性有更好的预测，高速管理终端设备11能根据未来时刻的交通流量，判断出未来对应路段的交通路况，对可能产生拥堵的路段作出预防性调度措施。
[0048]
本实施例提供了一种短时交通流量预测的方法，图2是根据本申请实施例的短时交通流量预测方法的流程图，如图2所示，该流程包括如下步骤：
[0049]
步骤s201，获取多模态路网源数据，并基于预测目标路段，从源数据中获取需要的三种模态的相关字段数据，以路段和时间为主维度，对该数据进行预处理，生成口径统一和路段匹配的基础数据，其中，多模态是指多种信息来源和形式，本实施例中多模态路网源数据一部分来源于高速公路上铺设的etc门架设备系统采集到的车辆通行数据和图像流水数据，这些数据涵盖了经过车辆的车牌、车速、车道和拍摄时间信息；另一部分来源于高速管理公司提供的静态数据表和第三方接口数据，这些数据主要和道路基础设置以及天气相
关。可选的，三种模态的相关字段数据分别有：第一类是etc门架系统中的通行数据，这类纯结构化数据是模型中最重要的基本数据源，主要包括流水号、etc门架路网编号、门架路段编号、etc门架编号、车型、车牌号码、车牌颜色、通过时间、行驶方向、车种等信息。第二类是图像流水记录数据，这类数据一方面是对流水通行数据的补充，另一方面用来提供高速公路的突发异常事件数据和危险驾驶等行为数据。图像流水数据主要记录流水号、etc路网编号、etc门架编号、设备编码和道路编码、车牌号码、车牌颜色、车辆速度以及车辆行驶方向。第三类是外接第三方数据和道路基础设置静态数据的二次加工，第三方数据主要为天气数据，地理位置数据，基础数据的二次加工为路段是否包含枢纽、路段的道路宽度和车道数、路段是否远离城市、路段是否接近收费站口、路段的平均限速等。本实施例对获取的路网数据进行预处理，生成口径统一和路段匹配的基础数据，可选的，预处理主要分为两大部分：第一部分是对数据的清洗，由于不同的数据源来源于不同的设备和采集平台，设备故障或者设备性能不足会导致数据的缺失、记录错误以及重复数据等问题，因此需要对错误数据和异常数据进行修正，补缺缺失路段数据以及去除冗余数据；第二部分是对不同设备采集的数据进行口径统一和路段匹配。本实施例针对路网数据的复杂多变，将数据分为三种模态进行处理，解决了路网多模态数据利用率低的问题，提高了数据的利用率，有利于后续对道路不同情况进行预测识别。
[0050]
步骤s202，分别对经过预处理后的基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征，其中，空间依赖是指受路网的拓扑结构影响产生的流量改变，例如，上游高速公路的交通状态通过转移影响下游的高速公路,下游的交通状态会通过反馈影响上游的状态；时间依赖是指流量随时间动态改变，会出现周期性的趋势，高速公路流量会被其前一时刻或者更前时刻的交通状态所影响。例如，对高速etc门架系统产生的etc门架路网编号、etc门架路段编号、车牌号码、车牌颜色、抓拍时间等数据进行整理和挖掘，使用时间序列拟合对车流量、车速等信息进行回归和预测，并对历史数据，如特殊日期、节假日，进行分析，提取具有特定的周期性事件或者趋势，进而有效预测出上下游高速公路之间事件影响，推断是否会有特殊情况发生。对比相关技术中预测数据特征输入单一，只能完成单一任务的预测，参与模型计算的特征无法反应路网的复杂性和随机性，本实施例通过对多模态数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征，能够有效解决路况突发状态和多情况同时预测的问题，有利于实现高速公路路网短时的断面交通路况的预测，提高后续对不同路况预测的准确性。
[0051]
步骤s203，对获取的时间依赖特征和空间依赖特征、环境特征以及图像特征进行特征融合，获得融合特征，本实施例通过神经网络方法，采用单层全连接方式对时间依赖特征和空间依赖特征、环境特征以及图像特征进行串联融合，保留了每类特征的信息。
[0052]
步骤s204，通过注意力机制模型对得到的融合特征进行过滤，捕捉融合特征中的关键有效特征，其中，注意力机制(attention mechanism)是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务，注意力一般分为两种：一种是自上而下的有意识的注意力，称为聚焦式注意力，是指有预定目的、依赖任务的、主动有意识地聚焦于某一对象的注意力；另一种是自下而上的无意识的注意力，称为基于显著性的注意力，基于显著性的注意力是由外界刺激驱动的注意，不需要主动干预，也和任务无关。本实
施例通过在多模态特征融合后加入注意力机制模型，根据预测路段目标对融合特征进行过滤，捕捉融合特征中的关键有效特征，由于在对各类模态特征采用单层全连接拼接融合后，并没有真正完成特征融合，还需要对融合特征进行注意力机制的过滤和捕捉，获取其中特殊路段信息的有效空间依赖特征、特殊时间段信息的有效时间依赖特征以及有效环境特征和有效图像特征，尤其是增加了对特殊路段信息的有效空间依赖特征捕捉和对特殊时间段信息的有效时间依赖特征捕捉，可选的，特殊路段信息是指异常路段、事故多发路段、合流处等路段信息；可选的，特殊时间段信息是指早晚高峰、节假日、季节性规律信息等时间信息，相比相关技术的直接将处理好的特征作为入参进入模型预测，本实施例通过注意力机制模型将过滤得到的重点特征作为入参进入模型预测，更能反映高速短时交通流量的真实情况，解决了路况多情况预测准确率低的问题，提升了模型的预测精准度。
[0053]
步骤s205，将获取的有效特征输入任务回归模型中进行预测，得到最终的预测值。其中，任务回归模型是指一种预测性的数学模型，主要研究目标和预测器之间的关系，例如，对高速短时交通流量的预测分析。本实施例将获得的有效特征输入任务回归模型中进行预测，得到预测值，并将该预测值发送到高速管理终端设备11中，根据交通流量的预测值，帮助高速管理运营公司判断出未来对应路段是否畅通，并对可能产生拥堵的路段作出预防性调度措施，解决了短途复杂路况突发性情况预测的问题，提高了预测的准确性和精细度。
[0054]
通过上述步骤s201至步骤s205，相对于现有技术中，基于线性回归的算法预测误差大，数据利用率低，而且不能识别突发情况，基于卷积神经网络的方法，只能完成单一任务的预测，不能实现路况多种情况的同时预测，且运行效率低，计算成本大，以及基于支持向量机有监督训练模型预测对大样本量的预测精度会下降，不能处理多模态数据，无法反应路网的复杂性和随机性的问题。本实施例基于多模态注意力机制模型的方法，服务器10获取多模态路网源数据，以路段和时间为主维度，对该数据进行预处理，生成口径统一和路段匹配的基础数据；再分别对预处理后的基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征；接着对获取的时间依赖特征和空间依赖特征、环境特征以及图像特征进行特征融合，获得融合特征；通过注意力机制模型对该融合特征进行过滤，捕捉融合特征中的关键有效特征；最后将获得的有效特征输入任务回归模型中进行预测，得到预测值，并将该预测值发送到高速管理终端设备11中，解决了在对高速公路道路中间的短距离进行路况预测的情况下，路网多模态数据利用率低和路况多情况预测准确率低的问题，从而对短时的交通流量预测更为准确，也对短途路况的突发性有更好的预测，提高了模型预测的准确性和高效性。
[0055]
在其中一些实施例中，通过注意力机制模型对融合特征进行过滤包括：建立融合特征之间的注意力权重，生成注意力权重矩阵，将该注意力权重矩阵进行softmax归一化，得到权重向量，通过该权重向量对融合特征进行加权线性组合，得到带权重参考的特征序列，其中，特征序列包括：采用空间注意力机制对异常路段、事故多发路段、合流处等特殊路段捕捉到的空间特征序列和采用时间注意力机制对早晚高峰、节假日、季节性规律信息等特殊时间段捕捉到的时间特征序列。本实施例通过注意力机制模型，对融合特征进行过滤，得到关键有效的时间特征和空间特征，相比相关技术中心直接将处理好的特征作为入参进入模型预测，本实施例更能反应高速短时交通流量的真实情况，解决了路况多情况预测准
确率低的问题，提高了模型预测的准确性。
[0056]
在其中一些实施例中，分别对路网源数据中的路网时空数据、环境数据和视频图像数据进行特征提取包括：根据t-gcn模型对路网时空数据进行特征提取，获得时间依赖特征和空间依赖特征，对环境数据采用one-hot特征提取，获得环境特征，对视频图像数据采用卷积神经网络特征提取，获得图像特征，本实施例通过对路段之间的关系匹配，得到当前时刻t下路段的时序交通信息，以长度为n的历史时间序列数据作为输入，使用gcn接收拓扑结构的空间信息，其次将接收到的空间、时间信息输入gru当中，获取各个单元间的动态信息变化，以提取时间依赖特征，对于给定的路段相邻矩阵和特征矩阵,通过gcn模型的一阶邻域捕获节点之间的空间依赖特征；可选的，本实施例中环境数据包括路况数据和环境数据，路况数据主要是指路段所在的地理位置属性，例如，路段是否靠近收费站、路段是否包含枢纽点、路段节点的入口数/出口数，环境数据主要是指天气状况，包含当前天气和未来预测天气状况，此类特征维度不高，可以直接利用one-hot进行特征提取，获取环境特征，其中，one-hot又称“独热编码”，是比较常用的文本特征特征提取的方法，是用n位状态寄存器编码n个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效；可选的，本实施例中视频图像数据主要包括异常路段特征数据和车道数据，由于etc门架设备采集到的数据不涉及车道级别的数据，也没有路段施工、事故、车辆道路占比等数据，因此，利用视频图像数据可以通过对车道级别的车辆距离分析以及其他图像特征学习，获得对道路状况的特征补充，本实施例采用卷积神经网络对视频图像特征进行提取，通过不同的卷积核提取不同的图像特征，通过对多模态数据进行特征提取，解决了路况突发状态和多情况同时预测的问题，提高了后续对不同路况预测的准确性。
[0057]
在其中一些实施例中，生成口径统一和路段匹配的基础数据包括：定义计算口径，对路网源数据进行转换，得到口径统一的基础数据；对路网源数据进行路段的拆分或聚合，对应到小路段，得到路段匹配的基础数据，可选的，由于不同设备采集的数据存在口径的不一致的问题，因此，本实施例通过定义计算口径，对路网源数据进行转换。可选的，由于模型的预测目标是高速公路的小路段，因此需要对路网源数据进行路段的拆分或聚合，对应到小路段，得到路段匹配的基础数据，例如，etc通行数据是每辆行驶车的数据，需要根据etc编号加行驶时间，将单辆车的数据聚合到对应的预测路段数据中；车道维修的数据是长路段数据，需要将这个长路段数据拆分为每个路段的对应影响车道。本实施例对路网源数据进行处理，生成统一匹配的基础数据，有利于对数据进行后续步骤的处理，提高效率。
[0058]
在其中一些实施例中，将新特征输入任务回归模型中进行预测包括：采用多任务方式，对指定时间窗口指定路段的多个交通流量数据进行同时预测。本实施例将获取的新特征进行加权叠加后，输入到任务回归模型中，采用多任务方式，对指定时间窗口的指定路段的车流量、平均车速和车流密度等多个交通流量数据进行同时预测处理，输出对应路段未来时刻的交通流量预测值。相比于现有技术中神经网络只能完成单一任务预测，不能实现路况多种情况同时预测的问题，本实施例关注重点路段、突发事件和时间季节因素带来的流量影响，采用多任务多时间窗口同时预测，并且预测结果互为助益，例如流量和速度两个任务，根据ρ＝φ/v计算得到密度信息，预测结果可以互相补充、影响，达到预测结果精确化、最优化。
[0059]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计
算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0060]
本实施例还提供了一种短时交通流量预测的系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0061]
图3是根据本申请实施例的短时交通流量预测系统的结构框图，如图3所示，该系统包括采集与预处理模块31、特征提取模块32、特征融合模块33、注意力机制模块34和交通流量预测模块35：
[0062]
采集与预处理模块31，用于获取多模态路网源数据，以路段和时间为主维度，对该数据进行预处理，生成口径统一和路段匹配的基础数据；特征提取模块32，用于分别对基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征；特征融合模块33，用于对时间依赖特征和空间依赖特征、环境特征以及图像特征进行特征融合，获得融合特征；注意力机制模块34，用于通过注意力机制模型对融合特征进行过滤，捕捉融合特征中的关键有效特征；交通流量预测模块35，用于将获得的有效特征输入任务回归模型中进行预测，得到最终预测值。
[0063]
通过上述系统，采集与预处理模块31针对路网数据的复杂多变，将数据分为三种模态进行处理，解决了路网多模态数据利用率低的问题，提高了数据的利用率，有利于后续对道路不同情况进行预测识别；特征提取模块32通过对多模态数据进行特征提取，获取时间依赖特征和空间依赖特征、环境特征以及图像特征，能够有效解决路况突发状态和多情况同时预测的问题，有利于实现高速公路路网短时的断面交通路况的预测，提高后续对不同路况预测的准确性；特征融合模块33采用单层全连接方式对时间依赖特征和空间依赖特征、环境特征以及图像特征进行串联融合，保留了每类特征的信息；注意力机制模块34通过在多模态特征融合后加入注意力机制模型，根据预测路段目标对融合特征进行过滤，捕捉融合特征中的关键有效特征，相比相关技术的直接将处理好的特征作为入参进入模型预测，本实施例通过注意力机制模型将过滤得到的重点特征作为入参进入模型预测，更能反映高速短时交通流量的真实情况，解决了路况多情况预测准确率低的问题，提升了模型的预测精准度；交通流量预测模块35根据交通流量的预测值，帮助高速管理运营公司判断出未来对应路段是否畅通，并对可能产生拥堵的路段作出预防性调度措施，解决了短途复杂路况突发性情况预测的问题，提高了预测的准确性和精细度。整个系统解决了在对高速公路道路中间的短距离进行路况预测的情况下，路网多模态数据利用率低和路况多情况预测准确率低的问题，从而对短时的交通流量预测更为准确，也对短途路况的突发性有更好的预测，提高了模型预测的准确性和高效性。
[0064]
在其中一些实施例中，注意力机制模块34中通过注意力机制模型对融合特征进行过滤包括：建立融合特征之间的注意力权重，生成注意力权重矩阵，将该注意力权重矩阵进行softmax归一化，得到权重向量，通过该权重向量对融合特征进行加权线性组合，得到带权重参考的特征序列，其中，特征序列包括：采用空间注意力机制对异常路段、事故多发路段、合流处等特殊路段捕捉到的空间特征序列和采用时间注意力机制对早晚高峰、节假日、季节性规律信息等特殊时间段捕捉到的时间特征序列。本实施例通过注意力机制模型，对
融合特征进行过滤，得到关键有效的时间依赖特征、空间依赖特征、环境特征和图像特征，相比相关技术中心直接将处理好的特征作为入参进入模型预测，本实施例更能反应高速短时交通流量的真实情况，解决了路况多情况预测准确率低的问题，提高了模型预测的准确性。
[0065]
下面结合应用场景对本发明进行详细的说明。
[0066]
本发明基于多设备多维度采集下的多模态数据，通过对多模态数据特征提取后进行特征融合，然后采用注意力机制模型，获取不同路段和不同预测目标的特征，预测未来一定时间段各路段的交通流量情况，图4是根据本申请实施例的一种短时交通流量预测的数据流程示意图，如图4所示，本实施例中的短时交通流量预测的技术方案的具体流程步骤如下：
[0067]
s1，基于对源数据的业务理解和预测目标路段，从etc门架系统中采集etc通行数据中的etc编号、车牌号码、车牌颜色、行驶时间和行驶方向；采集路况环境数据中的路段、桩号、etc门架号、归属的路网信息、时间和天气数据；以及采集视频图像数据中的视频拍摄时间、拍摄位置和拍摄图片；
[0068]
s2，以路段加时间为主维度，对采集的通行数据、环境数据和图像数据进行聚合、拆分、转换和对齐，生成口径统一和路段匹配的基础数据，例如，以路段和时间为主维度，对通行数据进行聚合生成车流量和车速两个基础数据；对环境数据进行转换对齐，生成天气恶劣程度、是否枢纽和是否收费站三个基础数据，其中，1、2表示天气恶劣程度；1表示是枢纽，0表示不是枢纽；1表示是收费站，0表示不是收费站；对图像数据进行转换对齐，生成拍摄图片这一基础数据；
[0069]
s3，对路网数据利用t-gcn特征提取，获得时间依赖特征和空间依赖特征，对环境数据直接采用one-hot特征提取；对视频图像数据采用卷积神经网络进行图像特征提取，例如，以路段1为主维度，利用t-gcn对路网数据提取时间依赖特征x11、x21和空间依赖特征x31等；采用one-hot对环境数据提取环境特征x11、x21等；采用卷积神经网络对视频图像数据提取图像特征x11、x21等；
[0070]
s4，对提取到的时间依赖特征、空间依赖特征、环境特征和图像特征进行特征融合，采用单层全连接的方式对所有特征进行合并连接，例如，以路段1为主维度，对提取到的时间依赖特征、空间依赖特征、环境特征和图像特征进行特征融合，获得融合特征w11、w21、w31等；
[0071]
s5，对融合后的特征，加入注意力机制模型，学习历史序列特征，捕捉关键有效特征，最后把捕捉到的新特征作为新的输入层，输入到最终的lstm模型中进行预测，得到预测值，例如，以路段1为主维度，通过注意力机制模型，捕捉关键有效特征，并输入最终的lstm模型中进行预测，得到预测值y11、y21、y31等。
[0072]
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0073]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0074]
另外，结合上述实施例中的短时交通流量预测的方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上
述实施例中的任意一种短时交通流量预测的方法。
[0075]
在一个实施例中，图5是根据本申请实施例的电子设备的内部结构示意图，如图5所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图5所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种短时交通流量预测的方法。
[0076]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0077]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0078]
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0079]
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。