融合多周期和空间语义关联的交通状态预测方法及系统

本发明属于交通状态预测，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。

背景技术：

1、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。

2、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

1、针对现有技术的缺陷和改进需求，本发明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。

2、为实现上述目的，按照本发明的第一方面，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：

3、训练阶段：

4、s1、获取实际路网中各路段的原始交通状态数据x；

5、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；

6、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xr、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xd、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xw及表示待预测时间片内交通状态的训练目标ytrue；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tr个时间片；所述待预测时间片为待预测的连续tp个时间片；

7、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。

8、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；

9、近期相关数据xr、日周期相关数据xd、周周期相关数据xw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ypred。

10、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；

11、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aapt及作为数据样本的近期相关数据xr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hs；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aapt用于表示交通节点间的道路语义信息关联关系；

12、所述时间学习模块用于以所述近期相关数据xr为输入，输出交通节点间的近期时间变化规律ht；

13、所述时空信息融合模块用于融合所述空间相关信息hs与所述近期时间变化规律特征ht，得到交通节点间的近期时空变化规律hr。

14、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、tp个并联的所述时空特征学习网络及拼接模块；

15、所述拆分模块用于将日周期相关数据xd或周周期相关数据xw沿着时间维度切片及维度变换，得到tp个数据块；

16、tp个并联的所述时空特征学习网络分别用于输出tp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tp个数据块；

17、所述拼接模块用于将tp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hd或周周期时空变化规律hw。

18、进一步地，所述自适应邻接矩阵aapt为：

19、

20、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；

21、所述自适应扩散图卷积网络的输出为：

22、

23、其中，为前向转移矩阵，为后向转移矩阵；rowsum(·)表示沿着行相加；atranspose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；wk1、wk2、wk3为参数矩阵。

24、进一步地，所述时间学习模块为门控时间卷积网络。

25、进一步地，所述近期相关数据xr及所述训练目标ytrue的生成方式为：

26、

27、其中，dr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dtrue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tr为近期相关数据的历史步长，tp为待预测的未来步长；newaxis表示新增加一个维度；stackdim＝1表示对切片后的数据沿着维度1进行堆叠。

28、进一步地，所述日周期相关数据xd及所述周周期相关数据xw的生成方式包括：

29、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

30、

31、其中，q表示交通节点在一天内的采样频率；td为日周期数据的历史步长，tw为周周期数据的历史步长；

32、s222、将所述集合中的每个元素沿着时间维度进行堆叠得到任意时刻t对应的日周期数据和周周期数据

33、s223、根据s221和s222，生成所有采样时刻ts对应的日周期数据和周周期数据构成的集合sd、sw：

34、

35、s224、将所述集合sd、sw中的每个元素沿着采样时刻ts进行堆叠和维度变化，得到所有采样时刻ts的日周期相关数据和周周期相关数据其中，

36、s225、生成所述日周期相关数据xd和所述周周期相关数据xw：

37、

38、其中，dd为对应的日周期样本数据集，dw为周周期样本数据集，dd中的每个样本为所述日周期相关数据xd，dw中的每个样本为所述周周期相关数据xw，

39、按照本发明的第二方面，提供了一种融合多周期和空间语义关联的交通状态预测系统，用于执行上述第一方面任意一项所述的方法，所述系统包括：训练模块和应用模块；

40、所述训练模块包括：

41、数据获取单元，用于获取实际路网中各路段的原始交通状态数据x；

42、多周期数据样本生成及训练单元，用于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；

43、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xr、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xd、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xw及表示待预测时间片内交通状态的训练目标ytrue；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tr个时间片；所述待预测时间片为待预测的连续tp个时间片；

44、应用模块用于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。

45、按照本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面任一项所述的方法。

46、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

47、(1)本发明的融合多周期和空间语义关联的交通状态预测方法，考虑到在时间层面上，交通状态的变化规律并不是单一的，而是呈现出一种多周期特性，具体来说，某一段时间内的交通状态不仅会受到该段时间的前一段时间交通状态的影响，还会受到过去几天同一时段内的交通状态、过去几周同一时段内的交通状态的影响，基于此，本发明通过将交通状态数据x分别处理为近期相关数据xr、日周期相关数据xd、周周期相关数据xw并输入至交通状态预测模型中进行训练，充分挖掘输入数据中的近期相关变化规律、日周期相关变化规律及周周期相关变化规律，进而对交通状态的变化规律进行预测，能够提升预测的精度。

48、(2)进一步地，本发明的方法还考虑到交通节点间的空间关联关系不仅受到节点间空间距离的影响，还会受到道路语义信息的影响，构建时空特征学习网络，空间学习模块通过构造距离邻接矩阵和自适应语义邻接矩阵来同时考虑交通节点间空间距离信息及道路语义信息；同时，通过时间学习模块学习近期相关数据xr、日周期相关数据xd及周周期相关数据xw的对应的近期变化规律、日周期变化规律和周周期变化规律；将两个模块的学习到的时间和空间信息进行融合，并最终学习到交通状态的多周期特性以及包含空间距离及道路语义信息的空间关联关系，有效提高了预测的精度。

49、(3)进一步地，本发明通过构造完全参数化的自适应邻接矩阵，并通过自适应扩散图卷积网络聚合邻域节点的信息，具体地，通过距离邻接矩阵聚合空间距离较近的节点信息，对于关联较大的远距离节点，模型在训练过程中调整自适应邻接矩阵aapt中的参数，为远距离节点分配更大的权重，使得对应于自适应邻接矩阵aapt中的值更大，进而使得损失最小，最终使得本发明的交通状态预测模型在训练过程中能够自动学习到交通节点之间的语义信息；同时相比较于基础图卷积网络，本发明中使用的扩散图卷积网络能够学习到节点高阶邻域的信息，因此对空间相关信息的挖掘更加充分。

50、(4)作为优选，相比较于基于循环神经网络的时序数据建模方法，本发明中使用的时间卷积网络能够学习到不同时刻之间的长期依赖关系且计算效率较高；同时，本发明中使用门控机制使得信息在tcn层间更好地流动，这对于时序数据建模很有用，使得网络模型可以自动选择与下一时刻交通状态相关性较大的信息流入到下一层。

51、(5)作为优选，通过拆分模块将日周期相关数据和周周期相关数据沿着时间维度进行拆分和维度变换，可以使得拆分后的数据块与近期相关数据在语义上保持一致，使得不同的分支可以使用同一种时空特征学习网络进行学习。

52、(6)作为优选，通过本发明设计的相关数据生成方式，将原始的包含三个维度的数据(每个训练批次的样本数、传感器的数量及交通状态数量)一次性切片，再沿着时间维度进行堆叠得到本发明所需的四维数据格式，基于该数据格式可以根据历史的交通状态数据预测未来的交通状态，相比现有的数据处理方式，本发明能够一次性生成近期相关数据xr、日周期相关数据xd、周周期相关数据xw及预测目标ytrue，能够提升计算效率。

53、总而言之，本发明的方法，在时间层面上，同时考虑了同一时段内交通状态数据的多周期性对预测的影响；在空间层面，同时考虑了交通节点间空间距离和道路语义信息对预测的影响，使得本发明的预测方法能够得到更加丰富全面的交通状态信息，能够有效地提高交通状态预测的准确性和鲁棒性。