一種基于多任務(wù)的交通流量預測方法技術(shù)

本發(fā)明專利技術(shù)公開了一種基于多任務(wù)的交通流量預測方法，涉及數(shù)據(jù)挖掘領(lǐng)域。本發(fā)明專利技術(shù)包括如下步驟：S1、設(shè)置若干個高速路段監(jiān)測點，并獲取各個高速路段監(jiān)測點的歷史交通流量數(shù)據(jù)；S2、將獲取的歷史交通流量數(shù)據(jù)時序?qū)剩⑦M行數(shù)據(jù)清洗及數(shù)據(jù)預處理；S3、構(gòu)建用于表示各個高速路段監(jiān)測點之間的時空依賴關(guān)系圖像，并得出圖數(shù)據(jù)；S4、將得出的圖數(shù)據(jù)按照時序輸入多任務(wù)模型中，并預測未來交通路網(wǎng)的交通流量及行程時間。本發(fā)明專利技術(shù)具有能夠提升交通流量預測精度能力和提高數(shù)據(jù)利用效率的特點。力和提高數(shù)據(jù)利用效率的特點。力和提高數(shù)據(jù)利用效率的特點。

【技術(shù)實現(xiàn)步驟摘要】
一種基于多任務(wù)的交通流量預測方法


[0001]本專利技術(shù)涉及數(shù)據(jù)挖掘領(lǐng)域，尤其是涉及一種基于多任務(wù)的交通流量預測方法。

技術(shù)介紹

[0002]交通流量及行程時間預測對于交通管理平臺十分重要，它能夠幫助交通管理平臺更好地完成車輛的空間調(diào)度。目前，人們在對交通流量及行程時間進行預測時，通常會把以上這兩個問題分別視作一個任務(wù)，采用的方法是一次學習一個任務(wù)，然后再把這些學習任務(wù)組合起來，但是上述做法忽略了交通流量及行程時間之間的高度相關(guān)性，進而影響對交通流量及行程時間預測的結(jié)果精度，同時也降低了交通管理的效率。
[0003]因此，涉及一種基于多任務(wù)的交通流量預測方法就顯得十分必要。

技術(shù)實現(xiàn)思路

[0004]本專利技術(shù)是為了克服現(xiàn)有技術(shù)中，傳統(tǒng)的交通需求預測方法，由于忽略了交通流量及行程時間之間的高度相關(guān)性，進而影響對交通流量及行程時間預測的結(jié)果精度，同時也降低了交通管理效率的問題，提供了一種能夠提升交通流量預測精度能力和提高數(shù)據(jù)利用效率的基于多任務(wù)的交通流量預測方法。
[0005]為實現(xiàn)上述目的，本專利技術(shù)采用以下技術(shù)方案：
[0006]本專利技術(shù)提供了一種基于多任務(wù)的交通流量預測方法，包括如下步驟：
[0007]S1、設(shè)置若干個高速路段監(jiān)測點，并獲取各個高速路段監(jiān)測點的歷史交通流量數(shù)據(jù)；S2、將獲取的歷史交通流量數(shù)據(jù)時序?qū)剩⑦M行數(shù)據(jù)清洗，按設(shè)定的間隔時間分別進行累加合并，得到各個設(shè)定間隔時間的交通流量數(shù)據(jù)，并劃分為訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集；S3、構(gòu)建用于表示各個高速路段監(jiān)測點之間的時空依賴關(guān)系圖像，并得出圖數(shù)據(jù)；S4、將得出的圖數(shù)據(jù)按照時序輸入多任務(wù)模型中，所述多任務(wù)模型包括時空圖卷積網(wǎng)絡(luò)模塊和多任務(wù)學習模塊，訓練后多任務(wù)模型預測未來交通路網(wǎng)的交通流量及行程時間。
[0008]可選的，所述設(shè)置若干個高速路段監(jiān)測點，并獲取各個高速路段監(jiān)測點的歷史交通流量數(shù)據(jù)，如：車道占用率、各車道車輛數(shù)目、各車道車輛通行信息等數(shù)據(jù)，包括如下步驟：
[0009]確定高速路段監(jiān)測點的具體數(shù)量，根據(jù)預測目標，從監(jiān)測到的交通數(shù)據(jù)中提取所需的數(shù)據(jù)，并得到第i個高速路段監(jiān)測點的時序數(shù)據(jù)i∈[1,N]，作為歷史交通流量數(shù)據(jù)用于反映該歷史時期內(nèi)高速路段的交通狀況；其中j∈[1,M]代表第j個時段在時序上的數(shù)據(jù)。
[0010]可選的，步驟S2還包括如下步驟：
[0011]S21、將時序?qū)屎蟮臍v史交通流量數(shù)據(jù)，清洗其中的缺失值、異常值及錯誤記錄；S22、將清洗后的歷史交通流量數(shù)據(jù)按設(shè)定的間隔時間進行合并，同時進行歸一化處理。
[0012]可選的，步驟S22還包括如下步驟：
[0013]S221、將各個高速路段監(jiān)測點采集的并清洗后的歷史交通流量數(shù)據(jù)，按設(shè)定的間隔時間分別進行累加合并，得到各個設(shè)定間隔時間的交通流量數(shù)據(jù)；
[0014]S222、選取出各個設(shè)定間隔時間的交通流量數(shù)據(jù)中最大的交通流量值，并將各個設(shè)定間隔時間的交通流量數(shù)據(jù)與所述最大的交通流量值的比值，作為歸一化處理后的交通流量數(shù)據(jù)集。
[0015]可選的，步驟S3還包括如下步驟：
[0016]S31、將每個高速路段監(jiān)測點視作節(jié)點，根據(jù)各個高速路段監(jiān)測點之間的路網(wǎng)距離構(gòu)建圖像；S32、將步驟S222中處理得到的各監(jiān)測點交通數(shù)據(jù)作為圖節(jié)點頂點集數(shù)據(jù)，同時將鄰接矩陣作為圖中邊集并存儲為圖結(jié)構(gòu)數(shù)據(jù)，所述圖結(jié)構(gòu)數(shù)據(jù)即作為高速交通數(shù)據(jù)；路網(wǎng)的鄰接矩陣通過交通網(wǎng)絡(luò)中的監(jiān)測站的距離來計算，帶權(quán)鄰接矩陣W通過以下公式計算：
[0017][0018]其中w
ij
是邊的權(quán)重，通過d
ij
得到，也就是第i個高速路段監(jiān)測點和第j個高速路段監(jiān)測點之間的距離，σ2和
ò
是來控制矩陣W的分布和稀疏性的閾值。
[0019]可選的，所述時空圖卷積網(wǎng)絡(luò)模塊，包括兩個時空卷積塊和一個連接在末尾的全連接輸出層來；每個時空卷積塊均包括兩個時間門卷積層，所述兩個時間門卷積層中間設(shè)有一個空間圖卷積層。
[0020]可選的，所述多任務(wù)學習模塊，包括一個共享隱藏層，用于對于不同的交通流量需求預測任務(wù)。多任務(wù)學習模塊能夠同時分別保留各任務(wù)的輸出層的方式，實現(xiàn)多任務(wù)學習。
[0021]因此，本專利技術(shù)具有如下有益效果：
[0022](1)本申請在時空建模上采用圖結(jié)構(gòu)，圖節(jié)點聯(lián)系上采用鄰接矩陣W刻畫，能夠構(gòu)建起非相鄰監(jiān)測點間的關(guān)系；而非已發(fā)表專利中僅構(gòu)建起相鄰監(jiān)測點間聯(lián)系。本專利技術(shù)引入多任務(wù)學習思想，添加多任務(wù)學習層，利用網(wǎng)絡(luò)中的共享權(quán)重，提供了更加精確的預測結(jié)果，同時也提高了數(shù)據(jù)的利用效率；
[0023](2)本專利技術(shù)將時空圖卷積網(wǎng)絡(luò)用于交通流量及行程時間預測，通過學習時空相關(guān)性來提高預測結(jié)果的精度；交通空間模型上，本專利中用空間圖卷積層提取空間特征的模型；交通時序上，相比現(xiàn)有的RNN考慮相鄰兩個時間點上的關(guān)系；而時間門卷積則采用卷積運算方式提取兩個及以上時間點間聯(lián)系。
[0024](3)本專利技術(shù)預測模型能夠?qū)崿F(xiàn)對交通路網(wǎng)的交通流量及行程時間進行預測，在出行規(guī)劃、交通管理等領(lǐng)域都具有廣闊的應用前景。
附圖說明
[0025]圖1為本專利技術(shù)中提供的一種基于多任務(wù)的交通流量預測方法流程圖。
[0026]圖2為本專利技術(shù)多任務(wù)模型的結(jié)構(gòu)圖。
具體實施方式
[0027]下面結(jié)合附圖與具體實施方式對本專利技術(shù)做進一步的描述：
[0028]如圖1所示，本專利技術(shù)提供了一種基于多任務(wù)的交通流量預測方法，包括如下步驟：
[0029]S1、設(shè)置若干個高速路段監(jiān)測點，并獲取各個高速路段監(jiān)測點的歷史交通流量數(shù)據(jù)。以高速交通流量數(shù)據(jù)為例，具體的，根據(jù)步驟S1所述，選定高速路段監(jiān)測點的具體數(shù)量，根據(jù)預測目標，從各個高速路段監(jiān)測點獲取的高速交通數(shù)據(jù)中提取所需數(shù)據(jù)，作為歷史交通流量數(shù)據(jù)，歷史交通流量數(shù)據(jù)為特定高速路段監(jiān)測點或路段上在一定間隔時間內(nèi)經(jīng)過的，如：車道占用率、各車道車輛數(shù)目、各車道車輛通行信息等數(shù)據(jù)。確定高速路段監(jiān)測點的具體數(shù)量N，根據(jù)預測目標，從監(jiān)測到的交通數(shù)據(jù)中提取所需的數(shù)據(jù)，并得到第i個高速路段監(jiān)測點的時序數(shù)據(jù)i∈[1,N]，作為歷史交通流量數(shù)據(jù)；其中j∈[1,M]代表第j個時段在時序上的數(shù)據(jù)。
[0030]S2、將獲取的歷史交通流量數(shù)據(jù)時序?qū)剩⑦M行數(shù)據(jù)清洗，按設(shè)定的間隔時間分別進行累加合并，得到各個設(shè)定間隔時間的交通流量數(shù)據(jù)，并劃分為訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集。具體的，步驟S2還包括如下步驟：
[0031]S21、將時序?qū)屎蟮臍v史交通流量數(shù)據(jù)，清洗其中的缺失值、異常值及錯誤記錄；數(shù)據(jù)清洗后，使用線性插值方法來填補缺失值。
[0032]S22、將清洗后的歷史交通流量數(shù)據(jù)按設(shè)定的間隔時間進行合并，同時進行歸一化處理。所述設(shè)定的間隔時間可以根據(jù)實際預測需求進行制定。
[0033]步驟S22又還包括如下步驟：
[0034]S221、將各個高速路段監(jiān)測點采集的并清洗后的歷史交通流量數(shù)據(jù)，按設(shè)定的間隔時本文檔來自技高網(wǎng)...

【技術(shù)保護點】

【技術(shù)特征摘要】
1.一種基于多任務(wù)的交通流量預測方法，其特征在于，包括如下步驟：S1、設(shè)置若干個高速路段監(jiān)測點，并獲取各個高速路段監(jiān)測點的歷史交通流量數(shù)據(jù)；S2、將獲取的歷史交通流量數(shù)據(jù)時序?qū)剩⑦M行數(shù)據(jù)清洗，按設(shè)定的間隔時間分別進行累加合并，得到各個設(shè)定間隔時間的交通流量數(shù)據(jù)，并劃分為訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集；S3、構(gòu)建用于表示各個高速路段監(jiān)測點之間的時空依賴關(guān)系圖像，并得出圖數(shù)據(jù)；S4、將得出的圖數(shù)據(jù)按照時序輸入多任務(wù)模型中，所述多任務(wù)模型包括時空圖卷積網(wǎng)絡(luò)模塊和多任務(wù)學習模塊，訓練后多任務(wù)模型預測未來交通路網(wǎng)的交通流量及行程時間。2.根據(jù)權(quán)利要求1所述的基于多任務(wù)的交通流量預測方法，其特征在于，所述步驟S1設(shè)置若干個高速路段監(jiān)測點，并獲取各個高速路段監(jiān)測點的歷史交通流量數(shù)據(jù)，包括如下步驟：確定高速路段監(jiān)測點的具體數(shù)量N，根據(jù)預測目標，從監(jiān)測到的交通數(shù)據(jù)中提取所需的數(shù)據(jù)，并得到第i個高速路段監(jiān)測點的時序數(shù)據(jù)i∈[1，N]，作為歷史交通流量數(shù)據(jù)；其中j∈[1，M]代表第j個時段在時序上的數(shù)據(jù)。3.根據(jù)權(quán)利要求1所述的基于多任務(wù)的交通流量預測方法，其特征在于，所述步驟S2還包括如下步驟：S21、將時序?qū)屎蟮臍v史交通流量數(shù)據(jù)，清洗其中的缺失值、異常值及錯誤記錄；S22、將清洗后的歷史交通流量數(shù)據(jù)按設(shè)定的間隔時間進行合并，同時進行歸一化處理。4.根據(jù)權(quán)利要求3所述的基于多任務(wù)的交通流量預測方法，其特征在于，所述步驟S22還包括如下步驟：S221、將各個高速路段...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：宋智鵬，顧紹江，鄭劍鋒，張嘉旎，
申請(專利權(quán))人：浙江高速信息工程技術(shù)有限公司，
類型：發(fā)明
國別省市：