【技術實現步驟摘要】
本專利技術屬于城市交通流量監測，更為具體地講，涉及一種基于路網先驗知識和掩碼自編碼器的交通流量測量方法。
技術介紹
1、城市交通流量監測系統在世界各地的智慧城市建設中發揮著重要作用。為了獲取城市范圍內細粒度的交通流量數據，交通部門通常會部署大量的感知設備來覆蓋每個小的地理區域，造成了沉重的經濟負擔。為了降低這樣的開銷，有必要提出一種新的低成本交通流量測量方法，可以減少感知設備的部署，但同時保持原始交通流量數據的粒度不變。
2、目前，還沒有專門針對根據部分區域的交通流量數據推斷出全部的細粒度交通流量數據的方法。現有的掩碼自編碼器技術的目標是基于給定部分觀測信息對原始信號進行重建，但它針對的是具有重度空間冗余的圖像，交通流量數據并沒有圖像所具有的高級語義特征，而是擁有路網結構，即流量只會出現在道路上，并且道路相互交錯，形成一種網狀結構。所以現有的掩碼自編碼器技術并不能很好的解決該問題。為了解決上述問題，需要提出一種新的技術，可以只在少數的區域內部署感知設備進行流量監測，再通過算法根據部分區域的流量值還原出原始細粒度的流量數據。
技術實現思路
1、本專利技術的目的在于克服現有技術的不足，提供一種基于路網先驗知識和掩碼自編碼器的交通流量測量方法，結合路網先驗知識訓練基于掩碼自編碼器的交通流量推斷模型，學習交通流量的健壯表征，利用目標區域內部分網格部署的傳感器采集交通流量，借助訓練好的交通流量推斷模型獲取整個目標區域內各個網格的交通流量，從而節約硬件資源。
2、為了實
3、s1：將需要進行交通流量測量的目標區域平均劃分為w×h的網格，獲取若干歷史時刻各個網格的交通流量xi,j，其中i＝1,2,…,w，j＝1,2,…,h，構成每個歷史時刻的交通流量矩陣x；對于每個交通流量矩陣x，采用預設大小的窗口對其進行分塊，得到d＝m×n的數據塊陣列，對每個數據塊進行特征提取得到維度為l的交通流量向量，將d個數據塊對應的交通流量向量構成數據塊序列data；
4、讀取目標區域的地圖并提取得到大小為m×n×l的特征張量，提取d個維度l的特征向量，按照數據塊序列的相同順序構成地圖塊序列；
5、s2：構建基于掩碼自編碼器的交通流量推斷模型，包括第一vit編碼器，掩碼矩陣生成模塊，掩碼處理模塊，第二vit編碼器和vit解碼器，其中：
6、第一vit編碼器用于接收長度為d的數據塊序列data，獲取每個數據塊的自注意力分數sd，將自注意力分數sd發送至掩碼矩陣生成模塊，d＝1,2,…,d；
7、掩碼矩陣生成模塊用于根據d個數據塊的自注意力分數sd生成掩碼向量mask并發送至掩碼處理模塊，具體方法為：將d個數據塊的自注意力分數sd從大到小進行排序，選擇前r個數據塊作為保留數據塊，其余數據塊作為掩碼數據塊，r的值根據實際需要確定；然后生成d維的掩碼向量mask，其中元素maskd＝1表示第d個數據塊為掩碼數據塊，maskd＝0表示第d個數據塊為保留數據塊；
8、掩碼處理模塊用于根據掩碼向量mask，采用地圖塊對數據塊進行替換，得到數據塊序列data′并發送至vit解碼器；生成數據塊序列data′的具體方法為：遍歷掩碼矩陣mask中每個元素，當maskd＝1時，采用第d個地圖塊對第d個數據塊進行替換，當maskd＝0時，不作任何操作，從而得到替換后的數據塊序列data′；
9、第二vit編碼器用于接收長度為d的數據塊序列data′，獲取其中每個數據塊的潛在表示特征fd并發送至vit解碼器；第二vit編碼器與第一vit編碼器共享參數；
10、vit解碼器用于對d個潛在表示特征fd進行解碼處理，重構得到大小為(d-r)×l的交通流量推斷矩陣，其中每行交通流量向量即為對應掩碼數據塊的交通流量向量
11、s3：采用步驟s1中的每個交通流量矩陣x的數據塊序列和地圖塊序列作為輸入，對應掩碼數據塊的交通流量向量作為期望輸出，對交通流量推斷模型進行訓練；
12、s4：根據實際需要在目標區域內選擇r個網格塊，在該網格塊的每個網格中均部署交通流量傳感器，用于測量該網格區域內的交通流量；
13、s5：對于已部署交通流量傳感器的r個網格塊，采用交通流量傳感器測量該網格塊內的交通流量并構建交通流量向量，從而得到所屬網格塊的數據塊；對于未部署交通流量傳感器的網格塊，則采用對應的地圖塊作為數據塊；然后將d個數據塊構成數據塊序列data輸入步驟s3中訓練好的第二vit編碼器得到潛在表示特征，將潛在表示特征序列輸入vit解碼器，得到(d-r)×l的交通流量推斷矩陣，將采用傳感器實際測量的網格交通流量與交通流量推斷矩陣合并，得到目標區域的交通流量測量結果。
14、本專利技術基于路網先驗知識和掩碼自編碼器的交通流量測量方法，將目標區域劃分為網格，獲取歷史交通流量數據并按照網格構建對應的交通流量矩陣，然后分塊得到數據塊序列，對目標區域的地圖數據也構建得到地圖塊序列，構建并訓練基于掩碼自編碼器的交通流量推斷模型，基于自注意力分數對數據塊進行掩碼處理，采用對應的地圖塊代替掩碼數據塊用于推斷掩碼數據塊的交通流量；根據實際需要在目標區域中選擇部分網格塊部署交通流量傳感器，將這部分網格塊的實際測量交通流量和掩碼網格塊的地圖塊一起構建數據塊序列，然后輸入訓練好的交通流量推斷模型得到掩碼網格塊交通流量推斷結果，從而完成測量。
15、本專利技術具有以下有益效果：
16、1)本專利技術結合路網先驗知識訓練基于掩碼自編碼器的交通流量推斷模型，可以有效提高交通流量推斷的準確率；
17、2)本專利技術借助基于掩碼自編碼器的交通流量推斷模型，可以只在部分網格部署交通流量傳感器即可對目標區域實現準確的交通流量測量，可以大大減少交通流量傳感器的部署數量，有效節約硬件資源，降低成本。
本文檔來自技高網...【技術保護點】
1.一種基于路網先驗知識和掩碼自編碼器的交通流量測量方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的交通流量測量方法，其特征在于，所述步驟S1中特征張量的生成方法為：采用opencv將目標區域的地圖讀取為大小為W×H的地圖像素矩陣，然后使用多方向一維卷積對該地圖像素矩陣進行特征提取，得到大小為M×N×L的特征張量。
3.根據權利要求1所述的交通流量測量方法，其特征在于，所述步驟S2中保留數據塊數量R＝[0.2D,0.3D]。
4.根據權利要求1所述的交通流量測量方法，其特征在于，所述步驟S2中ViT解碼器包括T個堆疊的交叉注意力模塊，每個交叉注意力模塊分別基于D個潛在表示特征fd提取大小為R×(D-R)的交叉注意力矩陣crosst，t＝1,2,…,T，然后將T個交叉注意力矩陣合并為一個交叉注意力矩陣CROSS，再基于該交叉注意力矩陣處理得到D-R個掩碼數據塊的交通流量向量
5.根據權利要求4所述的交通流量測量方法，其特征在于，所述交叉注意力模塊的處理方法為：首先對D個潛在表示特征fd分別進行嵌入處理得到嵌入特征fd′，同時
6.根據權利要求1所述的交通流量測量方法，其特征在于，所述步驟S4中R個網格塊基于流量信息熵來選擇，具體方法為：
...【技術特征摘要】
1.一種基于路網先驗知識和掩碼自編碼器的交通流量測量方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的交通流量測量方法，其特征在于，所述步驟s1中特征張量的生成方法為：采用opencv將目標區域的地圖讀取為大小為w×h的地圖像素矩陣，然后使用多方向一維卷積對該地圖像素矩陣進行特征提取，得到大小為m×n×l的特征張量。
3.根據權利要求1所述的交通流量測量方法，其特征在于，所述步驟s2中保留數據塊數量r＝[0.2d,0.3d]。
4.根據權利要求1所述的交通流量測量方法，其特征在于，所述步驟s2中vit解碼器包括t個堆疊的交叉注意力模塊，每個交叉注意力模塊分別基于d個潛在表示特征fd提取大小為r×(d-r)的交叉注意力矩陣crosst，t＝1,2,…,t，然后將t個交叉注意力矩陣合并為一個交叉注意力矩陣cross，...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。