【技術實現步驟摘要】
本專利技術屬于智能交通，具體涉及一種未來交通速度預測系統。
技術介紹
1、近年來，隨著經濟發展和生活水平提高，對城市道路的交通狀況預測的需求不斷上升。精確的交通預測對日常生活和交通管理都有著至關重要的作用。另一方面，由于傳感器技術不斷發展，更多的由交通傳感器產生的交通信息可以被收集和使用。通過運用大數據和人工智能的技術，從大量的歷史交通信息中獲取交通出行規律，可以建立起有效的預測模型，精確地預測城市道路的未來交通速度。但是，目前的多數交通預測方法仍然以靜態傳感器為設計中心。靜態傳感器指的是立在道路網絡中的特定地點，專用于搜集交通狀態如速度或流量的信息的傳感器設備。但是因為成本和維護的限制，在實際場景中，許多道路都沒有設置靜態傳感器，因此無法獲得真實的歷史交通信息以供模型訓練和預測。而動態傳感器則是通過車載定位設備實時提供車輛的交通數據，使用時可以隨著車輛的行駛覆蓋不同的城市路段。但現在的動態傳感器并不能充分利用完全的歷史軌跡集里存在的豐富的語義信息。它們仍然將每個路段視為基礎建模單位，并且沒有考慮將軌跡實例作為主要建模對象。
技術實現思路
1、本專利技術的目的是提供了一種基于歷史軌跡集合的未來交通速度預測系統，以解決目前基于靜態傳感器方法依賴于固定傳感器設備的缺陷，以及目前基于動態傳感器的方法未充分利用采集到的軌跡上下文時空語義信息的問題。
2、本專利技術提供的基于歷史軌跡數據的未來交通速度預測系統，使用普及的導航定位設備(如gps)收集動態交通數據--車輛在路網上行駛
3、所述軌跡集合特征提取和增強模塊，用于收集過去短時間內車輛在路網上行駛產生的軌跡數據，并且對這些車輛軌跡數據進行預處理和特征增強。該模塊處理過的軌跡速度相關的信息將會進一步傳遞給注意力模型，作為模型的輸入特征；這里，所述的軌跡主要指由gps采樣點構成的離散點序列；所述的速度信息主要指每個軌跡點的前后點之間的軌跡移動速度。所述的模型輸入特征主要指每個點的向量表示。
4、所述軌跡集合超圖構建模塊，用于建立軌跡集合超圖以捕獲路網中的高階時空關聯關系，從而為后續超圖注意力模型模塊提供超圖與路網圖之間的關聯映射參照。
5、所述超圖注意力模型模塊，用于處理軌跡集合中軌跡內部的特征關系、軌跡間的特征關系、以及路網上路段間的時空關系。并將經過提煉的路網時空特征輸入到交通預測層模塊中。
6、所述交通預測層模塊，用于集成模型中不同層的路網特征，并預測未來的交通速度。
7、進一步地：
8、(1)所述軌跡集合特征提取和增強模塊，包括對軌跡進行地圖匹配的單元、對軌跡的速度和經緯度信息進行處理的單元，對軌跡進行數據增強的單元；其中：
9、所述地圖匹配單元，用于將軌跡的gps采樣點與路網上的具體路段關聯起來；
10、所述信息處理單元，包括確定每個軌跡點的經緯度位置，以及距離和速度計算函數，用于處理每個軌跡點的速度和位置信息；
11、所述數據增強單元，采用數據增強的策略，用于對軌跡點進行一定程度的噪聲干擾，改變部分軌跡信息，為后續模型更加穩定地學習提供幫助。
12、(2)所述的軌跡集合超圖構建模塊，目的是用于構建以軌跡為點的超圖結構，可以同時建模多個路段之間的復雜空間關系，各個軌跡點之間的復雜時空關系，以及軌跡點和路網之間的復雜耦合關系；包括路網時空圖構建單元，軌跡點與路段對應的矩陣構建單元，軌跡整體錨點與路段集合對應的矩陣構建單元；其中：
13、所述路網時空圖構建單元，構造路網時空特征張量表示過去短時間t個時間區間內的各個路段的特征向量表示；n表示路網中路段的數目，d表示張量中每個路段在每個時間上的特征維度。
14、所述軌跡點與路段對應的矩陣構建單元，將軌跡中的每個點pi與它經過的路網時空圖中第t個時間區間的路段ri,t對應，即構建關聯矩陣：
15、
16、所述軌跡整體錨點與路段對應的矩陣構建單元，構造虛擬錨點pτ與軌跡經過的路網時空圖中每個路段對應，即構建關聯矩陣：
17、
18、(3)所述的超圖注意力模型模塊，目的是提取軌跡和路網上的時空特征，可以同時從軌跡序列和路網的各個路段上通過多種不同的注意力機制自適應地聚合特征；包括軌跡內部的注意力單元，軌跡間注意力單元，軌跡超圖與路網時空圖轉換單元，路網的時間和空間注意力單元；其中：
19、所述軌跡內部的注意力單元，通過注意力機制捕捉各個軌跡點之間的時空關聯，以及捕捉軌跡整體的特征關系。對于輸入的第(l-1)層的軌跡超邊特征計算內部注意力如下：
20、
21、其中：是線性投影的可學習參數。softmax函數是一種常用的激活函數，主要用于多分類問題中；它將一個包含任意實數的k維向量轉換為一個概率分布，即輸出向量的每個元素都在0和1之間，并且所有元素的和為1。
22、ffnln(x)＝ffn(ln(x))+x，?????????(8)
23、ln是對張量進行層歸一化操作；
24、ffn(x)＝relu(xw1+b1)w2+b2，?????(9)
25、是一個兩層的前饋神經網絡。x是前饋神經網絡的輸入特征，w1，b1，w2，b2表示前饋神經網絡中線性投影的可學習參數，relu函數是一個激活函數，它保留向量中每一維的正值，將負值置為0。
26、所述軌跡間的注意力單元，通過注意力機制捕捉各個軌跡超邊之間的時空關系。為了建模各個時間的超邊特征，根據時間區間大小將軌跡集合d劃分成p個子集d1,d2,...,dp。然后將所有的軌跡超邊特征也進行劃分，得到代表每個軌跡超邊特征的向量和代表整個軌跡子集特征的向量具體如下:
27、
28、軌跡間的注意力單元包括兩種類型的超邊間注意力機制，分別是同一時間區間的跨超邊注意力和跨時間區間的跨超邊注意力，其中，同一時間區間的跨超邊注意力，主要捕捉的是各個時間區間內的軌跡間的復雜時空關系。在該注意力機制下對第i個時間區間內的軌跡集合計算特征向量如下：
29、
30、其中，是可學習的參數。
31、不同時間區間的跨超邊注意力模塊，目本文檔來自技高網...
【技術保護點】
1.一種基于歷史軌跡數據的未來交通速度預測系統，其特征在于，使用導航定位設備收集動態交通數據--車輛在路網上行駛產生的軌跡數據；將每條軌跡視作一個超邊，將整個軌跡集合視作一個超圖，構建基于歷史軌跡集合的超圖注意力模型；利用該模型在超圖以及道路網絡上有效提取速度相關的交通特征，從而準確預測未來不同道路的行駛速度變化；其中，模型借助多種時空注意力機制，整合異構以及復雜的交通語義信息；同時，建立道路圖和軌跡集合超圖之間的特征轉換關系，讓超圖空間和道路網絡空間的特征得以高效地交換，以準確地對未來交通速度進行預測；具體地，系統包括軌跡集合特征提取和增強模塊，軌跡集合超圖構建模塊，超圖注意力模型模塊，交通預測層模塊；其中：
2.根據權利要求1所述的基于歷史軌跡數據的未來交通速度預測系統，其特征在于，所述軌跡集合特征提取和增強模塊，包括對軌跡進行地圖匹配的單元、對軌跡的速度和經緯度信息進行處理的單元，對軌跡進行數據增強的單元；其中：
3.根據權利要求2所述的基于歷史軌跡數據的未來交通速度預測系統，其特征在于，所述的軌跡集合超圖構建模塊，用于構建以軌跡為點的超圖結構；包括
4.根據權利要求3所述的基于歷史軌跡數據的未來交通速度預測系統，其特征在于，所述的超圖注意力模型模塊，用于提取軌跡和路網上的時空特征；包括軌跡內部的注意力單元，軌跡間注意力單元，軌跡超圖與路網時空圖轉換單元，路網的時間和空間注意力單元；其中：
5.根據權利要求4所述的基于歷史軌跡數據的未來交通速度預測系統，其特征在于，所述的速度預測層，用于對未來短時間內的交通速度進行預測；具體通門控機制調節的時序卷積神經網絡抽取路段的時序特征，并合并不同注意力層的結果，預測未來速度具體計算如下：
...【技術特征摘要】
1.一種基于歷史軌跡數據的未來交通速度預測系統，其特征在于，使用導航定位設備收集動態交通數據--車輛在路網上行駛產生的軌跡數據；將每條軌跡視作一個超邊，將整個軌跡集合視作一個超圖，構建基于歷史軌跡集合的超圖注意力模型；利用該模型在超圖以及道路網絡上有效提取速度相關的交通特征，從而準確預測未來不同道路的行駛速度變化；其中，模型借助多種時空注意力機制，整合異構以及復雜的交通語義信息；同時，建立道路圖和軌跡集合超圖之間的特征轉換關系，讓超圖空間和道路網絡空間的特征得以高效地交換，以準確地對未來交通速度進行預測；具體地，系統包括軌跡集合特征提取和增強模塊，軌跡集合超圖構建模塊，超圖注意力模型模塊，交通預測層模塊；其中：
2.根據權利要求1所述的基于歷史軌跡數據的未來交通速度預測系統，其特征在于，所述軌跡集合特征提取和增強模塊，包括對軌跡進行地圖匹配的單元、對軌跡的速度和經緯度信息進行處理...
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。