【技術實現步驟摘要】
本申請涉及智能交通，特別是涉及一種交通流量預測模型訓練方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
技術介紹
1、隨著智能交通技術的發展，出現了一種對交通流量進行預測的技術，該技術可以采集路段的歷史交通流量，從而通過構建交通流量預測模型來預測未來時間段的交通流量。
2、傳統技術中，構建交通流量預測模型通常包括統計模型以及機器學習模型兩類，其中統計模型可以包括差分自回歸移動平均模型以及向量自回歸模型，而機器學習模型則可以包括通過深度學習方法訓練的長短期記憶網絡模型、門控循環單元網絡模型，以及圖卷積網絡模型。
3、然而，目前構建的交通流量預測模型，通常只基于歷史交通流量進行建模，并且建模過程中只考慮了交通流量序列的時間動態變化或者只考慮了空間依賴性，因此構建的交通流量預測模型的交通流量預測精度較低。
技術實現思路
1、基于此，有必要針對上述技術問題，提供一種能夠提高交通流量預測精度的交通流量預測模型訓練方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。
2、第一方面，本申請提供了一種交通流量預測模型訓練方法，包括：
3、獲取樣本交通路段在樣本時間段內不同時刻的樣本交通流量數據以及交通狀態影響數據，根據所述樣本交通流量數據以及交通狀態影響數據，得到所述樣本交通路段在樣本時間段內的交通流量序列信息；
4、將所述交通流量序列信息輸入待訓練的交通流量預測模型，通過所述交通流量預測模型得到所述交通流量序列信息在
5、根據所述時空特征得到所述樣本交通路段在預測時刻的預測交通流量數據；
6、根據所述預測交通流量數據，以及所述樣本交通路段在預測時刻的實際交通流量數據之間的差異，訓練所述交通流量預測模型，以得到訓練完成的交通流量預測模型。
7、在其中一個實施例中，所述交通流量預測模型包括：時序注意力門控循環單元，以及空間注意力圖卷積網絡；所述將所述交通流量序列信息輸入待訓練的交通流量預測模型，通過所述交通流量預測模型得到所述交通流量序列信息在所述樣本時間段內對應的時間特征以及空間特征，根據所述時間特征以及空間特征得到所述交通流量序列信息在所述樣本時間段內對應的時空特征，包括：將所述交通流量序列信息輸入所述時序注意力門控循環單元，得到所述交通流量序列信息在所述樣本時間段內對應的時間特征；將所述交通流量序列信息，以及所述樣本交通路段對應的路段連接關系特征輸入所述空間注意力圖卷積網絡，得到所述交通流量序列信息在所述樣本時間段內對應的空間特征；將所述時間特征以及所述空間特征進行加權處理，得到所述交通流量序列信息在所述樣本時間段內對應的時空特征。
8、在其中一個實施例中，所述樣本時間段內的交通流量序列信息包括所述樣本時間段內不同時刻的子交通序列信息；所述將所述交通流量序列信息輸入所述時序注意力門控循環單元，得到所述交通流量序列信息對應的時間特征，包括：將所述交通流量序列信息輸入所述時序注意力門控循環單元，通過所述時序注意力門控循環單元的時間注意力機制，得到所述交通流量序列信息對應的時間注意力特征；獲取當前時刻對應的當前子交通序列信息，以及所述當前時刻的上一時刻對應的子時間特征；利用所述當前子交通序列信息、所述時間注意力特征以及所述上一時刻對應的子時間特征，得到所述當前時刻的子時間特征；將所述當前時刻的下一時刻作為新的當前時刻，返回執行獲取當前時刻對應的當前子交通序列信息的步驟，直到所述當前時刻為所述樣本時間段內最后一個時刻，將所述當前時刻的子時間特征作為所述交通流量序列信息在所述樣本時間段內對應的時間特征。
9、在其中一個實施例中，所述樣本時間段內的交通流量序列信息包括所述樣本時間段內不同時刻的子交通序列信息；所述將所述交通流量序列信息，以及所述樣本交通路段對應的路段連接關系特征輸入所述空間注意力圖卷積網絡，得到所述交通流量序列信息在所述樣本時間段內對應的空間特征，包括：將所述交通流量序列信息以及所述路段連接關系特征輸入所述空間注意力圖卷積網絡，通過所述空間注意力圖卷積網絡的空間注意力機制，得到所述交通流量序列信息對應的空間注意力特征；根據所述空間注意力特征以及所述路段連接關系特征，得到空間關聯強度特征；獲取當前時刻對應的當前子交通序列信息，以及所述當前時刻的上一時刻對應的子空間特征；利用所述當前子交通序列信息、所述空間注意力特征、所述空間關聯強度特征以及所述上一時刻對應的子空間特征，得到所述當前時刻的子空間特征；將所述當前時刻的下一時刻作為新的當前時刻，返回執行獲取當前時刻對應的當前子交通序列信息的步驟，直到所述當前時刻為所述樣本時間段內最后一個時刻，將所述當前時刻的子空間特征作為所述交通流量序列信息在所述樣本時間段內對應的空間特征。
10、在其中一個實施例中，所述交通流量預測模型包括：多頭注意力機制層；所述根據所述時空特征得到所述樣本交通路段在預測時刻的預測交通流量數據，包括：將所述時空特征輸入所述多頭注意力機制層，得到所述時空特征對應的多個注意力權重矩陣；利用所述時空特征以及各所述注意力權重矩陣，得到所述時空特征對應的多個注意力特征；基于所述多個注意力特征，得到所述樣本時間段對應的交通流量輸出特征；利用所述交通流量輸出特征得到所述樣本交通路段在預測時刻的預測交通流量數據。
11、在其中一個實施例中，所述樣本時間段的數量為多個，分別對應多種時間尺度；所述利用所述交通流量輸出特征得到所述樣本交通路段在預測時刻的預測交通流量數據，包括：獲取各樣本時間段對應的交通流量輸出特征，根據各所述交通流量輸出特征得到與各所述樣本時間段對應的，所述樣本交通路段在預測時刻的子預測交通流量數據；各所述樣本時間段對應的交通流量輸出特征基于各所述樣本時間段的時空特征得到；獲取各所述樣本時間段的時間尺度權重，利用各所述時間尺度權重，對各所述樣本時間段對應的子預測交通流量數據進行加權處理，得到所述樣本交通路段在預測時刻的預測交通流量數據；各所述樣本時間段的時間尺度權重由各所述樣本時間段對應的時間尺度得到。
12、在其中一個實施例中，所述獲取樣本交通路段在樣本時間段內不同時刻的樣本交通流量數據以及交通狀態影響數據，包括：獲取所述樣本交通路段在所述樣本時間段內的原始交通流量數據，對所述原始交通流量數據進行數據預處理，得到所述樣本時間段內各時刻的樣本交通流量數據；獲取所述樣本交通路段的靜態地理信息數據，以及所述樣本交通路段對應于所述樣本時間段內各時刻的動態交通影響因素數據；將所述靜態地理信息數據以及各所述時刻的動態交通影響因素數據，作為所述樣本時間段內各所述時刻的交通狀態影響數據。
13、第二方面，本申請還提供了一種交通流量預測模型訓練裝置，包括：
14、樣本數據獲取模塊，用于獲取樣本交通路段在樣本時間段內不同時刻的樣本交通流量數據以及交通狀本文檔來自技高網...
【技術保護點】
1.一種交通流量預測模型訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述交通流量預測模型包括：時序注意力門控循環單元，以及空間注意力圖卷積網絡；所述將所述交通流量序列信息輸入待訓練的交通流量預測模型，通過所述交通流量預測模型得到所述交通流量序列信息在所述樣本時間段內對應的時間特征以及空間特征，根據所述時間特征以及空間特征得到所述交通流量序列信息在所述樣本時間段內對應的時空特征，包括：
3.根據權利要求2所述的方法，其特征在于，所述樣本時間段內的交通流量序列信息包括所述樣本時間段內不同時刻的子交通序列信息；
4.根據權利要求2所述的方法，其特征在于，所述樣本時間段內的交通流量序列信息包括所述樣本時間段內不同時刻的子交通序列信息；
5.根據權利要求1至4任意一項所述的方法，其特征在于，所述交通流量預測模型包括：多頭注意力機制層；所述根據所述時空特征得到所述樣本交通路段在預測時刻的預測交通流量數據，包括：
6.根據權利要求5所述的方法，其特征在于，所述樣本時間段的數量為多個，分別對應多種時間
7.根據權利要求1所述的方法，其特征在于，所述獲取樣本交通路段在樣本時間段內不同時刻的樣本交通流量數據以及交通狀態影響數據，包括：
8.一種交通流量預測模型訓練裝置，其特征在于，所述裝置包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種交通流量預測模型訓練方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述交通流量預測模型包括：時序注意力門控循環單元，以及空間注意力圖卷積網絡；所述將所述交通流量序列信息輸入待訓練的交通流量預測模型，通過所述交通流量預測模型得到所述交通流量序列信息在所述樣本時間段內對應的時間特征以及空間特征，根據所述時間特征以及空間特征得到所述交通流量序列信息在所述樣本時間段內對應的時空特征，包括：
3.根據權利要求2所述的方法，其特征在于，所述樣本時間段內的交通流量序列信息包括所述樣本時間段內不同時刻的子交通序列信息；
4.根據權利要求2所述的方法，其特征在于，所述樣本時間段內的交通流量序列信息包括所述樣本時間段內不同時刻的子交通序列信息；
5.根據權利要求1至4任意一項所述的方法，其特征在于，所述交通流量預測模型包括：多頭注意力...
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。