【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)屬于交通流預(yù)測(cè)，涉及一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、短時(shí)交通流預(yù)測(cè)是智能交通系統(tǒng)建設(shè)中的一項(xiàng)重要課題，其在道路資源管理、城市交通網(wǎng)絡(luò)優(yōu)化、交通擁堵緩解等諸多應(yīng)用場(chǎng)景中有著至關(guān)重要的作用。在實(shí)際生活中交通流量會(huì)隨時(shí)間變化呈現(xiàn)出一定的周期性，例如城市的早高峰和晚高峰。此外，交通流數(shù)據(jù)還具有不確定性，例如人們的出行會(huì)受到天氣狀況、交通事故、道路養(yǎng)護(hù)、節(jié)假日、大型活動(dòng)的影響。近幾年的研究表明，交通流量數(shù)據(jù)還與傳感器在地圖上的空間位置密切相關(guān)，例如城市主城區(qū)道路相比郊區(qū)道路的車(chē)流量更大。
2、早期的交通流預(yù)測(cè)研究基于統(tǒng)計(jì)學(xué)方法，利用線性組合擬合數(shù)據(jù)的波動(dòng)特征，進(jìn)行短時(shí)交通流預(yù)測(cè)；例如，通過(guò)結(jié)合自回歸移動(dòng)平均模型（英文全稱(chēng)為auto-regressionand?moving?average?model，簡(jiǎn)稱(chēng)arma）和卡爾曼濾波實(shí)現(xiàn)對(duì)短時(shí)交通流預(yù)測(cè)；采用經(jīng)驗(yàn)?zāi)B(tài)分解（英文全稱(chēng)為empirical?mode?decomposition，簡(jiǎn)稱(chēng)emd）和arma實(shí)現(xiàn)短時(shí)交通流預(yù)測(cè)，雖然上述方法能快速實(shí)現(xiàn)交通流建模，但無(wú)法有效捕獲交通流數(shù)據(jù)中的非線性特征，且精度較低。
3、隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，研究者逐漸嘗試采用機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)交通流預(yù)測(cè)任務(wù)；其中，常用方法包括支持向量回歸（英文全稱(chēng)為support?vector?regression，簡(jiǎn)稱(chēng)svr）、基線梯度提升算法（英文全稱(chēng)為extreme?gradient?boosting，簡(jiǎn)稱(chēng)xgboost）、長(zhǎng)短期記憶網(wǎng)絡(luò)（英文全稱(chēng)為lo
4、此外，部分研究學(xué)者提出利用時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)框架實(shí)現(xiàn)交通流的預(yù)測(cè)；復(fù)雜的交通流數(shù)據(jù)同時(shí)具有時(shí)間特征與空間特征，針對(duì)交通流數(shù)據(jù)的時(shí)間與空間特征，根據(jù)傳感器的空間位置構(gòu)建圖拓?fù)浣Y(jié)構(gòu)，傳感器采集的數(shù)據(jù)作為圖的節(jié)點(diǎn)特征，然后采用圖神經(jīng)網(wǎng)絡(luò)聚合節(jié)點(diǎn)特征，以及序列神經(jīng)網(wǎng)絡(luò)捕獲數(shù)據(jù)隨時(shí)間變化的波動(dòng)特征，利用時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)框架（英文全稱(chēng)為spatio-temporal?graph?neural?network，簡(jiǎn)稱(chēng)stgnn），分別融合時(shí)間網(wǎng)絡(luò)和空間網(wǎng)絡(luò)學(xué)習(xí)交通流數(shù)據(jù)的兩種特征，來(lái)實(shí)現(xiàn)時(shí)間特征與空間特征的融合，對(duì)短時(shí)交通流進(jìn)行預(yù)測(cè)；雖然上述方法能有效的捕獲交通流數(shù)據(jù)的時(shí)空特征，但是只重點(diǎn)關(guān)注了交通流數(shù)據(jù)，而忽略了傳感器采集的占有率和平均速度，當(dāng)傳感器采集的占有率數(shù)據(jù)中出現(xiàn)較大的“波峰”情況，可能該時(shí)間段道路出現(xiàn)堵車(chē)狀況，而同時(shí)道路上的車(chē)輛平均速度也相應(yīng)出現(xiàn)明顯“波谷”，相應(yīng)時(shí)間段內(nèi)的交通流量數(shù)據(jù)有明顯的降低。因此，現(xiàn)有的交通流預(yù)測(cè)方法，缺乏對(duì)道路交通狀況的全面學(xué)習(xí)。
5、綜上所述，基于統(tǒng)計(jì)學(xué)方法無(wú)法有效捕獲交通流數(shù)據(jù)中的非線性特征，傳統(tǒng)機(jī)器學(xué)習(xí)方法忽略對(duì)數(shù)據(jù)的空間特征建模，當(dāng)前時(shí)空?qǐng)D框架能有效捕獲交通流數(shù)據(jù)的時(shí)間和空間特征，但忽略傳感器采集的占用率和平均速度特征，缺乏對(duì)道路狀況的全面建模。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本專(zhuān)利技術(shù)提供一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法及系統(tǒng)，不僅考慮交通流量特征數(shù)據(jù)的學(xué)習(xí)，而且還引入占用率和平均速度的特征數(shù)據(jù)，充分學(xué)習(xí)三種特征數(shù)據(jù)并構(gòu)建數(shù)據(jù)之間聯(lián)系，實(shí)現(xiàn)對(duì)道路狀況的全面建模，更好的實(shí)現(xiàn)交通流量預(yù)測(cè)。
2、本專(zhuān)利技術(shù)是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：
3、一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，包括：
4、獲取交通流量、占有率以及平均速度的數(shù)據(jù)，分別構(gòu)建交通流量特征圖、占有率特征圖以及平均速度特征圖；
5、基于gcn聚合交通流量特征圖、占有率特征圖以及平均速度特征圖的節(jié)點(diǎn)特征信息；
6、采用改進(jìn)的transformer編碼器對(duì)聚合后的占有率特征圖以及平均速度特征圖的節(jié)點(diǎn)特征信息進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，得到占有率特征向量以及平均速度特征向量；
7、將聚合后的交通流量特征圖的節(jié)點(diǎn)特征信息與占有率特征向量和平均速度特征向量之間進(jìn)行特征交互融合，構(gòu)建多特征融合交通流預(yù)測(cè)模型；
8、對(duì)多特征融合交通流預(yù)測(cè)模型進(jìn)行訓(xùn)練，基于訓(xùn)練后的多特征融合交通流預(yù)測(cè)模型，進(jìn)行短時(shí)交通流的預(yù)測(cè)。
9、優(yōu)選的，獲取交通流量、占有率以及平均速度的數(shù)據(jù)，分別構(gòu)建交通流量特征圖、占有率特征圖以及平均速度特征圖，具體為：
10、通過(guò)道路傳感器采集交通流量、占有率以及平均速度的數(shù)據(jù)，將交通流量、占有率以及平均速度的數(shù)據(jù)分別作為圖的特征信息，將道路傳感器的地圖位置信息作為圖的骨架，將每個(gè)道路傳感器作為圖的節(jié)點(diǎn)，將地圖上道路之間關(guān)系作為圖的邊，從而分別構(gòu)建交通流量特征圖、占有率特征圖以及平均速度特征圖。
11、優(yōu)選的，基于gcn聚合交通流量特征圖、占有率特征圖以及平均速度特征圖的節(jié)點(diǎn)特征信息，具體為：
12、通過(guò)gcn將交通流量特征圖、占有率特征圖以及平均速度特征圖的數(shù)據(jù)分別與相對(duì)應(yīng)的 t時(shí)間步的交通流量數(shù)據(jù)、 t時(shí)間步的占有率數(shù)據(jù)以及 t時(shí)間步的平均速度數(shù)據(jù)進(jìn)行聚合，提取得到交通流量特征圖、占有率特征圖以及平均速度特征圖的節(jié)點(diǎn)特征信息。
13、優(yōu)選的，transformer編碼器的改進(jìn)，具體過(guò)程為：
14、使用tcn模型替換transformer編碼器的feed?forward層，實(shí)現(xiàn)對(duì)transformer編碼器的改進(jìn)；
15、其中，tcn模型中包括多個(gè)殘差模塊，且每個(gè)殘差模塊中包括擴(kuò)張卷積和因果卷積。
16、優(yōu)選的，采用改進(jìn)的transformer編碼器對(duì)聚合后的占有率特征圖的節(jié)點(diǎn)特征信息進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，得到占有率特征向量，具體為：
17、將占有率特征圖的節(jié)點(diǎn)特征信息作為改進(jìn)的transformer編碼器的輸入，基于改進(jìn)的transformer編碼器通過(guò)層歸一化和多頭注意力機(jī)制對(duì)占有率特征圖的節(jié)點(diǎn)特征信息進(jìn)行編碼和轉(zhuǎn)換后，得到占有率特征向量，將占有率特征向量經(jīng)過(guò)softmax分類(lèi)器處理后得到占有率的預(yù)測(cè)值，采用對(duì)數(shù)似然函數(shù)計(jì)算占有率的預(yù)測(cè)值與真實(shí)值之間的誤差得到占有率的損失值，基于占有率的損失值反復(fù)更新改進(jìn)的transformer編碼器的權(quán)重和偏置進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，直至占有率的損失值不再下降，輸出監(jiān)督學(xué)習(xí)訓(xùn)練后的占有率特征向量；
18、其中，占有率的損失值，具體計(jì)算公式為：
19、
20、式中， 本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，獲取交通流量、占有率以及平均速度的數(shù)據(jù)，分別構(gòu)建交通流量特征圖、占有率特征圖以及平均速度特征圖，具體為：
3.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，基于GCN聚合交通流量特征圖、占有率特征圖以及平均速度特征圖的節(jié)點(diǎn)特征信息，具體為：
4.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，Transformer編碼器的改進(jìn)，具體過(guò)程為：
5.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，采用改進(jìn)的Transformer編碼器對(duì)聚合后的占有率特征圖的節(jié)點(diǎn)特征信息進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，得到占有率特征向量，具體為：
6.根據(jù)權(quán)利要求5所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，采用改進(jìn)的Transformer編碼器對(duì)聚合后的平均速度特征圖的節(jié)點(diǎn)特征信息進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，得到平均速度特征向量，具體為：
8.根據(jù)權(quán)利要求7所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，對(duì)多特征融合交通流預(yù)測(cè)模型進(jìn)行訓(xùn)練，基于訓(xùn)練后的多特征融合交通流預(yù)測(cè)模型，進(jìn)行短時(shí)交通流的預(yù)測(cè)，具體為：
9.根據(jù)權(quán)利要求8所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，所述多特征融合交通流預(yù)測(cè)模型的損失值，計(jì)算公式為：
10.一種基于多特征圖的短時(shí)交通流預(yù)測(cè)系統(tǒng)，基于權(quán)利要求1-9任意一項(xiàng)所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，獲取交通流量、占有率以及平均速度的數(shù)據(jù)，分別構(gòu)建交通流量特征圖、占有率特征圖以及平均速度特征圖，具體為：
3.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，基于gcn聚合交通流量特征圖、占有率特征圖以及平均速度特征圖的節(jié)點(diǎn)特征信息，具體為：
4.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，transformer編碼器的改進(jìn)，具體過(guò)程為：
5.根據(jù)權(quán)利要求1所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)方法，其特征在于，采用改進(jìn)的transformer編碼器對(duì)聚合后的占有率特征圖的節(jié)點(diǎn)特征信息進(jìn)行監(jiān)督學(xué)習(xí)訓(xùn)練，得到占有率特征向量，具體為：
6.根據(jù)權(quán)利要求5所述的一種基于多特征圖的短時(shí)交通流預(yù)測(cè)...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：郝俊峰，張海濤，李玉龍，李局，石宏泰，黃河，毛亞男，楊文晶，鄒旺賢，
申請(qǐng)(專(zhuān)利權(quán))人：中鐵七局集團(tuán)第三工程有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。