【技術實現步驟摘要】
本申請涉及交通，特別是涉及一種城市級路網交通狀態預測方法、裝置、設備及介質。
技術介紹
1、精準預測城市交通狀況對于應對交通擁堵、提升出行效率至關重要，是智慧交通管理涉及的關鍵技術之一?，F有的城市交通狀況預測的研究主要集中在單個路段或小規模路網的預測，通常采用單一深度學習模型預測特定路段交通情況。然而，在整個城市層面進行交通狀況預測時，往往需要大量深度學習模型，這不僅增加了計算開銷，還使模型擴展面臨困難。
2、現有的機器學習模型在預測城市交通狀況時，往往無法充分利用交通數據的動態特性以及路段之間復雜的時空相關性。雖然一些研究采用多個圖卷積網絡捕捉各種空間依賴關系，但應用于大規模和復雜的城市道路網絡時，這些方法是訓練成本極高，在城市級交通網絡中的有效性受限。此外，現有模型在處理大規模城市交通數據時效率低下。例如，基于圖的ai模型雖擅長捕捉復雜的非歐幾里得空間關系，但需要更復雜的圖構建和處理，導致顯著計算開銷。在復雜城市環境中，其復雜性會增加預測難度，而更簡單的方法(如適合捕捉歐幾里得空間關系的cnn卷積操作等)在網絡層數變深時又面臨梯度消失問題等挑戰。此外，這些方法中的池化操作可能使某些詳細特征被平滑或忽略，導致交通流中的細微變化被忽視，從而導致預測準確性降低。
3、因此，亟需一種適用于大規模和小規模的城市道路網絡，且預測的效率和準確性高的城市級路網交通狀態預測方法。
技術實現思路
1、本申請的目的是提供一種城市級路網交通狀態預測方法、裝置、設備及介質，可適用
2、為實現上述目的，本申請提供了如下方案：
3、第一方面，本申請提供了一種城市級路網交通狀態預測方法，包括：
4、獲取目標城市區域的基本參數以及歷史時間段的目標交通狀態數據；所述基本參數包括道路數量與長度數據；所述歷史時間段的目標交通狀態數據包括歷史時間段內若干歷史時刻的目標交通狀態數據；
5、利用路網密度計算公式，根據目標城市區域的基本參數確定路網密度數據；
6、將所述歷史時間段的目標交通狀態數據輸入訓練好的動態時空殘差卷積神經網絡模型中，得到歷史時間段的下一時間段的交通狀態預測數據；
7、所述動態時空殘差卷積神經網絡模型包括依次連接的殘差卷積模塊、基于路網密度的動態卷積模塊、時空注意力機制模塊和融合模塊；
8、其中，所述殘差卷積模塊，用于：對每一所述歷史時刻的目標交通狀態數據進行特征提取，得到殘差卷積特征；
9、所述基于路網密度的動態卷積模塊，用于：根據所述路網密度數據計算所述基于路網密度的動態卷積模塊中每一動態卷積核對應的權重；采用每一動態卷積核對殘差卷積特征進行特征提取，得到每一動態卷積核對應的動態卷積初始特征；對所有動態卷積核對應的動態卷積初始特征以及每一動態卷積核對應的權重，進行加權求和得到每一所述歷史時刻對應的動態卷積最終特征；
10、所述時空注意力機制模塊，用于：對于每一歷史時刻，對所述歷史時刻對應的動態卷積最終特征在空間和時間維度上進行特征提取，得到所述歷史時刻對應的時空注意力特征；
11、所述融合模塊，用于：對所有歷史時刻對應的時空注意力特征進行融合，得到歷史時間段的下一時間段的交通狀態預測數據。
12、可選地，所述殘差卷積模塊包括第一卷積子模塊、殘差序列子模塊和第二卷積子模塊；所述第一卷積子模塊包括若干第一卷積層；所述殘差序列子模塊包括若干殘差單元；每一所述殘差單元包括若干殘差卷積層；所述第二卷積子模塊包括若干第二卷積層。
13、可選地，所述第一卷積子模塊包括一個第一卷積層；所述第二卷積子模塊包括一個第二卷積層。
14、可選地，每一所述殘差單元包括兩層殘差卷積層。
15、可選地，根據所述路網密度數據計算所述基于路網密度的動態卷積模塊中每一動態卷積核對應的權重，具體包括：
16、對所述路網密度數據進行全局平均池化，得到全局路網密度；
17、對于每一動態卷積核，根據所述全局路網密度和所述動態卷積核對應的中心值，計算所述動態卷積核對應的權重。
18、可選地，交通狀態數據的類型包括速度、流量和擁堵指數。
19、可選地，在將所述歷史時間段的目標交通狀態數據輸入訓練好的動態時空殘差卷積神經網絡模型中步驟之前，所述城市級路網交通狀態預測方法還包括：
20、獲取訓練集；所述訓練集包括若干樣本時間段的樣本交通狀態數據；
21、采用所述訓練集對動態時空殘差卷積神經網絡模型進行訓練，得到訓練好的動態時空殘差卷積神經網絡模型。
22、第二方面，本申請提供了一種城市級路網交通狀態預測裝置，包括：
23、目標交通狀態數據獲取模塊，用于：獲取目標城市區域的基本參數以及歷史時間段的目標交通狀態數據；所述基本參數包括道路數量與長度數據；所述歷史時間段的目標交通狀態數據包括歷史時間段內若干歷史時刻的目標交通狀態數據；
24、路網密度數據確定模塊，用于：利用路網密度計算公式，根據目標城市區域的基本參數確定路網密度數據；
25、交通狀態預測模塊，用于：將所述歷史時間段的目標交通狀態數據輸入訓練好的動態時空殘差卷積神經網絡模型中，得到歷史時間段的下一時間段的交通狀態預測數據；
26、所述動態時空殘差卷積神經網絡模型包括依次連接的殘差卷積模塊、基于路網密度的動態卷積模塊、時空注意力機制模塊和融合模塊；其中，所述殘差卷積模塊，用于：對每一所述歷史時刻的目標交通狀態數據進行特征提取，得到殘差卷積特征；所述基于路網密度的動態卷積模塊，用于：根據所述路網密度數據計算所述基于路網密度的動態卷積模塊中每一動態卷積核對應的權重；采用每一動態卷積核對殘差卷積特征進行特征提取，得到每一動態卷積核對應的動態卷積初始特征；對所有動態卷積核對應的動態卷積初始特征以及每一動態卷積核對應的權重，進行加權求和得到每一所述歷史時刻對應的動態卷積最終特征；所述時空注意力機制模塊，用于：對于每一歷史時刻，對所述歷史時刻對應的動態卷積最終特征在空間和時間維度上進行特征提取，得到所述歷史時刻對應的時空注意力特征；所述融合模塊，用于：對所有歷史時刻對應的時空注意力特征進行融合，得到歷史時間段的下一時間段的交通狀態預測數據。
27、第三方面，本申請提供了一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序以實現上述城市級路網交通狀態預測方法。
28、第四方面，本申請提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現上述城市級路網交通狀態預測方法。
29、根據本申請提供的具體實施例，本申請公開了以下技術效果：
30、本申請提供了一種城市級路網交通狀態預測方法、裝置、設備及介質，動態時空殘差卷積神經網絡模型包括本文檔來自技高網...
【技術保護點】
1.一種城市級路網交通狀態預測方法，其特征在于，所述城市級路網交通狀態預測方法包括：
2.根據權利要求1所述的城市級路網交通狀態預測方法，其特征在于，所述殘差卷積模塊包括第一卷積子模塊、殘差序列子模塊和第二卷積子模塊；所述第一卷積子模塊包括若干第一卷積層；所述殘差序列子模塊包括若干殘差單元；每一所述殘差單元包括若干殘差卷積層；所述第二卷積子模塊包括若干第二卷積層。
3.根據權利要求2所述的城市級路網交通狀態預測方法，其特征在于，所述第一卷積子模塊包括一個第一卷積層；所述第二卷積子模塊包括一個第二卷積層。
4.根據權利要求2所述的城市級路網交通狀態預測方法，其特征在于，每一所述殘差單元包括兩層殘差卷積層。
5.根據權利要求1所述的城市級路網交通狀態預測方法，其特征在于，根據所述路網密度數據計算所述基于路網密度的動態卷積模塊中每一動態卷積核對應的權重，具體包括：
6.根據權利要求1所述的城市級路網交通狀態預測方法，其特征在于，交通狀態數據的類型包括速度、流量和擁堵指數。
7.根據權利要求1所述的城市級路網交通狀態
8.一種城市級路網交通狀態預測裝置，其特征在于，所述城市級路網交通狀態預測裝置包括：
9.一種計算機設備，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1-7中任一項所述的城市級路網交通狀態預測方法。
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，該計算機程序被處理器執行時實現權利要求1-7中任一項所述的城市級路網交通狀態預測方法。
...【技術特征摘要】
1.一種城市級路網交通狀態預測方法，其特征在于，所述城市級路網交通狀態預測方法包括：
2.根據權利要求1所述的城市級路網交通狀態預測方法，其特征在于，所述殘差卷積模塊包括第一卷積子模塊、殘差序列子模塊和第二卷積子模塊；所述第一卷積子模塊包括若干第一卷積層；所述殘差序列子模塊包括若干殘差單元；每一所述殘差單元包括若干殘差卷積層；所述第二卷積子模塊包括若干第二卷積層。
3.根據權利要求2所述的城市級路網交通狀態預測方法，其特征在于，所述第一卷積子模塊包括一個第一卷積層；所述第二卷積子模塊包括一個第二卷積層。
4.根據權利要求2所述的城市級路網交通狀態預測方法，其特征在于，每一所述殘差單元包括兩層殘差卷積層。
5.根據權利要求1所述的城市級路網交通狀態預測方法，其特征在于，根據所述路網密度數據計算所述基于路網密度的動態卷積模塊中每一動態卷積核對應的權重，...
【專利技術屬性】
技術研發人員：劉家林，張志毅，姬浩，楊一濤，王輝，劉正，賈斌，
申請(專利權)人：西安工業大學，
類型：發明
國別省市：
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。