基于3D动态时空残差卷积关联网络的交通流预测方法技术

本发明专利技术公开了一种基于3D动态时空残差卷积关联网络的交通流预测方法，包括以下步骤：采集城市道路的交通流数据，对原始数据进行预处理；根据城市道路的经纬度将数据转化为欧几里得结构交通栅格数据，对栅格数据进行标准化处理，并将其划分成训练集和测试集；构建基于3D动态时空残差卷积关联网络，该网络由时空关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成；训练基于3D动态时空残差卷积关联网络，用训练好的模型预测城市道路下一时刻的交通流。本发明专利技术在对城市道路交通流进行时空关联分析的基础上，同时对城市道路交通流的动态空间和时间特征进行提取，提高对城市道路交通流的时空特征的动态捕获，从而提高城市交通流的预测精度。

【技术实现步骤摘要】
基于3D动态时空残差卷积关联网络的交通流预测方法
本专利技术属于智能交通和深度学习领域，具体为一种基于3D动态时空残差卷积关联网络的交通流预测方法。
技术介绍
近年来，智能交通大数据取得了飞速发展，这其中，随着5G的商用和车联网政策的推进，构建智能化交通管理系统被提上日程，交通流预测作为智能交通系统的重要子系统之一，具有重要的研究意义和研究价值。实时准确的交通流预测可以为交管部门提供未来时刻的交通流情况，帮助制定科学合理的交通诱导方案和交通管理策略。通过预先了解未来某一时刻的交通流情况，出行者可以提前规划其出行路线，制定总出行耗时最优的方案。因此，如何提高交通流预测模型的准确度是当前研究热点，提出一种有效的改进措施来提升交通流预测模型的精度至关重要。目前用于交通流预测的方法有很多，当前针对城市交通流的预测模型主要研究时间和空间特征的提取。当前城市路网可划分为欧几里得结构和非欧几里得结构，针对欧几里得结构路网数据主要由卷积操作进行空间特征提取，针对非欧几里得结构数据主要由图卷积操作进行空间特征提取。本专利技术研究的路网结构为欧几里得结构，目前研究城市路网交通流预测的模型有很多，但是缺乏对空间和时间特征的动态演变讨论，同时对路网进行时间特征提取时缺乏对其长期时间特征的捕获，导致此类模型无法捕获城市交通流的动态演变规律，无法适应复杂的城市交通流预测。
技术实现思路
专利技术目的：针对上述问题，本专利技术引入一种基于3D动态时空残差卷积关联网络的交通流预测方法。该方法针对传统时空残差模型处理交通栅格数据的预测问题时，存在时空关联性分析少、动态时空特征提取弱和长期时间演变特征挖掘低等不足，分别针对性提出时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件。首先，利用皮尔逊相关系数方法分析交通栅格数据之间关联性，分别得到空间关联序列和时间关联序列。然后，利用3D卷积和残差单元构建动态空间特征提取组件，将空间序列输入该组件得到动态空间特征。其次，利用3D时间卷积操作结合LSTM网络构建动态时间特征提取组件，将时间序列输入该组件得到动态空间特征。最后，将动态空间和时间特征进行加权融合，得到网络的最终预测值。本专利技术通过对交通栅格数据演变态势的深入挖掘，有效实现了对城市交通流动态时空特征的提取和分析。技术方案：一种基于3D动态时空残差卷积关联网络的交通流预测方法，包括如下步骤：步骤1)采集城市道路的交通流数据，并将交通流数据实时传输至智慧城市交通大数据存储中心，对原始的交通流数据进行预处理来降低数据冗余度；步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据，对欧几里得结构交通栅格数据进行标准化处理，并将其划分成训练集和测试集；步骤3)构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成；步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络，用训练好的模型预测城市道路下一时刻的交通流。进一步，所述步骤1中，将智慧城市交通大数据存储中心接收到的每组交通流数据定义为Datak，Datak＝{idk,lonk,latk,timestampk,typek}，idk，lonk，latk，timestampk，typek分别代表交通流的编号、经度、纬度、时间戳和车辆类型；当t时刻的Datat出现交通流数据缺失，使用该节点上一周或者下一周相同时间的交通流数据进行替换，将公式定义为：Data(loss)t＝Data(t+7*24h)/(t-7*24h)，Data(loss)t代表t时刻缺失的交通流数据，Data(t+7*24)/(t-7*24)代表t时刻上一周或者下一周在同一时刻的交通流数据；对于异常值采用3σ原则处理，对符合要求的数据进行保留，不符合要求的采用数据缺失方法进行替换。进一步，所述步骤2中，根据经纬度将交通流所在城市划分成欧几里得结构栅格网络，按照固定时间间隔Δt，将预处理过后的交通流数据映射到欧几里得结构交通栅格网络中，生成欧几里得结构交通栅格数据XR＝{xi,j}，XR中每个位置均匀分布，相邻位置之间距离相等。将交通流预测问题转化为给定历史交通栅格数据，预测N+Δt时刻的交通栅格数据XN+Δt，N是交通数据记录的最后时间节点；交通栅格数据生成后，对其进行标准化处理以降低不同量纲对模型预测结果的影响。通过下式计算标准化后的交通栅格数据X*t：X*t＝(Xt-Xμ)/Xσ，其中Xt为标准化前的交通栅格数据，Xμ为交通栅格数据整体数据的平均值，Xσ为交通栅格数据整体数据的标准差。交通栅格数据标准化完成后，对数据集进行拆分，按照固定比例将其划分成训练集和测试集。进一步，所述步骤3中，构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成，确定每个组件的基本结构参数。具体步骤如下：步骤3-1：构造时空特征关联提取组件，具体步骤如下：步骤3-1-1：确定时空特征关联提取组件的基本架构，确定以皮尔逊相关系数方法作为相关联度量的评价指标，将皮尔逊相关系数方法公式定义为：其中，xi目标交通栅格数据；yi为待比较的交通栅格数据；σx为目标交通栅格数据的样本总体标准差；σy为待比较交通栅格数据的样本总体标准差。根据皮尔逊相关系数可以将原始交通栅格数据序列划分成空间序列输入XinS和时间序列输入XinT；步骤3-2：构造动态空间特征提取组件，具体步骤如下：步骤3-2-1：确定动态空间特征提取组件总体网络架构，利用3D卷积操作对交通栅格数据的动态空间特征进行提取，时空栅格数据尺寸为I*I；选取步骤3-1-1空间序列中M个交通栅格数据构造成3D交通栅格数据，维度为M*I*I，对其进行3D卷积操作提取动态控件特征，选取卷积核维度为w*h*g，w、h、g分别为卷积核的宽、高和长。卷积核移动步长设置为s，补零圈数设置为z；将动态空间特征提取组件3D卷积操作定义为：其中，Xsl-1是第l层卷积层的待提取动态空间特征的交通栅格数据，Ws1l是第l层动态空间提取卷积层的卷积核参数，该参数的维度与Xsl-1的维度相等，Xs1l是第l层动态空间特征提取卷积层输出的空间特征，bs1l是第l层动态空间提取卷积层的偏置项，Ls1是动态空间特征提取卷积层需要卷积的层数；步骤3-2-2：卷积操作完成后，将步骤3-2-1的卷积特征输出作为残差单元的输入，用来捕获空间特征微小变化，残差操作定义为：其中，Xs1l-1是第l层残差单元的动态空间特征输入，Xs2l是第l层残差单元的动态空间特征输出，θs2l是动态空间特征提取组件第l层残差单元中所有可学习的参数集合，F为动态空间特征提取组件的残差映射，Ls2是动态空间特征提取组件需要进行残差的层数；步骤3-2-3：设置动态空间特征提取组件中卷积层的激活函数为ReLu函数，神经元的输入和输出维度与交通栅格数据尺寸相同；步骤3-3：构造动态时间特征提取组件，具体步骤如本文档来自技高网...

【技术保护点】
1.一种基于3D动态时空残差卷积关联网络的交通流预测方法，其特征在于：包括如下步骤：/n步骤1)采集城市道路的交通流数据，并将交通流数据实时传输至智慧城市交通大数据存储中心，对原始的交通流数据进行预处理来降低数据冗余度；/n步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据，对欧几里得结构交通栅格数据进行标准化处理，并将其划分成训练集和测试集；/n步骤3)构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成；/n步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络，用训练好的模型预测城市道路下一时刻的交通流。/n

【技术特征摘要】
1.一种基于3D动态时空残差卷积关联网络的交通流预测方法，其特征在于：包括如下步骤：
步骤1)采集城市道路的交通流数据，并将交通流数据实时传输至智慧城市交通大数据存储中心，对原始的交通流数据进行预处理来降低数据冗余度；
步骤2)根据城市道路的经纬度将预处理后的交通流数据转化为欧几里得结构交通栅格数据，对欧几里得结构交通栅格数据进行标准化处理，并将其划分成训练集和测试集；
步骤3)构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成；
步骤4)用步骤2)得到的训练集训练构建的基于3D动态时空残差卷积关联网络，用训练好的模型预测城市道路下一时刻的交通流。


2.根据权利要求1所述的一种基于3D动态时空残差卷积关联网络的交通流预测方法，其特征在于：所述步骤1)中，将智慧城市交通大数据存储中心接收到的每组交通流数据定义为Datak，Datak＝{idk,lonk,latk,timestampk,typek}，idk，lonk，latk，timestampk，typek分别代表交通流的编号、经度、纬度、时间戳和车辆类型；当t时刻的Datat出现交通流数据缺失，使用该节点上一周或者下一周相同时刻的交通流数据进行替换，将公式定义为：Data(loss)t＝Data(t+7*24h)/(t-7*24h)，Data(loss)t代表t时刻缺失的交通流数据，Data(t+7*24)/(t-7*24)代表t时刻上一周或者下一周在同一时刻的交通流数据；对于异常值采用3σ原则处理，对符合要求的数据进行保留，不符合要求的采用数据缺失方法进行替换。


3.根据权利要求1所述的一种基于3D动态时空残差卷积关联网络的交通流预测方法，其特征在于：所述步骤2)中，根据经纬度将交通流所在城市划分成欧几里得结构栅格网络，按照固定时间间隔Δt，将预处理过后的交通流数据映射到欧几里得结构交通栅格网络中，生成欧几里得结构交通栅格数据XR＝{xi,j}，XR中每个位置均匀分布，相邻位置之间距离相等；将交通流预测问题转化为给定历史交通栅格数据，预测N+Δt时刻的交通栅格数据XN+Δt，N是交通数据记录的最后时间节点；
交通栅格数据生成后，对其进行标准化处理以降低不同量纲对模型预测结果的影响；通过下式计算标准化后的交通栅格数据X*t：X*t＝(Xt-Xμ)/Xσ，其中Xt为标准化前的交通栅格数据，Xμ为交通栅格数据整体数据的平均值，Xσ为交通栅格数据整体数据的标准差；交通栅格数据标准化完成后，对数据集进行拆分，按照固定比例将其划分成训练集和测试集。


4.根据权利要求1所述的一种基于3D动态时空残差卷积关联网络的交通流预测方法，其特征在于：所述步骤3)中，构建基于3D动态时空残差卷积关联网络，该网络由时空特征关联提取组件、动态空间特征提取组件和动态时间特征提取组件组成，具体步骤如下：
步骤3-1：构造时空特征关联提取组件，具体步骤如下：
步骤3-1-1：确定时空特征关联提取组件的基本架构，确定以皮尔逊相关系数方法作为相关联度量的评价指标，将皮尔逊相关系数方法公式定义为：其中，xi目标交通栅格数据；yi为待比较的交通栅格数据；σx为目标交通栅格数据的样本总体标准差；σy为待比较交通栅格数据的样本总体标准差；根据皮尔逊相关系数可以将原始交通栅格数据序列划分成空间序列输入XinS和时间序列输入XinT；
步骤3-2：构造动态空间特征提取组件，具体步骤如下：
步骤3-2-1：确定动态空间特征提取组件总体网络架构，利用3D卷积操作对交通栅格数据的动态空间特征进行提取，时空栅格数据尺寸为I*I；选取步骤3-1-1空间序列中M个交通栅格数据构造成3D交通栅格数据，维度为M*I*I，对其进行3D卷积操作提取动态控件特征，选取卷积核维度为w*h*g，w、h、g分别为卷积核的宽、高和长。卷积核移动步长设置为s，补零圈...

【专利技术属性】
技术研发人员：施佺，包银鑫，沈琴琴，邵叶秦，朱森来，
申请(专利权)人：南通大学，
类型：发明
国别省市：江苏;32