城市路网全域交通状态预测的方法、电子装置和存储介质制造方法及图纸

本申请涉及一种城市路网全域交通状态预测的方法、电子装置和存储介质，通过训练好的交通状态预测模型预测交通状态包括：信号配时检测模块接收待预测数据，待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据；信号配时检测模块根据历史信号配时数据判断是否检测到路网级的信号配时变化，若为否，则被动预测模块通过路网无权有向图的邻接矩阵和历史交通状态数据生成预测交通状态，若为是，则主动预测模块通过路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据生成预测交通状态，即本申请中的交通状态预测模型不仅基于交通流特征，还基于交通信号控制来预测交通状态，提高了预测的准确率。确率。确率。

【技术实现步骤摘要】
城市路网全域交通状态预测的方法、电子装置和存储介质


[0001]本申请涉及交通预测
，特别是涉及城市路网全域交通状态预测的方法、电子装置和存储介质。

技术介绍

[0002]交通状态预测是智能交通系统发展过程中最具挑战性的任务之一。交通状态预测是基于历史观察，预测未来交通网络中的交通状态(如路段速度、交通流和延误等)。在工程实践中，交通状态被看作城市交通信号控制的主要指标之一，在整个交通网络层面，交通状态是识别交通拥堵的重要指标，能够预测近期的路网级路段交通状态对于城市交通信号控制、运营和管理至关重要。
[0003]在相关技术中，可以通过基于统计的时间序列分析模型(如ARIMA、SVR等)预测交通状态，但是，基于统计的时间序列分析模型无法捕捉道路路段与相邻路段之间存在复杂的时空相关性，也可以通过基于深度学习的数据驱动方法预测交通状态，但是上述两种方法中的模型都只基于交通流特征(即车速、交通流、交通拥堵的发生等)来预测交通状态，为被动的模型。实际上，交通状态是受交通信号控制而主动变化的，因此，基于被动的模型预测交通状态，会导致准确率不高。
[0004]目前针对相关技术中基于被动的模型预测交通状态时，仅考虑交通流特征不考虑交通信号控制，准确率不高的问题，尚未提出有效的解决方案。

技术实现思路

[0005]本申请实施例提供了一种城市路网全域交通状态预测的方法、电子装置和存储介质，以至少解决相关技术中基于被动的模型预测交通状态时，仅考虑交通流特征不考虑交通信号控制，准确率不高的问题。/>[0006]第一方面，本申请实施例提供了一种城市路网全域交通状态预测的方法，所述方法包括：
[0007]输入待预测数据至训练好的交通状态预测模型，得到模型输出的预测交通状态，其中，所述交通状态预测模型包括生成器和判别器，所述生成器包括信号配时检测模块、主动预测模块和被动预测模块；
[0008]其中，通过训练好的交通状态预测模型预测交通状态包括：
[0009]所述信号配时检测模块接收待预测数据，其中，所述待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据；
[0010]所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化，若判断结果为否，则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态，若判断结果为是，则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态。
[0011]在其中一些实施例中，所述交通状态预测模型训练方式如下：
[0012]获取预处理完成的训练数据，其中，所述训练数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据；
[0013]所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化，若判断结果为否，则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态，若判断结果为是，则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态；
[0014]所述判别器根据真实历史交通状态和预测交通状态输出对应的分数，当达到精度要求后，获得训练好的交通状态预测模型。
[0015]在其中一些实施例中，所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态包括：
[0016]所述被动预测模块包括时间图卷积块、自注意力图卷积块和全连接层，所述时间图卷积块包括图卷积网络和门控循环单元；
[0017]所述路网无权有向图的邻接矩阵和所述历史交通状态数据通过所述图卷积网络、所述门控循环单元、所述自注意力图卷积块和所述全连接层，输出所述预测交通状态数据。
[0018]在其中一些实施例中，所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态包括：
[0019]所述主动预测模块包括时间图卷积块、第一自注意力图卷积块、独热编码层、第二门控循环单元、第二自注意力图卷积块、数据拼接层和全连接层，所述时间图卷积块包括图卷积网络和第一门控循环单元；
[0020]所述历史交通状态数据和所述路网无权有向图的邻接矩阵通过所述图卷积网络、所述第一门控循环单元和所述第一自注意力图卷积块得到第一中间结果，所述历史信号配时数据经过所述独热编码层、所述第二门控循环单元和所述第二自注意力图卷积块得到第二中间结果，所述数据拼接层将所述第一中间结果和所述第二中间结果拼接后，通过所述全连接层输出所述预测交通状态数据。
[0021]在其中一些实施例中，所述判别器根据真实历史交通状态和预测交通状态输出对应的分数包括：
[0022]所述判别器包括卷积神经网络、门控循环单元、自注意力图卷积块和全连接层；
[0023]根据所述真实历史交通状态和所述预测交通状态获得真实样本和虚假样本，所述真实样本和所述虚假样本通过所述卷积神经网络、所述门控循环单元、所述自注意力图卷积块和所述全连接层，输出所述真实样本和所述虚假样本的分数。
[0024]在其中一些实施例中，所述根据所述真实历史交通状态和所述预测交通状态获得真实样本和虚假样本包括：
[0025]根据历史交通状态数据和预测交通状态数据，分别生成历史交通状态特征矩阵和预测交通状态特征矩阵，根据所述历史交通状态特征矩阵获得真实样本，将所述历史交通状态特征矩阵和所述预测交通状态特征矩阵拼接，获得虚假样本。
[0026]在其中一些实施例中，所述获取预处理完成的训练数据或所述信号配时检测模块接收待预测数据之前，所述方法还包括：
[0027]对输入数据进行预处理，获得待预测数据或训练数据，其中，所述输入数据包括交通路网信息、历史交通状态数据和历史信号配时数据，预处理过程包括：
[0028]根据所述交通路网信息将交通网络表示为一个无权有向图G＝(V,E,A)，其中，V表示有限的节点的集合，代表实际路网中的路段，E表示有限的边集，代表实际路网中的路段之间的连接性，A∈R
N
×
N
表示路网无权有向图的邻接矩阵，N为节点的个数；
[0029]在时间步t，所述历史交通状态数据表示为S
t
∈R
N
，所述历史信号配时数据表示为C
t
∈R
N
。
[0030]在其中一些实施例中，所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化包括：
[0031]所述信号配时检测模块根据t时刻路段r的所述历史信号配时数据，获得历史信号配时序列，若所述历史信号配时序列中至少有一个元素不同，则说明检测到路段r在t时刻改变了信号配时，若改变信号配时的路段数超过预测值，则判断为t时刻检测到路网级的信号配时变化。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市路网全域交通状态预测的方法，其特征在于，所述方法包括：输入待预测数据至训练好的交通状态预测模型，得到模型输出的预测交通状态，其中，所述交通状态预测模型包括生成器和判别器，所述生成器包括信号配时检测模块、主动预测模块和被动预测模块；其中，通过训练好的交通状态预测模型预测交通状态包括：所述信号配时检测模块接收待预测数据，其中，所述待预测数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据；所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化，若判断结果为否，则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态，若判断结果为是，则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态。2.根据权利要求1所述的方法，其特征在于，所述交通状态预测模型训练方式如下：获取预处理完成的训练数据，其中，所述训练数据包括路网无权有向图的邻接矩阵、历史交通状态数据和历史信号配时数据；所述信号配时检测模块根据所述历史信号配时数据判断是否检测到路网级的信号配时变化，若判断结果为否，则所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态，若判断结果为是，则所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态；所述判别器根据真实历史交通状态和预测交通状态输出对应的分数，当达到精度要求后，获得训练好的交通状态预测模型。3.根据权利要求2所述的方法，其特征在于，所述被动预测模块通过所述路网无权有向图的邻接矩阵和所述历史交通状态数据生成预测交通状态包括：所述被动预测模块包括时间图卷积块、自注意力图卷积块和全连接层，所述时间图卷积块包括图卷积网络和门控循环单元；所述路网无权有向图的邻接矩阵和所述历史交通状态数据通过所述图卷积网络、所述门控循环单元、所述自注意力图卷积块和所述全连接层，输出所述预测交通状态数据。4.根据权利要求2所述的方法，其特征在于，所述主动预测模块通过所述路网无权有向图的邻接矩阵、所述历史交通状态数据和所述历史信号配时数据生成预测交通状态包括：所述主动预测模块包括时间图卷积块、第一自注意力图卷积块、独热编码层、第二门控循环单元、第二自注意力图卷积块、数据拼接层和全连接层，所述时间图卷积块包括图卷积网络和第一门控循环单元；所述历史交通状态数据和所述路网无权有向图的邻接矩阵通过所述图卷积网络、所述第一门控循环单元和所述第一自注意力图卷积块得到第一中间结果，所述历史信号配时数据经过所述独热编码层、所述第二门控循环单元和所述第二自注意力图卷积块得到第二中间结...

【专利技术属性】
技术研发人员：戎丁丁，季青原，徐理虹，王腾，吴建平，聂文涛，林文霞，吴占宁，
申请(专利权)人：银江技术股份有限公司，
类型：发明
国别省市：