一种基于时空序列深度学习的交通流量预测方法及装置制造方法及图纸

本发明专利技术涉及一种基于时空序列深度学习的交通流量预测方法及装置，包括：获取道路形状以及道路的交通流量历史数据；对交通流量历史数据按照相关的时间关联顺序进行预处理，并按照批的形式进一步整理为张量的形式，构建交通流量历史数据的多变量时空序列数据集；将多变量时空序列数据集划分为训练数据集

【技术实现步骤摘要】
一种基于时空序列深度学习的交通流量预测方法及装置


[0001]本专利技术涉及一种基于时空序列深度学习的交通流量预测方法及装置，属于时空序列的深度学习预测

。

技术介绍

[0002]在最近的几十年里，随着全球化和经济的步伐加快，越来越多的车辆开始行驶在了道路上，给交通系统的管理带来了巨大的压力，也对于交通系统的安全性
、
高效性和方便性有了更高的要求
。
伴随着经济实惠的交通传感器技术的不断应用，电脑元器件存储技术价格的下降，人们能够收集到爆炸式的交通流量数据，这些数据促使着智能交通系统和智慧城市的不断发展
。
同时，智能交通系统的诞生能够更好的解决交通拥堵
、
出行路线规划
、
道路健康检查
、
管理突发公共安全事件等问题，提高交通资源的利用率，使得智慧城市建造规划，城市居民生活出行质量得到提高
。
因此对于特定时期的交通流量的长期时空列预测有着十分重要的意义
。
[0003]从人工智能的历史来看待，伴随着从传统的机器学习方法向深度学习的不断迈进，交通流量时空列预测也由这种方式不断改进
。
[0004]一开始，基于统计和神经网络的相关模型被首次应用在了交通流预测领域
。
参考文献“Real
‑
time road traffic prediction with spatio
‑
temporal correlations,”(W.Min and L.Wynter,T ransp.Res.Part C Emerg.T echnol.,vol.19,no.4,pp.606
–
616,Aug.2011.)
和参考文献“New bayesian combination method for short
‑
term traffic flow forecasting,”(J.Wang,W.Deng,and Y.Guo,T ransp.Res.Part C Emerg.Technol.,vol.43,pp.79
–
94,Jun.2014)
利用统计模型回归综合移动平均
(ARIMA)
和贝叶斯网络从概率的角度出发，对空间有关的依赖性进行建模，但是这些模型有着高度的线性性质，阻碍了有效地模拟交通流内部的高度非线性，而且其内部结构计算量大，占用内存
。
[0005]相较于传统的机器学习方法，深度学习能够更好的发掘出深层信息，提高模型整体的高度非线性
。
参考文献“Learning traffic as images:A deep convolutional neural network for large
‑
scale transportation network speed pre
‑
diction,”(X.Ma et al.,Sensors,vol.17,no.4,p.818,Apr.2017.)
采用
CNN(
卷积神经网络
)
提取交通网络转换为规则网格的空间特征，由于其强大的特征提取能力，能够较好的发掘出空间的关联关系，然而固有的网格转换导致了不规则交通网络固有拓扑信息的丢失
。
参考文献“Diffusion
‑
convolutional neural net
‑
works,”(J.Atwood and D.Towsley,in Adv.Neural Inf.Process.Syst.29,Barcelona,Spain,Dec.2016,pp.1993
–
2001.)
采用图卷积网络
(GCN)
将经典的卷积网络推广到图域和频域范围，从图信号的角度入手，进而将深度学习推广到非欧几里得域，更加有效的读取空间信息
。
参考文献“Graph wavenet for deep spatial
‑
temporal graph modeling,”(Z.Wu,S.Pan,G.Long,J.Jiang,and C.Zhang,in Proc.28th Int.Joint Conf.Artif.Intell.,Macao,China,Aug.2019,pp.1907
–
1913.)
提出了一种
Graph WaveNet
模型，利用图卷积网络和
TCN(
时间卷积网络
)
对每个节点进行可学习的嵌入，提高了隐藏空间模式的交通预测的准确性
。
但是一旦训练，它们的空间依赖关系仍然是固定的
。
[0006]参考文献“Long short
‑
term memory neural network for traffic speed prediction using remote microwave sensor data,”(X.Ma,Z.Tao,Y.Wang,H.Yu,and Y.Wang,T ransp.Res.Part C Emerg.T echnol.,vol.54,pp.187
–
197,May 2015.)
指出了在传统的
RNN
网络中，建模时间依赖性方面受到限制
。
参考文献“Long short
‑
termmemory”(S.Hochreiter and J.Schmidhuber,Neural Comput.,vol.9,no.8,pp.1735
–
1780,Nov.1997)
提出了
LSTM
用以改善
RNN
的不足，有利于跨越多个时间点，形成长期的记忆单元，但是仍然存在耗时的训练过程和建模长期可扩展性有限的问题
。
参考文献“Attention is all you need,”(A.Vaswani et al.,in Adv.Neural Inf.Process.Syst.30,Long Beach,CA,USA,Dec.2017,pp.5998
–
6008.)
采用注意力机制的架构，实现高效的序列学习
。
在一层中，可以自适应地从不同长度的输入序列中捕获长期时变依赖关系
。
[0007]综上所述，现有的预测模型因为时空数据的未来时间不确定性，模型泛化能力不高，对于时间维度和空间维度二者学习方向的刻画不充分，在实际应用中存在预测精度低
、
鲁棒性不强
、
适应性不好等缺点
。

技术实现思路

[0008]为了克服现有技术中存在的缺陷，本专利技术旨在提供一种基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于时空序列深度学习的交通流量预测方法，其特征在于，包括：获取道路形状以及道路的交通流量历史数据；对交通流量历史数据按照相关的时间关联顺序进行预处理，并按照批的形式进一步整理为张量的形式，构建交通流量历史数据的多变量时空序列数据集；将多变量时空序列数据集划分为训练数据集
、
验证数据集和测试数据集，并将其中的数据按照样本的每个属性进行标准化；构建交通流量预测模型；所述交通流量预测模型包括卷积网络层
、
时间卷积网络层
、spaceblock
块层
、Layer Norm
层
、
时间卷积网络层
、Layer Norm
层
、
两个卷积层，所述时间卷积网络层由时间
Embedding
层
、
时间
MLP
层
、
空洞卷积层和
GRN
层构成，所述
space block
块层由3部分组成，第一部分为基于切比雪夫公式的自适应图卷积网络层，第二部分为基于自注意力机制的多头
attention
层，第三部分为过滤信息的
GRN
层；利用训练数据集对交通流量预测模型进行训练；采集当前时刻的交通流量数据，将采集的当前时刻的交通流量数据输入训练好的交通流量预测模型，预测未来时刻的时序值
。2.
根据权利要求1所述的一种基于时空序列深度学习的交通流量预测方法，其特征在于，所述交通流量历史数据通过交通站点感应器获取
。3.
根据权利要求1所述的一种基于时空序列深度学习的交通流量预测方法，其特征在于，所述预处理包括异常值和缺失值的差错补齐
。4.
根据权利要求1所述的一种基于时空序列深度学习的交通流量预测方法，其特征在于，所述标准化的方式是按照每个样本属性求出均值
μ
和方差
σ
，按照
Z
‑
score
公式进行计算得到新的数据集
x'。5.
根据权利要求1所述的一种基于时空序列深度学习的交通流量预测方法，其特征在于，所述交通流量预测模型的训练步骤包络：将训练数据集作为输入，输入到交通流量预测模型内进行预测；设置损失函数
Loss
对交通流量预测模型进行迭代更新训练，直至训练条件终止，生成训练好的交通流量预测模型，可用于预测未来时刻的时序值
。6.
根据权利要求5所述的一种基于时空序列深度学习的交通流量预测方法，其特征在于，将训练数据集作为输入，输入到交通流量预测模型内进行预测包括：
S1、
将训练数据集输入一个卷积核为1×1，通道数为
embed_size
的卷积网络层，丰富输入张量语义；
S2、
将数据输入时间卷积网络层，得到有关于时间的隐藏状；
S21、
将特有的时间信息经过时间
Embedding
层和输入数据相加，增强时间信息；
S22、
利用时间
MLP
层对时间维度进行扩维，利于后续扩散卷积的操作，再将结果输入到扩散卷积层中；
S23、
将得到的结果输入到
GRN
层中，过滤无用信息；
S24、
重复步骤
S22
‑
S23
，并将每次步骤
S22
输出的结果做一次卷积并累加；
S25、
将步骤
S24
的结果和步骤
S22
的结果相加并通过一个
LayerNo...

【专利技术属性】
技术研发人员：杜圣东，吴秋池，胡节，苏敏，杨涛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：