【技术实现步骤摘要】
本专利技术属于智能交通与计算机视觉的交叉研究领域，设计图像信号处理、交通流预测等技术，具体涉及一种基于多特征提取及融合的交通流预测方法。
技术介绍
1、交通流预测是构建智能交通系统的重要桥梁，也是交通管理部门对交通拥堵等问题进行有效管理的重要依据。为了更好地了解实时交通流运行状态，基于历史数据对交通流进行预测是近年来流量预测研究的热点。通过对交通流的准确预测，智能交通系统可以进行合理的路径规划与选择，依托交通流诱导，从而缓解交通拥堵压力，解决交通所带来的环境问题。
2、目前，交通流预测方法主要分为两大类，即数理统计方法和智能预测方法。数理统计方法主要是运用线性回归理论对交通流进行计算，比如jr运用自回归滑动平均法对流量进行仿真，提高了交通流预测精度；但是，以上数理统计的方法只适用于对单个对象点进行预测，预测精度并不能满足实际需要，再加上缺乏自学习能力，使得系统的鲁棒性得不到保障。智能预测方法是将机器学习的算法应用到流量预测中，其中，人工神经网络算法是比较常见的预测工具。运用bp神经网络模型对交通流进行预测，并与传统的流量预测方法进行对比，预测精度得到大幅度提高，但是收敛速度较慢；借助长短时记忆网络(lstm)模型预测短时交通流，但是必须人工将空间信息编码作为网络输入，从而会影响了预测精度，同时考虑到受相关时空特性等特征的影响，相连区域之间的交通流序列也会相互影响，这也直接影响了预测模型的精度。因此如何充分提取交通流时空特征的问题是亟待解决的问题。基于此，之前的学者们采用了rnn、cnn网络来提取图像特征，但是都存在相
技术实现思路
1、为了克服现有技术中存在的不足，本专利技术提出了一种基于多特征提取及融合的交通流预测方法。
2、一种基于多特征提取及融合的交通流预测方法，包括如下步骤：
3、步骤1，将输入的历史交通流数据构造为包含交通流时空相关性特征矩阵；
4、步骤2，将特征矩阵输入到transfomer网络中，提取出交通流数据的空间特征，得到交通流序列特征向量；
5、步骤3，将特征向量输入到多层lstm网络中提取时间依赖特征，得到非线性部分；
6、步骤4，利用卡尔曼滤波模型提取交通流中的线性部分，得到预测值；
7、步骤5，将步骤3中得到的结果与步骤4中得到的结果相加得到最终的预测结果。
8、进一步地，步骤1中，定义交通流时空相关性特征矩阵x为：
9、
10、式中，为t-m时刻第i个位置收集的交通流量，为第1个位置收集的历史流量数据。
11、进一步地，步骤2中，transformer结构包含编码和解码两个部分，其中编码部分由多头注意力和前馈网络结合合并与归一化来实现；
12、transformer编码器接收到步骤1中的交通流时空相关性特征矩阵x，并将其转化为嵌入向量的矩阵x∈ri×d，其中的l和d分别表示序列的长度和输入的维度；使用三个可学习的矩阵将矩阵x投影到不同的空间中，dk为一个超参数；缩放点积注意力通过以下公式计算：
13、q,k,v＝xwq,xwk,xwv (2)
14、
15、
16、上式中ai,j,q,k,v,a皆为矩阵，qt代表第t个数据的查询向量，j代表第j个数据，而代表第j个数据的值向量的转置表达；归一化指数函数softmax应用于最后一个维度；
17、使用多组wq,wk,wv提升自注意力的能力，该种使用多组wq,wk,wv的方式称为多头自注意力，其计算方式为：
18、q(h),k(h),v(h)＝xwq(h),xwk(h),xwv(h) (5)
19、head(h)＝attn(q(h),k(h),v(h)) (6)
20、multihead(h)＝[head(1),head(2),…,hed(n)]wo (7)
21、h代表头的索引，n代表头的数量，[head(1),head(2),…,head(n)]代表在最后一个维度的连接操作；d＝n×dk，说明多头注意力multihead(h)∈rl×d，式中的wo∈rd×d是一个可学习参数，为一个矩阵；
22、多头注意力的输出经过前馈网络ffn进一步处理，处理过程表示为：
23、ffn(x)＝max(0,xw1+b1)w2+b2 (8)
24、上式中的为可学习参数矩阵，dff是一个超参数，和b2∈rd为可学习向量。
25、进一步地，步骤3中，利用lstm的当前输入xt，即步骤2中的输出ffn(x)和上一个状态传递下来的ht-1拼接训练得到以下四个状态：
26、
27、
28、
29、
30、其中，上式中，z，zi，zf，zo代表一种门控状态，σ代表一个sigmoid激活函数，w,wi,wf,wo代表权重矩阵，tanh代表tanh激活函数。
31、进一步地，所述步骤3中的lstm内部有三个阶段：
32、阶段1，忘记阶段：对上一个节点传进来的输入进行选择性忘记；
33、通过计算得到的zf作为忘记门控，其表达式如下：
34、
35、ft＝σ(wf*[ht-1,xt]+bf) (14)
36、阶段2，选择记忆阶段：在单元状态中存储的信息量，通过一个输入门决定更新的信息，其表达式为：
37、ct1＝tanh(wi*[ht-1,xt]+bc) (15)
38、通过将遗忘门与输入门进行结合，计算出新的单元状态，其表达式为：
39、ct＝ft*ct-1+zi*ct1 (16)
40、阶段3，输出阶段：决定哪些将会被当成当前状态的输出，通过来zo进行控制，并且还对上一阶段得到的ct进行了放缩；输出的结果如下式所示，最终得到预测的交通流序列yu：
41、ht＝zo*tanh(ct) (17)
42、yu＝σ(wo*[ht-1,xt]+bo) (18)
43、进一步地，步骤4中，将步骤3中的得到预测值yu和真实值yl的差值输入到卡尔曼滤波模型；卡尔曼滤波的过程包括估计与校准两个阶段：估计是指使用上一时间步的交通流量预测值对当前时间步的交通流量进行估计；校正是指对所获得的估计值使用观测值来进行修正，使预测结果更接近真实值。
44、进一步地，步骤4中包括如下步骤：
45、步骤4.1，估计：
46、
47、上式中，代表估计值，a代表状态转移矩阵，代表t-1时刻交通流量预测值，b代表输入增益矩阵，ut代表步骤2中的得到系统输入向量本文档来自技高网...
【技术保护点】
1.一种基于多特征提取及融合的交通流预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤1中，定义交通流时空相关性特征矩阵X为：
3.根据权利要求1所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤2中，Transformer结构包含编码和解码两个部分，其中编码部分由多头注意力和前馈网络结合合并与归一化来实现；
4.根据权利要求1所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤3中，利用LSTM的当前t时刻的输入xt和上一个状态传递下来的ht-1拼接训练得到以下四个状态：
5.根据权利要求4所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：所述步骤3中的LSTM内部有三个阶段：
6.根据权利要求1所述的一一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤4中，将步骤3中的得到的结果与真实值的残差输入到卡尔曼滤波模型；卡尔曼滤波的过程包括估计与校准两个阶段：估计是指使用上一时间步的交通流量预测值对当前时间步的
7.根据权利要求6所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤4中，通过给定状态的初始值，即将步骤3中得到的预测值yu和真实值yt的差值作为初始值，在卡尔曼增益对估计值的不断调整下，给出准确的预测值，包括如下步骤：
8.根据权利要求1所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤5中，对步骤3中的非线性预测结果yu和步骤4中的线性预测结果yl相加得到最终的预测结果y。
...【技术特征摘要】
1.一种基于多特征提取及融合的交通流预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤1中，定义交通流时空相关性特征矩阵x为：
3.根据权利要求1所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤2中，transformer结构包含编码和解码两个部分，其中编码部分由多头注意力和前馈网络结合合并与归一化来实现；
4.根据权利要求1所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：步骤3中，利用lstm的当前t时刻的输入xt和上一个状态传递下来的ht-1拼接训练得到以下四个状态：
5.根据权利要求4所述的一种基于多特征提取及融合的交通流预测方法，其特征在于：所述步骤3中的lstm内部有三个阶段：
6....
【专利技术属性】
技术研发人员：唐云霄，李定成，林泽，
申请(专利权)人：南京南邮信息产业技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。