【技术实现步骤摘要】
本申请涉及智能交通，特别涉及一种交通流预测方法、装置、设备及介质。
技术介绍
1、随着城市规模的不断扩张，城市路网日渐复杂，同时经济发展带动了私家车数量的不断上升，交通拥堵已经成为一个城市管理部门重点关注的问题。随着近年来数字化技术的发展，交通流预测技术成为了处理城市交通拥堵的一个关键性技术手段，而已有的交通流预测算法通常以时空相关性为主要切入手段，尤其在空间相关性处理方面，以图卷积神经网络（gcn，graph convolutional network）为代表的图结构在近年的研究中得到了深入的探讨，如：时间图卷积神经网络(t-gcn，temporal graph convolutional network)，混合注意力时空图卷积神经网络（ast-gcn，attribute-augmented spatiotemporalgraphconvolutional network）等。其主要手段是通过多次堆叠图卷积以提取交通流中的深层空间关系，而提取特征的同时，也会造成误差的积累，因此该方法在提取空间相关性方面存在难以避免的误差，同时图卷积一般使用的是无向图，默认每条相通的路段间均可双向通行，此种情况难以在单行道较多的城市进行使用。且在基于车载定位设备提取流量信息的过程中，常因为房屋，树木的遮挡产生定位点漂移的问题，从而导致提取的流量信息存在误差。此外，随着城市数字化程度的提升，如何处理海量交通流数据成为城市管理者构建有效交通流预测的关键性问题，同时已有交通流预测算法均以交调数据作为研究内容，研究通常是以交叉路口为研究对象，未能从路段
技术实现思路
1、本申请提供了一种交通流预测方法、装置、设备及介质，可以解决交通流预测的精确度低的问题。
2、第一方面，本申请实施例提供了一种交通流预测方法，该交通流预测方法包括：
3、获取目标区域内每两个路段之间的连接关系，以及多个车辆在个时间段的行驶轨迹；第个时间段的截止时间点为当前时刻；
4、分别针对每个行驶轨迹，根据行驶轨迹对应的多个路段，将行驶轨迹分割为多个路段轨迹，并基于每两个路段轨迹之间的连接关系，从所有路段轨迹中确定出多个真实路段轨迹；
5、根据所有真实路段轨迹，获取目标区域内每个路段在个时间段的交通流量；
6、对每个路段在所有时间段的交通流量进行特征提取，得到每个路段的交通流特征；
7、构建路网拓扑树，并基于路网拓扑树获取每个路段的树矩阵；路网拓扑树的多个节点与多个路段一一对应，每两个节点之间的边表示对应的两个路段之间的连接关系；
8、基于所有路段的树矩阵和所有路段的交通流特征对每个路段在未来多个时间段的交通流量进行预测，得到目标区域的交通流量预测结果。
9、可选的，基于每两个路段轨迹之间的连接关系，从所有路段轨迹中确定出多个真实路段轨迹，包括：
10、按照车辆驶入每个路段轨迹的时间点对所有路段轨迹由先到后进行排序；
11、分别针对每个路段轨迹，进行以下步骤：
12、判断路段轨迹的上一个路段轨迹与路段轨迹的下一个路段轨迹是否相连接；
13、若路段轨迹的上一个路段轨迹与路段轨迹的下一个路段轨迹相连接，则判断车辆在路段轨迹行驶的时间是否大于时间阈值；
14、若车辆在路段轨迹行驶的时间大于时间阈值，则将路段轨迹作为一真实路段轨迹；
15、若车辆在路段轨迹行驶的时间小于等于时间阈值，将路段轨迹剔除；
16、若路段轨迹的上一个路段轨迹与路段轨迹的下一个路段轨迹不连接，将路段轨迹作为一真实路段轨迹。
17、可选的，根据所有真实路段轨迹，获取目标区域内每个路段在个时间段的交通流量，包括：
18、分别针对每个路段，统计路段在每个时间段内对应的真实路段轨迹数量，将真实路段轨迹数量作为路段在对应的时间段的交通流量。
19、可选的，对每个路段在所有时间段的交通流量进行特征提取，得到每个路段的交通流特征，包括：
20、通过公式：
21、
22、计算第个路段的交通流特征；
23、其中，表示第个路段的查询向量矩阵的维度，，表示目标区域的路段数量，，表示时间段的数量，表示矩阵的转置运算，表示第个路段在第个时间段的交通流量的查询向量，表示第个路段在第个时间段的交通流量的键向量，表示第个路段在第个时间段的交通流量的值向量：
24、
25、
26、
27、其中，表示查询向量矩阵，表示键向量矩阵，表示值向量矩阵，、和均为权重矩阵，表示第1个路段在第1个时间段的交通流量的查询向量，表示第个路段在第1个时间段的交通流量的查询向量，表示第1个路段在第个时间段的交通流量的查询向量，表示第个路段在第个时间段的交通流量的查询向量，表示第1个路段在第1个时间段的交通流量的键向量，表示第个路段在第1个时间段的交通流量的键向量，表示第1个路段在第个时间段的交通流量的键向量，表示第个路段在第个时间段的交通流量的键向量，表示第1个路段在第1个时间段的交通流量的值向量，表示第个路段在第1个时间段的交通流量的值向量，表示第1个路段在第个时间段的交通流量的值向量，表示第个路段在第个时间段的交通流量的值向量，表示交通流量矩阵：
28、
29、其中，表示第1个路段在第1个时间段的交通流量，表示第个路段在第1个时间段的交通流量，表示第1个路段在第个时间段的交通流量，表示第个路段在第个时间段的交通流量。
30、可选的，基于路网拓扑树获取每个路段的树矩阵，包括：
31、分别针对每个路段，进行以下步骤：
32、选取路网拓扑树中以路段对应的节点为中心的层的所有相邻节点；为预设选取范围；
33、获取路段与第2层的每个相邻节点对应的路段之间的距离，并获取每两个具有连接关系的相邻节点对应的两个路段之间的距离；
34、将所有距离整合到同一矩阵中，得到路段的树矩阵。
35、可选的，基于所有路段的树矩阵和所有路段的交通流特征对每个路段在未来多个时间段的交通流量进行预测，得到目标区域的交通流量预测结果，包括：
36、基于所有路段的树矩阵和所有路段的交通流特征，获取目标区域的交通流空间特征；
37、基于交通流空间特征获取目标区域的交通流量预测结果。
38、可选的，基于所有路段的树矩阵和所有路段的交通流特征，获取目标区域的交通流空间特征，包括：
39、通过公式：
40、
41、计算目标区域的交通流空间特征；
42、其中，表示可学习参数，表示交通流特征矩阵，表示所有路段的树矩阵集合：
43、
44、
45、其中，表示第1个路段的交通流特征，表示第个路段的交通流特征，表示第1个路本文档来自技高网...
【技术保护点】
1.一种交通流预测方法，其特征在于，包括：
2.根据权利要求1所述的交通流预测方法，其特征在于，所述基于每两个路段轨迹之间的连接关系，从所有路段轨迹中确定出多个真实路段轨迹，包括：
3.根据权利要求1所述的交通流预测方法，其特征在于，所述根据所有真实路段轨迹，获取所述目标区域内每个路段在个时间段的交通流量，包括：
4.根据权利要求1所述的交通流预测方法，其特征在于，所述对每个所述路段在所有时间段的交通流量进行特征提取，得到每个所述路段的交通流特征，包括：
5.根据权利要求1所述的交通流预测方法，其特征在于，所述基于所述路网拓扑树获取每个路段的树矩阵，包括：
6.根据权利要求1所述的交通流预测方法，其特征在于，所述基于所有路段的树矩阵和所有路段的交通流特征对每个路段在未来多个时间段的交通流量进行预测，得到所述目标区域的交通流量预测结果，包括：
7.根据权利要求6所述的交通流预测方法，其特征在于，所述基于所有路段的树矩阵和所有路段的交通流特征，获取所述目标区域的交通流空间特征，包括：
8.一种交通流预
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的交通流预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的交通流预测方法。
...【技术特征摘要】
1.一种交通流预测方法，其特征在于，包括：
2.根据权利要求1所述的交通流预测方法，其特征在于，所述基于每两个路段轨迹之间的连接关系，从所有路段轨迹中确定出多个真实路段轨迹，包括：
3.根据权利要求1所述的交通流预测方法，其特征在于，所述根据所有真实路段轨迹，获取所述目标区域内每个路段在个时间段的交通流量，包括：
4.根据权利要求1所述的交通流预测方法，其特征在于，所述对每个所述路段在所有时间段的交通流量进行特征提取，得到每个所述路段的交通流特征，包括：
5.根据权利要求1所述的交通流预测方法，其特征在于，所述基于所述路网拓扑树获取每个路段的树矩阵，包括：
6.根据权利要求1所述的交通流预测方法，其特征在于，所述基于所有路段的树...
【专利技术属性】
技术研发人员：汪阳洁，周珺珺，何竺虔，林浩，刘智，
申请(专利权)人：中南大学，
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。