交通流预测方法、装置、电子设备及存储介质

1.本发明涉及交通预测技术领域，尤其涉及一种交通流预测方法、装置、电子设备及存储介质。


背景技术：

2.目前，常常采用神经网络模型来对交通流进行预测，而相关技术中的神经网络模型在对交通流进行时间维度和空间维度上同时进行预测时，往往存在一定的局限性，影响预测精度，因此，如何提供一种交通流预测方法，实现对交通流的精确预测，成为了亟待解决的问题。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种交通流预测方法，能够提高在时间和空间上对交通流预测的准确性。
4.本发明还提出一种具有上述交通流预测方法的交通流预测装置。
5.本发明还提出一种具有上述交通流预测方法的电子设备。
6.本发明还提出一种计算机可读存储介质。
7.根据本发明的第一方面实施例的交通流预测方法，包括：
8.获取交通时空概率图；
9.对所述交通时空概率图进行参数化处理，得到交通时空参数；
10.利用预设的特征提取网络对所述交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；
11.将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到推理参数；
12.根据预设的递归图卷积模块和所述推理参数，构建时空序列网络；
13.利用所述时空序列网络对当前交通流进行预测，得到预测交通数据。
14.根据本发明实施例的交通流预测方法，至少具有如下有益效果：这种交通流预测方法通过获取交通时空概率图；对交通时空概率图进行参数化处理，得到交通时空参数；利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到推理参数；根据预设的递归图卷积模块和推理参数，构建时空序列网络；利用时空序列网络对当前交通流进行预测，得到预测交通数据。该方法通过时空序列网络能够在时间维度和空间维度上对交通流进行预测，满足预测需要，从而能够提高预测准确性。
15.根据本发明的一些实施例，所述获取交通时空概率图，包括：
16.获取交通时空数据；
17.根据所述交通时空数据，生成交通时空概率图。
18.根据本发明的一些实施例，所述利用预设的特征提取网络对所述交通时空参数进
行特征提取，得到全局嵌入特征向量和动态嵌入特征向量，包括：
19.在预设维度对所述交通时空参数进行卷积处理，得到初始卷积特征；
20.对所述初始卷积特征进行变维处理，得到目标卷积特征；
21.利用特征提取器对所述目标卷积特征进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量。
22.根据本发明的一些实施例，所述利用特征提取器对所述目标卷积特征进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量，包括：
23.利用第一特征提取器在预设的第一序列集合对所述目标卷积特征进行特征提取，得到全局嵌入特征向量；
24.利用第二特征提取器在预设的第二序列集合对所述目标卷积特征进行特征提取，得到动态嵌入特征向量。
25.根据本发明的一些实施例，所述将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到推理参数，包括：
26.将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到特征向量对；
27.对所述特征向量对进行边预测处理，得到所述推理参数。
28.根据本发明的一些实施例，所述根据预设的递归图卷积模块和所述推理参数，构建时空序列网络，包括：
29.利用图拉普拉斯算法对所述时空序列网络的图结构进行正则化处理。
30.根据本发明的一些实施例，所述根据预设的递归图卷积模块和所述推理参数，构建时空序列网络，包括：
31.利用huber函数计算所述时空序列网络的损失值；
32.根据所述损失值对所述时空序列网络进行优化，以更新所述时空序列网络。
33.根据本发明的第二方面实施例的交通流预测装置，包括：
34.交通时空概率图获取模块，用于获取交通时空概率图；
35.参数化处理模块，用于对所述交通时空概率图进行参数化处理，得到交通时空参数；
36.特征提取模块，用于利用预设的特征提取网络对所述交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；
37.映射处理模块，用于将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到推理参数；
38.时空序列网络构建模块，用于根据预设的递归图卷积模块和所述推理参数，构建时空序列网络；
39.交通流预测模块，用于利用所述时空序列网络对当前交通流进行预测，得到预测交通数据。
40.根据本发明实施例的交通流预测装置，至少具有如下有益效果：这种交通流预测装置通过交通时空概率图获取模块获取交通时空概率图；参数化处理模块对交通时空概率图进行参数化处理，得到交通时空参数；特征提取模块利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；映射处理模块将全局
嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到推理参数；时空序列网络构建模块根据预设的递归图卷积模块和推理参数，构建时空序列网络；交通流预测模块利用时空序列网络对当前交通流进行预测，得到预测交通数据。该装置通过时空序列网络能够在时间维度和空间维度上对交通流进行预测，满足预测需要，从而能够提高预测准确性。
41.根据本发明的第三方面实施例的电子设备，包括：
42.至少一个处理器，以及，
43.与所述至少一个处理器通信连接的存储器；其中，
44.所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面实施例所述的交通流预测方法。
45.根据本发明实施例的电子设备，至少具有如下有益效果：这种电子设备采用上述交通流预测方法通过获取交通时空概率图；对交通时空概率图进行参数化处理，得到交通时空参数；利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到推理参数；根据预设的递归图卷积模块和推理参数，构建时空序列网络；利用时空序列网络对当前交通流进行预测，得到预测交通数据。该方法通过时空序列网络能够在时间维度和空间维度上对交通流进行预测，满足预测需要，从而能够提高预测准确性。
46.根据本发明的第四方面实施例的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可执行指令，所述计算机可执行指令用于使计算机执行如第一方面实施例所述的交通流预测方法。
47.根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：这种计算机可读存储介质执行上述交通流预测方法通过获取交通时空概率图；对交通时空概率图进行参数化处理，得到交通时空参数；利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到推理参数；根据预设的递归图卷积模块和推理参数，构建时空序列网络；利用时空序列网络对当前交通流进行预测，得到预测交通数据。该方法通过时空序列网络能够在时间维度和空间维度上对交通流进行预测，满足预测需要，从而能够提高预测准确性。
48.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
49.下面结合附图和实施例对本发明做进一步的说明，其中：
50.图1为本发明实施例的交通流预测方法的流程图；
51.图2为图1中步骤s101的流程图；
52.图3为图1中步骤s103的流程图；
53.图4为图3中步骤s303的流程图；
54.图5为图1中步骤s104的流程图；
55.图6为图1中步骤s105的流程图；
56.图7为本发明实施例的交通流预测装置的结构示意图。
57.附图标记：701、交通时空概率图获取模块；702、参数化处理模块；703、特征提取模块；704、映射处理模块；705、时空序列网络构建模块；706、交通流预测模块。
具体实施方式
58.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
59.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
60.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
61.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
62.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
63.第一方面，参照图1，本发明实施例的交通流预测方法包括：
64.s101，获取交通时空概率图；
65.s102，对交通时空概率图进行参数化处理，得到交通时空参数；
66.s103，利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；
67.s104，将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到推理参数；
68.s105，根据预设的递归图卷积模块和推理参数，构建时空序列网络；
69.s106，利用时空序列网络对当前交通流进行预测，得到预测交通数据。
70.在对交通流进行预测的过程中，首先需要获取交通时空概率图，其中，交通时空概率图可以通过获取交通时空数据，利用softmax函数等对交通时空数据进行概率计算得到。进而，对交通时空概率图进行参数化处理，将图形信息转化为交通时空参数。从而利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量。其中，该特征提取网络包括输入层、卷积层、全连接层等等，通过该特征提取网络可以分别在不同的序列集合上对交通时空参数进行特征提取，分别得到全局嵌入特征向量和动态嵌入特征向量。进而，将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得
到特征向量对，通过对特征对进行边预测处理，得到推理参数。从而根据预设的递归图卷积模块和推理参数来模拟出交通流的时空依赖关系，得到时空序列网络。最后利用构建的时空序列网络来对当前交通流进行预测，得到预测交通数据。该方法通过时空序列网络能够在时间维度和空间维度上对交通流进行预测，满足预测需要，从而能够提高预测准确性。
71.进一步地，在根据预设的递归图卷积模块和推理参数来模拟出交通流的时空依赖关系时，可以通过给定输入数据，通过递归图卷积模块对输入数据进行扩散卷积处理等等，构建出的时空依赖关系可以表示为
72.r
t
＝sigmoid(wr*[x
t
||h
t-1
]+br)；
[0073]ct
＝tanh(wc*[x
t
||r
t
&h
t-1
]+bc)；
[0074]ut
＝sigmoid(wu*[x
t
||h
t-1
]+bu)；
[0075]ht
＝u
t
&h
t-1
+(1-u
t
)&c
t
；；
[0076]
其中，xt为输入数据，rt表示重置门信号，ut表示更新门信号，通过sigmoid函数来分别计算出重置门信号和更新门信号，w表示可学习参数，b为常数参数，&代表点乘。ct表示激活门信号，通过tanh函数可以将网络内的参数放缩到-1至1的范围内。最后根据更新门信号ut和重置门信号rt，以及上一状态的隐状态输入h
t-1
进行组合，得到当前时间的隐状态输出ht。
[0077]
进一步地，还可以通过矩阵乘法来对输入数据进行卷积，即
[0078][0079]
其中，y是输入数据，wq和wk为可学习变量，k表示矩阵乘法的阶数，a为邻接矩阵，a
t
是a的转置，di和do分别表示从a导出的入度矩阵和出度矩阵。
[0080]
参照图2，在一些实施例中，步骤s101，包括：
[0081]
s201，获取交通时空数据；
[0082]
s202，根据交通时空数据，生成交通时空概率图。
[0083]
在对交通流进行预测的过程中，首先获取交通时空数据，利用softmax函数等对交通时空数据进行概率计算，通过softmax函数在不同分类标签上创建交通时空数据的概率分布，从而可以根据这一概率分布生成交通时空概率图。
[0084]
参照图3，在一些实施例中，步骤s103，包括：
[0085]
s301，在预设维度对交通时空参数进行卷积处理，得到初始卷积特征；
[0086]
s302，对初始卷积特征进行变维处理，得到目标卷积特征；
[0087]
s303，利用特征提取器对目标卷积特征进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量。
[0088]
在利用预设的特征提取网络对交通时空参数进行特征提取时，该特征提取网络包括输入层、卷积层、全连接层等等。通过卷积层可以将输入的交通时空参数沿着时间维度进行卷积处理，得到初始卷积特征，进而对初始卷积特征进行降维处理，使得初始卷积特征与参加卷积特征处于相同的维度，从而得到目标卷积特征。进而，利用特征提取网络中的特征提取器在不同的序列集合上对目标卷积特征进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量。通过该特征提取网络能够较为方便地对交通时空参数进行特征提取，剔除相关性较低的参数，能够较为准确地获取到相关性较高的特征向量，以提高预测准确性。
[0089]
参照图4，在一些实施例中，步骤s303，包括：
[0090]
s401，利用第一特征提取器在预设的第一序列集合对目标卷积特征进行特征提取，得到全局嵌入特征向量；
[0091]
s402，利用第二特征提取器在预设的第二序列集合对目标卷积特征进行特征提取，得到动态嵌入特征向量。
[0092]
为了提高特征提取的准确性，特征提取网络包括多个特征提取器，例如，特征提取网络包括有第一特征提取器和第二特征提取器。通过第一特征提取器在预设的第一序列集合对目标卷积特征进行特征提取，得到全局嵌入向量z
i,g
。其中，预设的第一序列集合为当前获取到的整个序列集合。通过第二特征提取器在预设的第二序列集合对目标卷积特征进行特征提取，得到动态嵌入特征向量z
i,d
。其中，预设的第二序列集合为预设的输入序列集合通过多个特征提取器对不同的特征向量分别提取，能够提高特征提取的准确性。
[0093]
参照图5，在一些实施例中，步骤s104，包括：
[0094]
s501，将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到特征向量对；
[0095]
s502，对特征向量对进行边预测处理，得到推理参数。
[0096]
在获取推理参数时，可以先将全局嵌入特征向量z
i,g
和动态嵌入特征向量z
i,d
映射至预设的向量空间，得到特征向量对(zi,zj)，然后通过边预测模型对特征向量对进行边预测处理，得到推理参数θ
ij
和t；其中，边预测模型包括第一函数p(t)＝n
τ
(μ(zi,zj),σ2(zi,zj))和第二函数p(t)＝n
τ
(μ(zi,zj),σ2(zi,zj))，其中，μ(.)和σ2(.)是基于注意力的隐藏层，二者具有共享的输入层和隐藏层，n
τ
是计算函数。通过这一方式可以较为方便地根据全局嵌入特征向量和动态嵌入特征向量得到所需的推理参数，提高预测效率。
[0097]
在一些实施例中，步骤s105，包括：
[0098]
利用图拉普拉斯算法对时空序列网络的图结构进行正则化处理。
[0099]
为了提高时空序列网络的预测性能，还可以利用图拉普拉斯算法对时空序列网络的图结构进行正则化处理。具体地，可以从图的平滑性角度对图结构进行正则化处理。例如，在g上的时空序列x的平稳性可以用图拉普拉斯的二次形式表示为
[0100][0101]
其中，a
ij
∈a，i～j表示遍历所有的i和j的组合，a表示临接矩阵，x
t
是输入数据x的转置，xi和xj分别表示点i和点j对应的值。
[0102]
参照图6，在一些实施例中，步骤s105，包括：
[0103]
s601，利用huber函数计算时空序列网络的损失值；
[0104]
s602，根据损失值对时空序列网络进行优化，以更新时空序列网络。
[0105]
为了提高时空序列网络的预测性能，还需要对时空序列网络进行优化，具体地，可以是利用huber函数计算时空序列网络的损失值，其中，huber函数可以表示为
[0106]
[0107][0108]
其中，τ为时间间隔，t为总时间，x为输入矩阵，为邻接矩阵，δ为灵敏度；
[0109]
通过huber函数可以通过遍历所有点n和时间间隔τ，然后再除以总时间和总间隔计算出损失值，能够较为方便地识别时空序列网络中的异常值和极端值，对这一系列的干扰数据进行过滤处理，能够有效地改善时空序列网络的性能。同时，通过对损失值进行反向传播，比较损失值与预设阈值之间的大小关系，不断地对时空序列网络进行优化，能够实现对时空序列网络的更新，提高时空序列网络的预测性能，从而提高对交通流预测的准确性。
[0110]
第二方面，参照图7，本发明实施例的交通流预测装置包括：
[0111]
交通时空概率图获取模块701，用于获取交通时空概率图；
[0112]
参数化处理模块702，用于对交通时空概率图进行参数化处理，得到交通时空参数；
[0113]
特征提取模块703，用于利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；
[0114]
映射处理模块704，用于将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到推理参数；
[0115]
时空序列网络构建模块705，用于根据预设的递归图卷积模块和推理参数，构建时空序列网络；
[0116]
交通流预测模块706，用于利用时空序列网络对当前交通流进行预测，得到预测交通数据。
[0117]
该交通流预测装置的具体实施方式与上述交通流预测方法的具体实施例基本相同，在此不再赘述。
[0118]
第三方面，本发明实施例的电子设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如第一方面实施例的交通流预测方法。
[0119]
第四方面，本发明还提出一种计算机可读存储介质。计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面实施例的交通流预测方法。
[0120]
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

技术特征：
1.交通流预测方法，其特征在于，包括：获取交通时空概率图；对所述交通时空概率图进行参数化处理，得到交通时空参数；利用预设的特征提取网络对所述交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到推理参数；根据预设的递归图卷积模块和所述推理参数，构建时空序列网络；利用所述时空序列网络对当前交通流进行预测，得到预测交通数据。2.根据权利要求1所述的交通流预测方法，其特征在于，所述获取交通时空概率图，包括：获取交通时空数据；根据所述交通时空数据，生成交通时空概率图。3.根据权利要求1所述的交通流预测方法，其特征在于，所述利用预设的特征提取网络对所述交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量，包括：在预设维度对所述交通时空参数进行卷积处理，得到初始卷积特征；对所述初始卷积特征进行变维处理，得到目标卷积特征；利用特征提取器对所述目标卷积特征进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量。4.根据权利要求3所述的交通流预测方法，其特征在于，所述利用特征提取器对所述目标卷积特征进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量，包括：利用第一特征提取器在预设的第一序列集合对所述目标卷积特征进行特征提取，得到全局嵌入特征向量；利用第二特征提取器在预设的第二序列集合对所述目标卷积特征进行特征提取，得到动态嵌入特征向量。5.根据权利要求1所述的交通流预测方法，其特征在于，所述将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到推理参数，包括：将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到特征向量对；对所述特征向量对进行边预测处理，得到所述推理参数。6.根据权利要求1至5任一项所述的交通流预测方法，其特征在于，所述根据预设的递归图卷积模块和所述推理参数，构建时空序列网络，包括：利用图拉普拉斯算法对所述时空序列网络的图结构进行正则化处理。7.根据权利要求1至5任一项所述的交通流预测方法，其特征在于，所述根据预设的递归图卷积模块和所述推理参数，构建时空序列网络，包括：利用huber函数计算所述时空序列网络的损失值；根据所述损失值对所述时空序列网络进行优化，以更新所述时空序列网络。8.交通流预测装置，其特征在于，包括：交通时空概率图获取模块，用于获取交通时空概率图；
参数化处理模块，用于对所述交通时空概率图进行参数化处理，得到交通时空参数；特征提取模块，用于利用预设的特征提取网络对所述交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；映射处理模块，用于将所述全局嵌入特征向量和所述动态嵌入特征向量映射至预设的向量空间，得到推理参数；时空序列网络构建模块，用于根据预设的递归图卷积模块和所述推理参数，构建时空序列网络；交通流预测模块，用于利用所述时空序列网络对当前交通流进行预测，得到预测交通数据。9.电子设备，其特征在于，包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至7任一项所述的交通流预测方法。10.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的交通流预测方法。

技术总结
本发明公开了一种交通流预测方法、装置、电子设备及存储介质，属于交通预测技术领域。本发明的交通流预测方法包括获取交通时空概率图；对交通时空概率图进行参数化处理，得到交通时空参数；利用预设的特征提取网络对交通时空参数进行特征提取，得到全局嵌入特征向量和动态嵌入特征向量；将全局嵌入特征向量和动态嵌入特征向量映射至预设的向量空间，得到推理参数；根据预设的递归图卷积模块和推理参数，构建时空序列网络；利用时空序列网络对当前交通流进行预测，得到预测交通数据。这种交通流预测方法能够提高在时间和空间上对交通流预测的准确性。流预测的准确性。流预测的准确性。


技术研发人员：余剑峤 宋晓壮
受保护的技术使用者：南方科技大学
技术研发日：2021.11.12
技术公布日：2022/3/8