一种基于多源传感融合的道路交通流量预测方法及系统与流程

本发明涉及智能交通系统的，尤其是涉及一种基于多源传感融合的道路交通流量预测方法及系统。

背景技术：

1、道路交通流量预测是智能交通系统的核心技术之一，准确的交通流量预测对于交通信号优化控制、出行路径引导、交通拥堵治理和交通管理决策具有重要意义。

2、现有的交通流量预测方法主要存在以下不足：数据源单一导致预测鲁棒性差，传统方法多依赖线圈检测器或浮动车单一数据源，线圈检测器存在覆盖范围有限、易损坏且维护成本高的问题，浮动车数据存在采样率低、车辆类型代表性不足的问题，当单一数据源出现故障或数据质量下降时，预测精度会显著降低；多源数据融合方法简单，现有多源融合方法多采用固定权重的加权平均或简单拼接，未考虑不同数据源在不同时空条件下的数据质量差异，无法根据数据质量动态调整融合权重，导致低质量数据对融合结果产生干扰；时空依赖性建模不充分，现有预测模型多采用单一的时间序列模型或图卷积网络，未能同时充分捕捉交通流量的空间依赖关系和时间依赖关系，尤其缺乏对道路网络中隐式空间关联（如非相邻路段间的交通波传播）的建模能力；异常事件下预测精度急剧下降，现有方法在正常交通状态下具有较好的预测效果，但在发生交通事故、道路施工等异常事件时，由于交通流模式发生突变，模型预测误差显著增大，且缺乏有效的在线校正机制。

技术实现思路

1、本发明的目的是提供一种基于多源传感融合的道路交通流量预测方法及系统，克服现有技术的不足，提高交通流量预测的精度、鲁棒性和实时性。

2、为实现上述目的，本发明提供了一种基于多源传感融合的道路交通流量预测方法，包括以下步骤：

3、s1、通过部署在道路网络中的多种传感器采集多源异构交通数据，对多源异构交通数据进行时空对齐处理；

4、s2、基于各数据源的数据完整性、时空一致性和时效性，计算各数据源在当前时刻的动态置信度权重；

5、s3、根据步骤s2得到的动态置信度权重，对时空对齐后的多源交通数据进行加权融合，生成融合交通流量时序数据；

6、s4、以融合交通流量时序数据为输入，通过时空图注意力网络提取空间依赖特征和时间依赖特征，输出未来多个时间步的交通流量预测值；

7、s5、将步骤s4得到的时空图注意力网络预测结果与统计预测模型、物理模型的预测结果进行自适应加权融合，得到融合预测结果；

8、s6、实时检测交通异常事件，当检测到异常事件时，触发基于卡尔曼滤波的在线校正，输出修正后的最终交通流量预测结果。

9、优选的，步骤s2中，计算各数据源在当前时刻的动态置信度权重的公式为：

10、；

11、其中，为完整性指标，在长度为t的滑动时间窗口内，计算第k个数据源的有效数据采样点数与理论采样点数的比值作为完整性指标；为时空一致性指标，计算第k个数据源在当前路段的观测值与相邻路段同类型传感器观测值的空间偏差，以及与前序时间步观测值的时间偏差，将空间偏差和时间偏差的加权倒数作为一致性指标；为时效性指标，计算第k个数据源从数据采集时刻到数据处理时刻的总延迟，将总延迟的倒数经过归一化后作为时效性指标；、、为权重系数，且。

12、优选的，步骤s4中，时空图注意力网络具体包括：

13、s41、将道路交叉口或路段端点作为图节点，将道路连接关系作为有向边，构建有向图，其中为基于道路拓扑和距离的预设邻接矩阵；

14、s42、初始化可学习的节点嵌入矩阵和，其中为节点数、为嵌入维度，生成自适应邻接矩阵，捕捉道路节点之间的隐式空间依赖关系：

15、；

16、其中，为线性整流函数，沿行方向进行归一化，使每个节点的所有出边权重之和为1；

17、s43、采用多头图注意力机制，分别基于预设邻接矩阵和自适应邻接矩阵计算节点间的注意力系数，对邻居节点的特征进行加权聚合，得到空间特征表示；

18、s44、采用因果膨胀卷积网络提取多尺度时间特征，并叠加时间注意力机制对不同时间步的特征进行加权，捕捉交通流量的短期趋势、日周期和周周期模式；

19、s45、将空间特征和时间特征通过门控融合单元进行融合，经过两层全连接层映射，输出未来h个时间步的交通流量预测值，其中h为预测时域长度。

20、优选的，步骤s5中多模型自适应加权融合具体包括：

21、s51、分别采用时空图注意力网络、sarima统计模型和基于交通流基本图的物理模型对同一路段进行交通流量预测，得到三组预测结果；

22、s52、在长度为l的滑动时间窗口内，分别计算三个模型的预测误差，采用平均绝对百分比误差作为误差度量；

23、s53、基于各模型的近期预测误差序列，通过指数加权移动平均方法计算各模型的平滑误差，平滑误差越小则对应模型的动态权重越大，权重计算公式为：

24、；

25、其中，为第个模型的平滑误差，为温度参数；

26、s54、根据动态权重对三个模型的预测结果进行加权求和，得到融合后的预测结果。

27、优选的，步骤s6中异常事件检测与在线校正具体包括：

28、s61、基于融合后的交通流量时序数据，计算当前观测值与历史同期均值的偏差，当偏差超过基于统计过程控制设定的控制限制时，判定为交通异常事件；

29、s62、当检测到异常事件时，基于道路网络拓扑和交通波传播模型，估计异常事件的空间影响范围和时间持续区间；

30、s63、以步骤s5的融合预测结果作为先验状态估计，以实时采集的多源融合交通流量数据作为观测值，通过卡尔曼滤波的预测步和更新步进行状态估计，得到校正后的交通流量预测值；

31、s64、在异常事件持续期间，根据异常事件的严重程度动态增大卡尔曼滤波的过程噪声协方差q，同时根据当前多源数据的融合置信度动态调整观测噪声协方差r，数据置信度越高则r越小。

32、优选的，还包括边缘-云协同推理步骤：

33、边缘计算节点负责实时采集和预处理多源交通数据，执行数据质量评估、多源数据融合和短期交通流量预测，并将预处理后的数据和短期预测结果上传至云平台；

34、云平台负责全局交通流量预测模型的训练和更新，执行多模型自适应加权融合、异常事件检测和中长期交通流量预测，并将更新后的时空图注意力网络通过知识蒸馏方法压缩为轻量化模型后下发至边缘计算节点；

35、边缘计算节点基于下发的轻量化模型进行本地推理，当本地预测结果的不确定性高于预设阈值时，向云平台发送辅助预测请求，由云平台返回更精确的预测结果。

36、一种基于多源传感融合的道路交通流量预测系统，包括：

37、多源传感感知层，用于采集道路网络中的多源异构交通数据，多源异构交通数据包括线圈检测器数据、视频监控数据、毫米波雷达数据、浮动车数据和气象数据；

38、边缘计算层，包括多个部署在路侧的边缘计算节点，用于对多源交通数据进行实时预处理、时空对齐、数据质量评估、多源数据融合和短期交通流量预测；

39、云平台层，用于接收边缘计算节点上传的数据，执行全局交通流量预测模型的训练与更新、多模型自适应加权融合、异常事件检测与在线校正以及中长期交通流量预测；

40、应用层，用于将交通流量预测结果通过api接口输出至交通信号控制系统、出行导航平台和交通管理决策平台。

41、优选的，多源传感感知层包括：

42、线圈检测器，部署在道路断面下方，检测车辆通过信号，输出车辆计数、车辆速度和占有率数据；

43、视频监控摄像头，部署在道路交叉口和路段上方，通过内置的视频分析芯片实时处理视频画面，输出车辆计数、车型分类、排队长度和转向流量数据；

44、毫米波雷达，部署在路侧杆件上，输出车辆位置、速度、方向角和目标类型数据；

45、浮动车数据接收模块，通过通信网络接收出租车、公交车和网约车通过车载gps或北斗模块上传的位置、速度和方向数据；

46、气象传感器，部署在路侧气象站上，用于采集降雨量、能见度、风速和路面温度数据，作为交通流量预测的外部特征输入。

47、优选的，边缘计算节点包括：

48、数据接入模块，用于通过多种通信接口接入多种传感器的数据，并进行协议转换和数据解析；

49、时空对齐模块，用于将不同采样频率和不同空间位置的传感器数据通过线性插值和空间映射方法对齐到统一的时空网格中，时空网格的时间分辨率为5分钟、空间分辨率为单个路段；

50、数据质量评估模块，用于计算各数据源的动态置信度权重；

51、短期预测模块，部署有经知识蒸馏压缩后的时空图注意力网络轻量化模型，用于执行未来15至30分钟的短期交通流量预测；

52、通信模块，用于通过5g或光纤与云平台进行数据交互，上传预处理后的数据和短期预测结果，下载云平台下发的轻量化模型参数。

53、优选的，云平台层包括：

54、数据存储模块，用于存储历史交通流量数据、模型训练数据、预测结果和模型参数，采用时序数据库存储交通流量数据，采用关系型数据库存储元数据；

55、模型训练模块，用于基于历史交通流量数据训练和更新时空图注意力网络，采用adam优化器，初始学习率为0.001，批大小为32，训练轮数不低于100轮，并通过知识蒸馏生成轻量化模型；

56、多模型融合模块，用于执行sarima统计模型、交通流基本图物理模型和时空图注意力网络的自适应加权融合；

57、异常检测与校正模块，用于检测交通异常事件并执行卡尔曼滤波在线校正；

58、预测服务模块，用于向应用层提供交通流量预测结果的restful api接口，支持按路段、时间范围和预测时域查询预测结果。

59、因此，本发明采用上述的一种基于多源传感融合的道路交通流量预测方法及系统，具有以下好处：

60、（1）在本发明中，通过融合线圈检测器、视频监控、毫米波雷达、浮动车和气象数据，克服了单一数据源覆盖有限和易故障的问题，即使部分数据源出现故障，系统仍可基于其他数据源维持预测功能；通过完整性、一致性和时效性三个维度动态评估各数据源的置信度权重，使高质量数据在融合中占据更大权重，低质量数据的影响被自动抑制，提高了融合数据的准确性。

61、（2）在本发明中，通过预设邻接矩阵和自适应邻接矩阵的双图注意力机制，同时捕捉显式道路拓扑关联和隐式空间依赖关系，结合因果膨胀卷积和时间注意力机制充分建模时间依赖性，提高了预测精度。

62、（3）在本发明中，通过统计过程控制实时检测异常事件，触发卡尔曼滤波在线校正，利用实时观测数据修正预测偏差，并在异常期间动态调整噪声协方差，使系统在交通事故、道路施工等异常场景下仍能提供可靠的预测结果。

63、（4）在本发明中，边缘节点实现低延迟的短期预测，云平台实现高精度的中长期预测和模型更新，知识蒸馏保证了边缘模型的轻量化部署，协同机制确保了系统的整体性能。

64、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。