一种基于周期残差解耦与时变图的交通流预测方法及系统
本发明涉及交通流预测,尤其涉及一种基于周期残差解耦与时变图的交通流预测方法及系统。
背景技术:
1、随着智能交通系统的发展,交通流预测已成为交通运行状态分析、交通信号控制、路径规划及交通资源调度中的关键技术。交通流数据具有明显的时空相关性,不同监测节点之间存在空间关联关系,同一监测节点在不同时间又表现出周期性变化和随机波动等特征。
2、经检索,申请号:cn202410372969.5,公开号:cn118278567a,公开日:2024年7月2日,发明名称为:一种基于图神经网络的交通流时空预测方法。其说明书 技术实现要素: 及权利要求1记载:首先通过并行设置的图卷积增强transformer模块和时间特征提取模块分别提取交通流数据的空间特征和时间特征,再通过时空混合层对空间特征和时间特征进行融合,生成未来交通流预测结果。该方案未公开对周期变化信息与非周期变化信息进行显式解耦建模,未公开根据未来日历相位或未来时间特征为各预测时刻分别生成对应的时变图,也未公开采用周期状态与残差状态进行端到端门控融合处理。
3、但是,本技术人在实现本技术技术方案的过程中发现,上述技术至少存在如下技术问题:现有交通流预测方法通常将周期变化信息与非周期变化信息统一编码于同一特征表示中进行建模,不同类型变化信息在特征提取过程中容易相互影响,导致周期变化特征与非周期变化特征难以分别表征,影响后续交通流预测过程对不同变化信息的综合利用。
技术实现思路
1、为了弥补以上不足,本发明提供了一种基于周期残差解耦与时变图的交通流预测方法及系统,旨在改善现有技术中不同类型变化信息在特征提取过程中容易相互影响,导致周期变化特征与非周期变化特征难以分别表征的问题。
2、第一方面,本发明提供了如下技术方案,一种基于周期残差解耦与时变图的交通流预测方法,包括以下步骤:
3、s1、获取目标路网中各监测节点的历史交通观测数据,并根据所述历史交通观测数据生成历史时间特征、未来时间特征以及周期基线数据;
4、s2、根据所述历史交通观测数据、所述历史时间特征及静态自适应图执行历史时空编码处理,生成历史上下文特征;
5、s3、根据所述未来时间特征生成各未来预测时刻对应的时变图,并根据所述历史上下文特征执行周期残差解耦处理,将交通流预测过程划分为周期分支处理过程和残差分支处理过程;
6、s4、在所述周期分支处理过程中,根据所述周期基线数据执行周期基线交互、动态路由及周期融合处理,生成周期状态;同时,在所述残差分支处理过程中,根据所述历史上下文特征及各未来预测时刻对应的时变图执行残差传播处理,生成残差状态;
7、s5、根据所述周期状态、所述残差状态以及所述未来时间特征执行通道级门控融合处理,生成融合特征;
8、s6、根据所述融合特征执行时域混合处理,生成预测特征;
9、s7、根据所述预测特征生成未来交通流预测结果。
10、较佳的,在步骤s1中,所述生成历史时间特征的步骤包括:
11、根据历史交通观测数据分别生成日基线、周基线及持续基线;
12、判断各周期基线是否能够获取;
13、当历史时间窗口长度不足以生成对应周期基线、对应周期样本无效或缺失掩码标识对应周期基线缺失时,判定所述周期基线无法获取,并采用对应的占位数据替代所述周期基线参与后续周期分支处理,以完成周期基线数据构建。
14、较佳的,在步骤s2中,所述执行历史时空编码处理的步骤包括:
15、根据历史交通观测数据执行时间特征编码处理;
16、根据静态自适应图执行节点空间信息传播;
17、交替执行时间维特征提取及空间维特征传播;
18、融合各层编码结果生成历史上下文特征。
19、较佳的,在步骤s3中,所述根据所述未来时间特征生成各未来预测时刻对应的时变图的步骤包括:
20、根据未来时间特征生成节点嵌入调制信息;
21、根据所述节点嵌入调制信息调整可学习节点嵌入;
22、根据调整后的节点嵌入分别建立各未来预测时刻对应的节点关联关系;
23、根据各未来预测时刻对应的节点关联关系分别生成对应的时变图。
24、较佳的,在步骤s4中,所述根据所述历史上下文特征及各未来预测时刻对应的时变图执行残差传播处理,生成残差状态的步骤包括:
25、根据历史上下文特征生成残差解码特征;
26、根据各未来预测时刻对应的时变图分别执行空间消息传播;
27、根据各未来预测时刻对应的空间消息传播结果生成残差状态;
28、其中,各未来预测时刻分别采用对应的时变图完成残差状态生成。
29、较佳的,在步骤s4中,所述根据所述周期基线数据执行周期基线交互、动态路由及周期融合处理,生成周期状态的步骤包括:
30、分别对各周期基线数据执行特征映射;
31、根据各周期基线数据之间的关联关系执行周期基线交互处理;
32、根据历史上下文特征、未来时间特征以及周期基线数据生成动态路由权重;
33、根据所述动态路由权重融合各周期基线数据,生成周期状态;
34、其中,当任一周期基线数据缺失时,采用对应的占位数据参与周期基线交互处理及动态路由处理。
35、较佳的,在步骤s5中,所述根据所述周期状态、所述残差状态以及所述未来时间特征执行通道级门控融合处理的步骤包括:
36、根据周期状态、残差状态以及未来时间特征生成通道级门控信息;
37、根据所述通道级门控信息确定周期状态与残差状态对应的融合比例;
38、根据所述融合比例执行周期状态与残差状态融合;
39、根据融合结果生成融合特征。
40、较佳的,在步骤s6中,所述根据所述融合特征执行时域混合处理的步骤包括:
41、根据融合特征执行预测时域关联分析;
42、根据预测时域关联分析结果建立预测时刻之间的关联关系;
43、根据预测时刻之间的关联关系生成预测特征;
44、在模型训练过程中,在步骤s7生成未来交通流预测结果后,根据所述未来交通流预测结果执行模型参数优化,并根据各未来预测时刻对应的时变图执行图稀疏约束及图时域平滑约束。
45、较佳的,在步骤s7之后,还包括:
46、根据通道级门控信息生成周期残差占比信息;
47、根据动态路由权重生成周期基线路由信息;
48、根据各未来预测时刻对应的时变图生成节点关联信息;
49、在输出未来交通流预测结果的基础上,可选地输出所述周期残差占比信息、所述周期基线路由信息和所述节点关联信息。
50、第二方面,本发明提供以下技术方案,一种基于周期残差解耦与时变图的交通流预测系统,包括:
51、数据预处理模块,用于获取目标路网中各监测节点的历史交通观测数据,并生成历史时间特征、未来时间特征及周期基线数据;
52、历史时空编码模块,与所述数据预处理模块数据连接,用于根据历史交通观测数据、历史时间特征及静态自适应图生成历史上下文特征;
53、时变图生成模块,与所述历史时空编码模块数据连接,用于根据未来时间特征生成各未来预测时刻对应的时变图;
54、周期残差解耦模块,与所述时变图生成模块及所述历史时空编码模块数据连接,用于将交通流预测过程划分为周期分支处理过程和残差分支处理过程;
55、周期状态生成模块,与所述周期残差解耦模块及所述数据预处理模块数据连接,用于根据周期基线数据生成周期状态;
56、残差状态生成模块,与所述周期残差解耦模块及所述时变图生成模块数据连接,用于根据历史上下文特征及各未来预测时刻对应的时变图生成残差状态;
57、融合预测模块,与所述周期状态生成模块及所述残差状态生成模块数据连接,用于根据周期状态、残差状态及未来时间特征生成预测特征,并输出未来交通流预测结果;
58、模型优化模块,与所述融合预测模块双向数据连接,用于根据未来交通流预测结果更新模型参数,并向所述历史时空编码模块、所述时变图生成模块、所述周期状态生成模块及所述残差状态生成模块反馈更新后的模型参数。
59、本发明具有如下有益效果:
60、1、本发明通过将交通流预测过程划分为周期分支处理过程和残差分支处理过程,并执行通道级门控融合处理,实现周期变化信息与非周期变化信息的联合建模,减少不同类型变化信息之间的相互干扰。
61、2、本发明通过根据未来时间特征生成各未来预测时刻对应的时变图,并利用对应的时变图执行残差传播处理,实现不同预测时刻节点关联关系的动态调整,提高交通流空间关联建模能力。
62、3、本发明通过构建日基线、周基线及持续基线,并结合动态路由权重生成周期状态,使多个周期先验共同参与交通流预测;当任一周期基线缺失时,仍能够完成周期状态生成,提高模型对不同数据获取情况的适应能力。
63、4、本发明通过对融合特征执行时域混合处理,使未来预测时刻之间的关联信息参与预测特征生成,实现多个未来预测时刻交通流预测结果的联合预测,提高多步交通流预测的一致性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com