本发明及智能交通领域，具体涉及一种基于特征融合的交通流预测方法。
背景技术：
交通流量预测是实现智慧城市中智能交通系统(its)的关键部分。交通预测的目的是基于历史的交通数据对未来道路网络的交通状况进行预测。它在许多实际应用中扮演着重要角色。准确的交通状况预测是有效管理交通的基础，是对车辆进行更加合理的引导，提高公路网的运行效率的关键方法。此外，交通流是检测交通系统中交通状况的重要指标。它将为its中其他重要任务提供重要的路况信息，如预计到达时间和路线规划。由于其重要意义，它受到了学术界和产业界的广泛关注。
在大多数情况下，使用单个模型和单个数据集来对交通流预测所获得的性能是不够的。而且当历史数据集发生异常时，会严重影响预测性能。近年来，随着交通数据采集技术的不断发展，交通流的基本参数也逐渐变多。不同模态数据对交通状况的描述可能有所不一样，通过对多模态数据的融合可以获得更加全面的交通信息。且随着现代通信、计算设备和传感器的出现，收集和处理多模态数据成为的可能。数据融合(datafusion)是一种结合多种信息来源的技术集合，从而得出更好的判断。交通参数之间存在着一定联系，当某个模态数据发生异常时，另一个模态数据可以起到一定的协助作用。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于特征融合的交通流预测方法，有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。
为实现上述目的，本发明采用如下技术方案：
一种基于特征融合的交通流预测方法，包括如下步骤：
步骤s1:获取历史交通数据，并进行时空相关性分析；
步骤s2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取；
步骤s3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；
步骤s4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；
步骤s5:将实时交通数据通过步骤s1-s2处理后，输入最优的预测模型，得到预测的交通流量。
进一步的，所述时空相关性包括周相关性、日相关性、邻近时间相关性和空间相关性。
进一步的，所述步骤s2具体为：
通过利用图卷积神经网络来挖掘相邻节点之间的数据相关性；
在空间相关性提取之后，再利用卷积神经网络来堆叠每个节点的相邻时刻信息来更新每个节点的信息。
进一步的，所述图卷积如下所示；
gθ*gx＝gθ(l)x＝gθ(uλut)x＝ugθ(λ)utx,
式中，*g表示图卷积操作，gθ为卷积核，x为交通流序列；l为拉普拉斯矩阵
进一步的，所述基于卷积的特征融合模型首先将两组数据通过级联拼接在一起，然后逐列地进行卷积。
进一步的，所述基于低秩多模态的特征融合模型通过张量融合方法将多输入转换为高维张量，并将融合后的张量通过线性变换产生向量表示，且对权重张量进行分解成m组模态的特定因子，表达式如下：
其中h为融合后的向量，b是偏置，
进一步的，所述步骤s4具体为：
采用均方误差为损失函数，计算框架输出的预测值和实际交通流数据之间的特征
使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用rmsprop不断自适应学习率，使结构达到最优解。
进一步的，所述rmsprop根据之前的梯度变化的情况来更新学习率，rmsprop算法使用变量meansquare(w，t)来保存第t次更新学习率时每个权值前一段时间的梯度平方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解。
进一步的，所述均方误差函数，具体为：
所述rmsprop，具体为：
本发明与现有技术相比具有以下有益效果：
本发明充分利用交通参数之间的相关性，得到一个更加全面的潜在交通趋势表示，从而有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。
附图说明
图1是本发明实施例中的整体模型框架。
图2是本发明实施例中基于卷积的特征融合模型(conv-stgcn)。
图3是本发明实施例中基于低秩多模态的特征融合模型(lmf-stgcn)。
图4是本发明实施例中利用本发明所提出的方法在数据集正常情况下基于交通流量特征和占有率特征融合下各模型预测交通流量数据的性能比较。
图5是本发明实施例中利用本发明所提出的方法在数据集正常情况下基于交通流量特征和速度特征融合下各模型预测交通流量数据的性能比较。
图6是本发明实施例中利用本发明所提出的方法在数据集正常情况下基于交通流量特征、占有率特征和速度特征融合下各模型预测交通流量数据的性能比较。
图7是本发明实施例中利用本发明所提出的方法在数据集异常情况下基于交通流量特征和占有率特征融合下各模型预测交通流量数据的性能比较。
图8是本发明实施例中利用本发明所提出的方法在数据集异常情况下基于交通流量特征和速度特征融合下各模型预测交通流量数据的性能比较。
图9是本发明实施例中利用本发明所提出的方法在数据集异常情况下基于交通流量特征、占有率特征和速度特征融合下各模型预测交通流量数据的性能比较。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于特征融合的交通流预测方法，包括如下步骤：
步骤s1：根据地理信息，分析交通网络的时空相关性；
在本实例中，使用皮尔森相关系数，作为衡量数据各模式之间的相关性指标。发现数据存在周相关性、日相关性、邻近时间相关性和空间相关性。
步骤s2：通过设计多个子网络分别挖掘不同交通数据参数的空时特征，本实施例中，利用图卷积神经网络(graphconvolutionalnetworks，gcn)与卷积神经网络(convolutionalneuralnetworks，cnn)分别对多成分的交通时间序列数据进行空时特征提取；具体如下：
通过利用图卷积神经网络来挖掘相邻节点之间的数据相关性。在空间相关性提取之后，再利用卷积神经网络来堆叠每个节点的相邻时刻信息来更新每个节点的信息。
图卷积如下所示；
gθ*gx＝gθ(l)x＝gθ(uλut)x＝ugθ(λ)utx,
上式中*g表示图卷积操作，gθ为卷积核，x为交通流序列。l为拉普拉斯矩阵
步骤s3：提出了两种特征融合模型，融合交通数据(如交通流量和占有率数据融合、交通流量与速度数据融合和交通流量、占有率和速度数据三者共同融合等)特征；
其中两种特征融合模型的介绍以交通流量数据特征与占有率数据特征相融合为例，假设流量数据为xf和占有率数据为xo。
基于卷积的特征融合模型(conv-stgcn)首先将两组数据通过级联拼接在一起，然后逐列(一列相当于一个通道)地进行卷积，如图2所示，级联是将所有的数据沿着特定的空间维度进行拼接，得到所有数据在该空间的全部特征，然后再进行卷积操作。
基于低秩多模态的特征融合模型(lmf-stgcn)是一种将权重和张量分解为低秩因子，减少模型中的参数数量，提高多模态数据融合效率且不影响性能的方法，如图3所示。首先，通过张量融合方法将多输入转换为高维张量。其次将融合后的张量通过线性变换产生向量表示，且对权重张量进行分解成m组模态的特定因子，表达式如下：
其中h为融合后的向量，b是偏置，
步骤s4：根据真实值对比预测值调整模型的参数，降低损失，优化模型；
本实例中采用均方误差为损失函数，计算框架输出的预测值和实际交通流数据之间的特征，其中本发明所用的数据集来自于加利福尼亚的高速公路交通数据集pemsd8和pemsd4(http://pems.dot.ca.gov/)，数据集是由pems在加州主要的高速公路上部署了超过39000个检测器采集而来，其中检测器每30秒实时采集一次，而在实验中的交通数据是从原始数据中每5分钟聚合一次。然后使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用rmsprop不断自适应学习率，rmsprop可以根据之前的梯度变化的情况来更新学习率，rmsprop算法使用变量meansquare(w，t)来保存第t次更新学习率时每个权值前一段时间的梯度平方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解。
均方误差函数(mse)：
rmsprop公式：
实施例1：
本实施例包括如下具体步骤：
步骤一：利用本发明中的两种特征融合模型对pemsd8数据集和pemsd4数据集进行预测，并与未融合的模型(mstgcn)和基于线性权重的特征融合模型(linear-stgcn)进行对比。图4显示了随着预测时间的增长，各模型预测性能的变化情况。从图可以明显看出，预测误差与预测时间是正相关的，也就是预测误差是随着预测时间的增长而增大。从图中不难看出，不管在数据集pemsd8还是数据集pemsd4上，lmf-stgcn的预测结果都不及mstgcn的实验结果，这是由于虽然lmf-stgcn模型捕捉了特征之间的局部相关性，但其秩的选取会影响其性能。但是，即使在秩选取较小，预测性能不够理想的情况下，lmf-stgcn仍具有最强的鲁棒性，本章节后续的仿真将证明这一点。而在数据集pemsd8上，linear-stgcn的预测结果与mstgcn不相上下，因为linear-stgcn模型只考虑了单个节点信息的影响权重，说明线性权重融合没有充分挖掘到特征之间的信息。可以发现conv-stgcn的预测性能一直处于最佳状态，这是由于conv-stgcn全面考虑了拼接之后所有特征的影响权重，包括了整个路网和整个时间序列，而不是局部之间的关系，所以有效提高了预测精度，证明了融合交通参数之间的特征是可以提高预测精度的。通过a和b实验图比较，可以发现linear-stgcn模型和conv-stgcn模型进一步拉大了与mstgcn模型的差距。这是因为pemsd4数据集覆盖的路网更大，伴随着交通网络的随机性与不确定性因素更多，所以各模型的预测难度增大。但是，实验表明了对越复杂的路网，基于特征融合的模型所带来的性能效果将越明显，进一步证明了特征融合有效地提高交通流量预测精度。
如图5所示，为本发明中交通流量特征和速度特征融合的各模型预测性能变化。
实施例2：
本实施例包括如下具体步骤：
步骤一：利用本发明中的两种种特征融合模型对pemsd8数据集和pemsd4数据集进行预测，并与未融合的模型(mstgcn)和基于线性权重的特征融合模型(linear-stgcn)进行对比。图5显示了随着预测时间的增长，各模型预测性能的变化情况。从图5可以看出，linear-stgcn和conv-stgcn模型的预测性能曲线变化与基于交通流量和占有率融合相同，且conv-stgcn模型的预测性能一直处于最优状态，lmf-stgcn变化曲线有所不同。实验证明了，通过交通流量与速度的融合也可以提高对交通流量的预测性能，且交通流量与占有率融合或者与速度融合的效果相近。
如图6所示，为本发明中交通流量特征、占有率特征和速度特征融合的各模型预测性能变化。
实施例3：
本实施例包括如下具体步骤：
步骤一：利用本发明中的两种特征融合模型对pemsd8数据集和pemsd4数据集进行预测，并与未融合的模型(mstgcn)和基于线性权重的特征融合模型(linear-stgcn)进行对比。图6显示了随着预测时间的增长，各模型预测性能的变化情况。从图6可以看出，每个模型的预测性能曲线变化与图4图5相似，表明了融合多个数据并未使预测性能有所提升，可能由于这三个数据集对交通状况的描述相似，但实验还是证明了特征融合有效地提高交通流量预测精度。
如图7所示，为本发明中交通流量特征和占有率特征融合的各模型预测性能变化。
:实施例4：
本实施例包括如下具体步骤：
步骤一：在原始完整的数据集基础上，本实验对原始数据仿真了高斯噪声和随机缺失。
步骤二：利用本发明中的两种特征融合模型对pemsd8数据集和pemsd4数据集进行预测，并与未融合的模型(mstgcn)和基于线性权重的特征融合模型(linear-stgcn)进行对比。图7描述了基于交通流量与占有率融合下的各模型预测一小时内交通流量的平均性能比较。从图可以看出，随着噪声率或者缺失率逐渐增大，各模型的预测误差值都会逐渐增大，但是两种不同的特征融合模型的预测性能相较于原模型mstgcn和基于线性权重的特征融合模型(linear-stgcn)来得更好，尤其lmf-stgcn模型的性能不管是高斯异常还是缺失异常一直是最佳性能，且随着噪声率或者缺失率的增大，lmf-stgcn与mstgcn的差距也随之增大，且在数据集pemsd4上的性能提高更明显。
如图8所示，为本发明中交通流量特征和速度特征融合的各模型预测性能变化。
实施例5：
本实例包括如下具体步骤：
步骤一：在原始完整的数据集基础上，本实验对原始数据仿真了高斯噪声和随机缺失。
步骤二：利用本发明中的两种特征融合模型对pemsd8数据集和pemsd4数据集进行预测，并与未融合的模型(mstgcn)和基于线性权重的特征融合模型(linear-stgcn)进行对比。图8描述了基于交通流量与速度融合下的各模型预测一小时内交通流量的平均性能比较。从图可以明显看出，各模型的变化趋势与基于交通流量和占有率融合时相似，各模型在随着噪声率或者缺失率增大时，预测的误差值也随之增大，但是lmf-stgcn融合方式的预测性能还是一直优于原模型mstgcn，说明了速度特征在车流量数据异常时也起到了一定辅助作用，使融合模型的预测性能更佳，使模型对错误的容忍度更高。
如图9所示，为本发明中交通流量特征、占有率特征和速度特征融合的各模型预测性能变化。
实施例6：
本实例包括如下具体步骤：
步骤一：在原始完整的数据集基础上，本实验对原始数据仿真了高斯噪声和随机缺失。
步骤二：利用本发明中的两种特征融合模型对pemsd8数据集和pemsd4数据集进行预测，并与未融合的模型(mstgcn)和基于线性权重的特征融合模型(linear-stgcn)进行对比。图9描述了基于交通流量、占有率和速度融合下的各模型预测一小时内交通流量的平均性能比较。可以看出，每个模型的预测变化与图7图8两幅图基本相似。实验表明了三个数据融合的模型预测性能与两个数据融合的模型预测性能相似，但是优于未融合的模型。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
