基于编码器解码器的多角度融合道路交通流量预测方法与流程

1.本发明涉及交通流量预测技术领域，尤其涉及一种基于编码器解码器的多角度融合道路交通流量预测方法。


背景技术：

2.随着机动车保有量的持续增加，交通拥堵已经成为当前国家城市化进程中城市建设和管理所要面临的巨大挑战。分析和预测动态的交通状况，对新时期新道路的规划建设和智慧城市的交通管理具有重要的意义。
3.然而，交通流量预测已变得越来越具有挑战性。首先，它依赖于车辆流在时间维度上的波动性和不确定性。车辆交通往往具有长周期的周期性，因此在长周期情况下比较容易进行总结和预测。然而，在短时期内存在许多不确定性，现有方法在交通事故和特殊事件等突发性情况下，预测模型很难快速适应这种交通流的快速变化。其次，道路与车辆之间复杂的关系在空间维度上也起着重要的作用。例如，某条道路上发生的事件所引起的交通流的时间演化在不久的将来会影响到遥远的道路。此外，由于道路交叉口或车道的复杂性，道路之间的相互作用不容易识别，导致预测交通流走向的困难。现有方法大多只考虑道路历史交通流量数据和时间信息进行建模，从中学习出一个通用的规律，但是没有对各种突发交通状况、天气情况、节假日等多方面因素动态变化的综合考虑。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种基于编码器解码器的多角度融合道路交通流量预测方法，提出了一种基于编码器—解码器结构的多角度融合注意网络模型mfan(multi-view fuse attention network)，综合考虑各种突发交通状况、天气情况、节假日等多方面因素，实现对道路网络交通流量的动态准确预测。
5.为了解决上述技术问题，本发明采用以下的技术方案：
6.一种基于编码器解码器的多角度融合道路交通流量预测方法，包括以下步骤：
7.步骤1：收集待预测路口在指定时间段内的历史交通流数据，形成二维交通流矩阵；
8.将待预测路口在指定时间段内路过车辆的历史gps数据与路网数据匹配结合转换为历史交通流量数据，得到待预测路口以t为时间间隔的交通流序列{v1,v2,v3,
…vp
}，p为城市路口数量，待预测路口点i的交通流序列为vi＝{v
i,1
,v
i,2
,v
i,3
,
…
,v
i,n
}，n为时间间隔的个数，v
i,n
表示第i个路口在第n段时间的交通流量；
9.步骤2：收集待预测路口所在区域的道路网络信息，得到路网的空间表示信息；
10.所述道路网络为一个有向图g＝(v,e,a)，其中v表示路网中的节点即路口数量，v＝p，e表示边，即路网中的路段，a∈r
v*v
，a表示代权重的邻接矩阵，r
v*v
表示a的维度是v*v维；将空间向量送入一个两层的全连接网络，得到路网信息的空间嵌入表示，即路网的空间表示信息其中路口点vi∈v，s标记是路网的空间嵌入表示向量，维度是d维；
11.步骤3：收集待预测路口所在区域的天气和节假日信息，得到路网的天气表示信息和节假日表示信息；
12.所述路网的天气信息包括大风、小雨、中雨、暴雨、暴雪、晴天，六种车辆在道路行驶途中会遇到的天气情况，得到路网的天气嵌入表示信息其中路口点vi∈v，w标记是路网的天气嵌入表示向量，维度是d维；
13.所述路网的节假日表示信息为国家法定节假日信息条件下，得到路网的节假日嵌入表示信息其中路口点vi∈v，h标记是路网的天气嵌入表示向量，维度是d维；
14.步骤4：对历史时间段内的季度、月份、星期、日期、每小时信息，进行多角度融合，得到路网信息的时间嵌入表示，即路网的时间表示信息其中路口点vi∈v，t标记是路网的时间嵌入表示向量，维度是d维。
15.步骤5：将多角度时间空间信息进行融合，对步骤2-4所得到的路口的空间、天气、节假日、时间四个角度信息的嵌入表示进行融合，形成多角度时空嵌入表示mtse，对于在时间步tj下路口点vi，mtse被定义为其中mtse同时包含路网信息和时间、天气、节假日信息。
16.步骤6：对交通流数据进行z-score标准化处理，并将标准化处理的结果划分为训练集、验证集、测试集；
17.所述z-score标准化处理即将原始交通流数据中的每个值与所有数据平均值的差除以标准差；
18.步骤7：设计预测交通流量的多角度融合注意神经网络mfan，并利用训练集进行训练；
19.所述神经网络包括输入层、全连接层、注意机制编码器、转换注意力层、注意机制解码器、输出层；将a个时间步的历史路口的交通流量数据x∈r
axpxc
传入输入层，经过一个两层的全连接层将x转换为h
(0)
∈r
axpxd
作为注意机制编码器的输入，注意机制编码器由k个时空注意力块tsab组成，其中每个时空注意力块又由一个空间注意块、一个时间注意力块和一个门控融合单元组成；h
(0)
通过k个时空注意力块tsab，得到注意力编码器的输出为h
(k)
∈r
axpxd
，将h
(k)
传入转换注意力层，通过一个转换注意力层将已经被编码的特征h
(k)
生成未来的交通流特征序列表示h
(k 1)
∈r
bxpxd
，以此作为注意机制解码器的输入，注意机制解码器由k个时空注意力块tsab组成，h
(k 1)
通过注意机制解码器，得到的输出为h
(2k 1)
∈rr
bxpxd
，再将h
(2k 1)
经过一个两层的全连接网络，产生了未来b个时间步的路口交通流量预测值
20.步骤8：用验证集对训练集训练的模型进行测试，评估模型误差，若误差大于设定阈值则重新调整模型超参数，返回步骤7，再次进行训练，若小于设定阈值，跳转至步骤9；
21.步骤9：用测试集对模型预测效果进行评估，将测试集分为历史数据集与预测结果集，从历史数据集中将待预测路段设定时间的交通流数据输入训练好的模型，得到mfan预测的设定时间路口的交通流量情况，与预测结果集中的数据进行比较，从而进行交通流量预测。
22.本发明所产生的有益效果在于：
23.本发明提出一种基于编码器解码器的多角度融合道路交通流量预测方法，本发明考虑影响道路交通流量的多种可能情况，将整个道路网络看做一张动态的有向图，对不同时间点对同一路口的影响与相同时间点不同路口之间的互相影响都能进行动态考虑。本发明的方法对于未来动态交通流的预测的准确率较高。
附图说明
24.图1为本发明实施例中交通流量预测方法整体流程图；
25.图2为本发明实施例中多角度融合注意网络模型mfan结构示意图；
26.图3为本发明实施例中多角度时空信息融合图；
27.图4为本发明实施例中时空注意力块结构示意图。
具体实施方式
28.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
29.一种基于编码器解码器的多角度融合道路交通流量预测方法，如图1所示，包括以下步骤：
30.步骤1：收集待预测路口在指定时间段内的历史交通流数据，形成二维交通流矩阵；
31.将待预测路口在指定时间段内路过车辆的历史gps数据与路网数据匹配结合转换为历史交通流量数据，得到待预测路口以t为时间间隔的交通流序列{v1,v2,v3,
…vp
}，p为城市路口数量，待预测路口点i的交通流序列为vi＝{v
i,1
,v
i,2
,v
i,3
,
…
,v
i,n
}，n为时间间隔的个数，v
i,n
表示第i个路口在第n段时间的交通流量；
32.步骤2：收集待预测路口所在区域的道路网络信息，得到路网的空间表示信息；
33.所述道路网络为一个有向图g＝(v,e,a)，其中v表示路网中的节点即路口数量，v＝p，e表示边，即路网中的路段，a∈r
v*v
，a表示代权重的邻接矩阵，r
v*v
表示a的维度是v*v维；将空间向量送入一个两层的全连接网络，得到路网信息的空间嵌入表示，即路网的空间表示信息其中路口点vi∈v，s标记是路网的空间嵌入表示向量，维度是d维；
34.步骤3：收集待预测路口所在区域的天气和节假日信息，得到路网的天气表示信息和节假日表示信息；
35.所述路网的天气信息包括大风、小雨、中雨、暴雨、暴雪、晴天，六种车辆在道路行驶途中会遇到的天气情况，得到路网的天气嵌入表示信息其中路口点vi∈v，w标记是路网的天气嵌入表示向量，维度是d维；
36.所述路网的节假日表示信息为国家法定节假日信息条件下，得到路网的节假日嵌入表示信息其中路口点vi∈v，h标记是路网的天气嵌入表示向量，维度是d维；
37.步骤4：对历史时间段内的季度、月份、星期、日期、每小时信息，进行多角度融合，如图3所示，得到路网信息的时间嵌入表示，即路网的时间表示信息其中路口点vi∈v，t标记是路网的时间嵌入表示向量，维度是d维。
38.本实施例中，将历史交通流的每个时间间隔编码为一个向量。设置每一天为m个时间间隔，使用one-hot编码，按照一年四季、一季三月、一月四周、一周七天、一天m段作为时间步进行编码，编码为r
4 3 4 7 m
维度的利用两层全连接网络转换时间特征为一个rd维向量。
39.步骤5：将多角度时间空间信息进行融合，为了获得路口在具体的时间、天气和节假日上的综合表示，对步骤2-4所得到的路口的空间、天气、节假日、时间四个角度信息的嵌入表示进行融合，形成多角度时空嵌入表示mtse，对于在时间步tj下路口点vi，mtse被定义为其中mtse同时包含路网信息和时间、天气、节假日信息。
40.步骤6：对交通流数据进行z-score标准化处理，并将标准化处理的结果划分为训练集、验证集、测试集；
41.所述z-score标准化处理即将原始交通流数据中的每个值与所有数据平均值的差除以标准差；本实施例中训练集占总数据量的70％，验证集占20％，测试集占10％。
42.步骤7：设计预测交通流量的多角度融合注意神经网络mfan，并利用训练集进行训练；
43.所述神经网络包括输入层、全连接层、注意机制编码器、转换注意力层、注意机制解码器、输出层；其结构图如图2所示，将a个时间步的历史路口的交通流量数据x∈r
axpxc
传入输入层，经过一个两层的全连接层将x转换为h
(0)
∈r
axpxd
作为注意机制编码器的输入，注意机制编码器由k个时空注意力块tsab组成，如图4所示其中每个时空注意力块又由一个空间注意块、一个时间注意力块和一个门控融合单元组成；h
(0)
通过k个时空注意力块tsab，得到注意力编码器的输出为h
(k)
∈r
axpxd
，将h
(k)
传入转换注意力层，通过一个转换注意力层将已经被编码的特征h
(k)
生成未来的交通流特征序列表示h
(k 1)
∈r
bxpxd
，以此作为注意机制解码器的输入，注意机制解码器由k个时空注意力块tsab组成，h
(k 1)
通过注意机制解码器，得到的输出为h
(2k 1)
∈rr
bxpxd
，再将h
(2k 1)
经过一个两层的全连接网络，产生了未来b个时间步的路口交通流量预测值
44.本实施例中输入层：输入历史路口的交通流量值x∈r
axpxc
45.全连接层：将x通过两层全连接网络输出为h
(0)
∈r
axpxd
。
46.注意机制编码器：由k个时空注意力块(tsab)组成。h
(0)
通过k个tsab，得到的输出为h
(k)
∈r
axpxd
。其中一个tsab块，如图3所示由时间注意力块和空间注意力块和一个门控融合单元组成。
47.时间注意力块：由于一个位置当前的交通状态与这个位置之前的交通状态是相关联的，而且这种关联会随着时间非线性变化，时间注意力块就能捕获不同时间步之间的这种变化特征且能捕获路口的交通状态和时间的共同关系。时间注意块连接了多角度时空嵌入，并且应用注意力机制计算注意力得分。具体地，在考虑路口节点vi的情况下，时间步tj和t的关系定义如下：
48.49.其中，h是上一层学到的多角度时空嵌入与交通流之间的隐藏状态。e
v,tj
是步骤5得到的多角度时空嵌入。||表示拼接操作，《,》表示内积操作。
50.时间注意力块的输出如下表明在k层新学到的节点vi在时间步tj下的隐藏状态。
[0051][0052][0053]
式中，n
tj
表示所有在tj之前的时间集合，是将使用softmax激活函数正则化得到的注意力得分，表明所有其他时间步t对时间步tj的重要程度。注意力的得分总和为1。
[0054]
空间注意力块：由于一条道路的交通状态是受其他道路的动态影响的，并且这种影响随着时间而不断变化，空间注意力块就能捕获这种变化特征且能捕获在特定时间下当前的交通状况和道路网络对路口之间交通流量的影响。空间注意力块连接了多角度时空嵌入，并且应用注意力机制计算注意力得分。具体地，在考虑特定时间步tj的情况下，路口节点vi和v的关系定义如下：
[0055][0056]
其中，h是上一层学到的多角度时空嵌入与交通流之间的隐藏状态。e
v，tj
是步骤5得到的多角度时空嵌入。||表示拼接操作，《，》表示内积操作。2d是的维度。
[0057]
空间注意力块的输出如下表明在k层新学到的多角度时空嵌入与交通流之间的隐藏状态。
[0058][0059][0060]
式中，v表示所有路口节点的集合，是将使用softmax激活函数正则化得到的注意力得分，表明所有其他节点v对节点vi的重要程度。注意力的得分总和为1。
[0061]
门控融合单元：由于一条道路在特定时间的交通状态与这条道路之前的交通状态和其他道路的交通状态都相关，因此设计门控融合方法将上述时间注意力块与空间注意力块进行融合考虑。在第k块，和按照如下方式进行融合：
[0062]
[0063][0064]
其中w
z，1
∈r
dxd
，w
z，2
∈r
dxd
，bz∈rd，都是要学习的参数。
⊙
表示矩阵对应元素相乘，σ(
·
)表示sigmoid激活函数，z是门控。门控融合机制能自适应地控制每一个顶点和时间步在多融合时空依赖性上的交通流。
[0065]
转换注意力层：建模每个未来时间步和历史时间步的映射关系，从而将被编码的交通特征转换为可以生成未来表示的解码器的输入。通过一个转换注意力层能将已经被编码的特征h
(k)
生成未来的交通流特征序列表示h
(k 1)
∈r
bxpxd
。
[0066]
注意机制解码器：由k个tsab组成。h
(k 1)
通过k个tsab，得到的输出为h
(2k 1)
∈r
bxpxd
。
[0067]
全连接层：将注意力机制解码器产生的h
(2k 1)
经过一个两层的全连接网络生成b个时间步的路口交通流量预测值
[0068]
步骤8：用验证集对训练集训练的模型进行测试，使用huber损失函数评估模型误差，若误差大于设定阈值则重新调整模型超参数，返回步骤7，再次进行训练，若小于设定阈值，跳转至步骤9；
[0069]
步骤9：用测试集对模型预测效果进行评估，将测试集分为历史数据集与预测结果集，从历史数据集中将待预测路段前7天的交通流数据输入训练好的模型，得到mfan预测的未来7天路口的交通流量情况，与预测结果集中的数据进行比较，从而进行交通流量预测。本实施例中训练好的模型支持对未来5分钟、10分钟、15分钟、30分钟、一小时的路口交通流量预测。
[0070]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。