本發(fā)明涉及智能交通預(yù)測(cè)，尤其涉及一種基于深度學(xué)習(xí)的時(shí)空關(guān)聯(lián)性交通流量預(yù)測(cè)方法。

背景技術(shù)：

1、隨著城市化進(jìn)程的不斷加快，交通流量的管理與預(yù)測(cè)成為智能交通系統(tǒng)中的核心問題之一，準(zhǔn)確的交通流量預(yù)測(cè)不僅可以優(yōu)化交通信號(hào)控制和資源配置，還能減少擁堵，提高道路使用效率，目前，深度學(xué)習(xí)技術(shù)逐漸應(yīng)用于交通流量預(yù)測(cè)，尤其是通過結(jié)合時(shí)空數(shù)據(jù)的模型能夠更好地捕捉復(fù)雜的交通流量變化趨勢(shì)，其中，圖卷積網(wǎng)絡(luò)能夠有效提取交通網(wǎng)絡(luò)中的空間依賴關(guān)系，而長(zhǎng)短期記憶網(wǎng)絡(luò)等時(shí)間序列模型則可以捕捉交通流量隨時(shí)間的演化，然而，現(xiàn)有的交通流量預(yù)測(cè)方法往往將空間特征和時(shí)間特征分開處理，難以準(zhǔn)確應(yīng)對(duì)實(shí)時(shí)交通變化和突發(fā)情況。

2、現(xiàn)有技術(shù)在時(shí)空特征融合和實(shí)時(shí)動(dòng)態(tài)交通變化處理上存在較大的局限性，導(dǎo)致預(yù)測(cè)精度不足，具體來(lái)說，當(dāng)前的模型難以同時(shí)有效地處理交通網(wǎng)絡(luò)中的復(fù)雜空間依賴性和時(shí)間序列演變，無(wú)法針對(duì)不同時(shí)空條件動(dòng)態(tài)調(diào)整特征的權(quán)重，此外，在實(shí)際應(yīng)用中，現(xiàn)有模型對(duì)于交通流量的變化缺乏自適應(yīng)性，無(wú)法靈活應(yīng)對(duì)突發(fā)事件、道路擁堵等動(dòng)態(tài)變化的場(chǎng)景。因此，提出一種能夠動(dòng)態(tài)融合時(shí)空特征并自適應(yīng)調(diào)整模型參數(shù)的交通流量預(yù)測(cè)方法，已成為解決交通管理問題的必要手段。

技術(shù)實(shí)現(xiàn)思路

1、基于上述目的，本發(fā)明提供了一種基于深度學(xué)習(xí)的時(shí)空關(guān)聯(lián)性交通流量預(yù)測(cè)方法。

2、一種基于深度學(xué)習(xí)的時(shí)空關(guān)聯(lián)性交通流量預(yù)測(cè)方法，包括以下步驟：

3、s1：基于部署在交通節(jié)點(diǎn)的傳感器網(wǎng)絡(luò)，實(shí)時(shí)采集交通流量數(shù)據(jù)和相關(guān)的外部環(huán)境數(shù)據(jù)，并依據(jù)采集的數(shù)據(jù)建立包含交通節(jié)點(diǎn)和邊的初始交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；

4、s2：利用s1中采集的交通流量數(shù)據(jù)及歷史數(shù)據(jù)，基于節(jié)點(diǎn)的交通流量、地理位置和道路通行能力的因素，計(jì)算每個(gè)節(jié)點(diǎn)的動(dòng)態(tài)權(quán)重；

5、s3：根據(jù)s2中的節(jié)點(diǎn)權(quán)重變化，結(jié)合實(shí)時(shí)路況及相關(guān)事件，通過圖神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)調(diào)整交通網(wǎng)絡(luò)中各邊的權(quán)重，以更新交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；

6、s4：在s3步驟中構(gòu)建的動(dòng)態(tài)交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)基礎(chǔ)上，采用圖卷積網(wǎng)絡(luò)對(duì)交通節(jié)點(diǎn)之間的空間依賴關(guān)系進(jìn)行特征提取，同時(shí)采用變分自編碼器對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行建模，提取交通流量數(shù)據(jù)的時(shí)間演化特征；

7、s5：將s4中提取的空間特征與時(shí)間序列特征通過自適應(yīng)加權(quán)機(jī)制進(jìn)行融合，構(gòu)建自適應(yīng)時(shí)空融合模型；

8、s6：基于s5中的自適應(yīng)時(shí)空融合模型，輸入實(shí)時(shí)交通數(shù)據(jù)進(jìn)行交通流量預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果與實(shí)際交通流量的差異優(yōu)化自適應(yīng)時(shí)空融合模型參數(shù)。

9、可選的，所述s1具體包括：

10、s11：在交通節(jié)點(diǎn)部署傳感器網(wǎng)絡(luò)，用于采集交通流量數(shù)據(jù)，所述交通流量數(shù)據(jù)包括車輛速度、車輛密度、道路占用率，傳感器網(wǎng)絡(luò)以預(yù)設(shè)的時(shí)間間隔定時(shí)采集并上傳至數(shù)據(jù)中心；

11、s12：實(shí)時(shí)采集外部環(huán)境數(shù)據(jù)，包括天氣信息、道路施工狀況、事故發(fā)生情況，所述外部環(huán)境數(shù)據(jù)通過與氣象監(jiān)測(cè)系統(tǒng)、道路施工管理系統(tǒng)以及交通事故報(bào)警系統(tǒng)對(duì)接獲??；

12、s13：對(duì)s11和s12步驟中采集的數(shù)據(jù)進(jìn)行預(yù)處理，包括去除異常數(shù)據(jù)并進(jìn)行格式化處理，確保數(shù)據(jù)的完整和一致；

13、s14：根據(jù)經(jīng)過處理的數(shù)據(jù)，基于交通節(jié)點(diǎn)與道路之間的物理連接關(guān)系，建立交通節(jié)點(diǎn)與邊的初始交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，所述拓?fù)浣Y(jié)構(gòu)以交通節(jié)點(diǎn)為圖的頂點(diǎn)，以道路為圖的邊，用于反映交通流量在不同節(jié)點(diǎn)之間的流動(dòng)路徑。

14、可選的，所述s2具體包括：

15、s21：獲取s1中采集的實(shí)時(shí)交通流量數(shù)據(jù)和歷史交通流量數(shù)據(jù)；

16、s22：利用交通節(jié)點(diǎn)的地理位置信息，計(jì)算每個(gè)節(jié)點(diǎn)相對(duì)于其他節(jié)點(diǎn)的空間關(guān)系，所述空間關(guān)系基于交通節(jié)點(diǎn)之間的距離、連接方式和交通流動(dòng)方向，結(jié)合節(jié)點(diǎn)的地理特征形成空間依賴矩陣；

17、s23：根據(jù)道路通行能力，對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行道路屬性加權(quán)，所述道路通行能力包括道路寬度、車道數(shù)量、交通信號(hào)控制、道路限制，具體采用加權(quán)因子行綜合計(jì)算，生成每個(gè)節(jié)點(diǎn)的初步權(quán)重；

18、s24：將s21、s22、s23中生成的數(shù)據(jù)通過深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行動(dòng)態(tài)調(diào)整，所述深度神經(jīng)網(wǎng)絡(luò)模型通過對(duì)實(shí)時(shí)交通流量和歷史數(shù)據(jù)的結(jié)合分析，動(dòng)態(tài)計(jì)算每個(gè)節(jié)點(diǎn)的權(quán)重值，所述權(quán)重值用于反映節(jié)點(diǎn)當(dāng)前時(shí)刻的交通壓力和重要性，并隨著交通流量和環(huán)境的變化實(shí)時(shí)更新。

19、可選的，所述s24具體包括：

20、s241：將采集到的實(shí)時(shí)交通流量數(shù)據(jù)和歷史交通流量數(shù)據(jù)按照預(yù)定的時(shí)間窗口進(jìn)行分段處理，為后續(xù)處理提供平滑的數(shù)據(jù)輸入；

21、s242：將空間依賴矩陣與歸一化后的節(jié)點(diǎn)初步權(quán)重相結(jié)合，形成節(jié)點(diǎn)的輸入特征向量，所述特征向量包括節(jié)點(diǎn)的實(shí)時(shí)流量、歷史流量、空間依賴關(guān)系以及初步權(quán)重；

22、s243：將輸入特征向量輸入預(yù)設(shè)的深度神經(jīng)網(wǎng)絡(luò)模型，所述深度神經(jīng)網(wǎng)絡(luò)模型包括若干隱藏層，每一層根據(jù)上一層的輸出和模型權(quán)重及偏置進(jìn)行非線性轉(zhuǎn)換，形成新的輸出；

23、s244：經(jīng)過多層非線性轉(zhuǎn)換后，生成節(jié)點(diǎn)的最終動(dòng)態(tài)權(quán)重值；

24、s245：將生成的動(dòng)態(tài)權(quán)重值進(jìn)行標(biāo)準(zhǔn)化處理，生成標(biāo)準(zhǔn)化后的節(jié)點(diǎn)動(dòng)態(tài)權(quán)重。

25、可選的，所述s3具體包括：

26、s31：獲取s2中計(jì)算得到的各交通節(jié)點(diǎn)的動(dòng)態(tài)權(quán)重，以及實(shí)時(shí)采集的路況信息和相關(guān)事件數(shù)據(jù)，所述路況信息包括道路擁堵程度、交通事故狀況，相關(guān)事件數(shù)據(jù)包括道路施工情況和天氣變化；

27、s32：基于交通節(jié)點(diǎn)的動(dòng)態(tài)權(quán)重和節(jié)點(diǎn)之間的連接關(guān)系，構(gòu)建初始的交通網(wǎng)絡(luò)鄰接矩陣，所述鄰接矩陣中的元素表示節(jié)點(diǎn)之間的直接連接關(guān)系，元素值初始化為1；

28、s33：將實(shí)時(shí)路況信息和相關(guān)事件數(shù)據(jù)映射為邊的初始權(quán)重，所述初始權(quán)重根據(jù)道路的實(shí)際通行能力、擁堵程度和受影響程度進(jìn)行量化，數(shù)值越高表示通行能力越強(qiáng)；

29、s34：將節(jié)點(diǎn)的動(dòng)態(tài)權(quán)重和邊的初始權(quán)重作為輸入特征，輸入到預(yù)設(shè)的圖神經(jīng)網(wǎng)絡(luò)模型中，所述圖神經(jīng)網(wǎng)絡(luò)模型通過信息傳播和聚合機(jī)制，計(jì)算得到各邊的動(dòng)態(tài)權(quán)重，并采用多層圖卷積操作，對(duì)節(jié)點(diǎn)和邊的特征進(jìn)行迭代更新；

30、s35：利用s34中計(jì)算得到的邊的動(dòng)態(tài)權(quán)重，更新交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，生成更新后的鄰接矩陣，使得各邊的權(quán)重反映當(dāng)前交通網(wǎng)絡(luò)中道路的通行能力和受實(shí)時(shí)事件的影響情況。

31、可選的，所述s34具體包括：

32、s341：初始化每個(gè)節(jié)點(diǎn)的特征值，節(jié)點(diǎn)的特征包括其動(dòng)態(tài)權(quán)重、交通流量數(shù)據(jù)以及與其他節(jié)點(diǎn)的連接信息，同時(shí)初始化每條邊的初始權(quán)重值；

33、s342：在圖卷積操作的每一層中，節(jié)點(diǎn)從其鄰居節(jié)點(diǎn)接收信息，鄰居節(jié)點(diǎn)的特征會(huì)根據(jù)節(jié)點(diǎn)間的連接強(qiáng)度和權(quán)重進(jìn)行加權(quán)，匯總傳遞到目標(biāo)節(jié)點(diǎn)；

34、s343：在接收完鄰居節(jié)點(diǎn)的信息后，目標(biāo)節(jié)點(diǎn)將收到的信息與其自身的特征值進(jìn)行聚合，聚合后的特征值通過激活函數(shù)進(jìn)行非線性變換，從而更新節(jié)點(diǎn)的特征；

35、s344：對(duì)邊的權(quán)重進(jìn)行更新，邊的權(quán)重基于連接節(jié)點(diǎn)的更新后的特征進(jìn)行計(jì)算，從而反映出節(jié)點(diǎn)之間的最新交通狀況；

36、s345：在多層網(wǎng)絡(luò)中重復(fù)進(jìn)行上述的圖卷積操作，每一層都會(huì)更新節(jié)點(diǎn)和邊的特征值，最終輸出節(jié)點(diǎn)的特征和各邊的動(dòng)態(tài)權(quán)重。

37、可選的，所述s4具體包括：

38、s41：基于s3步驟中構(gòu)建的動(dòng)態(tài)交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，定義交通網(wǎng)絡(luò)中的節(jié)點(diǎn)特征和邊特征，節(jié)點(diǎn)特征包括交通流量、道路通行能力，邊特征包括節(jié)點(diǎn)間的動(dòng)態(tài)權(quán)重，形成交通網(wǎng)絡(luò)的初始特征矩陣；

39、s42：采用圖卷積網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)和邊的特征進(jìn)行空間特征提取，具體通過對(duì)每個(gè)節(jié)點(diǎn)及其鄰居節(jié)點(diǎn)的信息進(jìn)行聚合，提取交通網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的空間依賴關(guān)系；

40、s43：在每層圖卷積網(wǎng)絡(luò)操作中，節(jié)點(diǎn)特征與其鄰居節(jié)點(diǎn)的特征根據(jù)邊的動(dòng)態(tài)權(quán)重進(jìn)行加權(quán)處理，并通過卷積操作提取出節(jié)點(diǎn)間的空間特征，逐層迭代更新節(jié)點(diǎn)的特征值，最終生成代表全局交通網(wǎng)絡(luò)的空間特征向量ff(l)；

41、s44：對(duì)交通流量的時(shí)間演化進(jìn)行建模，采用變分自編碼器處理交通節(jié)點(diǎn)的時(shí)間序列數(shù)據(jù)，將高維的時(shí)間序列數(shù)據(jù)編碼為低維的潛在變量空間表示；設(shè)低維潛在變量為zt，具體公式為：zt＝μt+∈t·σt，其中，μt為編碼器的均值輸出；σt為編碼器的標(biāo)準(zhǔn)差輸出；∈t為從標(biāo)準(zhǔn)正態(tài)分布中采樣的噪聲；

42、s45：在潛在變量空間中，利用變分自編碼器的解碼器重建時(shí)間序列數(shù)據(jù)，通過解碼器的重構(gòu)損失，提取出交通流量數(shù)據(jù)的時(shí)間變化特征，以捕捉交通流量的短期和長(zhǎng)期演化趨勢(shì)。

43、可選的，所述s5具體包括：

44、s51：將s4中提取到的空間特征和時(shí)間特征進(jìn)行標(biāo)準(zhǔn)化處理，確保兩種特征在同一數(shù)值范圍內(nèi)；

45、s52：根據(jù)當(dāng)前交通網(wǎng)絡(luò)的實(shí)時(shí)動(dòng)態(tài)情況，計(jì)算空間特征和時(shí)間特征的權(quán)重系數(shù)θs和θt，所述權(quán)重系數(shù)用于控制空間特征和時(shí)間特征在模型中的貢獻(xiàn)度；

46、s53：將空間特征和時(shí)間特征按權(quán)重進(jìn)行加權(quán)融合，設(shè)融合后的時(shí)空特征向量為fst，公式為：fst＝θs·f(l)+θt·zt，其中，fst表示融合后的時(shí)空特征向量；

47、s54：基于s53中融合后的時(shí)空特征向量fst，通過深度神經(jīng)網(wǎng)絡(luò)構(gòu)建自適應(yīng)時(shí)空融合模型，所述自適應(yīng)時(shí)空融合模型采用多層網(wǎng)絡(luò)結(jié)構(gòu)，其中每一層根據(jù)輸入特征進(jìn)行加權(quán)處理和非線性變換。

48、可選的，所述s54具體包括：

49、s541：先將融合后的時(shí)空特征向量輸入深度神經(jīng)網(wǎng)絡(luò)的第一層，第一層網(wǎng)絡(luò)對(duì)輸入特征進(jìn)行線性變換，并通過激活函數(shù)進(jìn)行非線性映射，生成新的特征表示；

50、s542：將第一層生成的特征輸入到第二層隱藏層，繼續(xù)對(duì)特征進(jìn)行線性和非線性處理，逐層提取時(shí)空特征中的復(fù)雜模式和關(guān)系，增強(qiáng)對(duì)時(shí)空變化的捕捉能力；

51、s543：在深度神經(jīng)網(wǎng)絡(luò)中引入注意力機(jī)制，注意力機(jī)制通過學(xué)習(xí)時(shí)空特征的重要性權(quán)重，動(dòng)態(tài)調(diào)整每個(gè)特征對(duì)最終輸出的貢獻(xiàn)，確保模型能夠自適應(yīng)地處理不同的交通場(chǎng)景；

52、s544：利用注意力權(quán)重對(duì)第二層隱藏層輸出的特征進(jìn)行加權(quán)，生成自適應(yīng)調(diào)整后的特征表示，優(yōu)化時(shí)空特征的融合效果；

53、s545：將加權(quán)后的特征輸入到輸出層，輸出層根據(jù)處理后的時(shí)空特征生成未來(lái)交通流量的預(yù)測(cè)結(jié)果。

54、可選的，所述s6具體包括：

55、s61：計(jì)算模型預(yù)測(cè)結(jié)果與實(shí)際交通流量之間的差異，對(duì)于每個(gè)時(shí)刻的交通流量，計(jì)算自適應(yīng)時(shí)空融合模型輸出的預(yù)測(cè)值和實(shí)際測(cè)量值之間的誤差；

56、s62：根據(jù)誤差的大小，模型通過反向傳播算法對(duì)參數(shù)進(jìn)行優(yōu)化，針對(duì)每一層網(wǎng)絡(luò)的權(quán)重和偏置，計(jì)算損失函數(shù)相對(duì)于這些參數(shù)的梯度；

57、s63：利用梯度下降算法更新模型參數(shù)，具體從輸出層開始，逐層向前計(jì)算權(quán)重和偏置的梯度，更新每一層的權(quán)重矩陣和偏置向量；

58、s64：在優(yōu)化過程中，根據(jù)不同時(shí)空特征對(duì)誤差的貢獻(xiàn)度，實(shí)時(shí)調(diào)整時(shí)空特征的加權(quán)系數(shù)，通過誤差反饋，動(dòng)態(tài)調(diào)整空間權(quán)重系數(shù)θs和時(shí)間權(quán)重系數(shù)θt；

59、s65：通過多輪訓(xùn)練迭代，不斷最小化模型預(yù)測(cè)值與實(shí)際值之間的誤差，并逐步優(yōu)化自適應(yīng)時(shí)空融合模型中的所有參數(shù)。

60、本發(fā)明的有益效果：

61、本發(fā)明，通過引入自適應(yīng)加權(quán)機(jī)制，結(jié)合圖卷積網(wǎng)絡(luò)和變分自編碼器，實(shí)現(xiàn)了空間特征與時(shí)間特征的動(dòng)態(tài)融合，充分考慮交通節(jié)點(diǎn)之間的空間依賴性和交通流量的時(shí)間演化趨勢(shì)，通過動(dòng)態(tài)調(diào)整特征的加權(quán)系數(shù)，本發(fā)明能夠根據(jù)實(shí)時(shí)交通狀況靈活地平衡空間和時(shí)間特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)，有效提高了交通流量預(yù)測(cè)的精度，與此同時(shí)，深度神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的結(jié)合，確保了模型在面對(duì)復(fù)雜動(dòng)態(tài)交通環(huán)境時(shí)能夠準(zhǔn)確捕捉交通流量中的重要特征。

62、本發(fā)明，通過誤差反饋和反向傳播算法，實(shí)現(xiàn)了模型參數(shù)的自適應(yīng)優(yōu)化，能夠根據(jù)實(shí)際預(yù)測(cè)結(jié)果與真實(shí)交通數(shù)據(jù)之間的差異，不斷調(diào)整權(quán)重、偏置以及時(shí)空特征的加權(quán)系數(shù)，確保在復(fù)雜和多變的交通條件下保持高精度預(yù)測(cè)，通過多輪訓(xùn)練迭代，具備較強(qiáng)的泛化能力和實(shí)時(shí)性，能夠有效應(yīng)對(duì)突發(fā)事件、道路擁堵等復(fù)雜交通場(chǎng)景，顯著提高了交通流量管理的效率。