基于轻量级的时空图卷积模型对交通量的预测方法及装置与流程

1.本发明涉及交通流预测技术领域，尤其涉及一种基于轻量级的时空图卷积模型对交通量的预测方法及装置。


背景技术：

2.随着社会经济的快速增长，城市车辆的保有量也在迅速增加，车辆交通流信息也显得越来越重要。但为了给人们提供更好的出行信息，提高人们在出行时的便利性，需要对路网交通量进行预测，以进行便利出行。
3.现有的路网交通量预测技术主要把交通流的历史数据看作时间序列进行预测。实际应用中，对于路网交通量的预测不仅要考虑时间信息，还需要考虑空间信息和外源因素的影响，仅考虑时间因素，可能导致忽略关键信息，从而对进行路网交通量预测的准确度较低。


技术实现要素：

4.本发明提供一种基于轻量级的时空图卷积模型对交通量的预测方法及装置，其主要目的在于解决进行路网交通量预测时的准确度较低的问题。
5.为实现上述目的，本发明提供的一种基于轻量级的时空图卷积模型对交通量的预测方法，包括：
6.s1、获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通时空网络结构图；
7.s2、利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；
8.s3、利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，其中所述利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，包括：
9.s31、根据所述交通流量网络序列构建自适应邻接矩阵，将所述自适应邻接矩阵进行转置，得到自适应转置邻接矩阵；
10.s32、设置所述自适应图卷积网络的特征传递参数及反向特征传递卷积参数；
11.s33、利用如下的卷积特征计算公式根据所述自适应邻接矩阵、所述自适应转置邻接矩阵、所述特征传递参数及所述反向特征传递卷积参数计算所述交通流空间特征：
[0012][0013]
其中，qa为所述交通流空间特征，bm为第m个交通流量网络序列中交通流数据特征对应的自适应邻接矩阵，q为扩散图卷积的输入特征，δ1为所述特征传递参数，(b
t
)m为第m个
交通流量网络序列中交通流数据特征对应的自适应转置邻接矩阵，δ2为所述反向特征传递卷积参数，b
t
为所述自适应转置邻接矩阵，m为特征传递的步数；
[0014]
s4、利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；
[0015]
s5、根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。
[0016]
可选地，所述根据预设的道路传感器及所述路网关系构建交通时空网络结构图，包括：
[0017]
获取所述道路传感器的安装位置；
[0018]
按照所述路网关系对所述安装位置进行空间连接，得到空间结构图；
[0019]
按照预设的时序窗口长度对所述空间结构图进行时间汇集，得到所述交通时空网络结构图。
[0020]
可选地，所述利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，包括：
[0021]
利用每个所述图节点统计车辆通行数量及车辆占用时间，以及利用每个所述图节点确定车辆平均车速；
[0022]
根据所述车辆通行数量及预设的时间间隔确定每个所述图节点对应的交通流量，根据所述车辆通行数量及所述车辆占用时间确定每个所述图节点对应的车道占用率；
[0023]
汇集所述车辆平均车速、所述交通流量及所述车道占用率为交通流数据特征；
[0024]
根据预设的交通流时刻将所述交通流数据特征进行统计，得到所述时间序列数据。
[0025]
可选地，所述利用每个所述图节点确定车辆平均车速，包括：
[0026]
通过每个所述图节点采集特定时刻内的车辆位置；
[0027]
利用如下的平均车速公式根据所述车辆位置与所述特定时刻计算所述车辆平均车速：
[0028][0029]
详细地，为第h时刻的所述车辆平均车速，n为观测时段内的车辆数，y2为在h2特定时刻内的所述车辆位置，y1为在h1特定时刻内的所述车辆位置，i为第i辆车，lim为极限函数。
[0030]
可选地，所述根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列，包括：
[0031]
提取所述时间序列数据中的每个序列时刻；
[0032]
提取所述交通流数据特征中所述序列时刻对应的序列交通流数据特征；
[0033]
根据所述序列时刻及所述序列交通流数据特征生成所述交通流量网络序列，其中所述交通流量网络序列为：
[0034]
x
t
＝(x
t-p-1
,
…
,x
t-1
,x
t
)
[0035]
其中，x
t
为第t序列时刻的所述交通流量网络序列，x
t-p-1
为第t-p-1序列时刻的所述序列交通流数据特征，x
t-1
为第t-1序列时刻是所述序列交通流数据特征，x
t
为第t序列时
刻的所述序列交通流数据特征。
[0036]
可选地，所述根据所述交通流量网络序列构建自适应邻接矩阵，包括：
[0037]
确定所述交通流量网络序列的变换矩阵参数；
[0038]
根据所述变换矩阵参数及预设的饱和率超参数生成变量矩阵；
[0039]
利用预设的激活函数将所述变量矩阵转换为所述自适应邻接矩阵。
[0040]
可选地，所述根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，包括：
[0041]
根据所述交通流外源因素确定交通流持续时间；
[0042]
利用所述交通流持续时间及预设的时间跨度计算当前时刻的时间特征；
[0043]
按照所述交通流空间特征的特征维度对所述时间特征的维度进行扩展，得到所述交通流时间特征。
[0044]
可选地，所述利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型，包括：
[0045]
将所述交通流空间特征及所述交通流时间特征进行拼接，得到交通流拼接特征；
[0046]
根据所述交通流拼接特征及预设的损失函数计算所述时空图卷积模型的损失值；
[0047]
当所述损失值小于预设的损失阈值时，将所述时空图卷积模型作为所述路网交通量预测模型。
[0048]
可选地，所述根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测，包括：
[0049]
提取所述路网交通量的路网交通流空间特征和路网交通流时间特征，将所述路网交通流空间特征与所述路网交通流时间特征进行拼接，得到路网拼接特征；
[0050]
利用所述路网交通量预测模型中的全卷积神经网络对所述路网拼接特征进行特征维度变换，得到变换路网拼接特征；
[0051]
利用所述路网交通量预测模型中的时序卷积网络对所述变换路网拼接特征进行时序关联特征提取，得到时序关联特征；
[0052]
利用所述路网交通量预测模型中的扩散图卷积网络对所述变换路网拼接特征进行空间关联特征提取，得到空间关联特征；
[0053]
将所述时序关联特征与所述空间关联特征进行残差连接，得到连接特征，通过所述全卷积神经网络对所述连接特征进行特征维度变换，得到预测窗口时刻，根据所述预测窗口时刻确定所述目标地区的交通流预测值。
[0054]
为了解决上述问题，本发明还提供一种基于轻量级的时空图卷积模型对交通量的预测装置，所述装置包括：
[0055]
交通时空网络结构图构建模块，用于获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通时空网络结构图；
[0056]
交通流量网络序列生成模块，用于利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；
[0057]
交通流时空特征提取模块，用于利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交
通流时间特征；
[0058]
时空图卷积模型训练模块，用于利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；
[0059]
路网交通量预测模块，用于根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。
[0060]
本发明实施例通过获取路网关系，并利用道路传感器及路网关系构建交通时空网络结构图，并根据交通时空网络结构图对交通流数据特征进行采集，得到时间序列数据，可以确定在不同时刻的交通流数据特征。根据时间序列数据和交通流数据特征生成交通流量网络序列，并提取交通流量网络序列的交通流空间特征和交通流时间特征，以根据时间特征对交通模态周期性的挖掘，根据空间特征对交通状态不同位置的空间状态进行挖掘。根据时间特征和空间特征对时空图卷积模型进行训练，得到路网交通量预测模型，并根据路网交通量预测模型对目标地区的路网交通量进行预测，可实现对路网交通量的预测，进而提高对交通流数据预测的准确性。因此本发明提出的基于轻量级的时空图卷积模型对交通量的预测方法及装置，可以解决进行路网交通量预测的准确度较低的问题。
附图说明
[0061]
图1为本发明一实施例提供的基于轻量级的时空图卷积模型对交通量的预测方法的流程示意图；
[0062]
图2为本发明一实施例提供的生成时间序列数据的流程示意图；
[0063]
图3为本发明一实施例提供的生成交通流量网络序列的流程示意图；
[0064]
图4为本发明一实施例提供的基于轻量级的时空图卷积模型对交通量的预测装置的功能模块图；
[0065]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0066]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0067]
本技术实施例提供一种基于轻量级的时空图卷积模型对交通量的预测方法。所述基于轻量级的时空图卷积模型对交通量的预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于轻量级的时空图卷积模型对交通量的预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0068]
参照图1所示，为本发明一实施例提供的基于轻量级的时空图卷积模型对交通量的预测方法的流程示意图。在本实施例中，所述基于轻量级的时空图卷积模型对交通量的预测方法包括：
[0069]
s1、获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通
时空网络结构图；
[0070]
本发明实施例中，道路网络的负责拓扑结构对道路流量的变化起到极重要的作用。上流道路的交通状况会通过交通传递作用影响下流道路；同样，下流道路的交通状况也会通过反馈效应来影响上流道路。其中，所述路网关系是指在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路系统。
[0071]
详细地，可通过地图数据源(open street map，osm)获取所述目标地区的路网关系，其中osm是一种网络大众共同打造的免费开源、可编辑的地图服务，可通过划定经纬度范围，确定目标地区的路网数据，从而确定路网关系。
[0072]
本发明实施例中，在交通道路上常见传感器有双环路车辆探测器、超声波探测器、测射雷达、磁力计和交通摄像头等。其中双环路车辆探测器是智能交通系统中常用的检测设备，由布置在每个车道的前后两个感应线圈和路边的控制器组成，通过计算车辆通过前后两个感应线圈的时间间隔和感应电流大小可以探测得到通过车辆的行车速度，车辆长度和车型等信息。所述交通时空网络结构图是在某个特定时刻的交通状态对应一组图数据，则在连续观测时长内，多个时刻的交通图形成时空图数据。
[0073]
本发明实施例中，所述根据预设的道路传感器及所述路网关系构建交通时空网络结构图，包括：
[0074]
获取所述道路传感器的安装位置；
[0075]
按照所述路网关系对所述安装位置进行空间连接，得到空间结构图；
[0076]
按照预设的时序窗口长度对所述空间结构图进行时间汇集，得到所述交通时空网络结构图。
[0077]
详细地，根据路网关系中每个道路传感器的安装位置可以确定交通分布的空间结构图。即为了描述路网中道路传感器的空间分布特性，将路网定义为图结构g＝(v,e,a)，其中v表示节点集合，即目标路网中传感器构成的集合；e为边集，表示路网中传感器间的连接状态；a为邻接矩阵，用于表示边集中的连接关系，即每个道路传感器之间的连接关系，判断每个道路传感器之间是否存在连接关系。
[0078]
具体地，空间维度的节点即为实际道路网络中部署的信息采集设备，其地理位置是固定不变的，在形成空间结构图的基础上，可以在多个不同的时刻获取时刻所对应的空间结构图，即在连续观测时长内，多个时刻的交通空间结构图形成所述交通时空网络结构图。即在每个时刻空间上都会形成一个完整独立的图，且不同时刻的图拓扑结构一致。
[0079]
进一步地，在每个道路传感器中都可以采集交通流检测数据，如交通流量、平均车速、车道占用率，进而根据交通流检测数据确定每个时刻的交通流数据。
[0080]
s2、利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；
[0081]
本发明实施例中，所述时间序列数据为每个图节点进行交通流数据特征采集时所对应的时间点。其中，所述图节点是指每个道路传感器在交通时空网络结构图中的位置，所述交通流数据特征包括交通流量、车辆速度及车道占用率。
[0082]
本发明实施例中，参图2所示，所述利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，包括：
[0083]
s21、利用每个所述图节点统计车辆通行数量及车辆占用时间，以及利用每个所述图节点确定车辆平均车速；
[0084]
s22、根据所述车辆通行数量及预设的时间间隔确定每个所述图节点对应的交通流量，根据所述车辆通行数量及所述车辆占用时间确定每个所述图节点对应的车道占用率；
[0085]
s23、汇集所述车辆平均车速、所述交通流量及所述车道占用率为交通流数据特征；
[0086]
s24、根据预设的交通流时刻将所述交通流数据特征进行统计，得到所述时间序列数据。
[0087]
详细地，所述交通流量是指在单位时间内，通过道路某个特定位置的车辆数，可通过每个图节点中的交通线圈传感器测量单位时间内通过的车辆数。所述车道占用率是指特定时刻，特定区域内，已被车辆所利用的道路量与道路总量的比率，是衡量当前车道是否被充分利用，对交通管理制度工作具有重要意义，可通过已知检测点被车辆占据的时间与观测时段的比值计算所述车道占用率。所述车辆平均车速是衡量交通场景中车辆拥堵程度的重要指标，能够对交通调度及路线规划起到辅助作用，并且通过平均速度，能够预测特定路段通行时间，有助于出行规划。
[0088]
具体地，所述利用每个所述图节点确定车辆平均车速，包括：
[0089]
通过每个所述图节点采集特定时刻内的车辆位置；
[0090]
利用如下的平均车速公式根据所述车辆位置与所述特定时刻计算所述车辆平均车速：
[0091][0092]
详细地，为第h时刻的所述车辆平均车速，n为观测时段内的车辆数，y2为在h2特定时刻内的所述车辆位置，y1为在h1特定时刻内的所述车辆位置，i为第i辆车，lim为极限函数。
[0093]
详细地，通过特定时间间隔距离的感应线圈，可测算车辆通过车速监测点时，瞬时速度的近似值，根据特定观测时间内通过车速检测点断面车辆的瞬时速度平均值为时间平均速度，即通过车辆的瞬时速度计算车辆的平均车速。因此，可通过平均车速判断交通流的拥堵情况，并且与路段距离相联系时，可以估计得到通过该路段的大概耗时，对旅客出行具有直观意义。
[0094]
具体地，将所述车辆平均车速、交通流量及所述车道占用率为交通流数据特征，并根据每个时刻的交通流数据特征确定交通流时间序列。其中，所述时间序列数据为每个图节点进行交通流数据特征采集时所对应的时间点，即所述时间序列数据为t＝(t
k-l-1
,
…
t
k-1
,tk),根据此时间序列可以确定在特定时刻的交通流数据特征。
[0095]
本发明实施例中，所述交通流量网络序列数据是指每个道路传感器观测的数据所组成的，表示不同图节点在t时刻的交通流特征信息。
[0096]
本发明实施例中，参图3所示，所述根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列，包括：
[0097]
s31、提取所述时间序列数据中的每个序列时刻；
[0098]
s32、提取所述交通流数据特征中所述序列时刻对应的序列交通流数据特征；
[0099]
s33、根据所述序列时刻及所述序列交通流数据特征生成所述交通流量网络序列，其中所述交通流量网络序列为：
[0100]
x
t
＝(x
t-p-1
,
…
,x
t-1
,x
t
)
[0101]
其中，x
t
为第t序列时刻的所述交通流量网络序列，x
t-p-1
为第t-p-1序列时刻的所述序列交通流数据特征，x
t-1
为第t-1序列时刻是所述序列交通流数据特征，x
t
为第t序列时刻的所述序列交通流数据特征。
[0102]
详细地，在时间序列数据中每个时刻都对应这一个交通流数据特征，根据每时刻的交通流数据特征可以生成交通流量网络序列，其中所述交通流量网络序列数据中x
t
是t时刻的车辆平均车速、交通流量及车道占用率。
[0103]
具体地，根据所述交通流量网络序列可以对下一时刻的交通流量进行预测。在进行预测之前，需要先对交通流量网络序列中的交通流空间特征和交通流时间特征进行提取，以进行道路下一时刻交通量的预测。
[0104]
s3、利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征；
[0105]
本发明实施例中，交通路网中的不同节点间的空间依赖，往往呈现出复杂多层次的特点，需要捕捉路网结构中隐含的深层次空间依赖，建立隐含连接关系并描述其空间依赖状态。其中所述自适应图卷积网络是一种将卷积操作扩展到图结构的神经网络，通过聚合领域信息进行结构特征提取，对局部化扩散卷积操作丢失的空间特征进行有效补充。所述交通流空间特征是目标路网中各个传感器采集的交通流数据观测值，即xf＝(x1,x2,
…
,xi)∈rc×v×i表示交通流数据观测值，其中xf为交通流特征的输入，c为交通序列特征(如交通流量，平均车速及车道占用率等)，v为观测值的数量，i为历史观测值的时序观测窗口长度，xi为第i个时序观测窗口长度的交通流特征。
[0106]
本发明实施例中，所述利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，包括：
[0107]
根据所述交通流量网络序列构建自适应邻接矩阵，将所述自适应邻接矩阵进行转置，得到自适应转置邻接矩阵；
[0108]
设置所述自适应图卷积网络的特征传递参数及反向特征传递卷积参数；
[0109]
利用如下的卷积特征计算公式根据所述自适应邻接矩阵、所述自适应转置邻接矩阵、所述特征传递参数及所述反向特征传递卷积参数计算所述交通流空间特征：
[0110][0111]
其中，qa为所述交通流空间特征，bm为第m个交通流量网络序列中交通流数据特征对应的自适应邻接矩阵，q为扩散图卷积的输入特征，δ1为所述特征传递参数，(b
t
)m为第m个交通流量网络序列中交通流数据特征对应的自适应转置邻接矩阵，δ2为所述反向特征传递卷积参数，b
t
为所述自适应转置邻接矩阵，m为特征传递的步数。
[0112]
详细地，所述自适应邻接矩阵中所隐含节点空间关联更符合交通场景中的实际情
况，捕捉路网空间依赖的能力更强，并且该矩阵结构更加稀疏，使得计算开销大幅下降。
[0113]
具体地，所述根据所述交通流量网络序列构建自适应邻接矩阵，包括：
[0114]
确定所述交通流量网络序列的变换矩阵参数；
[0115]
根据所述变换矩阵参数及预设的饱和率超参数生成变量矩阵；
[0116]
利用预设的激活函数将所述变量矩阵转换为所述自适应邻接矩阵。
[0117]
详细地，当所述交通流量网络序列看作嵌入向量时，设置嵌入向量变换的矩阵参数，并根据控制激活函数饱和率的超参数及所述变换矩阵参数生成变量矩阵，如根据公式d＝tanh(αeθ)确定变量矩阵，其中α为饱和率超参数，e为嵌入向量，θ为变换矩阵参数。
[0118]
具体地，利用预设的激活函数根据自适应矩阵构建过程中的隐状态维度，即f＝relu(tanh(α(dd
t
)))确定自适应邻接矩阵，其中relu为激活函数，d
t
为变量矩阵的转置矩阵。其得到的自适应邻接矩阵为对角线右上方取值均为零的下三角阵结构，呈现出非对称性质，更适用于捕捉节点间单向特征传递过程中的空间关联。但是，考虑到实际路网中，与节点存在空间关联的节点通常个数有限，因此在自适应邻接矩阵的基础上，对于路网中每个节点，保留与其邻接关系最近的k个节点作为空间关联节点，保留邻接矩阵中的对应取值，而其他节点作为该节点的非关联节点，邻接矩阵中对应取值为零，处理后得到自适应邻接矩阵。其自适应邻接矩阵所隐含的节点空间关联更符合交通场景中的实际情况。
[0119]
进一步地，利用自自适应邻接矩阵进行图卷积操作，根据自适应图卷积网络中第k步特征扩散过程对应的特征传递与反向特征传递卷积参数，并确定自适应卷积操作的输入和输出特征的维度，利用卷积特征计算公式输出对交通流量网络序列的交通流空间特征能够从数据特征中挖掘路网节点间的隐含空间关联，从而突破节点间邻接关系与直线距离等限制，捕捉路网中的深层空间依赖。能够从数据中自适应提取路网节点间的复杂空间关联。
[0120]
更进一步地，交通流数据存在较强的周期特性，交通流预测不仅与交通流空间特征有关，而且还与交通流时间特征有关，因此，还要提取交通流时间特征，以进一步更加准确的对路网交通量做出预测。
[0121]
本发明实施例中，交通流具有非线性，不确定的特点，不但受固有的交通流规律影响，而且会因为外源因素的影响而剧烈变化。比如交通事故和雨雪天气会导致车辆拥堵，使相关路段的车辆行速锐减。所以交通流虽然在大致趋势上呈现周期性，但在不同时段具有各自不同的变化趋势，考虑交通流的特征参数之外的影响因素是必要的。其中，所述交通流外源因素包括早晚高峰、工作时间、交通事故、天气状况等。
[0122]
本发明实施例中，所述根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，包括：
[0123]
根据所述交通流外源因素确定交通流持续时间；
[0124]
利用所述交通流持续时间及预设的时间跨度计算当前时刻的时间特征；
[0125]
按照所述交通流空间特征的特征维度对所述时间特征的维度进行扩展，得到所述交通流时间特征。
[0126]
详细地，所述交通流持续时间是指在交通流外源因素发生时，最大交通流所持续的时间，如早高峰期间、天气状况影响的交通情况、发生交通事故等事件车辆所持续的时间，并根据一天对应的时间跨度确定当前时刻在一天所有时刻中所占位置，即当前时刻对应的时间特征。
[0127]
具体地，所述交通流时间特征是与交通流空间特征相匹配的，按照交通流空间特征的特征维度对时间特征的维度进行扩展，扩展到与交通流空间特征的维度一样，可得到交通流时间特征，用h＝(h1,h2,
…
,hi)∈rv×i表示交通流时间特征，其中，hi表示第i个时序观测窗口长度的交通流时间特征。
[0128]
进一步地，根据交通流空间特征和交通流时间特征可以对时空图卷积模型进行训练，得到可以预测下一时刻路网交通量的预测模型。
[0129]
s4、利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；
[0130]
本发明实施例中，所述时空图卷积模型是由全卷积神经网络、多头注意力机制、时序卷积网络、扩散图卷积模型组合而成。以及所述路网交通量预测模型是根据历史路网交通流数据对下一时刻的路网交通流进行预测，以提提供更好的交通规划指导信息。
[0131]
本发明实施例中，所述利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型，包括：
[0132]
将所述交通流空间特征及所述交通流时间特征进行拼接，得到交通流拼接特征；
[0133]
根据所述交通流拼接特征及预设的损失函数计算所述时空图卷积模型的损失值；
[0134]
当所述损失值小于预设的损失阈值时，将所述时空图卷积模型作为所述路网交通量预测模型。
[0135]
详细地，所述交通流拼接特征可以更加具体的表示交通流数据特征，并根据交通流数据特征对时空卷积模型进行训练，利用损失函数计算训练过程中的损失值，并不断更新损失值调整参数，直到损失值小于预设的损失阈值时，模型才训练完成，输出所述路网交通量预测模型。
[0136]
具体地，利用所述路网交通量预测模型可以对目标地区的路网交通量进行准确实时的预测，可以为道路的使用与管理者提供参考信息，优化他们的出行行为，减少不必要的道路通行效率损失，并提高道路通行效率，降低道路拥挤。
[0137]
s5、根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。
[0138]
本发明实施例中，所述路网交通量预测模型是由时空图卷积模型训练得到，而时空图卷积模型由全卷积神经网络、多头注意力机制、时序卷积网络、扩散图卷积网络组合而成，因此要对路网交通量进行预测，需要将交通流空间特征和交通流时间特征依次输入至路网交通量预测模型的不同模块中。
[0139]
本发明实施例中，所述根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测，包括：
[0140]
提取所述路网交通量的路网交通流空间特征和路网交通流时间特征，将所述路网交通流空间特征与所述路网交通流时间特征进行拼接，得到路网拼接特征；
[0141]
利用所述路网交通量预测模型中的全卷积神经网络对所述路网拼接特征进行特征维度变换，得到变换路网拼接特征；
[0142]
利用所述路网交通量预测模型中的时序卷积网络对所述变换路网拼接特征进行时序关联特征提取，得到时序关联特征；
[0143]
利用所述路网交通量预测模型中的扩散图卷积网络对所述变换路网拼接特征进行空间关联特征提取，得到空间关联特征；
[0144]
将所述时序关联特征与所述空间关联特征进行残差连接，得到连接特征，通过所述全卷积神经网络对所述连接特征进行特征维度变换，得到预测窗口时刻，根据所述预测窗口时刻确定所述目标地区的交通流预测值。
[0145]
详细地，将输入的交通流特征与输入时间特征进行拼接，并基于全卷积神经网络(fully convolutional neural network，简称fully conv)模块对拼接后的输入数据进行特征维度变换。全卷积网络模块能够在改变输入特征维度的同时，进行数据的特征提取，减少了模型参数量并提高运算效率，并且与全连接层相比，对输入特征的维度要求更加灵活。
[0146]
具体地，再基于多头注意力机制，计算输入时序窗口内不同时刻的时序关联权重，并进行时序加权特征变换，动态捕捉不同历史时刻的相关性。利用时序卷积网络(tcn)进行时序建模，输入历史时间序列，以提取输入数据的时序关联，并利用扩散卷积方式实现空间特征变换过程。此外通过参数化邻接矩阵的方式，自适应挖掘路网中的隐含空间关联。时空特征变换提取过程需要循环数次，并且与残差连接单元(residual connection unit，简称residual)相结合，使得模型能够在深度增加的同时，避免出现梯度消失或梯度弥散问题，以提升模型的特征捕捉性能。最后通过全卷积模块进行特征维度变换，最终得到预测窗口时段内各个时刻，目标地区路网中所有节点序列对应的交通流预测值。
[0147]
本发明实施例通过获取路网关系，并利用道路传感器及路网关系构建交通时空网络结构图，并根据交通时空网络结构图对交通流数据特征进行采集，得到时间序列数据，可以确定在不同时刻的交通流数据特征。根据时间序列数据和交通流数据特征生成交通流量网络序列，并提取交通流量网络序列的交通流空间特征和交通流时间特征，以根据时间特征对交通模态周期性的挖掘，根据空间特征对交通状态不同位置的空间状态进行挖掘。根据时间特征和空间特征对时空图卷积模型进行训练，得到路网交通量预测模型，并根据路网交通量预测模型对目标地区的路网交通量进行预测，可实现对路网交通量的预测，进而提高对交通流数据预测的准确性。因此本发明提出的基于轻量级的时空图卷积模型对交通量的预测方法及装置，可以解决进行路网交通量预测的准确度较低的问题。
[0148]
如图4所示，是本发明一实施例提供的基于轻量级的时空图卷积模型对交通量的预测装置的功能模块图。
[0149]
本发明所述基于轻量级的时空图卷积模型对交通量的预测装置100可以安装于电子设备中。根据实现的功能，所述基于轻量级的时空图卷积模型对交通量的预测装置100可以包括交通时空网络结构图构建模块101、交通流量网络序列生成模块102、交通流时空特征提取模块103、时空图卷积模型训练模块104及路网交通量预测模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0150]
在本实施例中，关于各模块/单元的功能如下：
[0151]
所述交通时空网络结构图构建模块101，用于获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通时空网络结构图；
[0152]
所述交通流量网络序列生成模块102，用于利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；
[0153]
所述交通流时空特征提取模块103，用于利用预设的自适应图卷积网络提取所述
交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征；
[0154]
所述时空图卷积模型训练模块104，用于利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；
[0155]
所述路网交通量预测模块105，用于根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。
[0156]
详细地，本发明实施例中所述基于轻量级的时空图卷积模型对交通量的预测装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于轻量级的时空图卷积模型对交通量的预测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0157]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0158]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0159]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0160]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0161]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0162]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0163]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0164]
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述方法包括：s1、获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通时空网络结构图；s2、利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；s3、利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，其中所述利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，包括：s31、根据所述交通流量网络序列构建自适应邻接矩阵，将所述自适应邻接矩阵进行转置，得到自适应转置邻接矩阵；s32、设置所述自适应图卷积网络的特征传递参数及反向特征传递卷积参数；s33、利用如下的卷积特征计算公式根据所述自适应邻接矩阵、所述自适应转置邻接矩阵、所述特征传递参数及所述反向特征传递卷积参数计算所述交通流空间特征：其中，q
a
为所述交通流空间特征，b
m
为第m个交通流量网络序列中交通流数据特征对应的自适应邻接矩阵，q为扩散图卷积的输入特征，δ1为所述特征传递参数，(b
t
)
m
为第m个交通流量网络序列中交通流数据特征对应的自适应转置邻接矩阵，δ2为所述反向特征传递卷积参数，b
t
为所述自适应转置邻接矩阵，m为特征传递的步数；s4、利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；s5、根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。2.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述根据预设的道路传感器及所述路网关系构建交通时空网络结构图，包括：获取所述道路传感器的安装位置；按照所述路网关系对所述安装位置进行空间连接，得到空间结构图；按照预设的时序窗口长度对所述空间结构图进行时间汇集，得到所述交通时空网络结构图。3.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，包括：利用每个所述图节点统计车辆通行数量及车辆占用时间，以及利用每个所述图节点确定车辆平均车速；根据所述车辆通行数量及预设的时间间隔确定每个所述图节点对应的交通流量，根据所述车辆通行数量及所述车辆占用时间确定每个所述图节点对应的车道占用率；汇集所述车辆平均车速、所述交通流量及所述车道占用率为交通流数据特征；根据预设的交通流时刻将所述交通流数据特征进行统计，得到所述时间序列数据。
4.如权利要求3所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述利用每个所述图节点确定车辆平均车速，包括：通过每个所述图节点采集特定时刻内的车辆位置；利用如下的平均车速公式根据所述车辆位置与所述特定时刻计算所述车辆平均车速：详细地，为第h时刻的所述车辆平均车速，n为观测时段内的车辆数，y2为在h2特定时刻内的所述车辆位置，y1为在h1特定时刻内的所述车辆位置，i为第i辆车，lim为极限函数。5.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列，包括：提取所述时间序列数据中的每个序列时刻；提取所述交通流数据特征中所述序列时刻对应的序列交通流数据特征；根据所述序列时刻及所述序列交通流数据特征生成所述交通流量网络序列，其中所述交通流量网络序列为：x
t
＝(x
t-p-1
,
…
,x
t-1
,x
t
)其中，x
t
为第t序列时刻的所述交通流量网络序列，x
t-p-1
为第t-p-1序列时刻的所述序列交通流数据特征，x
t-1
为第t-1序列时刻是所述序列交通流数据特征，x
t
为第t序列时刻的所述序列交通流数据特征。6.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述根据所述交通流量网络序列构建自适应邻接矩阵，包括：确定所述交通流量网络序列的变换矩阵参数；根据所述变换矩阵参数及预设的饱和率超参数生成变量矩阵；利用预设的激活函数将所述变量矩阵转换为所述自适应邻接矩阵。7.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征，包括：根据所述交通流外源因素确定交通流持续时间；利用所述交通流持续时间及预设的时间跨度计算当前时刻的时间特征；按照所述交通流空间特征的特征维度对所述时间特征的维度进行扩展，得到所述交通流时间特征。8.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型，包括：将所述交通流空间特征及所述交通流时间特征进行拼接，得到交通流拼接特征；根据所述交通流拼接特征及预设的损失函数计算所述时空图卷积模型的损失值；当所述损失值小于预设的损失阈值时，将所述时空图卷积模型作为所述路网交通量预测模型。9.如权利要求1所述的基于轻量级的时空图卷积模型对交通量的预测方法，其特征在于，所述根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测，包括：
提取所述路网交通量的路网交通流空间特征和路网交通流时间特征，将所述路网交通流空间特征与所述路网交通流时间特征进行拼接，得到路网拼接特征；利用所述路网交通量预测模型中的全卷积神经网络对所述路网拼接特征进行特征维度变换，得到变换路网拼接特征；利用所述路网交通量预测模型中的时序卷积网络对所述变换路网拼接特征进行时序关联特征提取，得到时序关联特征；利用所述路网交通量预测模型中的扩散图卷积网络对所述变换路网拼接特征进行空间关联特征提取，得到空间关联特征；将所述时序关联特征与所述空间关联特征进行残差连接，得到连接特征，通过所述全卷积神经网络对所述连接特征进行特征维度变换，得到预测窗口时刻，根据所述预测窗口时刻确定所述目标地区的交通流预测值。10.一种基于轻量级的时空图卷积模型对交通量的预测装置，其特征在于，所述装置包括：交通时空网络结构图构建模块，用于获取目标地区的路网关系，根据预设的道路传感器及所述路网关系构建交通时空网络结构图；交通流量网络序列生成模块，用于利用所述交通时空网络结构图中的每个图节点对交通流数据特征进行采集，得到时间序列数据，根据所述时间序列数据及所述交通流数据特征生成交通流量网络序列；交通流时空特征提取模块，用于利用预设的自适应图卷积网络提取所述交通流量网络序列的交通流空间特征，根据预设的交通流外源因素提取所述交通流量网络序列的交通流时间特征；时空图卷积模型训练模块，用于利用所述交通流空间特征及所述交通流时间特征对预设的时空图卷积模型进行训练，得到路网交通量预测模型；路网交通量预测模块，用于根据所述路网交通量预测模型对所述目标地区的路网交通量进行预测。

技术总结
本发明涉及交通流预测技术，揭露了一种基于轻量级的时空图卷积模型对交通量的预测方法，包括：根据道路传感器及路网关系构建交通时空网络结构图；利用交通时空网络结构图对交通流数据特征进行采集，得到时间序列数据，根据时间序列数据及交通流数据特征生成交通流量网络序列；提取交通流量网络序列的交通流空间特征，根据交通流外源因素提取交通流量网络序列的交通流时间特征；利用交通流空间特征及交通流时间特征对时空图卷积模型进行训练，得到路网交通量预测模型；根据路网交通量预测模型对目标地区的路网交通量进行预测。本发明还提出一种基于轻量级的时空图卷积模型对交通量的预测装置。本发明可以提高路网交通量预测的准确度。的准确度。的准确度。


技术研发人员：李佳
受保护的技术使用者：遥相科技发展（北京）有限公司
技术研发日：2023.03.02
技术公布日：2023/6/4