基于人工智能的车流量预测方法、装置及其应用与流程

1.本技术涉及人工智能技术领域，特别是涉及基于人工智能的车流量预测方法、装置及其应用。


背景技术：

2.随着科学技术的发展以及物联网技术的出现，使得交通技术越来越信息化、智能化以及方便化。而此时智能交通系统的出现是一种更加高效、准确管理的信息系统，是目前以及未来交通领域发展的方向。智能交通的出现能够在减小交通道路运行压力的同时并把道路基础设施利用发挥到了最大，在交通出行方面能够保障安全出行以及减少交通拥堵，提高智能交通运行效率。智能交通的出现符合当代的可持续发展，因此受到越来越多地区和城市的重视。智能交通能够减少交通拥堵提高交通运输效率主要是通过对当前以及未来的某一时间段内车流量进行预测，通过预测能够帮助出行的人，减少在道路上的等待的时间。
3.当前车流量的预测主要是通过历史车流量数据来对未来车流量进行预测。随着人工智能技术日渐成熟，以及在各行各业中对人工智能技术的应用，使得机器学习和深度学习也得了更多学者的研究，并且已经进入了智能交通车流量预测方面。在机器学习和深度学习在车流量预测方面也取得了不错的效果。但是，目前在车流量预测方面应用最多的还是基于传统的数理统计模型预测、组合模型预测以及人工智能神经网络模型预测。而且使用神经网络算法在进行车流量的预测时，初始权值等参数的选取以及网络训练样本集的选择会影响网络梯度下降的收敛速度和梯度下降到最小训练误差的概率，这往往需要技术人员根据经验做出大量调参工作，因此单一的神经网络模型往往存在准确性不高的问题。
4.目前已有一些算法能够利用机器学习或深度学习技术对车流量进行预测，如中国专利cn202210577402.2提出一种基于lstm回馈机制的车流量预测方法、装置及设备。所述方法包括：将初始训练数据集分成多个训练数据集，利用多个训练数据集迭代训练预先构建的ltsm模型，得到多个候选预测模型和最终预测模型；根据多个候选预测模型和最终预测模型对待预测区域的当前车流量进行预测，得到偏差数据训练集；利用偏差数据训练集训练预先构建的偏差ltsm模型，得到训练好的偏差ltsm模型；根据最终预测模型和训练好的偏差ltsm模型进行车流量预测，得到初始预测结果和预测偏差；利用预测偏差对初始预测结果进行修正，得到车流量的最终预测值。采用本方法能够提高车流量预测准确率。
5.中国专利cn202011455308.7提出一种基于深度学习的网约车流量预测方法，属于机器学习研究领域。该方法建立了历史交通量为输入的双向长短期记忆网络模型，即以过去8-24小时的数据作为输入，预测未来一个小时的网约车流量数据。包括(1)获取网约车运营历史数据，统计网约车流量；(2)对网约车运营数据进行流量变化分析，匹配并标记流量骤增或骤减的外部环境属性；(3)dbscan聚类；(4)按照信息点扩大聚类区域；(5)构建以历史交通量分布为输入的lstm预测模型，预测未来时间段的各区域的网约车流量数据。本发明的方法提高了预测准确性，尤其是在一些特殊情况下(如极端天气、节假日、大型活动等)
的预测准确性。
6.中国专利cn202110588265.8提出一种基于混合深度学习模型的城市区域路网过车流量预测方法及其系统，包括：基于卡口过车数据，进行交通流量统计；对卡口过车流量数据进行时空分布特征分析，并且根据分析结果进行特征提取，获取到时空影响因子；根据时空影响因子，构建和训练convlstm与bilstm混合深度学习模型；对城市区域路网交通流量进行同步预测，选取预测损失函数与评价指标，并对结果进行可视化表达；通过线性时间序列预测模型prophet计算交通流量变化度，进行交通状态识别，实现交通状态预判。本发明能够帮助交通管理部门对城市道路进行动态管理调度，从全局出发对城市路网进行优化管理，制定管理策略与管理方案，为交通管理者和决策者提供有效的数据支撑。
7.然而虽然上述这些方案的创新性较好，能够通过机器学习或深度学习技术对车流量进行预测，但同时存在以下问题仍需进一步解决：（1）现有的许多方法难以对车流量数据进行深度特征提取，导致算法难以进行精准识别与分类。
8.（2）利用深度学习或神经网络进行车流量预测时，传统的反向传播方式更新模型参数过程中，容易出现梯度消失和梯度爆炸的问题，使得模型训练效果差，识别精度低。
9.（3）利用深度学习或神经网络进行车流量预测时，常会出现局部最小化以及收敛速度慢的问题，对模型训练造成影响，严重影响车流量预测效率。
10.因此，亟待一种基于人工智能的车流量预测方法、装置及其应用来解决现有技术存在的问题。


技术实现要素：

11.本技术实施例提供了基于人工智能的车流量预测方法、装置及其应用，针对目前技术算法难以进行精准识别与分类、模型训练效果差，识别精度低等问题。
12.本发明核心技术主要是对历史车流量数据进行混类数据增强、异常值检测、构建特征提取模型及利用分类器分类，其中特征提取模型在对神经网络的参数寻优方法过程中采用基于欧氏距离的天牛须算法替代传统的梯度下降算法，从而避免传统梯度下降算法容易产生的梯度消失和梯度爆炸现象。
13.第一方面，本技术提供了基于人工智能的车流量预测方法，所述方法包括以下步骤：s00、获取目标道路的历史车流量数据并进行降噪处理；s10、对历史车流量数据进行混类数据增强操作，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本，从而实现数据扩增；s20、对混类数据增强后的历史车流量数据进行异常值检测并对异常值进行处理；s30、通过cnn获取深度特征，通过lstm网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作，对空间特征进行增强，从而完成特征提取模型的构建；s40、利用分类器对模型提取后的样本进行分类并输出分类结果，该分类结果作为目标道路的车流量预测结果。
14.进一步地，s00步骤中，将历史车流量数据进行最大最小归一化，以使得数据映射到设定区间内。
15.进一步地，s10步骤中，混类数据增强操作基于mixup，按照设定的权重对历史车流量数据中的训练集中随机抽取出的两个样本及其标签进行加权求和，以得到虚拟的数据样本。
16.进一步地，s20步骤中，通过拉依达准则检测异常值。
17.进一步地，s30步骤中，通过神经网络融合深度特征和时间特征，该神经网络输入层神经元数量与两种特征的总数相等。
18.进一步地，s30步骤中，神经网络的参数寻优方法采用基于欧式距离的天牛须算法。
19.进一步地，基于欧式距离的天牛须算法的参数寻优方法具体为：对天牛种群进行初始化，随机设置天牛位置，以该天牛位置作为神经网络参数；对天牛的须的朝向作随机向量并做归一化处理；基于归一化处理结果创建天牛左右须与质心之间的坐标关系；根据适应度函数确定天牛左右须的气味强度，该适应度函数基于输入的样本特征向量与神经元权重向量值之间的欧氏距离建立；建立天牛位置迭代更新方法，并设置学习率；根据天牛种群中天牛个体的位置坐标，计算出天牛个体适应度和天牛种群平均适应度并进行比较；根据比较结果更新天牛个体的位置，随之调整更新神经网络的权值和阈值，并计算当前坐标位置下的适应度函数值；当适应度函数值达到设定精度或迭代到最大次数，将天牛当前位置作为当前神经网络的参数取值。
20.第二方面，本技术提供了一种基于人工智能的车流量预测装置，包括：采集模块，用于获取目标道路的历史车流量数据并进行降噪处理；数据增强模块，用于对历史车流量数据进行混类数据增强操作，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本，从而实现数据扩增；异常值处理模块，用于对混类数据增强后的历史车流量数据进行异常值检测并对异常值进行处理；特征提取模型构建模块，用于通过cnn获取深度特征，通过lstm网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作，对空间特征进行增强，从而完成特征提取模型的构建；输出模块，用于利用分类器对模型提取后的样本进行分类并输出分类结果，该分类结果作为目标道路的车流量预测结果。
21.第三方面，本技术提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的基于人工智能的车流量预测方法。
22.第四方面，本技术提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的基于人工智能的车流量预测方法。
23.本发明的主要贡献和创新点如下：1、与现有技术相比，本技术能够有效提高车流
量预测任务中的预测精度，同时在特征提取阶段提出的改进算法有利于算法模型对车流量数据特征的充分挖掘和深度提取，此外，本技术的算法模型具有较高的鲁棒性和泛化能力；2、与现有技术相比，本技术通过混类数据增强操作增加模型的泛化能力，减少模型对噪声的敏感性，提升模型训练时的稳定性。可以实现对每一类的样本分别进行数据扩增，属于同类增强。
24.3、与现有技术相比，在面对海量数据集的情况下，采用人工处理的方式势必会造成工作量过大。因此，本技术选用拉依达准则(准则)检测异常值，该方法具有简单易行、相对精确以及适用性广泛的优点。
25.4、与现有技术相比，本技术利用cnn获取深度特征，并利用lstm网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作。在特征融合阶段，本技术中对神经网络的参数寻优方法采用基于欧氏距离的天牛须算法替代传统的梯度下降算法，从而避免传统梯度下降算法容易产生的梯度消失和梯度爆炸现象。而且本技术在设计时，采取了构建虚拟的数据样本和数据混类增强的操作，能提高模型的泛化能力，增强模型的鲁棒性，可很好地解决天牛须算法本身存在的模型泛化能力受限的问题。
26.5、与现有技术相比，本技术通过引入注意力模块，可在特征提取时，提高特征自适应细化的能力，从而进一步提升预测效果。
27.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
28.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1是根据本技术实施例的基于人工智能的车流量预测方法的流程；图2是本技术特征提取部分的流程图；图3是根据本技术实施例的电子装置的硬件结构示意图。
具体实施方式
29.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
30.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
31.目前技术存在难以对车流量数据进行深度特征提取，导致算法难以进行精准识别与分类；利用深度学习或神经网络进行车流量预测时，传统的反向传播方式更新模型参数
过程中，容易出现梯度消失和梯度爆炸的问题，使得模型训练效果差，识别精度低；利用深度学习或神经网络进行车流量预测时，常会出现局部最小化以及收敛速度慢的问题，对模型训练造成影响，严重影响车流量预测效率等问题。
32.基于此，本发明基于人工智能和特征提取阶段的改进来解决现有技术存在的问题。
33.实施例一本技术旨在提出一种基于人工智能的车流量预测方法，具体地，参考图1，所述方法包括以下步骤：s00、获取目标道路的历史车流量数据并进行降噪处理；在本实施例中，获取特定道路（目标道路）的历史车流量数据，并对数据进行预处理。数据预处理可以减小噪音数据对实验结果的影响，便于实验效果的测量，因此，本技术将所用到的数据都进行最大最小归一化，使数据映射到区间之间，如下式所示：其中，x是输入数据，x
max
是取最大输入数据值，x
min
是取最小输入数据值，x'是归一化输出值。
34.例如将数据集采集区域划分为32x32个不同区域。每个区域大致为1km x1km正方形，并根据交通流量的定义，以30分钟作为时间间隔的大小对数据集进行数据划分，将一天划分为48个时间间隔，统计每个区域各个时间间隔的交通流入和流出流量。可利用one-hot编码将外部因素特征数据（非结构化的数据）转化为二进制向量。
35.s10、对历史车流量数据进行混类数据增强操作，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本，从而实现数据扩增；在本实施例中，本技术期望增加模型的泛化能力，减少模型对噪声的敏感性，提升模型训练时的稳定性。对此，考虑增加样本的多样性，使得模型能够从丰富的样本数据中学习到一般规律，提升其泛化能力，本技术引入了数据增强策略，可以实现对每一类的样本分别进行数据扩增，属于同类增强，但是这种方法与数据集密切相关，且需要一定的领域知识。为此本技术提出一种独立于数据集的数据扩增方式，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本。本技术引入并改进了mixup的思想，按照一定的权重对训练集中随机抽取出的两个样本以及它们的标签进行加权求和，实现虚拟数据样本的构建。公式如下：其中，x
ja
是增强前的数据样本，y
ja
是增强前的数据样本标签，beta()是贝塔函数，是增强后的数据样本，是增强后的数据样本标签，符号λ表示组合的权重，超参数γ控制特征-标签对之间的插值强度。通过数据增强操作，获得增强后的交通流量数据。
36.其中，mixup中原有的方式为线性插值，而本技术改用加权求和的方式，具有鲁棒性更高，模型学习能力好的优点，可增加模型的泛化能力，减少模型对噪声的敏感性，提升模型训练时的稳定性，最终实现车流量预测精度的提高。
37.s20、对混类数据增强后的历史车流量数据进行异常值检测并对异常值进行处理；在本实施例中，采集到的数据有的要素值或大或小，明显偏离了实际情况，这就是所谓的异常值。但是，在面对海量数据集的情况下，采用人工处理的方式势必会造成工作量过大。因此，本技术选用拉依达准则(3σ准则)检测异常值。设数据集服从正态分布，则根据以下公式对异常值进行判断：其中，x表示混类增强后的数据集数据，μ表示均值，δ表示标准差。拉依达法则表明，如果x的值超过了(μ-3δ,μ+3δ)这个区间，那么就可以把这个数据当作异常数据进行处理，本技术选用均值填充拉依达法则检测到的异常值。
38.s30、通过cnn获取深度特征，通过lstm网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作，对空间特征进行增强，从而完成特征提取模型的构建；在本实施例中，本技术提出一种基于cnn和lstm的特征提取方法，建立模型如图2所示，具体为：（1）利用cnn获取深度特征。cnn主要包括输入层、卷积层、池化层和输出层。其中，卷积层在训练时通过学习卷积核的权重提取特征。池化层用于保留有用特征，舍去多余无用特征，达到降维的效果。将预处理后的数据，输入训练好的cnn模型中，依次进行64*3卷积运算、128*3卷积运算，防止过拟合操作比率设置为0.5。
39.（2）利用lstm网络获取时间特征。循环神经网络是一种用于处理序列数据的神经网络，一般应用于时间文本数据处理任务。lstm是一种特殊的循环神经网络，通过在细胞中引入遗忘门、输入门和输出门3个控制单元结构来更新网络中的细胞状态，能够很好地解决循环神经网络梯度消失问题。具体公式如下：
其中，f、i、t、o、h、c、w、b分别表示遗忘、输入、时间步长、输出层、隐藏层、单元状态、权重矩阵、偏差。lstm模型中，embedding层设置为78*1维度，lstm层单元设置为32，防止过拟合dropout层的防止过拟合操作比率设置为0.1。其中，embedding层和dropout层都是lstm模型的一部分，均为现有技术，这里不再赘述。
40.（3）利用神经网络融合深度特征和时间特征。本步骤采用神经网络对两种特征进行融合，神经网络输入层神经元数量与两种输入特征的总数相等，输出层神经元数量为100个。如此，可有效地提高模型的性能和泛化能力。
41.优选地，对神经网络的参数寻优方法采用基于欧氏距离的天牛须算法替代传统的梯度下降算法，从而避免传统梯度下降算法容易产生的梯度消失和梯度爆炸现象。天牛须搜索算法是启发于天牛寻找食物的过程，可用于对目标函数进行优化的新技术，其生物原理为：当天牛个体寻找食物时，开始时并不知道食物的具体位置在哪里，只能感知到空气中食物气味浓度的强弱，使用感知能力来受食。每个天牛个体通过左右两只长触须感受当前环境中的食物气味浓度大小，若右须感知浓度比左边触须大，那天牛下一步将会向右边飞，反之则向左边飞。根据这一简单的受食搜寻原理，天牛个体便可以有效且快速地寻找到食物的具体位置。天牛须搜索算法并不需要提前知道函数的具体表现形式以及梯度等各类信息，就可以轻易实现自动寻优的这一过程，而且其天牛个体仅为一个，寻优速度显著提高。
42.在本实施例中，基于欧氏距离的天牛须搜索算法模型建立的步骤如下：求解维模型优化问题时，天牛个体可以由质心、左须及右须3个点来代表。
43.1）首先，对天牛种群进行初始化，随机设置天牛位置，即随机设置神经网络的参数。
44.2）对天牛须的朝向作随机向量并做归一化处理得：其中，rands()为随机函数；d表示空间维度。
45.3）创建天牛左右须与质心之间的坐标关系：
其中，x
rs
表示在第s次迭代时该天牛右须的位置坐标，x
1s
表示在第s次迭代时该天牛左须的位置坐标，xs表示在第s次迭代时该天牛的质心坐标，l表示左右两须之间的距离。
46.4）根据适应度函数来确定该天牛左右须的气味强度，即f(xr)和f(x1)的强度，f函数为适应度函数，适应度函数定义公式如下：其中，xi为输入样本，‖ω
j-xi‖为输入的样本特征向量与神经元权重向量值之间的欧氏距离，n为输入样本数量。
47.5）天牛位置迭代更新方法：其中，β(s)表示在第s次迭代时的步长，f(x
1s
)和f(x
rs
)分别代表第s次迭代时该天牛左右须气味强度；sign()为符号函数；μ为学习率，一般取0.95，且每迭代100次，学习率下降50%。若右须的适应度大于左须，天牛往右须方向以步长β(s)移动；反之，往左须方向移动。
48.6）根据天牛群中天牛个体的坐标位置，利用算法公式（适应度函数定义公式）分别求得天牛个体适应度f与天牛群体平均适应度fag，比较两者的强度大小，并更新天牛个体的位置，随即调整更新神经网络的权值和阈值，并计算在当前坐标位置下的适应度函数值。
49.7）判断适应度函数值是否达到设定的精度（取值为0.001）或迭代进行到最大次数（500次），如果满足条件要求，则搜索过程停止，天牛当前位置作为当前神经网络的参数取值。
50.（4）引入注意力增强模块进行空间特征增强。cnn和lstm的结合能够使用cnn做特征提取的同时，使用lstm做序列预测，而注意力机制的，能从大量的信息中选出更重要的部分，有利于提高车流量检测的准确率。因为自注意力能够减少外部信息的影响，所以选择注意力机制和自注意力机制。自注意力机制通过下面的公式来计算矩阵输出：其中，q表示一组查询向量矩，k表示一组键向量矩阵，dk表示keys的维度，v表示特征的向量矩阵。首先计算q与k的点乘，然后为了防止其结果过大，会除以，再利用
softmax操作将其结果归一化为概率分布，最后乘以矩阵v得到权重。
51.s40、利用分类器对模型提取后的样本进行分类并输出分类结果，该分类结果作为目标道路的车流量预测结果。
52.在本实施例中，本技术采用softmax分类函数对特征提取后的样本进行分类。softmax函数为：yi表示特征向量中的第i个元素，是每个类别的得分，softmax函数s
yi
将输入向量中的元素映射到(0,1)区间内，得到输入向量的概率向量，则车流量预测的输出类别为softmax函数映射得到的概率向量中最大概率值所对应的类别。
53.实施例二基于相同的构思，本技术还提出了一种基于人工智能的车流量预测装置，包括：采集模块，用于获取目标道路的历史车流量数据并进行降噪处理；数据增强模块，用于对历史车流量数据进行混类数据增强操作，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本，从而实现数据扩增；异常值处理模块，用于对混类数据增强后的历史车流量数据进行异常值检测并对异常值进行处理；特征提取模型构建模块，用于通过cnn获取深度特征，通过lstm网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作，对空间特征进行增强，从而完成特征提取模型的构建；输出模块，用于利用分类器对模型提取后的样本进行分类并输出分类结果，该分类结果作为目标道路的车流量预测结果。
54.实施例三本实施例还提供了一种电子装置，参考图3，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
55.具体地，上述处理器402可以包括中央处理器（cpu），或者特定集成电路（applicationspecificintegratedcircuit，简称为asic），或者可以被配置成实施本技术实施例的一个或多个集成电路。
56.其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（harddiskdrive，简称为hdd）、软盘驱动器、固态驱动器（solidstatedrive，简称为ssd）、闪存、光盘、磁光盘、磁带或通用串行总线（universalserialbus，简称为usb）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（non-volatile）存储器。在特定实施例中，存储器404包括只读存储器（read-onlymemory，简称为rom）和随机存取存储器（randomaccessmemory，简称为ram）。在合适的情况下，该rom可以是掩模编程的rom、可编程rom（programmableread-onlymemory，简称为prom）、可擦除prom
（erasableprogrammableread-onlymemory，简称为eprom）、电可擦除prom（electricallyerasableprogrammableread-onlymemory，简称为eeprom）、电可改写rom（electricallyalterableread-onlymemory，简称为earom）或闪存（flash）或者两个或更多个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器（staticrandom-accessmemory，简称为sram）或动态随机存取存储器（dynamicrandomaccessmemory，简称为dram），其中，dram可以是快速页模式动态随机存取存储器404（fastpagemodedynamicrandomaccessmemory，简称为fpmdram）、扩展数据输出动态随机存取存储器（extendeddateoutdynamicrandomaccessmemory，简称为edodram）、同步动态随机存取内存（synchronousdynamicrandom-accessmemory，简称sdram）等。
57.存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
58.处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意基于人工智能的车流量预测方法。
59.可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
60.传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（network interface controller，简称为nic），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（radio frequency，简称为rf）模块，其用于通过无线方式与互联网进行通讯。
61.输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是某条道路的历史车流量数据等，输出的信息可以是该条道路的车流量预测结果等。
62.实施例四本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的基于人工智能的车流量预测方法。
63.需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
64.通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
65.本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机
可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如dvd及其数据变体、cd等光学介质上。物理介质是非瞬态介质。
66.本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
67.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以作出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.基于人工智能的车流量预测方法，其特征在于，包括以下步骤：s00、获取目标道路的历史车流量数据并进行降噪处理；s10、对所述历史车流量数据进行混类数据增强操作，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本，从而实现数据扩增；s20、对混类数据增强后的所述历史车流量数据进行异常值检测并对异常值进行处理；s30、通过cnn获取深度特征，通过lstm网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作，对空间特征进行增强，从而完成特征提取模型的构建；s40、利用分类器对模型提取后的样本进行分类并输出分类结果，该分类结果作为目标道路的车流量预测结果。2.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，s00步骤中，将所述历史车流量数据进行最大最小归一化，以使得数据映射到设定区间内。3.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，s10步骤中，所述混类数据增强操作基于mixup，按照设定的权重对所述历史车流量数据中的训练集中随机抽取出的两个样本及其标签进行加权求和，以得到虚拟的数据样本。4.如权利要求1所述的基于人工智能的车流量预测方法，其特征在于，s20步骤中，通过拉依达准则检测异常值。5.如权利要求1-4任一项所述的基于人工智能的车流量预测方法，其特征在于，s30步骤中，通过神经网络融合深度特征和时间特征，该神经网络输入层神经元数量与两种特征的总数相等。6.如权利要求5所述的基于人工智能的车流量预测方法，其特征在于，s30步骤中，所述神经网络的参数寻优方法采用基于欧式距离的天牛须算法。7.如权利要求6所述的基于人工智能的车流量预测方法，其特征在于，所述基于欧式距离的天牛须算法的参数寻优方法具体为：对天牛种群进行初始化，随机设置天牛位置，以该天牛位置作为神经网络参数；对天牛的须的朝向作随机向量并做归一化处理；基于归一化处理结果创建天牛左右须与质心之间的坐标关系；根据适应度函数确定天牛左右须的气味强度，该适应度函数基于输入的样本特征向量与神经元权重向量值之间的欧氏距离建立；建立天牛位置迭代更新方法，并设置学习率；根据天牛种群中天牛个体的位置坐标，计算出天牛个体适应度和天牛种群平均适应度并进行比较；根据比较结果更新天牛个体的位置，随之调整更新神经网络的权值和阈值，并计算当前坐标位置下的适应度函数值；当适应度函数值达到设定精度或迭代到最大次数，将天牛当前位置作为当前神经网络的参数取值。8.一种基于人工智能的车流量预测装置，其特征在于，包括：采集模块，用于获取目标道路的历史车流量数据并进行降噪处理；数据增强模块，用于对历史车流量数据进行混类数据增强操作，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本，从而实现数据扩增；
异常值处理模块，用于对混类数据增强后的历史车流量数据进行异常值检测并对异常值进行处理；特征提取模型构建模块，用于通过cnn获取深度特征，通过lstm网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作，对空间特征进行增强，从而完成特征提取模型的构建；输出模块，用于利用分类器对模型提取后的样本进行分类并输出分类结果，该分类结果作为目标道路的车流量预测结果。9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7任一项所述的基于人工智能的车流量预测方法。10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1至7任一项所述的基于人工智能的车流量预测方法。

技术总结
本申请提出了基于人工智能的车流量预测方法、装置及其应用，包括以下步骤：S00、获取目标道路的历史车流量数据并进行降噪处理；S10、对历史车流量数据进行混类数据增强操作，通过挖掘出不同类不同样本之间的关系，构建虚拟的数据样本；S20、对混类数据增强后的历史车流量数据进行异常值检测并对异常值进行处理；S30、通过CNN获取深度特征，通过LSTM网络获取时间特征，然后进行特征融合，并进一步进行注意力增强操作，对空间特征进行增强，从而完成特征提取模型的构建；S40、利用分类器对模型提取后的样本进行分类并输出分类结果，该分类结果作为目标道路的车流量预测结果。本申请具有较高的鲁棒性和泛化能力。的鲁棒性和泛化能力。的鲁棒性和泛化能力。


技术研发人员：郁强 田雨 来佳飞 曹鹏寅 毛云青
受保护的技术使用者：城云科技（中国）有限公司
技术研发日：2023.04.11
技术公布日：2023/5/12