[发明专利]一种高速公路交通流量预测方法

说明书

本发明提出了一种高速公路交通流量预测方法包括：将各监测点所采集数据构建成图结构并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关时空特征；借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；结合低维影响特征并运用注意力机制以赋予不同时间单位下时序数据权重，最后综合其他因素特征通过全连接层得到预测结果。采用多模态数据并使用神经网络训练，所得到的交通流量预测结果能够较为准确的根据历史时间片段预测未来时间片段高速交通流量。

【技术领域】

本发明涉及实时交通的技术领域，特别是一种高速公路交通流量预测方法。

【背景技术】

如今，通信技术等不断发展为出行人员及道路管理者提供了极大便利，同时也带来了新的挑战——如何运用包含大量反映路网交通流量预测是一个关系到交通引导、路线规划等不同交通决策的核心问题。该问题往往是在给定一段历史交通流量以及待预测路网分布后预测未来所有监测点上的流量分布情况。

在现有技术中，不能充分运用交通数据特点，如时序上的相近性、趋势性、周期性；空间上的相关性；其他因素对交通状况的影响程度等等。借助于大数据技术能提高交通流量预测准确性，尤其是高速公路流量预测准确性，现提出一种高速公路交通流量预测方法。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种高速公路交通流量预测方法，能够充分利用多模态数据特点准确预测交通流量。

为实现上述目的，本发明提出了一种高速公路交通流量预测方法，依次包括以下步骤：

S1.将各监测点所采集数据构建图结构，并按时间单位重构时序数据，并分别通过时序卷积和图卷积操作得到相关的时空特征；

S2.借助嵌入技术将其他影响流量预测结果的数据嵌入至低维空间，得到低维影响特征；

S3.结合低维影响特征并运用注意力机制以赋予不同时间单位间隔下时序数据权重，最后综合其他影响因素特征通过全连接层得到预测结果。

作为优选，所述步骤S1中，对各监测点所采集数据构建图结构，并得到时空特征，具体包括如下步骤：

步骤a1、选取空间上监测点位置，并表示为通过欧式距离度量各监测点间相关性的邻接矩阵S_t；

步骤b1、获取各个监测点上交通数据，并按照时序排列，得到以时序长度为行数、监测点数为列数的矩阵F；

步骤c1、根据问题性质选取合适若干时间单位，并分别从步骤b1所述矩阵F中，得到若干连续时间片段，构建该时间单位间隔下的输入；

步骤d1、对步骤c1中各时间片段先后依次进行时序卷积、图卷积、时序卷积三次卷积运算，并根据问题需要重复若干次三次卷积运算，以得到不同时间单位间隔下的各个时空特征；当有效提取时空特征时，进入步骤e1，否则，重复时序卷积、图卷积、时序卷积三次卷积运算；

步骤e1、将不同时间单位间隔下的时空特征进行张量合并操作，得到时空特征HF_ST。

作为优选，所述步骤S2中，借助于嵌入技术得到低维影响特征，具体包括以下步骤：

步骤a2、选定影响交通流量预测结果的其他影响因素，并按时序排列；

步骤b2、根据问题性质选取合适若干时间片段上的影响因素，作为输入；

步骤c2、将输入的影响因素借助嵌入技术，将其嵌入至低维空间得到低维特征向量；

步骤d2、将所得到的各低维特征向量进行张量合并操作，得到低维影响特征HF_Inf。