[发明专利]一种基于语义信息的多模块交通密集度预测方法

说明书

本发明属于交通密集度预测技术领域，涉及一种基于语义信息的多模块交通密集度预测方法。该方法包括：对采集的交通密集度数据进行预处理，进行相关问题定义，并构建多模块交通密集度预测模型的输入；构建基于语义信息的多模块交通密集度预测模型，包括近期模块、周周期模块和模块融合组件，其中：近期和周周期模块分别用于提取交通密集度的近期和周周期的时空和语义特性；模块融合组件用于将近期和周周期两个模块的输出融合进行交通密集度预测；训练与优化多模块交通密集度预测模型；基于多模块交通密集度预测模型进行交通密集度预测。本发明能有效地捕捉交通密集度动态时空特征和语义相关性，具有预测速度快、预测精度高等优点。

技术领域

本发明属于交通密集度预测技术领域，涉及一种基于语义信息的多模块交通密集度预测方法。

背景技术

近年来，许多国家致力于发展智能交通系统(ITS)以进行有效的交通流量管理。交通密集度预测是ITS不可或缺的一部分，尤其是在交通流量大、车速快的高速路段。由于高速公路相对封闭，一旦发生拥堵，将严重影响通行能力。交通密集度是反映交通状况的基本指标，如果可以事先进行准确地预测，那么交通管理机构将能够更合理地引导车辆以增强行驶公路网的效率。公路交通密集度预测是一个典型的时空数据预测问题，显然，在邻近地点和时间段进行的观测不是独立的，而是相互动态关联的。因此，解决这些问题的关键是有效地提取数据的时空相关性。除此之外，交通数据还具有很强的语义相关性，如何探索非线性和复杂的交通数据，以发现其固有的模式，并做出准确的交通密集度预测是一个非常具有挑战性的问题。

随着交通运输行业的发展，越来越多的监控相机、传感器等设备被部署在公路上，这些设备累积了大量具有地理信息的交通时间序列数据，为交通预测提供了坚实的数据基础。早期使用的时间序列分析模型在实践中难以处理不稳定和非线性的数据，后来，研究人员们使用传统机器学习方法来进行建模，但仍难以同时考虑高维交通数据的时空相关性。此外，这种方法严重依赖特征工程，需要相应领域专家的大量经验作为基础。

近年来，许多研究人员使用深度学习的方法处理高维的时空数据，图卷积神经网络(GCN)用于描述基于图形的数据的空间相关性，递归神经网络用于描述数据间的时间相关性。然而这些方法仍然难以同时建模交通数据的时空特征和语义相关性。

发明内容

针对现在技术的不足，本发明提供一种基于语义信息的多模块交通密集度预测方法，用于预测交通网络上每个位置的交通密集度。

本发明采用如下技术方案实现：

一种基于语义信息的多模块交通密集度预测方法，包括：

对采集的交通密集度数据进行预处理，进行相关问题定义，并构建多模块交通密集度预测模型的输入；

构建基于语义信息的多模块交通密集度预测模型，包括近期模块、周周期模块和模块融合组件，其中：近期和周周期模块分别用于提取交通密集度的近期和周周期的时空和语义特性；模块融合组件用于将近期和周周期两个模块的输出融合进行交通密集度预测；

训练与优化多模块交通密集度预测模型；

基于多模块交通密集度预测模型进行交通密集度预测。

优选地，数据预处理包括：

使用阈值分析法找到交通流的异常数据；

使用拉格朗日插值法填充交通量数据的缺失值；

使用最小-最大归一化方法将交通速度值缩放到范围[0，1]。