一种基于综合时空特征的交通预测方法
- 国知局
- 2024-07-31 20:25:57
本发明涉及车辆网,尤其涉及一种基于综合时空特征的交通预测方法。
背景技术:
1、随着车辆数量的不断增加,交通管理正面临着日益严峻的挑战。交通拥堵会导致公路网的运行效率降低,交通事故的风险上升,市民的生活质量也受到负面影响。在这一背景下,交通速度预测是缓解交通问题的关键手段。如何对庞大的交通数据进行准确的实时预测,从而提高交通控制的有效性这一问题已成为一大研究热点,其理论、方法及应用受到越来越多的关注和重视。
2、公路交通流量预测涉及典型的时空数据预测问题。现有的交通流预测方法主要集中于对天、周等具有周期性线性时间变化的因素进行建模和预测。然而,这些方法忽视了天气和节假日等非周期性因素对交通流量的潜在影响。这导致这些方法在应对复杂交通系统中的动态时间变化时存在一定的不足。另一方面,就空间信息建模而言,现有方法主要专注于捕捉邻近节点之间的关系,但往往无法有效捕捉到非相邻节点的全局空间特征,对交通预测的准确性也有一定的影响。
3、综上所述,现有的交通预测方法缺乏对交通数据的动态时空相关性进行建模的能力,难以应对复杂的交通环境变化。
技术实现思路
1、为解决上述技术问题,本发明提出了一种基于综合时空特征的交通预测方法,通过预测交通流量密度,为出行者提供更为智能和可靠的车辆行程规划方案,以最大程度地减少或避免车联网拥塞和道路堵塞的发生。
2、为实现上述目的,本发明提供了一种基于综合时空特征的交通预测方法,包括:
3、基于交通网络,提取预测路段的时空维度特征,并将所述时空维度特征作为原始图信号矩阵输入时空块进行处理,获取最终输入量,其中所述时空块包括时空注意模块和时空卷积模块;
4、将所述最终输入量与原始图信号矩阵经过残差卷积操作得到的结果相结合,并进行处理,获得最终输出量;
5、将所述最终输出量输入lstm网络模型,并将模型的输出结果输入至全连接层中,获得最终预测结果。
6、优选地,所述交通网络为无向g=(v,e,a),其中,v是节点的有限集合,e表示节点间连通性的边的集合,a表示图g的邻接矩阵,元素a∈rn*n。
7、优选地,所述时空维度特征包括:小时时间维特征、天时间维特征、周时间维特征、节假日时间维特征、天气时间维特征和空间维特征。
8、优选地,将所述时空维度特征作为原始图信号矩阵输入时空块进行处理,包括:
9、将所述时空维度特征作为输入图信号矩阵,经过所述时空卷积模块进行加权,获得归一化后的时间注意力矩阵和归一化后的空间注意力矩阵;
10、将所述归一化后的空间注意力矩阵通过所述时空注意模块与所述交通网络中的邻接矩阵进行结合,调整节点间的影响权重;
11、将所述归一化后的时间注意力矩阵应用于所述原始图信号矩阵中进行动态调整,将所述时间注意力矩阵与所述原始图信号矩阵结合,获得最终输入量,所述最终输入量为考虑时间注意力调整后的图信号矩阵。
12、优选地,在所述时空卷积模块中,基于切比雪夫多项式对所述输入图信号矩阵进行多项式近似。
13、优选地,所述时空卷积模块包括:
14、空间维度的图卷积单元:用于捕捉来自邻近区域的空间依赖性;
15、时间维度的图卷积单元:用于捕捉来自邻近时间的时间依赖性。
16、优选地,将所述时空维度特征作为原始图信号矩阵输入时空块进行处理,还包括:
17、将所述最终输入量输入所述时空卷积模块,并与所述原始图信号矩阵经过残差卷积操作得到的结果相结合,通过层归一化和relu激活函数对结合后的结果进行归一化处理,获得所述最终输出量。
18、优选地,所述lstm网络模型包括:
19、输入门:用于确定输入量中任意时间段内交通数据显示出显著变化的信息,并将所述信息添加至单元状态中存储,根据新的输入动态调整这些信息,其中所述单元状态用于传递和存储信息,所述显著变化的标准通过模型训练获得;
20、遗忘门:用于评估当前单元状态中的不相关信息,并进行遗忘;
21、单元状态更新单元:用于基于所述输入门和所述遗忘门的结果更新单元状态,保留有关当前交通状况、天气和节假日的信息;
22、输出门:用于基于当前单元状态中的信息确定输出量。
23、优选地,通过反向传播算法更新所述lstm网络模型的参数。
24、与现有技术相比,本发明具有如下优点和技术效果:
25、(1)本发明通过对车流量密度进行精准预测,估计城市交通网络中拥塞发生的概率,从而深入洞察各个交叉口和道路之间的复杂关系,不仅有助于提高交通管理的效率,还能够减少或避免拥塞发生的可能性;
26、(2)本发明通过对时间动态上的充分考虑,为出行者在出行时提供更为准确便利的出现规划方案,从而提高出行者的效率,减少不必要的等待和行驶路程。
技术特征:1.一种基于综合时空特征的交通预测方法,其特征在于,包括:
2.根据权利要求1所述的基于综合时空特征的交通预测方法,其特征在于,所述交通网络为无向g=(v,e,a),其中,v是节点的有限集合,e表示节点间连通性的边的集合,a表示图g的邻接矩阵,元素a∈rn*n。
3.根据权利要求1所述的基于综合时空特征的交通预测方法,其特征在于,所述时空维度特征包括:小时时间维特征、天时间维特征、周时间维特征、节假日时间维特征、天气时间维特征和空间维特征。
4.根据权利要求1所述的基于综合时空特征的交通预测方法,其特征在于,将所述时空维度特征作为原始图信号矩阵输入时空块进行处理,包括:
5.根据权利要求4所述的基于综合时空特征的交通预测方法,其特征在于,在所述时空卷积模块中,基于切比雪夫多项式对所述输入图信号矩阵进行多项式近似。
6.根据权利要求4所述的基于综合时空特征的交通预测方法,其特征在于,所述时空卷积模块包括:
7.根据权利要求6所述的基于综合时空特征的交通预测方法,其特征在于,将所述时空维度特征作为原始图信号矩阵输入时空块进行处理,还包括:
8.根据权利要求1所述的基于综合时空特征的交通预测方法,其特征在于,所述lstm网络模型包括:
9.根据权利要求8所述的基于综合时空特征的交通预测方法,其特征在于,通过反向传播算法更新所述lstm网络模型的参数。
技术总结本发明公开了一种基于综合时空特征的交通预测方法,包括:基于交通网络,提取预测路段的时空维度特征,并将所述时空维度特征作为原始图信号矩阵输入时空块进行处理,获取最终输入量,其中时空块包括时空注意模块和时空卷积模块;将最终输入量与原始图信号矩阵经过残差卷积操作得到的结果相结合,并进行处理,获得最终输出量;将最终输出量输入LSTM网络模型,并将模型的输出结果输入至全连接层中,获得最终预测结果。本发明有助于提高交通管理的效率,还能够减少或避免拥塞发生的可能性。技术研发人员:马路娟,周建林,邓晓平受保护的技术使用者:山东建筑大学技术研发日:技术公布日:2024/5/12本文地址:https://www.jishuxx.com/zhuanli/20240731/186171.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表