一种城市短期交通流预测方法、系统及设备

本发明涉及智能交通领域，特别是涉及一种城市短期交通流预测方法、系统及设备。

背景技术：

1、交通预测是智能交通系统(itss)管控和治理交通拥塞问题的重要手段。针对交通路网中空间和时间特征的多样性和动态相关性，建立起高效可挖掘的深层联系网络，是当前交通流预测研究的重要课题。然而，现有大多数模型，捕捉非欧式数据空间相关性的方式，仍主要依靠图卷积网络中启发式生成的邻接矩阵来实现。这种方式的局限性在于无法时序进程下针对不同空间层面自适应地捕捉路段节点的时空依赖性，并且往往需要大量的数据样本来学习路网特征。

2、因此，为了解决了网联环境下城市短期交通流的预测难题，提高城市短期交通流预测的准确性和效率，亟需提供一种新的城市短期交通流预测方法或系统。

技术实现思路

1、本发明的目的是提供一种城市短期交通流预测方法、系统及设备，能够提高在大规模网联混行环境下对城市交通流预测的准确性和效率。

2、为实现上述目的，本发明提供了如下方案：

3、一种城市短期交通流预测方法，包括：

4、获取预测区域的历史的交通流道路环境数据；所述交通流道路环境数据包括：路段id、gps坐标、路段距离信息、路段间连接关系以及交通速度信息；

5、根据历史的交通流道路环境数据，基于深度元学习方法，构建时空模型；所述时空模型为元学习图融合卷积循环网络；元学习图融合卷积循环网络包括：元学习图融合卷积模块和元学习循环神经模块；所述元学习图融合卷积模块为在gcn网络的基础上融入了元学习单元、交通上下文学习器和门控融合单元；所述元学习循环神经模块为在gru网路的基础上融入了元学习单元、交通上下文学习器和门控融合单元；所述元学习图融合卷积模块用于捕捉道路网络的空间特征；所述元学习循环神经模块用于针对道路网路在动态波动时序下的时间特征；

6、利用元学习节点库优化时空模型中基于元学习单元对图结构数据中的节点特征和交通上下文进行自学习以及通过融合门机制捕捉全局路网的空间信息生成的邻接矩阵；

7、利用优化后的时空模型对预测区域的交通速度信息进行预测。

8、可选地，所述元学习图融合卷积模块具体包括以下公式：

9、

10、

11、其中，x∈rn×c和h∈rn×h分别表示图卷积运算的输入和输出项，σ(·)表示sigmoid函数；φ(·)表示tanh函数；θ和wk∈rk×c×h表示切比雪夫多项式至k阶层的核参；ut、rt、ct分别表示元学习图融合卷积模块里的更新门、复位门和候选状态；表示图卷积单元的拓扑，属于辅助输入项；bω∈r表示偏差，表示更新门细胞，细胞更新的状况，xt表示t时刻图卷积运算的输入项，ht-1表示t-1时刻的编码形态，g表示路网图结构，⊙表示同或运算，表示计算方式，表示参考表示图卷积单元的拓扑，k表示项数，θu和表示更新门细胞的核参。

12、可选地，所述元学习循环神经模块具体包括以下公式：

13、

14、其中，u表示图卷积递归单元里的更新门，r表示图卷积递归单元里的复位门，h′表示数据样本的编码形态，zt表示时间步骤t时刻的输入向量；ht表示时间步骤t时刻的编码形态；wω和uω均表示权重矩阵；bω∈r表示偏差(ω∈{u,r,h})；表示哈达玛积的运算；σ(·)表示sigmoid函数；φ(·)表示tanh函数。

15、可选地，所述元学习图融合卷积循环网络利用公式ht＝meta(zt,ht-1,v)在时间序列分析上对全局路网内的所有节点进行集体编码，实现节点权值的自学习；

16、其中，表示时间序列t时刻的输入项；表示时间序列t时刻的隐藏状态；表示节点的地理属性。

17、可选地，所述邻接矩阵为：

18、

19、

20、

21、其中，tc(·)表示交通上下文；clgfcn(·)表示上下文学习层；表示对输入信号xt和隐藏状态ht的信息进行转置以归一化随机选取的可训练节点；w∈rh×e表示对ht信号的投影；tc(i)表示i号路段上的交通上下文；表示在ith路段在t时刻的样本数据；表示在表示在jth路段在t时刻的样本数据；f表示信息融合的计算方式；表示滤波器；表示对时间序列t相关性的各个节点空间特征的捕捉；soft max()表示归一化；relu()表示激活函数。

22、可选地，元学习节点库具体包括：

23、wq为通过一个存储单元扩充自动编码器，实现整体算法具备良好的泛化能力表示，wq∈rh×d，该公式表示一个全连接层，作用为将隐藏状态的投射到局部变量查询的中；

24、i表示行索引；表示ht∈rn×h中的第i个节点向量；该公式表示将与每一个存储记忆点φ[j]匹配表示存储器的读取操作；表示标量；元学习节点向量为存储项目的组合；利用重构的方式，通过mt∈rn×d增添隐藏编码。

25、一种城市短期交通流预测系统，包括：

26、交通流道路环境数据获取结构，用于获取预测区域的历史的交通流道路环境数据；所述交通流道路环境数据包括：路段id、gps坐标、路段距离信息、路段间连接关系以及交通速度信息；

27、时空模型构建结构，用于根据历史的交通流道路环境数据，基于深度元学习方法，构建时空模型；所述时空模型为元学习图融合卷积循环网络；元学习图融合卷积循环网络包括：元学习图融合卷积模块和元学习循环神经模块；所述元学习图融合卷积模块为在gcn网络的基础上融入了元学习单元、交通上下文学习器和门控融合单元；所述元学习循环神经模块为在gru网路的基础上融入了元学习单元、交通上下文学习器和门控融合单元；所述元学习图融合卷积模块用于捕捉道路网络的空间特征；所述元学习循环神经模块用于针对道路网路在动态波动时序下的时间特征；

28、优化结构，用于利用元学习节点库优化时空模型中基于元学习单元对图结构数据中的节点特征和交通上下文进行自学习以及通过融合门机制捕捉全局路网的空间信息生成的邻接矩阵；

29、预测结构，用于利用优化后的时空模型对预测区域的交通速度信息进行预测。

30、一种城市短期交通流预测设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的方法。

31、可选地，所述存储器为计算机可读存储介质。

32、根据本发明提供的具体实施例，本发明公开了以下技术效果：

33、本发明所提供的一种城市短期交通流预测方法、系统及设备，构造元学习图融合卷积模块(meta-gfcn)和元学习循环神经模块(meta-gru)分别用于道路网络空间和时间特征的学习和捕捉；基于所述时空模型中由元学习单元自学习和推导的邻接矩阵；基于元学习节点库优化元学习单元对时空特征的学习和捕捉效率，最终实现对预测路段高效且精确的交通流预测。上述基于深度元学习技术的城市短期交通流预测方法，通过构造复杂且动态的时空特征的时空模型，对交通数据进行训练，并使用元学习节点库减少冗余信息提升效率，解决了网联环境下城市短期交通流的预测难题，提高城市短期交通流预测的准确性和效率。