一种基于记忆嵌套网络的交通拥堵预测方法

本发明属于道路交通拥堵预测，具体是一种基于记忆嵌套网络的交通拥堵预测方法。

背景技术：

1、交通拥堵预测是一种利用交通数据和模型来估计未来一段时间内道路或网络的交通状况的技术。交通拥堵预测可以帮助交通管理者、出行者和政策制定者做出更合理的决策，以减少交通延误、节省能源和保护环境。

2、随着近些年社会的高速发展、城市化进程的日益推进以及交通道路的不断改善，国内驾驶人数量、汽车数量都在不断增加，而且交通路网的复杂度以及里程数也在持续提升。截至2022年底，我国的公路总里程数达到了535万公里，位居世界第一。虽然我国交通基础设施的建设在这些年取得了可喜的成就，但是我国私人汽车数量的过快增长导致了长期以来我国道路容量严重不足。这样的道路容量不足导致了很多城市和高速路上交通拥堵频繁发生，甚至引发交通事故。道路容量不足引发的交通拥堵还致使了巨大的时间浪费和行车成本的提高，除此之外，其在环境污染以及交通安全上引发的问题同样不可忽视。如何解决或缓解交通拥堵已经成为国内不可忽视的一个问题。

3、交通流时空序列是一种复杂的动态系统，其内在的规律往往难以用简单的数学模型来描述。特别是在交通拥堵状态下，交通流数据会表现出明显的非平稳性，即数据的统计特征会随着时间和空间的变化而变化，而不是保持恒定不变。这种非平稳性会导致传统的基于平稳假设的时间序列预测方法失效或者不准确。因此，为了更精准地预测交通拥堵状态，需要一种能够有效捕捉交通流数据的非平稳性的预测模型。

技术实现思路

1、针对现有技术不能有效地对对交通拥堵状态中的非平稳性进行建模的问题，本发明提出一种基于记忆嵌套网络的交通拥堵预测方法。该方法可以实现交通流的多步预测，即可以预测未来一段时间内的交通拥堵情况，从而为交通管理者提供更长远的决策依据。

2、本发明解决所述技术问题采用如下的技术方案：设计一种基于记忆嵌套网络的交通拥堵预测方法，其特征在于，该方法包括以下步骤：

3、步骤s1：获取目标区域不少于3个月的交通流时空数据；所述交通流时空数据包括时间数据和空间数据，其中，时间数据包括路网中车辆车牌号、车辆各时间点的gps地理位置信息、速度和通过路段的时间，空间数据包括各路段的地理位置、长度、车道数、道路类型信息；将交通流时空数据用30日时长的滑动窗口进行切分，得到若干条30日时长的数据样本；

4、步骤s2：构建交通拥堵系数矩阵

5、城市交通状态是城市中各部分交通状态的总和，将目标区域根据经纬度切分成若干个小的区块，然后识别各个地理区块中的交通状态，即可通过综合考量所有的地理区块的拥堵状态来反映整体区域的交通状态；依据步骤s1获取的路网地理位置信息，通过对路网中每条路段插入路面宽度的算法将道路所对应的线性地理信息，转化为一个矢量平面，继而得到路网的四边形信息；将车辆的gps位置数据与各路段边界四边形信息进行比对，判断车辆与路段的匹配关系，依此将车辆位置信息与路网进行匹配；

6、利用交通拥堵系数来量化交通拥堵状态；交通拥堵系数的计算方式为自由通行速度与实际速度的比值，实际速度即步骤1中车辆的速度；自由通行速度的定义为：路段在交通运输量较低、车流密度较低的情况下机动车所能达到的通过速度；

7、区块α的交通拥堵系数ttiα计算公式为：

8、

9、式中，i为区块α中的一条路段，m为路段总数，li为的该路段的长度，vi为实际速度，vfree-i为路段的自由通行速度，wi为权重，其值为30天内累计通过该路段的车辆数；

10、根据步骤s1中的一条30日时长的数据样本，即可计算出每一个区块的交通拥堵系数，全部区块的交通拥堵系数构成目标区域的交通拥堵系数矩阵；将一条30日时长的数据样本的交通拥堵系数矩阵作为模型的输入，与该数据样本时间顺延30日时长的数据样本的通拥堵系数矩阵作为模型输出的参考值，得到一条训练数据；按照此方法，得到若干条训练数据，将该若干条训练数据按数量进行划分，将其中的不少60％的划分为训练集，余下的为验证集；

11、步骤s3：构建基于记忆嵌套网络的交通拥堵预测模型

12、交通拥堵预测模型包含输入层、一个st-lstm层、三个mogrifier-mim层和一个卷积层；一个st-lstm层中包含的st-lstm单元的数量和一个mogrifier-mim层中包含的mogrifier-mim单元的数量以及卷积层中包含的卷积单元的数量具均相同；三个mogrifier-mim层中的mogrifier-mim单元的数量相同，每一层的mogrifier-mim单元的结构均相同，但参数不共享；

13、首先，通过st-lstm层提取交通拥堵时空序列矩阵中时空平稳性变化的隐藏表示然后，将st-lstm单元提取的隐藏状态差分作为mogrifier-mim层的输入；在mogrifier-mim层中，新的时间记忆时空记忆和隐藏状态也被用作mogrifier-mim单元的输入；其中，通过输入隐藏状态差分以及mim-n模块在上一时刻的内部记忆状态mim-n模块生成差分特征以捕获交通拥堵时空数据的非平稳变化；mim-n模块的输出外部时间记忆被作为自注意力记忆模块的输入以捕获时空序列中的稳态变化，保留更多有意义的时空规律；通过叠加多层mogrifier-mim单元获取时间差分，mogrifier-mim层逐渐减低时空交通拥堵数据的高阶非平稳性，建模交通拥堵时空序列的非稳态趋势信息；

14、输入层的作用是将交通拥堵时空序列矩阵转换为适合模型处理的张量格式；每个输入表示一个时空状态；

15、st-lstm层的作用是利用st-lstm单元提取输入中的时空平稳性变化的隐藏表示；

16、st-lstm层中，时空记忆状态的更新公式如下：

17、

18、

19、

20、

21、长期记忆状态的更新公式如下：

22、

23、

24、

25、

26、隐藏状态由长期记忆状态以及时空记忆状态中包含的时空信息产生，公式如下：

27、

28、

29、上式中，it、gt、ft、ot为输入门、调制门、遗忘门、输出门，w为权重矩阵，b为偏差矩阵，xt为输入状态，h为隐藏状态，c和m分别为长期记忆状态和时空记忆状态，σ为sigmoid函数，*为卷积运算，⊙为哈达玛积；

30、mogrifier-mim层的作用是利用mogrifier-mim单元对非平稳性和时空信息进行建模；mogrifier-mim单元是一种结合了mogrifier模块和mimn-sam模块的模型，其中mogrifier模块用于增强输入状态的时空上下文信息；mimn-sam模块是一种由mimn模块和sam组成的模块，分别用于捕捉非平稳变化和长期依赖关系；

31、mogrifier模块的计算过程如下：

32、

33、

34、式中x-1＝x,hprev为前一轮输出，轮数r是一个超参数，若r＝0则mogrifier模块不生效；

35、mimn-sam模块的计算过程如下：

36、

37、

38、

39、

40、

41、

42、

43、式中，it、gt、ft、ot为输入门、调制门、遗忘门、输出门，w为权重矩阵，b为偏差矩阵，h为隐藏状态，c为长期记忆状态，n为mimn模块的内部记忆状态，特征向量是mimn模块的输出，它表示时空序列中的非平稳性，σ为sigmoid函数，*为卷积运算，⊙为哈达玛积，attention为注意力机制，超参数α调整短期记忆的信息量，使得网络长期记忆和短期记忆能够有效融合；

44、mogrifier-mim单元的时空记忆状态的更新公式同公式(2)至(5)，其隐藏状态生成公式同公式(10)、(11)；

45、卷积层的作用是利用卷积操作对mogrifier-mim层的输出进行降维和特征提取，得到更紧凑和更有意义的特征表示；

46、步骤s4：利用交通拥堵系数矩阵对交通拥堵预测模型进行训练

47、采用随机赋值法初始化步骤s3中的交通拥堵预测模型的训练参数，设置最大训练轮次为30000，每批数据量的大小为4，学习率为0.001，隐含层层数为一个st-lstm层和3个mogrifier-mim层，隐含层st-lstm单元数和mogrifier-mim单元数均为64，mogrifier-mim单元中的卷积核尺寸为3×3；mogrifier模块交互次数设置为4次；以平均均方误差作为损失函数，参数更新选用adam优化器；

48、将训练集中的6条训练数据输入到交通拥堵预测模型中，将模型输出的预测值与该训练数据中模型输出的参考值进行损失计算，根据损失值利用adam优化器反向更新一次模型的训练参数，完成模型的一次训练；将训练集中上一批6条训练数据训练完成时的模型参数作为下一批6条训练数据训练时的初始参数，不断重复，直至完成训练集中最后6条训练数据的训练，完成模型的一个轮次训练；每完成一个轮次的训练，将验证集中的训练数据输入到模型中，计算整个验证集的平均均方误差，并将其作为该轮次的评价指标；将上一个轮次训练完成的模型参数作为下一个轮次训练时的初始参数，当连续3个轮次的评价指标不变或者训练轮次达到最大值时，交通拥堵预测模型的训练完成；

49、步骤s5：交通拥堵情况预测

50、获取步骤s1中目标区域的待预测日之前的连续35日时长的交通流时空数据，然后根据步骤s2中的方法，得到6个30日时长的交通拥堵系数矩阵；将该6个交通拥堵系数矩阵输入到步骤4中完成训练的交通拥堵预测模型中，得到包括待预测日在内的后续30日的交通拥堵系数矩阵。

51、与现有技术相比，本发明的有益效果在于：

52、(1)本发明基于记忆嵌套网络的交通拥堵预测方法采用了交通拥堵系数矩阵作为交通流的特征表示，该矩阵可以综合反映路网中各区块的拥堵状态和空间关系，同时也可以通过热力图的方式进行直观的可视化，方便分析和理解。

53、(2)本发明基于记忆嵌套网络的交通拥堵预测方法使用了形变记忆嵌套网络作为交通拥堵预测模型，该网络可以充分利用交通流数据中的时空上下文信息，通过多层的记忆结构和形变模块，对时空的非平稳性进行统一建模，提高了预测的准确性和稳定性。

54、(3)本发明基于记忆嵌套网络的交通拥堵预测方法可以实现交通流的多步预测，即可以预测未来一段时间内的交通拥堵情况，从而为交通管理者提供更长远的决策依据。