一种分层高速公路收费站出口的流量预测方法及设备与流程

本技术涉及高速公路交通流量领域，尤其涉及一种分层高速公路收费站出口的流量预测方法及设备。

背景技术：

1、收费站出口流量预测在高速公路管理工作中非常重要，准确的收费站出口流量预测可以为交通控制和行车诱导提供准确、可信、直观的参考信息，对人们避开拥堵时段、交通管理部门提前疏导和规划收费通道具有重要意义。

2、随着高速公路的不断发展，路网结构日趋复杂，收费站也愈加密集。用户在进行高速公路路径选择时，倾向于从交通起点附近的若干个收费站中选择一个收费站驶入高速，同时，从交通终点附近的若干个收费站中的选择一个收费站驶离高速。用户对于入口收费站和出口收费站的选择，一方面受到自身行为习惯的驱动，另一方面也受到当时交通状态的影响，例如，当用户习惯选择的收费站出现拥堵，用户将就近选择相对空闲的收费站下高速。同时，用户的路径选择行为不可避免地影响收费站出口流量。

3、针对上述的收费站选择情况，现有高速公路收费站的出入口选择较为不便，难以让用户根据实时变化的交通状态，选择最优的收费站出入口。同时针对不同的收费站，其在临近空间区域内的交通流量预测也不够准确，难以让用户在近邻空间区域中的若干收费站进行交通流量数据的预测获取，以及不利用用户根据预测的交通数据，生成最佳的进出高速选择方式，降低了用户的出行效率。

技术实现思路

1、本技术实施例提供了一种分层高速公路收费站出口的流量预测方法及设备，用于解决如下技术问题：现有的用户选择最优高速公路收费站比较困难，难以让用户在临近空间区域中选择出最佳的收费站出口，不利于用户的高效率出行。

2、本技术实施例采用下述技术方案：

3、一方面，本技术实施例提供了一种分层高速公路收费站出口的流量预测方法，包括：基于预设的高速公路路网网络模型，对高速公路网节点之间进行有关动静态特征下的相似度计算，得到网络节点相似度；其中，所述高速公路网节点为高速公路收费站点；对所述网络节点相似度进行相似度的筛选，并根据筛选结果，确定出收费站小区；其中，所述收费站小区为高相似度下的网络节点集合；将预设的多个神经网络模型进行模型组合，得到基于所述高速公路收费站点的出口流量预测模型；通过所述出口流量预测模型，对所述收费站小区中的目标小区进行出口流量的数据预测处理，得到所述目标小区的小区出口流量；对所述小区出口流量进行有关目标收费站点的流量占比计算，确定出所述目标收费站点的站点出口流量。

4、本技术实施例通过将高速公路收费站进行分组，每一组被称为一个“收费站小区”，然后以小区为单位开展出口高速流量预测,最后基于小区的出口流量预测结果进一步获得小区中的单个收费站的出口流量预测结果。有利于用户选择最优高速公路收费站让用户在临近空间区域中选择出最佳的收费站出口，提升了临近空间区域内的交通流量预测数据的准确性，进一步提高了用户的出行效率。

5、在一种可行的实施方式中，基于预设的高速公路路网网络模型，对高速公路网节点之间进行有关动静态特征下的相似度计算，得到网络节点相似度，具体包括：基于高速公路路网的网络拓扑结构，建立所述高速公路路网网络模型；根据，得到所述高速公路网节点之间的空间近邻相似度；其中，第i个节点的经纬度为；第j个节点的经纬度为；表示所述高速公路路网网络模型中第i个节点经纬度和第j个节点经纬度之间的欧式距离；根据，得到所述高速公路网节点之间的网络结构相似度；其中，为节点 i的邻居节点集合，为节点 j的邻居节点集合；表示在所述高速公路路网网络模型中节点 i和节点 j的共同邻居节点的数量；为节点 j的度；为节点 i的度；为所述高速公路路网网络模型中节点 i的离心率，且表示节点 i到网络中其他任何点的距离中的最大距离；为所述高速公路路网网络模型中节点 j的离心率，且表示节点 j到网络中其他任何点的距离中的最大距离；根据，得到所述高速公路网节点之间的出口流量时序相似度；其中，为第 i个节点历史年日出口流量向量，且，{1,2,...,365}表示第 i个节点第 k天的出口流量；为第 j个节点历史年日出口流量向量，且， {1,2,...,365}表示第 j个节点第 k天的出口流量；其中，所述空间近邻相似度与所述网络结构相似度均属于静态特征；所述出口流量时序相似度属于动态特征；根据，得到所述高速公路网节点之间的网络节点相似度；其中，为所述空间近邻相似度的权重，为所述网络结构相似度的权重，为所述出口流量时序相似度的权重。

6、在一种可行的实施方式中，对所述网络节点相似度进行相似度的筛选，并根据筛选结果，确定出收费站小区，具体包括：基于所述网络节点相似度，建立节点相似度矩阵；根据，得到筛选后的节点相似度矩阵；其中，为所述网络节点相似度；为预设的相似度阈值，且为所述节点相似度矩阵中所包含元素集合的50%分位数；根据预设的louvain算法，对筛选后的节点相似度矩阵进行模块度最大化处理，并模块度最大化提升后的节点相似度矩阵进行节点合并，得到所述网络节点集合；将所述网络节点集合确定为所述收费站小区；其中，所述收费站小区包含多个空间近邻且具有相似出口流量变化趋势的高速公路收费站点。

7、在一种可行的实施方式中，将预设的多个神经网络模型进行模型组合，得到基于所述高速公路收费站点的出口流量预测模型，具体包括：将预设的1d-cnn模型中全连接层中的输出端分别与预设的tcn网络模型的输入端以及预设的bigru网络模型的输入端相互连接处理；将所述tcn网络模型的输出端以及所述bigru网络模型的输出端均与预设的注意力机制模型的输入端进行相互连接处理；基于所述1d-cnn模型、所述tcn网络模型、所述bigru网络模型以及所述注意力机制模型，组合成所述出口流量预测模型。

8、在一种可行的实施方式中，在通过所述出口流量预测模型，对所述收费站小区中的目标小区进行出口流量的数据预测处理，得到所述目标小区的小区出口流量之前，所述方法还包括：基于高速公路收费站点的出口流向需求，对所述收费站小区进行小区集合的划分，得到所述目标小区以及基准小区集合；其中，所述目标小区为若干所述收费站小区中待预测出口量的收费站小区；基准小区集合为若干所述收费站小区中的剩余收费站小区集合；获取所述基准小区集合中每个基准小区所对应的历史入口流量数据；并标记出每个基准小区的所述历史入口流量数据的每一历史时刻流量数据。

9、在一种可行的实施方式中，通过所述出口流量预测模型，对所述收费站小区中的目标小区进行出口流量的数据预测处理，得到所述目标小区的小区出口流量，具体包括：通过所述出口流量预测模型中的1d-cnn模块，将所述每个基准小区所对应的历史入口流量数据进行数据融合处理；并对融合后的历史入口流量数据进行卷积池化下的数据叠加融合，得到基于所述历史入口流量数据的叠加融合特征向量；通过所述出口流量预测模型中的tcn网络模块，将所述叠加融合特征向量有关因果卷积与扩张卷积下的残差连接处理，得到tcn网络输出特征；通过所述出口流量预测模型中的bigru网络模块，将所述叠加融合特征向量进行有关前向层与后向层的双向门控循环处理，得到基于bigru网络的时序输出特征；根据所述出口流量预测模型中的注意力机制模块，将所述tcn网络输出特征以及所述时序输出特征进行权重赋予，并根据权重赋予后所述历史入口流量数据与所述目标小区的流量数据之间的流量输入-输出依赖关系，对所述1d-cnn模块进行反馈学习，得到深度学习后的出口流量预测模型；基于所述深度学习后的出口流量预测模型，对所述目标小区进行出口流量数据预测，得到所述目标小区的小区出口流量。

10、在一种可行的实施方式中，在对所述小区出口流量进行有关目标收费站点的流量占比计算，确定出所述目标收费站点的站点出口流量之前，所述方法还包括：获取所述目标小区的历史小区出口流量以及所述目标收费站点的历史站点出口流量；将所述历史小区出口流量与所述历史站点出口流量进行时序数据的占比计算，得到历史占比时序数据集；将所述历史占比时序数据集输入到预设的bi-lstm模型中；其中，所述bi-lstm模型为加入双头注意力机制的神经网络模型；通过所述bi-lstm模型，对所述历史占比时序数据集进行线性映射处理，并基于双头注意力模型，将所述历史占比时序数据集进行有关缩放点乘注意力的双向输出，确定出第一输出向量与第二输出向量；其中，所述双头注意力模型被包含于所述bi-lstm模型中；将所述第一输出向量与所述第二输出进行拼接处理，得到拼接向量；并对所述拼接向量进行线性映射，输出并得到所述目标收费站点的出口流量占比预测数据。

11、在一种可行的实施方式中，对所述小区出口流量进行有关目标收费站点的流量占比计算，确定出所述目标收费站点的站点出口流量，具体包括：基于所述目标小区的小区出口流量与所述目标收费站点的流量占比预测数据，对所述目标收费站点的出口流量进行流量预测，确定出所述站点出口流量。

12、在一种可行的实施方式中，根据，得到所述目标收费站点的站点出口流量；其中，为t+1时刻所述目标小区的小区出口流量；为t+1时刻为所述目标收费站点的流量占比预测值。

13、另一方面，本技术实施例还提供了一种分层高速公路收费站出口的流量预测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施例所述的一种分层高速公路收费站出口的流量预测方法。

14、本技术提供了一种分层高速公路收费站出口的流量预测方法及设备，与现有技术相比，本技术实施例具有一下有益的技术效果：

15、本技术实施例通过将高速公路收费站进行分组，每一组被称为一个“收费站小区”，然后以小区为单位开展出口高速流量预测,最后基于小区的出口流量预测结果进一步获得小区中的单个收费站的出口流量预测结果。有利于用户选择最优高速公路收费站让用户在临近空间区域中选择出最佳的收费站出口，提升了临近空间区域内的交通流量预测数据的准确性，进一步提高了用户的出行效率。