一种面向智慧城市的交通流态势预测方法及其感知设备

本发明涉及城市交通管理的交通流预测与调控的，尤其是涉及一种面向智慧城市的交通流态势预测方法及其感知设备。

背景技术：

1、随着城市化进程的加速，城市交通问题日益凸显，如交通拥堵、交通事故等，对城市居民的生活质量和经济发展造成了严重影响。

2、智慧城市的概念逐渐成为城市发展的重要方向。智慧城市是信物融合系统最为典型的应用场景之一，智慧城市通过物联网及感知终端承载着大量的关键数据及信息，包括各种传感器数据的采集和远程设备的控制指令和监视数据等，对推动城市新型管理和服务智慧化、提高城市运行管理和公共服务水平、提升城市居民幸福感和满意度具有重要作用。

3、在智慧城市的建设中，交通流态势的预测与调控是其中的重要环节。然而，现有的交通流态势预测方法主要包括基于统计模型的预测方法和基于人工智能的预测方法。基于统计模型的预测方法主要包括arima模型、多元线性回归模型等，这些方法主要依赖于历史数据对交通流态势进行预测，但由于城市交通流受到多种因素的影响，其历史数据存在时序非平稳性和随机性，因此，这些方法的预测精度有限。基于人工智能的预测方法主要包括神经网络、支持向量机等，这些方法能够处理非线性问题，但需要大量的标注数据进行训练，且在实时预测方面存在一定的延迟。

4、综上所述，现有的交通流态势预测方法往往侧重于经验统计方法或者基于静态的路网节点关系假设，往往存在数据采集不全面、预测精度不高、实时性不强等问题，无法满足智慧城市对交通流态势预测的全面性、准确性和实时性的要求。

5、因此，开发一种新的面向智慧城市的交通流态势预测方法，具有重要的现实意义和实用价值。

技术实现思路

1、本发明的目的在于克服现有技术中的上述缺陷，提供一种面向智慧城市的交通流态势预测方法及其感知设备，主要通过神经网络流量预测模块的动态图调制模块、图卷积运算方法的空间图卷积模块、时间信息提取模块和交通态势预测模型架构提高智慧城市对交通流态势预测的数据采集全面性、准确性和实时性的要求。

2、为实现上述目的，本发明通过下述两个方面予以实现：

3、第一方面，一种面向智慧城市的交通流态势预测方法，其特征在于，

4、包括一种面向智慧城市的交通流态势预测系统，该交通流态势预测系统包括流量抓取模块、流量分析模块、神经网络流量预测模块和交通态势感知可视化模块，神经网络流量预测模块包括动态图调制模块、图卷积运算方法的空间图卷积模块、时间信息提取模块和交通态势预测模型架构；

5、其中，该交通流态势预测系统的交通流态势预测方法包括如下步骤：

6、s1:流量抓取模块通过循环的方式实时抓取流量数据包；

7、s2:流量分析模块解码、分析抓取的流量数据包获取流量数据特征属性；

8、s3:神经网络流量预测模块对流量数据特征属性进行预测处理，其包括如下子步骤：

9、s31:动态图调制模块包括基于静态假设的静态注意力计算与动态注意力计算二者的加权求和处理，通过动态图调制模块处理，使其捕获不断变化的空间相互依赖性；

10、s32:图卷积运算方法的空间图卷积模块包括改进注意力分数计算顺序处理，通过图卷积运算方法的空间图卷积模块处理，使其突破静态假设的限制；

11、s33:步骤s32的图卷积运算方法的空间图卷积模块与步骤s31的动态图调制模块结合处理，使其提取空间关联；

12、s34:通过时间信息提取模块处理，实现信息捕获机制来提取时域信息；

13、s35:通过交通态势预测模型架构处理，获得交通流态势预测结果；

14、s4:通过交通态势感知可视化模块获取实时同步的流量及相关数据，实时显示流量状况、交通流态势预测结果和调控方案。

15、作为优选的，在步骤s1中，流量抓取模块通过在交通路网的关键位置部署流量感应传感器和传感器采集设备，并且使用目标识别或目标计数方式抓取流量数据包。

16、作为优选的，流量感应传感器为监控摄像头、激光雷达或微波雷达。

17、作为优选的，在步骤s2中，流量分析模块获取的流量数据特征属性包括流量数据时域特征和空间域特征，流量分析模块通过线路实时传输到神经网络流量预测模块中。

18、作为优选的，在步骤s31中，动态图调制模块的基于静态假设的静态注意力计算与动态注意力计算二者的加权求和处理，其处理过程即为：

19、采用静态邻接矩阵的事实假设和基于多头注意力机制的动态特征生成动态图，以及，根据原始交通流量数据中的节点间信息构成具有静态关联的邻接矩阵，结合多头注意力机制得到动态矩阵，最终将其二者调制为具有动态关联和静态关联的关系矩阵，并应用到图卷积运算方法的空间图卷积模块之中。

20、作为优选的，在步骤s32中，图卷积运算方法的空间图卷积模块的具体计算公式如下：

21、e(hi,hj)＝atleakyrelu(w·[hi||hj])

22、

23、

24、其中，hi、hj表示两个节点各自的节点特征，w表示可学习的参数矩阵，经过leakyrelu激活函数后将其映射为e(hi,hj)，即e(hi,hj)表示注意力系数表征顶点i，j之间的相关性，然后经过softmax函数得到归一化注意力系数aij，表示对目标节点邻居节点特征加权求和，表示图注意力网络的输出。

25、作为优选的，在步骤s34中，通过时间信息提取模块处理并实现信息捕获机制来提取时域信息的前向传播公式如下：

26、

27、

28、

29、

30、hy＝(1-zt)*x+zt*(rt*ht)-(1-rt)*pt)

31、其中，x表示当前时间步的输入数据，hidden表示前一个时间步的隐藏状态，zt、rt、ht、pt、hy分别表示在时间步的更新门、重置门、临时隐藏状态、临时状态和新的隐藏状态wz、wr、wc、wp分别表示与其相对应的权重矩阵。

32、作为优选的，在步骤s35中，交通态势预测模型架构的主体模型为序列到序列架构，其由编码器、解码器、图卷积模块和特征融合层组成，其中，输入向量通过编码器进行变换，在编码器中使用时间信息提取模块生成相应的隐藏状态来学习和捕捉输入序列中的时间依赖关系，当融合时间特征信息后，输入解码器，然后利用前馈神经网络调整隐藏状态大小作为下一层的输入进入图卷积运算方法的空间图卷积模块，结合动态图调制模块进行空间特征信息提取，并将时空特征融合后，最后经过全连接层得到最终的特征向量输出。

33、作为优选的，在步骤s4中，通过交通态势感知可视化模块获取实时同步的流量及相关数据，实时显示流量状况、交通流态势预测结果和调控方案的编程方法为：

34、采用jquery框架编写前端，借助div、css以及flex进行交通流态势感知可视化模块布局，通过交通流态势感知可视化模块使用ajax、echarts呈现图表，展示后端json数据，并且，使用springboot框架进行后端开发，存储数据于mysql数据库中，并将数据处理成前端交通流态势感知可视化模块所需要的json格式。

35、第二方面，一种面向智慧城市的交通流态势预测方法的感知设备，其特征在于，其包括：至少一个显示器、至少一个存储器和至少一个处理器，所述显示器用于显示流量状况、交通流态势预测结果和调控方案，所述存储器用于存储机器可读程序，所述处理器用于调用存储器的机器可读程序并执行如上述第一方面所述的一种面向智慧城市的交通流态势预测方法。

36、与现有技术相比，本发明的有益效果在于：

37、本发明提供一种面向智慧城市的交通流态势预测方法：其中，

38、第一：通过设计的动态图调制模块，其包括基于静态假设的静态注意力计算与动态注意力计算二者的加权求和处理，以此捕获不断变化的空间相互依赖性；

39、第二：通过采用全新图卷积运算方法的空间图卷积块，其包括改进注意力分数计算顺序处理，使得其可以突破静态假设的限制，结合动态图调制模块，提取更深刻的空间关联，同时，通过空间图卷积块全新的计算模式破除了原本图注意力机制固有的静态注意力性质，实现更具表达力的注意力提取机制，获得更丰富的空域特征信息；

40、第三：通过设计的时间信息提取模块，实现独特的信息捕获机制来提取时域信息，通过其设计的前向传播公式，允许模型在每个时间步上根据输入和前一个时间步的隐藏状态，动态地控制信息的流动，更好地捕捉输入序列中的时间依赖性；

41、第四：通过设计的模型架构，获得精准高效的交通流态势预测结果；

42、第五：上述一种面向智慧城市的交通流态势预测方法，有助于在实际交通流调控任务中精准预测、高效的实时调控和资源节约，以及流量实时抓取模块实时抓取流量数据包，实现对交通态势的全面感知和调控。

43、第六，总而言之，本发明的一种面向智慧城市的交通流态势预测方法及其感知设备，实现对流量数据全面、实时、快速、高效精准的识别与预测。