一种城市交通拥堵的预测方法、设备及介质

本说明书涉及智慧交通，尤其涉及一种城市交通拥堵的预测方法、设备及介质。

背景技术：

1、对于城市交通拥堵情况的预测是城市交通管理的重要组成部分，通过对于城市交通拥堵的预测可以帮助城市管理者了解交通状况，制定相应的交通管理措施，提高城市交通的效率。然而，由于城市交通拥堵情况由于复杂的交通环境一般受到多种因素的影响，如交通流量、道路状况、天气、交通状况等。这些因素的变化可能导致城市交通拥堵情况的突然变化，因此需要一种有效的预测方法来应对这种变化。

2、目前，对于交通拥堵情况的预测大多数是采用统计学的方式进行预测，例如单一自回归综合移动平均模型、卡尔曼滤波模型等，但此类时间序列模型不能适应交通数据的复杂性和非线性关系，预测精度较低。而基于机器学习的方法构建支持向量回归、随机森林等非线性模型，这类机器学习算法能从交通数据中提取特征，增加了预测精度，但是需要手动添加特征因此对于具有大量交通数据的城市交通并不适用。

技术实现思路

1、为了解决上述技术问题，本说明书一个或多个实施例提供了一种城市交通拥堵的预测方法、设备及介质。

2、本说明书一个或多个实施例采用下述技术方案：

3、本说明书一个或多个实施例提供一种城市交通拥堵的预测方法，方法包括：

4、基于预设采集设备采集待检测区域中各路段的初始交通数据，以对所述初始交通数据进行预处理获得交通数据，并将所述交通数据根据预设比例划分为训练集与测试集；

5、将所述训练集输入预置拥堵预测模型的预置优化算法层，以根据所述训练集构成的种群中当前个体和最优个体之间的位置矢量差，对预置优化算法层迭代更新后的个体位置进行重置，获得预置拥堵预测模型的调优参数；

6、基于所述调优参数对所述预置拥堵预测模型进行更新，以将所述训练集输入所述更新后的预置拥堵预测模型的lstm特征提取层，获得特征向量；

7、将所述特征向量输入所述更新后的预置拥堵预测模型的注意力层，以获得预测输出结果；

8、根据所述预测输出结果与所述测试集对所述更新后的预置拥堵预测模型进行训练更新，以获得当前拥堵预测模型，将所述待检测区域的当前交通数据输入所述当前拥堵预测模型，以获得所述待检测区域的交通拥堵系数；

9、将所述训练集输入预置拥堵预测模型的预置优化算法层，以根据所述训练集构成的种群中当前个体和最优个体之间的位置矢量差，对预置优化算法层迭代更新后的个体位置进行重置，获得预置拥堵预测模型的调优参数，具体包括：

10、对所述预置优化算法层进行初始化，获得所述预置优化算法层所对应的灰狼优化算法；

11、计算种群中各个体的适应度，并根据适应度对所述个体进行等级划分，通过对于各所述等级的个体进行包围，实现对于个体位置的更新，获得更新后的个体位置；其中，所述等级包括：最优等级、次优等级、次次优等级；

12、根据当前个体和最优等级个体之间的位置矢量差来重置更新后的个体位置，迭代获得适应度最好三个个体作为所述预置拥堵预测模型的调优参数；其中，所述调优参数包括：隐藏节点数、初始学习率、正则化系数。

13、可选地，在本说明书一个或多个实施例中，基于预设采集设备采集待检测区域中各路段的初始交通数据，以对所述初始交通数据进行预处理获得交通数据，具体包括：

14、根据各所述预设采集设备所对应的交通子系统，对各所述预设采集设备采集的初始交通数据进行汇总获取；其中，所述交通子系统包括：天气信息获取子系统、道路状况识别子系统和监控调度子系统；

15、基于所述待检测区域的预置交通规则与所述待检测区域的历史交通数据所对应的数值范围，对所述初始交通数据进行数据剔除，获得待处理交通数据；

16、基于时间顺序对所述待处理交通数据进行排序，以根据相邻待处理交通数据的平均值对所述待处理交通数据进行补充；

17、根据最大最小标准化方式对补充后的待处理交通数据进行线性变换，获得交通数据。

18、可选地，在本说明书一个或多个实施例中，根据各所述预设采集设备所对应的交通子系统，对各所述预设采集设备采集的初始交通数据进行汇总获取，具体包括：

19、基于所述天气信息获取子系统、道路状况识别子系统和监控调度子系统进行所述初始交通数据的多维度采集；

20、基于时间顺序对所述初始交通数据进行汇总排序，确定所述初始交通数据的有效时间范围；其中，所述有效时间范围包括：起始采集时间与终止采集时间；

21、根据所述有效时间范围对所述初始交通数据进行截取，获得待检测区域中各路段的初始交通数据。

22、可选地，在本说明书一个或多个实施例中，所述预置优化算法层所对应的灰狼优化算法为：

23、

24、其中，d表示灰狼与目标猎物的距离，c表示包围猎物时的协同向量，k为迭代次数，为猎物的位置，为个体的位置，表示灰狼的更新位置，为矩阵的哈达玛积，a为位置更新时的协同向量，表示攻击猎物时的协同向量，、为元素取值在[0,1]内的随机向量，a为控制参数，随迭代次数的增加从2减少至0，分别为层级个体与其他个体的距离，分别为层级个体的位置，为捕捉猎物时协同向量，为三个等级的个体，代表着三个最优解。

25、可选地，在本说明书一个或多个实施例中，将所述训练集输入所述更新后的预置拥堵预测模型的lstm特征提取层，获得特征向量，具体包括：

26、初始化所述lstm特征提取层的状态数据；其中，所述状态数据包括：记忆状态数据与输出状态数据；

27、将所述训练集输入所述初始化后的lstm特征提取层，以根据初始化后的lstm特征提取层的神经元对所述训练集进行迭代学习，并通过初始化后的lstm特征提取层的输出门获得特征向量。

28、可选地，在本说明书一个或多个实施例中，将所述特征向量输入所述更新后的预置拥堵预测模型的注意力层，以获得预测输出结果，具体包括：

29、将所述特征向量输入所述更新后的预置拥堵预测模型的注意力层，以根据所述注意力层的预置注意力权重策略确定各所述特征向量所对应的注意力权重；其中，所述预置注意力权重策略为：，为各所述特征向量所对应的注意力权重，为特征向量；

30、基于所述注意力权重与各所述特征向量，确定预置拥堵预测模型通过全连接网络所输出的特征值；

31、对所述特征值进行特征空间转换以及与所述最大最小标准化方式相对应的反归一化过程进行处理，获得预测输出结果。

32、可选地，在本说明书一个或多个实施例中，根据所述预测输出结果与所述测试集对所述更新后的预置拥堵预测模型进行训练更新，以获得当前拥堵预测模型，具体包括：

33、获取预置损失函数，以将所述预测输出结果与所述测试集的实际结果输入所述预置损失函数，获得所述更新后的预置拥堵预测模型的损失值；

34、根据所述损失值对所述更新后的预置拥堵预测模型进行反向传播，以对所述更新后的预置拥堵预测模型进行训练更新，获得符合要求的当前拥堵预测模型。

35、可选地，在本说明书一个或多个实施例中，将所述待检测区域的当前交通数据输入所述当前拥堵预测模型，以获得所述待检测区域的交通拥堵系数之后，所述方法还包括：

36、确定所述交通拥堵系数所对应的分值范围，以确定所述分值范围所对应的拥堵等级；其中，所述拥堵等级包括：畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵；

37、基于所述拥堵等级与所述待检测区域所对应的高峰时段，确定是否触发所述拥堵等级所对应的预置交通调整策略，以根据对应的预置交通调整策略对所述待检测区域进行交通调控。

38、本说明书一个或多个实施例提供一种城市交通拥堵的预测设备，设备包括：

39、至少一个处理器；以及，

40、与所述至少一个处理器通信连接的存储器；其中，

41、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：执行上述任一所述的方法。

42、本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：能够执行上述任一所述的方法。

43、本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

44、通过将训练集输入到预置拥堵预测模型的预置优化算法层中，从而根据训练集构成的种群中当前个体和最优个体之间的位置矢量差，实现对于预置优化算法层迭代更新后的个体位置进行重置，获得预置拥堵预测模型的调优参数，避免当前个体陷入局部最优解而导致的算法求解结果精度偏低的问题。通过预置优化算法层、lstm特征提取层以及注意力层构成的预置拥堵预测模型能够充分发挥优化算法的全局搜索能力和lstm特征提取层的序列建模能力，提高了预测的准确性和稳定性，而通过引入注意力层有助于解决现有模型由于时间序列过程而导致的数据丢失问题，有助于提高交通拥堵预测的准确率。