基于深度学习的高速路网多任务流量预测方法及系统

本发明涉及交通流量预测，特别是一种基于深度学习的高速路网多任务流量预测方法及系统。

背景技术：

1、高速公路网络(简称高速路网)的迅速发展为人们提供了便利，但车辆流量激增也引发了一系列问题，如出行效率降低和交通管理困难等。精准的高速公路流量预测对未来交通状况的提前了解至关重要，使高速公路管理部门能提前进行资源调度和人员部署，交通执法部门能更有效地进行资源分配、交通调度和科学引导，高速出行用户能提前规划行程，规避拥堵时段和路段，选择合适的收费站和出行路线。

2、目前在交通流量预测领域，深度学习算法相较于统计学理论和传统机器学习算法更受青睐，这是因为深度学习具有自动特征提取的能力以及出色的性能表现。然而，目前的交通流量预测存在一些局限性。首先，针对高速路网流量特别是收费站点流量预测的研究比较少；其次，这些研究对高速路网的动态变化的时空相关性捕捉不足，仅依赖注意力机制或单一的深度学习模型，无法充分提取时空的非线性的动态变化。此外，对于影响高速路网流量的特征考虑不全面，例如，没有考虑天气、温度、节假日等外部因素的影响。同时，相关研究往往只关注高速路网收费站的进站或出站流量的单独预测，忽略了进站流量和出站流量的关联以及时间特征的相似性，缺乏对高速路网收费站的出站流量和进站流量进行协同预测的有效方法。

技术实现思路

1、本发明涉及一种基于深度学习的高速路网多任务流量预测方法及系统。该方法旨在解决当前流量预测方法存在的时空相关性提取不足、对天气等外部特征考虑不足、以及未能在一个模型中同时考虑收费站点的进站流量和出站流量的动态时空关联性而导致预测不准确的问题。

2、为解决上述技术问题，本发明提出的技术方案为：

3、一种基于深度学习的高速路网多任务流量预测方法，包括以下步骤：

4、s1构建多维度特征，包括多维度时间特征、空间特征以及外部特征。

5、所述多维度时间特征包括高速路网进站流量和出站流量的时间邻近特征、时间周期特征、时间趋势特征，以表征预测时刻流量与历史流量的中短期相关性、周期性、长期相关性。所述时间邻近特征选择在时间轴上接近预测时刻的邻近时间步的流量数值构建；所述时间周期特征选择预测时刻前的每天相同小时的流量值构建；所述时间趋势特征选择预测时刻前的每周对应天对应小时的流量构建。经过上述方法得到高速路网进站流量和出站流量的时间邻近特征ina和outa、时间周期特征inp和outp、时间趋势特征int和outt。

6、所述空间特征仅针对高速路网的出站流量进行构建，对于每一个预测站点即目标站点，计算目标站点出站流量的来源站点的流量并进行排序，按贡献选取前n个站点，作为该目标站点的关键来源站点，并计算每个关键来源站点到目标站点的平均路程花费时间τo，d，追溯预测时刻的前τo，d时间内的关键来源站点的进站流量，将所有进站流量数据连接为更长的序列后构建为进站流量特征xin。

7、所述外部特征包括时间属性特征、天气特征、温度特征。所述时间属性特征包括一天中的时刻(共24个小时)、一周中的第几天(共7天)、是否为周末(即是或否)和是否为节假日(即是或否)四种属性。所述天气特征将常见天气按对交通的影响程度分为3类，类别1包含晴天、多云和阴天3种天气，类别2包含小雨、阵雨和雷阵雨3种天气，类别3包含小雪、大雨、雨夹雪、雾、浮沉和扬沙6种天气，其中天气对交通的影响程度由类别l到3逐渐递增。所述温度特征是连续特征，按温度高低划分为3个区间，即低温(温度小于0°)、常温(0°-35°)和高温(高于35°)。将所述时间属性特征、天气属性特征、温度特征通过concat拼接得到外部特征xe。

8、s2构建基于深度学习的多任务流量预测模型，所述多任务流量预测模型包括时间卷积模块、空间注意力模块、外部特征提取模块、多任务预测模块。

9、所述时间卷积模块包括第一层cnn卷积块、残差神经网络、第二层cnn卷积块、时间特征融合块，输入为s1所构建的多维度时间特征，输出为进站流量的时间特征tfin和出站流量的时间特征tfout。具体实现步骤如下：

10、对于进站流量，将所述进站流量时间临近特征ina、时间周期特征inp和时间趋势特征int分别输入第一层cnn卷积块，其包含3个不共享的cnn卷积块，对进站流量进行特征提取。接着将提取到的特征分别输入到残差神经网络中，以防止产生过拟合。残差神经网络的输出作为第二层cnn卷积块的输入，其包含3个不共享的cnn卷积块，分别得到3种时间特征的输出为和最后在时间特征融合模块中将3个输出的时间特征和分别与3个权重矩阵用哈达玛乘积相乘，所述权重矩阵随机初始化，在模型训练中不断学习并进行更新；将相乘的3个输出结果相加，得到进站流量时间特征向量tfin。对于出站流量，同样经过所述时间卷积模块得到出站流量时间特征向量tfout。

11、所述空间注意力模块包括时间嵌入模块、位置嵌入模块、多头自注意力模块，输入为s1所构建的进站流量特征xin，输出为空间特征向量sf。具体实现步骤如下：

12、时间嵌入模块包含独热编码层和全连接层，在独热编码层对一天中的小时、一周中的第几天、是否周末和是否节假日进行编码，然后在全连接层中得到时间嵌入向量te。

13、位置嵌入模块对每一个站点使用正弦函数和余弦函数进行固定位置编码，得到位置嵌入向量pe。

14、将上述时间嵌入模块得到的时间嵌入向量te和位置嵌入模块得到的位置嵌入向量pe进行concat拼接，得到时间位置嵌入向量pte。

15、多头自注意力模块包含多头注意力结构和全连接层，所述多头注意力结构由多个自注意力块组成，输入是上述时间位置嵌入向量pte和在s1中构建的进站流量特征xin，先将其通过concat拼接得到组合向量ωin，其作为所述的多头注意力结构中的每一个自注意力块的输入。在每个自注意力块中，用所述的组合向量ωin分别与3个不同的权重矩阵相乘，所述权重矩阵随机初始化，在模型训练中不断学习并进行更新，相乘结果分别为query、key和value，然后将key转置并与query相乘，得到注意力分数矩阵，再通过softmax进行归一化，得到归一化的注意力分数矩阵，将该矩阵与value相乘得到当前自注意力块的输出结果。由于多头自注意力结构包含多个自注意力块，因此会有多个输出结果，使用concat将所有自注意力块的输出进行拼接，并与权重矩阵相乘，所述权重矩阵随机初始化，在模型训练中不断学习并进行更新，再将输出的向量输入到一个全连接层中，得到所述空间注意力块的空间特征向量sf。

16、所述外部特征模块包括one-hot编码层和全连接层，输入为s1构建的外部特征xe，输出为外部特征向量ef。具体实现步骤如下：

17、将s1构建的外部特征xe通过one-hot编码层，将分类变量转换为二进制向量，得到外部特征嵌入向量mt。随后，通过全连接层处理，得到最终提取的外部特征向量ef。

18、所述多任务预测模块包括多任务学习块、多特征融合块，从时间卷积模块得到的进站流量时间特征向量tfin和出站流量时间特征向量tfout通过多任务学习块学习得到共同的特征表示，再通过多特征融合块实现进出站流量的共同预测，并促进单个任务的预测性能，具体的实现步骤如下：

19、多任务学习块包含两个单独的卷积层。时间卷积模块输出的进站流量时间特征向量tfin和出站流量时间特征向量tfout作为多任务学习块的输入，先采用concat拼接的方法对输入的特征向量进行融合，得到一个同时包含进站流量和出站流量时间特征的时间特征融合矩阵tf，接着将时间特征融合矩阵tf输入到两个单独的卷积层，在两个卷积层中分别进行特征提取和特征维度的调整，得到两个特征矩阵tin和tout，分别作为进站流量预测和出站流量预测的共同时间特征表示。

20、多特征融合块包含卷积层和tanh激活函数，分别用于实现出站流量和进站流量的预测，具体步骤如下：

21、对于出站流量预测，将多任务学习块输出的出站流量预测的共同时间特征表示tout、空间注意力模块输出的空间特征向量sf和外部特征模块输出的外部特征向量ef作为多特征融合块的输入，使用卷积层进行融合，并通过tanh激活函数得到最终的出站流量预测值。

22、对于进站流量预测，由于进站流量不包含空间特征，因此仅将多任务学习块输出的进站流量预测的共同时间特征表示tin和外部特征模块输出的外部特征向量ef作为多特征融合块的输入，使用卷积层融合，同样也经过tanh激活函数得到最终的进站流量预测值。

23、s3使用高速路网的站点流量数据进行模型训练和预测。

24、s3.1在模型训练前，将所有站点的历史进站流量和出站流量数据按比例划分为训练数据集和测试数据集，所述比例根据实际应用需求调整，例如训练数据集和测试数据集比例为8：2。在模型训练阶段，将训练数据集中的流量数据按sl所述步骤构建多维度特征，作为s2所构建模型的输入，接着对该模型进行训练，得到训练好的基于深度学习的多任务流量预测模型。

25、s3.2在模型预测阶段，先将测试数据集中的流量数据按s1所述步骤构建多维度特征，然后将多维度特征和测试数据集中的流量数据输入至训练好的深度学习的多任务流量预测模型中，得到预测时刻的目标站点的进站流量和出站流量。

26、本发明还提出一种基于上述方法的计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。

27、本发明具有以下有益效果：

28、1、本发明关注进站流量和出站流量的关联以及时间特征的相似性，使用多任务学习技术将两者的共同特征表征出来，表征的共同特征作为特征融合的输入，能实现对高速路网目标站点的进站流量和出站流量的多任务协同预测。该方案能同时使进站流量和出站流量的预测相互促进，提高了预测的精确性和可靠性；

29、2、本发明使用深度学习相关技术，针对性设计了基于注意力机制和卷积神经网络的高速路网流量预测模型，充分学习预测时刻目标站点与历史流量数据之间的动态时空相关性以及外部因素对进出站流量的影响。通过深度学习流量预测模型深入挖掘高速路网流量时空相关性的特点及不同外部因素对其影响的变化规律，提高了流量预测的准确性。

30、3、本发明通过对高速路网流量的多维度分析，挖掘高速路网流量在时间上的多维度特征、站点间动态的空间相关性以及节假日、天气等外部特征对流量的影响。在模型设计时，充分考虑了这些影响因素，充分提取了高速路网流量的特征，从而提高了流量预测的准确性。