一种基于时空序列的交通流量预测方法、装置、存储介质及计算设备

本发明涉及交通预测，具体涉及一种基于时空序列的交通流量预测方法、装置、存储介质及计算设备。

背景技术：

1、随着深度学习技术的不断发展和各种道路检测器等一系列设施普及，深度学习在交通预测领域的应用掀起热潮。过去在交通预测领域提出的许多算法中，大多数基于图神经网络的交通预测研究只构建了固定的图结构，不能及时响应时空变化，导致模型难以准确进行预测；使用简单的图来描述节点对之间的关系在空间维度上进行分析是有问题的，难以准确反映交通网络的复杂关系。

技术实现思路

1、本发明的目的在于提出一种基于时空序列的交通流量预测方法、装置、存储介质及计算设备，该方法将时空注意力机制和超图卷积相结合，能够提供高准确度的交通量预测，预测出交通流量的有效变化情况。

2、为达到上述目的，本发明采用的技术方案如下：

3、第一方面，本发明提供一种基于时空序列的交通流量预测方法，包括：

4、预先训练交通流量预测模型；

5、获取当前时刻的交通流量输入所述交通流量预测模型中，预测得到未来时刻的交通流量；

6、所述交通流量预测模型包括m个依次相连的时空块和预测模块；

7、每个所述时空块包括：

8、时空注意力机制模块，用于提取输入的交通流量数据的空间相关性特征和时间相关性特征；

9、时空卷积模块，用于基于所述空间相关性特征和时间相关性特征提取空间特征和时间特征；

10、所述预测模块，用于将所述时空块最终输出的特征映射到预测目标上，生成最终的预测结果；所述预测结果即为预测时间长度的交通流量。

11、进一步的，所述预先训练交通流量预测模型，包括：

12、采集指定路段及周边区域在一定时间间隔内的交通流量历史数据；

13、对所述交通流量历史数据按照相关的时间关联顺序进行预处理，构建交通流量时空序列数据集，并划分出训练集；

14、构建交通流量预测模型，并进行参数初始化；

15、将所述训练集输入到所述交通流量预测模型的第一个时空块，经时空注意力机制模块和时空卷积模块处理，得到的输出作为第二个时空块的输入，依此类推，直至经最后一个时空块，输出最终的特征数据；

16、将最终的特征数据送入预测模块，所述预测模块通过卷积处理，将高维的特征映射到预测目标上，生成最终的预测结果；

17、设置损失函数，基于预测结果与真实结果对损失函数进行计算，基于损失值更新模型参数，对所述训练集进行迭代训练，直至训练结束，保存最优的模型参数，构成训练好的交通流量预测模型。

18、进一步的，对所述交通流量历史数据按照相关的时间关联顺序进行预处理，构建交通流量时空序列数据集，包括：

19、对指定路段上布置的每个检测器一天24小时内，按时间先后顺序，以5分钟为间隔，采集一次交通流量数据，得到指定路段不同位置的、按时间先后顺序的交通流量时空序列数据集；

20、对数据集中的数据进行标准化处理。

21、进一步的，所述时空注意力机制模块包括空间注意力机制和时间注意力机制；

22、所述空间注意力机制用于提取所述交通流量时空序列数据集中各节点之间的空间相关性；所述节点指检测器；

23、所述时间注意力机制用于提取所述交通流量时空序列数据集中不同时间点之间的时间相关性。

24、进一步的，所述时空卷积模块包括超图卷积和标准卷积；

25、所述超图卷积操作如下：

26、将包含交通流量信息的检测器作为节点，将经归一化处理后的节点间的空间相关性作为超边的权重，将指定路段的交通网络构建为超图；

27、将所构建的超图转化到线形图；

28、基于超图拉普拉斯矩阵，根据分层图卷积进行超图卷积，并进行线形图卷积，得到考虑节点之间影响的交通流量空间特征；

29、所述超图拉普拉斯矩阵表示为：

30、

31、其中，δ是超图拉普拉斯矩阵，dv是超图的度矩阵，wh是超边的权重矩阵，de是超边的度矩阵，i是单位矩阵，h为所构建的超图；

32、所述超图卷积表示为：

33、

34、其中，是超图卷积第l层的输入，是超图卷积第l+1层的输出，p(l)和是第l层的可学习参数矩阵；

35、所述线形图卷积表示为：

36、

37、

38、

39、

40、其中，lsys和是线形图的权重矩阵，是对角矩阵，q(l)和b(l)是可学习的参数矩阵，i是单位矩阵，是中的元素，wl是线形图中边的权重矩阵，是线形图卷积第l层的输入，是线形图卷积第l+1层的输出，wa是一个用来学习超边与道路节点之间的映射关系的矩阵；

41、所述标准卷积操作如下：

42、

43、其中，*表示标准卷积操作，φ为时间维卷积核的参数，relu为激活函数，是第r个时空块的输入，是第r个时空块的输出，br偏置项。

44、进一步的，所述时空块的个数为2-5个。

45、第二方面，本发明提供一种基于时空序列的交通流量预测装置，用于实现前述的基于时空序列的交通流量预测方法，所述装置包括：

46、模型训练模块，用于预先训练交通流量预测模型；所述交通流量预测模型包括m个依次相连的时空块和预测模块；每个所述时空块包括：时空注意力机制模块，用于提取输入的交通流量数据的空间相关性特征和时间相关性特征；时空卷积模块，用于基于所述空间相关性特征和时间相关性特征提取空间特征和时间特征；所述预测模块，用于将所述时空块最终输出的特征映射到预测目标上，生成最终的预测结果；所述预测结果即为预测时间长度的交通流量；

47、交通流量预测模块，用于获取当前时刻的交通流量输入所述交通流量预测模型中，预测得到未来时刻的交通流量。

48、进一步的，所述装置还包括：

49、数据收集模块，用于采集指定路段及周边区域在一定时间间隔内的交通流量历史数据；

50、数据存储模块，用于存储所述数据收集模块采集的交通流量历史数据；

51、数据处理模块，用于对所述交通流量历史数据按照相关的时间关联顺序进行预处理，构建交通流量时空序列数据集。

52、第三方面，本发明提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据前述的方法中的任一方法。

53、第四方面，本发明提供一种计算设备，包括，一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据前述的方法中的任一方法的指令。

54、本发明达到的有益效果为：

55、本发明构建交通流量预测模型，对一定时段内的交通流量时空序列数据集进行时空注意力机制提取，得到动态时空特征，并进行超图卷积和标准卷积，在空间维度和时间维度上提取特征，最终训练得到交通流量预测模型，用于预测未来时刻的交通流量。该预测方法不仅能够提供高准确度的交通量预测，预测出交通流量的有效变化情况，而且对硬件及实施成本要求低，易于部署实现。