结合降雨量和时空图卷积模型对交通流量的预测方法及装置

本发明涉及智慧交通，特别涉及一种结合降雨量和时空图卷积模型对交通流量的预测方法及装置。

背景技术：

1、预测交通流量不仅在解决交通拥堵方面发挥作用，并且在应急处理和公共交通安全规划上有着至关重要的作用。交通流的预测有利于合理引导公众安全出行，规划便捷出行，预防交通踩踏、交通拥堵的发生。尤其是在路网复杂的城市，不仅在时间和空间上更加难以提取特征，并且外部因素比如天气因素、道路塌陷和交通事故也会对交通产生深远的影响，对于城市交通流的预测更加困难。

2、随着国家的加速发展，越来越多人选择私家车进行出行，交通流量也愈发的增加，传统的机器学习方法已经不适用于现有的交通情况。虽然近年来，基于深度学习的方法在交通流预测方面已经取得了显著的效果，但是在交通流预测上还存在以下问题：

3、1、如何充分提取交通流的时空相似性和依赖性。上游的交通状况会影响下游的交通状态，并且每个时间节点，每个地点的交通情况都不一样。虽然交通流数据庞大且繁杂，但是其数据特征具有一定的周期性。如何有效的表示时间相似性和空间异质性仍是一种挑战。

4、2、如何挖掘天气因素的有效信息。在交通流预测任务上，不仅时间和空间是至关重要的信息，其外部特征如天气因素也是影响交通流的关键因素之一。如何提取天气信息并融合其时间和空间特征是一个关键问题。

5、3、如何更新融合天气邻接矩阵，分配不同的权重参数。同一时刻的空间异质性和天气变化，和下一时刻的空间依赖和天气变化都会影响交通流的预测。如何更新天气因子矩阵和融合邻接矩阵，合理分配不同的权重参数，带来了困难。

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，提供一种结合降雨量和时空图卷积模型对交通流量的预测方法及装置；加入降雨量可以更好的对城市交通流进行预测，对城市道路的管理具有重要建设性意义。

2、为实现上述目的，本发明提供了一种结合降雨量和时空图卷积模型对交通流量的预测方法，包括以下步骤：

3、步骤s1：数据采集：根据城市cps系统通过路口传感器采集车辆数据，并且实时采集当前时刻的降雨量；

4、步骤s2：数据预处理：把数据统计时间间隔分别设为5分钟，15分钟，30分钟，得到五分钟内的通过道路的交通量，并且构建相关邻接矩阵，再把实时降雨量数据进行量化，和交通流数据进行同步融合；

5、步骤s3：把预处理好的数据进行时间和空间建模，分别提取其时间和空间的相似性和依赖性；

6、步骤s4：构建时空图卷积模型，并通过图学习模块对矩阵参数进行更新，最后通过多步gru模型对长短时城市交通量进行预测拟合。

7、作为优选的，所述步骤s2中：根据道路传感器构建无向图：g(v,a),a＝{ak|k＝1，2，3，...，nr}由节点之间不同类型的关系组成，即od和相关系数，其中是由第k类型决定的亲和力矩阵，具体构建如下；

8、构建起点和终点的距离邻接矩阵；

9、日内趋势的源节点往往表明流量预测中存在因果关系；因此，不同节点时间序列之间的相关系数可以反映交通动态的相似性，并通过相似分数构建语义相似邻接矩阵，其中最常用的是斯皮尔曼等级相关系数和皮尔逊相关系数。

10、

11、

12、作为优选的，所述步骤s2中，定义天气因子矩阵；经过调查研究，只有降雨量可以进行量化，根据每日的降雨量的大小定义天气因子矩阵，并和交通流量数据进行同时拼接，得到天气因子融合矩阵：其中，xt为t时刻的交通流量数据，wk为t时刻之前的天气权重；过去时刻的天气会影响当前时刻的交通流量。

13、作为优选的，根据融合成的天气因子融合矩阵，对于给定图g和et历史特征矩阵，流量预测的目标是学习一个可以预测未来特征矩阵的函数如下表示：

14、作为优选的，所述步骤s3中，利用多头注意力机制分别计算起点和终点邻接举证和语义相似邻接矩阵中道路节点与其相邻节点之间的权重，并更新起点和终点邻接举证和语义相似邻接矩阵；将中间特征序列输入多头注意力机制模块计算道路节点与其邻居节点之间的权重；

15、道路的相互作用随着空间和时间等因素动态变化，只利用固定的路网信息通常会出现表达能力不准确的情况，所以引入带有标记的多头图注意力机制动态生成边缘权重，来量化道路节点间的影响；

16、

17、

18、msa(ek)＝concat(sa(ek)1，...，sa(ek)hwo)

19、其中h表示多头注意力机制头的数量，h表示多头注意力机制的第h个头，和表示多头注意力机制第h个头的查询、键和值向量的线性变换矩阵，dqk表示缩放系数。

20、作为优选的，所述步骤s3中，转换到时空图体系，transformer输入序列中的令牌是指具有天气位置时间对的唯一节点，描述其在时空图中的独特位置，它可以在不同地理位置和时间步长上关注所有其他节点，或者仅关注由空间和时间邻接确定的连接节点；wo表示可训练的参数矩阵。

21、作为优选的，所述步骤s4中，所提出的参数化图学习模块旨在提取节点之间的单向关系和节点与节点之间的隐藏空间关系；

22、首先，生成粗亲和度矩阵：

23、

24、其中对角矩阵由于是一个斜对称矩阵，激活函数relu将对角位置和其他位置的一半设置为零，这可以保证m的稀疏性；diag用于生成对角线位置的权重；随后，利用自适应聚合模块来结合旧的关系和新的空间依赖关系。

25、作为优选的，自适应图卷积模块接收多粒度趋势自注意力模块更新的起点和终点邻接矩阵和语义相似邻接矩阵；

26、随后，利用自适应聚合模块来组合旧的起点和终点邻接矩阵和语义相似邻接矩阵中的空间关系和新的空间依赖关系，如下表示：

27、s＝tanh[g(aadp1，aold)]

28、aadp2＝s⊙aadp1+(1-s)⊙aold，该公式目的去除节点之间的弱关系；随后为了进一步增强生成矩阵的稀疏性：

29、

30、

31、其中w1，w2可学习得参数矩阵；

32、利用gcn进行提取目标道路的时空特征序列；

33、

34、其中d表示度矩阵，hl表示第l层gcn的输出，w表示可学习的参数。

35、作为优选的，所述步骤s4中，所以目标道路所预测的交通流数据输出为：

36、

37、其中，yt表示预测输出，fc表示全连接层，表示正向gru输出结果，ε表示可偏置参数。

38、本发明还提供了一种结合降雨量和时空图卷积模型对交通流量的预测装置，包括上述所述的一种结合降雨量和时空图卷积模型对交通流量的预测方法；

39、还包括：数据采集模块；所述数据采集模块根据城市cps系统通过路口传感器采集车辆数据，并且实时采集当前时刻的降雨量；

40、数据预处理模块，与数据采集模块连接，将数据采集模块的车辆数据和降雨量进行预处理，数据统计时间间隔分别设为5分钟，15分钟，30分钟，得到五分钟内的通过道路的交通量，并且构建相关邻接矩阵，再把实时降雨量数据进行量化，和交通流数据进行同步融合；

41、特征提取模块，与数据预处理模块连接，把预处理好的数据进行时间和空间建模，分别提取其时间和空间的相似性和依赖性；

42、结果输出模块，与特征提取模块连接，构建时空图卷积模型，并通过图学习模块对矩阵参数进行更新，最后通过多步gru模型对长短时城市交通量进行预测拟合。

43、与现有技术相比，本发明的有益效果在于：

44、本发明不仅包括了目标地区的历史交通流量，还包括了该时段的天气降雨量数据；利用多头自我注意力机制，分别对时间和空间进行编码，得出多步时间嵌入矩阵和空间依赖矩阵再进行融合，把天气因子矩阵用参数融合法将更新后的地理邻域子图和语义相似性子图的邻接矩阵进行融合得到融合矩阵，再通过图学习模块得到自适应邻接举证，对自适应邻接矩阵进行三步更新，首先利用随机生成举证通过激活函数得到自适应矩阵，其次通过非线性函数得到自适应矩阵和过去时刻的邻接矩阵去除一些节点之间的弱关系，并保证矩阵的稀疏性，最后通过激活函数生成新的自适应矩阵。根据生成的自适应邻接矩阵利用st-block提取目标道路节点的时空特征序列；将目标道路节点的时空特征序列和目标道路节点的交通流数据输入gru模型，最后通过全连接层得到目标道路节点的交通流预测结果。