基于协变量辅助频域的交通控制方法、装置、介质及设备与流程

本发明属于交通控制领域，尤其涉及一种基于协变量辅助频域的交通控制方法、装置、介质及设备。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、交通流量作为城市交通系统的关键指标之一，其准确预测对于城市交通管理和规划至关重要。交通流量的有效预测可为交通拥堵的预警、路网优化、以及公共交通资源的合理分配提供科学依据，不仅有助于提高道路使用效率，减少交通拥堵，还能优化城市交通的能源消耗，减少环境污染。由于交流流量数据随工作日、假期、季节、天气等不同因素变化而变化，基于传统时序模型和机器学习方法的交通流量预测方法不适用于真实世界数据的高精度长期预测。随着深度学习的不断发展，一些基于深度学习模型的城市交通流量预测方法能够更好地挖掘交通数据中的规律和特征，提高了预测精度和准确性。

3、目前基于深度学习模型的城市交通流量预测方法仍然存在以下几个问题：

4、(1)模型复杂性与运行效率：transformer、cnn和rnn等深度学习模型具有强大的建模能力，但因模型结构复杂、运算时间长而不适合处理长期序列和大规模的交通流量数据。

5、(2)时间序列分解的挑战：传统直接使用原始序列进行城市交通流量预测的方法可能导致时序数据的内部特征混杂不清。虽然简单的滑动平均方法常被用于数据分解，但这种方法在分解效果上往往不尽人意。

6、(3)时间序列的内在依赖关系：时间序列预测旨在解析不同时间步之间的数据关系。然而，与自然语言中单词明确的语义不同，时间序列的单个时间步往往缺乏明确的语义意义。现有深度学习模型建立的直接时间点依赖关系很难完全反映时间序列的内在依赖结构。

7、(4)协变量信息的缺失：时间序列分析问题中协变量信息指的是可能影响预测时间序列目标变量的外部信息。目前的预测方法往往未能充分利用这些有价值的协变量信息，从而影响了预测的准确性和可靠性。

技术实现思路

1、为了解决上述问题，本发明提供一种基于协变量辅助频域的交通控制方法、装置、介质及设备，其将趋势相似度图与空间关系图相结合进行关联特征的学习，利用序列特征和关联特征共同实现对交通流量的预测，可提升交通流量预测的效果。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供了一种基于协变量辅助频域的交通控制方法。

4、在一个或多个实施例中，提供了一种基于协变量辅助频域的交通控制方法，包括：

5、获取城市原始交通流量时序数据，将其分解为趋势分量和季节分量两部分；

6、从城市原始交通流量时序数据中，提取预测目标地段邻近区域的历史交通流量数据及时间信息，并作为目标地段城市交通流量数据的协变量；

7、将趋势分量和季节分量分别与目标地段城市交通流量数据的协变量进行拼接，分别得到拼接后的趋势信息及拼接后的季节信息；

8、将拼接后的季节信息转化为时间序列分段的形式，再转化为对应频域的季节信息；将拼接后的趋势信息直接转化为对应频域的趋势信息；再对频域的季节信息和趋势信息进行对应频域特征提取；

9、根据频域的季节特征和趋势特征与交通流量预测值之间的映射关系，得到对应交通流量预测值，再将两者相加作为目标地段未来交通流量的最终预测结果，以指导控制交通。

10、本发明的第二个方面提供了一种基于协变量辅助频域的交通控制装置。

11、在一个或多个实施例中，一种基于协变量辅助频域的交通控制装置，包括：

12、数据分解模块，其用于获取城市原始交通流量时序数据，将其分解为趋势分量和季节分量两部分；

13、协变量提取模块，其用于从城市原始交通流量时序数据中，提取预测目标地段邻近区域的历史交通流量数据及时间信息，并作为目标地段城市交通流量数据的协变量；

14、信息拼接模块，其用于将趋势分量和季节分量分别与目标地段城市交通流量数据的协变量进行拼接，分别得到拼接后的趋势信息及拼接后的季节信息；

15、频域特征提取模块，其用于将拼接后的季节信息转化为时间序列分段的形式，再转化为对应频域的季节信息；将拼接后的趋势信息直接转化为对应频域的趋势信息；再对频域的季节信息和趋势信息进行对应频域特征提取；

16、流量预测模块，其用于根据频域的季节特征和趋势特征与交通流量预测值之间的映射关系，得到对应交通流量预测值，再将两者相加作为目标地段未来交通流量的最终预测结果，以指导控制交通。

17、本发明的第三个方面提供了一种计算机可读存储介质。

18、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于协变量辅助频域的交通控制方法中的步骤。

19、本发明的第四个方面提供了一种电子设备。

20、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于协变量辅助频域的交通控制方法中的步骤。

21、与现有技术相比，本发明的有益效果是：

22、本发明将城市交通流量数据充分分解为趋势分量和季节分量，并且对城市交通流量数据的内部特征进行分离；有效利用从原始数据中提取协变量信息辅助进行目标地区交通流量的预测；对数据季节分量部分首先将其转化为时间序列分段的形式，保留了数据序列级的关联性信息，在有效减少计算复杂度的同时也能更好地表征时间序列的变化规律，使用频域多层感知机进行特征提取，更有效地学习全局依赖关系，保留清晰的模式特征；使用频域多层感知机直接进行城市交通流量趋势分量部分的建模；对提取到的季节分量历史特征以及趋势分量历史特征进行未来预测，将两部分预测结果合并起来作为模型最终的预测结果，从而提高模型对复杂多变的城市交通流量数据的预测准确率。

23、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种基于协变量辅助频域的交通控制方法，其特征在于，包括：

2.如权利要求1所述的基于协变量辅助频域的交通控制方法，其特征在于，采用stl方法分解城市原始交通流量时序数据为趋势分量和季节分量两部分。

3.如权利要求1所述的基于协变量辅助频域的交通控制方法，其特征在于，所述目标地段城市交通流量数据的协变量采用张量形式表征。

4.如权利要求1所述的基于协变量辅助频域的交通控制方法，其特征在于，通过傅里叶变换将转化为时间序列分段以及拼接后的趋势信息转换为对应频域信息。

5.如权利要求1所述的基于协变量辅助频域的交通控制方法，其特征在于，利用多层感知机对频域的季节信息和趋势信息进行对应频域特征提取。

6.一种基于协变量辅助频域的交通控制装置，其特征在于，包括：

7.如权利要求6所述的基于协变量辅助频域的交通控制装置，其特征在于，在所述数据分解模块中，采用stl方法分解城市原始交通流量时序数据为趋势分量和季节分量两部分。

8.如权利要求6所述的基于协变量辅助频域的交通控制装置，其特征在于，在所述频域特征提取模块中，利用多层感知机对频域的季节信息和趋势信息进行对应频域特征提取。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的基于协变量辅助频域的交通控制方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的基于协变量辅助频域的交通控制方法中的步骤。

技术总结本发明属于交通控制领域，提供了基于协变量辅助频域的交通控制方法、装置、介质及设备。其中，该方法包括获取城市原始交通流量时序数据，将其分解为趋势分量和季节分量；提取预测目标地段邻近区域的历史交通流量数据及时间信息，作为目标地段城市交通流量数据的协变量；将趋势分量和季节分量分别与协变量进行拼接，分别得到拼接后的趋势信息及拼接后的季节信息；将拼接后的季节信息转化为时间序列分段的形式，再转化为频域的季节特征；将拼接后的趋势信息直接转化为频域的趋势特征；根据频域的季节特征和趋势特征与交通流量预测值之间的映射关系，得到对应交通流量预测值，再相加作为目标地段未来交通流量的最终预测结果，以指导控制交通。技术研发人员：陈淑伟,张恒,李澳,李锦兴,温振新,邓源硕,李雪梅,古欣受保护的技术使用者：山东有人智能科技有限公司技术研发日：技术公布日：2024/6/30