面向高速公路车流量预测的离散数据处理方法及系统

本发明涉及计算机，具体涉及一种面向高速公路车流量预测的离散数据处理方法、系统、电子设备及存储介质。

背景技术：

1、现有的交通流量预测方法主要使用深度学习模型来完成交通流量预测任务，交通流量数据作为典型的时间序列数据，具有很强的时间相关性。现有技术通过采用长短期记忆(lstm)和门递归单元(gru)来捕捉交通流量数据的时间特征，但是，lstm和gru都是rnn的改进模型，保留有时间序列数据的单步递归计算过程，无法计算空间相关性；

2、在交通预测问题中，图卷积神经网络(gcn)通常用于提取交通网络拓扑的空间相关性特征，尽管图可以表示交通网络中节点之间的空间关系，但它不能完全捕捉拓扑的层次和方向特征，虽然交通网络的图形拓扑结构可以表示交通节点的空间关系，但不同距离的节点对中心节点的影响程度不同。此外，大多数研究使用无向图来表示交通网络中节点的空间拓扑，这导致在建模过程中缺乏对节点之间方向特征的分析。

3、gcn只提取交通流数据的空间特征，缺乏对交通流数据时间特征的分析。yu等人提出了一种时空图卷积网络(stgcn)，郭等人在stgcn中添加了时空注意机制，并提出了一种基于时空注意的图卷积神经网络(astgcn)。astgcn利用时空注意力机制来突出交通数据的时空特征，并利用时空图卷积神经网络来充分分析交通流数据的时间和空间相关性。现有的交通数据预测模型已经取得了良好的预测效果，但这仅限于正常的交通流量。随着疫情的爆发，交通流量数据显示出高度离散性。李等人提出了一种基于离散小波变换的深度时空模型，以解决交通流呈现高度离散的问题。dstm-dwt使用离散小波变换来分割交通流，并提出了一个图记忆网络来捕捉交通流的离散特征。该方法提高了模型预测高度离散交通流的准确性。然而，dstm-dwt将交通网络提取为无向图，并使用gcn来捕捉交通流的空间特征。该方法缺乏节点间的层次性和方向性分析，不能完全捕捉交通流的空间特征。

4、因此，亟需一种面向高速公路车流量预测的离散数据处理时能够完全捕捉交通流量数据的空间特征和时间特征的方法。

技术实现思路

1、本发明实施例的目的在于提供一种面向高速公路车流量预测的离散数据处理方法、系统、电子设备及存储介质，用以解决现有技术面向高速公路车流量预测的离散数据处理时无法完全捕捉交通流量数据的空间特征和时间特征的问题。

2、为实现上述目的，本发明实施例提供一种面向高速公路车流量预测的离散数据处理方法，所述方法具体包括：

3、获取一定数量的历史交通流量数据；

4、构建交通流量预测模型，其中，所述交通流量预测模型包括依次相连的输入层、时空卷积层、离散预测层和输出层；

5、通过所述输入层基于预设时段将交通流量数据划分为时间片，生成交通流量数据的节点，将所述节点的空间分布信息抽象为树结构，将所述树结构正则化为空间树矩阵；

6、所述时空卷积层包括时间残差模块和树卷积网络，通过时间残差模块提取时间特征，通过树卷积网络提取空间特征，将所述时空特征和所述空间特征进行融合，得到时空特征；

7、所述离散预测层包括离散分割模块和离散预测模块，通过离散分割模块将交通流量数据分解为离散量、变化趋势和离散基线，通过离散预测模块

8、将所述离散量转换为高维离散特征；

9、通过输出层将所述高维离散特征与时空特征进行融合，得到交通流量预测结果；

10、将所述历史交通流量数据作为输入、交通流量预测结果作为输出，对所述交通流量预测模型进行训练，得到训练好的交通流量预测模型。

11、在上述技术方案的基础上，本发明还可以做如下改进：

12、进一步地，所述预设时段包括最近时段、日周期时段和周周期时段；

13、通过公式(1)表示最近时段的输入数据；

14、

15、式中，xr为最近时段的输入数据，tp为待预测的时段，，为tp时段的输入数据，f为时间步长，为数据域n为节点的数量；

16、通过公式(2)表示日周期时段的输入数据；

17、

18、式中，xd为日周期时段的输入数据；

19、通过公式(3)表示周周期时段的输入数据；

20、

21、式中，xw为周周期时段的输入数据。

22、进一步地，所述通过离散分割模块将交通流量数据分解为离散量、变化趋势和离散基线，包括：

23、通过公式(4)计算时空特征提取结果的第t时间步长的变化趋势值；

24、

25、式中，dqt为时空特征提取结果的第t时间步长的变化趋势值，xqt为输入数据，hk为用于捕捉交通数据的高频信息的高通滤波器，q为下采样滤波器的下采样率。

26、进一步地，所述通过离散预测模块将所述离散量转换为高维离散特征，包括：

27、通过公式(5)计算离散预测模块输出结果中的第t个时间步长的高维离散特征；

28、

29、式中，ctt为离散预测模块的输出结果中的第t个时间步长的高维离散特征，gk为用于捕获交通数据的低频信息的低通滤波器。

30、进一步地，所述通过离散预测模块将所述离散量转换为高维离散特征，还包括：

31、通过公式(6)计算拉普拉斯矩阵；

32、la＝d-a                                  公式(6)；

33、式中，la为空间相关分析的拉普拉斯矩阵，d为节点的度矩阵，a为邻接矩阵；

34、通过公式(7)计算图特征融合的结果；

35、

36、式中，gt为图特征融合的结果，αi为可训练参数，σ为sigmoid函数，xt为t时刻输入数据。

37、进一步地，所述通过离散预测模块将所述离散量转换为高维离散特征，还包括：

38、通过公式(8)计算离散预测模块的最终输出；

39、

40、式中，ht为离散预测模块的最终输出，zt为为t层的图更新门信息，ht-1为t-1层的输出，为t层的候选值向量。

41、进一步地，所述通过输出层将所述高维离散特征与时空特征进行融合，得到交通流量预测结果，包括：

42、通过公式(9)计算未来第t个时间步长的交通流量预测结果；

43、

44、式中，yt为未来第t个时间步长的交通流量预测结果，ck为用于交通数据的低频信息的上采样滤波器，dk为用于交通信息的高频信息的上取样滤波器。

45、一种面向高速公路车流量预测的离散数据处理系统，包括：

46、获取模块，用于获取一定数量的历史交通流量数据；

47、构建模块，用于构建交通流量预测模型，其中，所述交通流量预测模型包括依次相连的输入层、时空卷积层、离散预测层和输出层；

48、通过所述输入层基于预设时段将交通流量数据划分为时间片，生成交通流量数据的节点，将所述节点的空间分布信息抽象为树结构，将所述树结构正则化为空间树矩阵；

49、所述时空卷积层包括时间残差模块和树卷积网络，通过时间残差模块提取时间特征，通过树卷积网络提取空间特征，将所述时空特征和所述空间特征进行融合，得到时空特征；

50、所述离散预测层包括离散分割模块和离散预测模块，通过离散分割模块将交通流量数据分解为离散量、变化趋势和离散基线，通过离散预测模块

51、将所述离散量转换为高维离散特征；

52、通过输出层将所述高维离散特征与时空特征进行融合，得到交通流量预测结果；

53、训练模块，用于将所述历史交通流量数据作为输入、交通流量预测结果作为输出，对所述交通流量预测模型进行训练，得到训练好的交通流量预测模型。

54、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计算机程序时实现如所述方法的步骤。

55、一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。

56、本发明实施例具有如下优点：

57、本发明中面向高速公路车流量预测的离散数据处理方法，获取一定数量的历史交通流量数据；构建交通流量预测模型，其中，所述交通流量预测模型包括依次相连的输入层、时空卷积层、离散预测层和输出层；通过所述输入层基于预设时段将交通流量数据划分为时间片，生成交通流量数据的节点，将所述节点的空间分布信息抽象为树结构，将所述树结构正则化为空间树矩阵；所述时空卷积层包括时间残差模块和树卷积网络，通过时间残差模块提取时间特征，通过树卷积网络提取空间特征，将所述时空特征和所述空间特征进行融合，得到时空特征；所述离散预测层包括离散分割模块和离散预测模块，通过离散分割模块将交通流量数据分解为离散量、变化趋势和离散基线，通过离散预测模块将所述离散量转换为高维离散特征；通过输出层将所述高维离散特征与时空特征进行融合，得到交通流量预测结果；将所述历史交通流量数据作为输入、交通流量预测结果作为输出，对所述交通流量预测模型进行训练，得到训练好的交通流量预测模型；解决了现有技术中面向高速公路车流量预测的离散数据处理时无法完全捕捉交通流量数据的空间特征和时间特征的问题。