基于网络约减预测交通流量的方法及其装置

本发明实施例涉及交通控制系统中时空预测，尤其涉及基于网络约减预测交通流量的方法及其装置。

背景技术：

1、随着交通的发展，人们的出行方式越来越多样与便捷，尤其在深度学习技术驱动下，交通网络系统日益成熟。随着交通资源的增多也带来了一系列问题，如何高效的预测交通流量成为重要的研究课题。

2、交通数据是一种由部署的传感器以固定时间间隔连续记录的时间序列数据，是比较典型的时空数据。在过去的几十年里，传统的交通流量预测方法所采用的数据集规模有限，比较有局限性。例如，广泛使用的基准数据集(如pems03、04、07和08)仅包含数百个节点和边，无法很好地反映真实的交通网络。然而，现实世界中需要分析的交通网络规模通常要大得多。例如，仅美国加利福尼亚州就拥有近20000个运行传感器。由于现目前的大多数交通预测模型是在小型数据集上开发的，因此大多数模型都无法扩展到更大的传感器网络。此外，现有的交通数据集在时间覆盖方面也存在不足，通常只有不到6个月的数据。这种有限的时间跨度阻碍了对长期季节性模式的研究，并限制了深度学习模型的训练实例数量。因此，选择大规模交通数据集对于现实世界的交通流量预测至关重要。

3、其次，基于深度学习的时序预测方法也发展迅速，具体来说，递归神经网络(rnn)及其变体，如长短期记忆(lstm)和门控循环单元(gru)可以从时间序列数据中建模时间依赖性。然而，这些方法没有办法捕获空间相关性。此外，近年来基于深度学习的时空预测方法已被广泛运用于交通流量预测任务。具体来说，时空图卷积神经网络(stgcn)、图波网络(graph wavenet)、动态图卷积循环神经网络(dgcrn)以及基于注意力的时空图神经网络(astgnn)，上述的方法能建模时空相关性，预测的准确性也比较高，然而这些模型的内存和计算复杂度随着序列的长度呈二次方增长，将它们当应用于相对较大的多变量时间序列预测数据集时，内存成本和计算成本显著增加，因此无法扩展到大规模数据集。而如何在大规模数据集基础上实现准确的交通流量预测并且降低内存成本和计算成本，目前还缺乏有效的解决方案。

技术实现思路

1、为了克服上述技术缺陷，本技术实施例中提供了基于网络约减预测交通流量的方法及其装置，可以在大规模交通数据的基础上减少内存成本和计算成本并保持预测的准确性。

2、第一方面，本技术实施例中提供了一种基于网络约减预测交通流量的方法，包括：

3、s1、利用传感器采集指定路段及其附近区域内连续时间步的交通流量数据，并对获取到的交通流量数据进行预处理；

4、s2、将预处理后的交通流量数据作为输入数据对其进行时间嵌入和空间嵌入得到高维嵌入向量，其中时间嵌入是在输入数据的时间维度添加位置信息，空间嵌入是在输入数据的空间维度添加位置信息；

5、s3、将高维嵌入向量输入交通流量预测模型中预测得到指定路段对应的交通流量预测结果；

6、其中交通流量预测模型中包括l层编码层和l层解码器层，l为大于或等于2的整数，一个编码器层对应连接一个解码器层，其中每个编码器层中包括一个接受加权键值rwkv层和一个图卷积网络gcn注意力层，每个解码器层中包括两个rwkv层和一个gcn注意力层。

7、可选的，在第一方面的一种可能的实现方式中，

8、在s3中将高维嵌入向量输入交通流量预测模型中预测得到指定路段对应的交通流量预测结果的步骤包括：

9、s3.1、编码处理：在每一个编码器层中先由rwkv层对高维嵌入张量进行注意力计算得到第一特征表示张量，后由gcn注意力层根据第一特征表示张量确定中间表示序列；

10、s3.2、解码处理：在每一个解码器层中先由第一个rwkv层对高维嵌入张量进行注意力计算得到第二特征表示张量，再由第二个rwkv层对新的表示序列进行注意力计算得到第三特征表示张量，新的表示序列是由第二特征表示张量和中间表示序列连接得到，最后由gcn注意力层根据第三特征表示张量确定交通流量输出序列；

11、s3.3、线性处理：对所有编码器层输出的交通流量输出序列进行线性处理后得到交通流量预测结果。

12、可选的，在第一方面的一种可能的实现方式中，rwkv层中的主干网络采用堆叠残差块结构，每个残差块中包括一个时间混合子块和一个通道混合子块；时间混合子块用于实现时间混合，在当前时间步和前一个时间步之间进行插值；通道混合子块用于对当前时间步和前一个时间步进行加权混合，并通过线性投影得到最终的特征表示。

13、可选的，在第一方面的一种可能的实现方式中，rwkv层中的主干网络采用堆叠残差块结构，每个残差块中包括一个时间混合子块和一个通道混合子块；时间混合子块用于实现时间混合，在当前时间步和前一个时间步之间进行插值；通道混合子块用于对当前时间步和前一个时间步进行加权混合，并通过线性投影得到最终的特征表示。

14、可选的，在第一方面的一种可能的实现方式中，位置信息为基于节点坐标表征的节点之间的相对位置关系，节点是根据指定路段划分的，一个指定路段作为一个节点；在s2中将预处理后的交通流量数据作为输入数据对其进行时间嵌入和空间嵌入得到高维嵌入向量的步骤具体包括：对预处理后的交通流量数据在时间维度上加入节点之间的相对位置关系得到时间嵌入向量；对预处理后的交通流量数据在空间维度上加入节点之间的相对位置关系得到空间嵌入向量；将时间嵌入向量和空间嵌入向量加和得到高维嵌入张量。

15、可选的，在第一方面的一种可能的实现方式中，在s1中对采集到的交通流量数据进行预处理的步骤具体包括：对采集到的交通流量数据进行归一化处理后获取每个交通流量数据对应的流量读数，并将每个交通流量数据的时间戳相对于当天午夜的时间差转化为小数形式，进而将每个交通流量数据的流量读数和小数形式表示的时间戳连接在一起得到处理后的交通流量数据。

16、可选的，在第一方面的一种可能的实现方式中，交通流量预测模型的目标优化函数为：

17、

18、其中，loss为交通流量高效预测模型的目标优化函数，n表示样本数量，f表示预测的时间步长，xt表示时间步t的输入状态，表示时间步t的预测。

19、可选的，在第一方面的一种可能的实现方式中，在交通流量预测模型的模型训练过程中采用6∶2∶2的划分比例按时间顺序将数据集划分为训练集、验证集和测试集进行训练。

20、可选的，在第一方面的一种可能的实现方式中，l的取值为2或3；在s1中交通流量数据是从largest基准数据集中获取的。

21、第二方面，本技术实施例中提供了一种基于网络约减预测交通流量的装置，其特征在于，包括：至少一个处理器；及与至少一个处理器通信连接的存储器；其中：存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上第一方面及其实现方式中任一项中的方法。

22、本技术实施例采用上述技术方案可以实现以下技术效果：使用rwkv模块和gcn注意力模块构建的交通流量预测模型，gcn注意力模块可以使得预测模型的预测准确度得到保证，同时rwkv模块可以降低计算复杂度，同时在编码层和解码器层解码器层中均同时使用rwkv模块和gcn注意力模块可以进一步提升交通流量预测模型的预测效率，还有预测过程中使用经时间嵌入和空间嵌入后的高维嵌入张量而不是直接使用输入数据可以进一步提升预测效率，因此，通过本技术中基于网络约减预测交通流量的方法可以保证预测准确度同时降低预测过程中的计算复杂度，实现对交通流量的高效、准确预测。。