CN118280113B - 面向高速公路车流量预测的离散数据处理方法及系统 - Google Patents
面向高速公路车流量预测的离散数据处理方法及系统 Download PDFInfo
- Publication number
- CN118280113B CN118280113B CN202410428805.XA CN202410428805A CN118280113B CN 118280113 B CN118280113 B CN 118280113B CN 202410428805 A CN202410428805 A CN 202410428805A CN 118280113 B CN118280113 B CN 118280113B
- Authority
- CN
- China
- Prior art keywords
- discrete
- traffic flow
- formula
- data
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 61
- 230000011218 segmentation Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 16
- 230000003442 weekly effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 abstract description 40
- 230000008569 process Effects 0.000 description 39
- 235000006485 Platanus occidentalis Nutrition 0.000 description 25
- 244000268528 Platanus occidentalis Species 0.000 description 25
- 230000000694 effects Effects 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000002354 daily effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000002679 ablation Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 3
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 3
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种面向高速公路车流量预测的离散数据处理方法及系统，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；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。该面向高速公路车流量预测的离散数据处理方法解决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。
Description
技术领域
本发明涉及计算机技术领域，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
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；
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。
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。
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。
发明内容
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。
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：
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。
在上述技术方案的基础上，本发明还可以做如下改进：
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；
通过公式(1)表示最近时段的输入数据；
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；
通过公式(2)表示日周期时段的输入数据；
式中，Xd为日周期时段的输入数据；
通过公式(3)表示周周期时段的输入数据；
式中，Xw为周周期时段的输入数据。
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：
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；
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。
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：
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；
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。
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：
通过公式(6)计算拉普拉斯矩阵；
LA＝D-A 公式(6)；
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；
通过公式(7)计算图特征融合的结果；
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。
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：
通过公式(8)计算离散预测模块的最终输出；
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。
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：
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；
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。
一种面向高速公路车流量预测的离散数据处理系统，包括：
获取模块，用于获取一定数量的历史交通流量数据；
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；
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；
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。
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。
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。
本发明实施例具有如下优点：
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。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明面向高速公路车流量预测的离散数据处理方法的流程图；
图2为本发明面向高速公路车流量预测的离散数据处理系统的架构图；
图3为本发明提供的电子设备实体结构示意图；
图4为本发明平面树矩阵的示意图；
图5为本发明空间树矩阵的示意图；
图6为本发明扩张卷积的过程图；
图7为本发明TRM残余结构的示意图；
图8为本发明树卷积的过程图；
图9为本发明平面树卷积原理的示意图；
图10为本发明平面树卷积原理的示意图；
图11为本发明离散预测模块的示意图。
其中附图标记为：
获取模块10，构建模块20，训练模块30，电子设备40，处理器401，存储器402，总线403。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明面向高速公路车流量预测的离散数据处理方法实施例流程图，如图1所示，本发明实施例提供的一种面向高速公路车流量预测的离散数据处理方法包括以下步骤：
S101，获取一定数量的历史交通流量数据；
具体的，历史交通流量数据来自美国加州高速公路上的性能测量系统(PeMS)。PeMS能够实时收集加州所有主要城市高速公路系统上39000多个传感器的交通数据。从PeMS的39000+个传感器中随机选择97个传感器，并选择这97个节点2020年4月1日至5月1日(共30天)的交通流量数据作为训练集数据，表示为PeMS97。从PeMS的39000+个传感器中随机选择了140个传感器，以及这140个节点在2020年5月1日至5月25日的交通流量数据，通过比较模型对这两个数据集的预测结果，DeepTSTM优于现有的基准模型。
S102，构建交通流量预测模型，其中，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；
S103，通过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，将节点的空间分布信息抽象为树结构，将树结构正则化为空间树矩阵。
具体的，为了充分分析交通网络空间结构的层次性和方向性，根据树状结构对交通网络的空间结构进行了抽象和正则化。首先，将交通网络中节点的道路连通关系抽象为图结构，以获得交通网络的初步空间分布关系。其次，本发明以交通网络中的一个节点为根节点，使用广度优先遍历为该节点生成广度优先生成树。如图4所示，以节点a为根节点进行广度优先遍历，得到节点a的广度优先生成树。广度优先生成树能充分展示根节点与其他节点的层次关系；将节点的广度优先生成树抽象为平面树矩阵。由于不同的根节点通过广度优先遍历生成具有不同结构的广度优先生成树，因此平面矩阵的大小应该能够容纳具有最大深度的广度优先和具有最大宽度的广度优先的生成树。平面树矩阵的大小被定义为在这种情况下，α表示所有广度优先生成树的最大层数，β表示所有广度第一生成树的子节点的最大数量。为了确保所有节点的平面树矩阵大小相同，使用零值来填充平面树矩阵。
平面树矩阵通过将树结构的同一级别的节点存储在矩阵的同一行中，充分展示了节点之间的层次关系。在广度优先生成树中，将从父节点到子节点的方向视为节点之间的逻辑方向(Mandal，Acharya，and Basak 2022)。平面树矩阵中的每一列都是从根节点到叶节点的完整序列，充分保留了节点之间的层次关系和方向关系。在获得所有节点的平面树矩阵后，将平面树矩阵连接成空间树矩阵，如图5所示。从上面可以看出，空间树矩阵保留了节点的空间分布特征，同时充分展示了节点之间的层次关系和有向关系。
本发明使用5分钟作为时间片来统计交通流量数据。为了充分分析数据的时间周期性对交通流量预测的影响，本发明将输入数据按最近时段、日周期段和周周期段划分为时间片。假设需要预测的时期是tp。
所述预设时段包括最近时段、日周期时段和周周期时段；
最近时段是指需要预测的时段的前一小时的交通流量数据。最近的输入数据如公式(1)所示，由于交通流量在短时期内存在明显的相关性，因此前一时期的交通流量对未来一段时间的交通流量影响最大。
通过公式(1)表示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；
日周期是需要预测的时段前一天对应的同一时段的交通流量。日周期的输入数据如公式(2)所示，交通流量数据每天都有一个周期，例如，每天早上8点到9点会有一个早高峰。因此，将日周期作为输入数据可以提高交通流量预测的准确性。
通过公式(2)表示日周期时段的输入数据；
式中，Xd为日周期时段的输入数据；
周周期输入数据是与要预测的时间之前的一周相对应的同一时段的交通流量。每周周期的输入数据格式如公式(3)所示。交通流量数据具有周周期的特征，例如，每周周一上午8:00至9:00的交通流量数据与前一周的交通流量相似。因此，包含周周期输入数据可以有效地提高模型预测的准确性。
通过公式(3)表示周周期时段的输入数据；
式中，Xw为周周期时段的输入数据。
S104，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，将时空特征和空间特征进行融合，得到时空特征；
具体的，为了捕捉交通数据的长期时间特征，本发明设计了一个时间残差模块TRM。在长期时间相关性分析中，权重矩阵的分辨率随着卷积层数的增加而逐渐降低。为了减少卷积过程中的信息损失，采用扩张卷积来完成时间相关性分析，并对扩张卷积进行了优化。设计了一个扩张因子d来动态调整扩张卷积的特征分析步骤。由于扩张卷积在卷积过程中不仅使用了历史交通数据信息，还使用了未来交通数据信息。因此，扩张卷积不能直接用于交通数据的时间相关性分析过程。为了解决在扩张卷积的卷积过程中使用未来交通数据信息的问题，本发明在设计扩张卷积时利用了因果卷积的思想，即当前时间步长的数据时间特性仅取决于历史数据信息。尽管扩张因子d的指数变化可以有效地扩展模型的感知场，但在扩张卷积的过程中，随着卷积层数的增加，相邻时间步长的知识逐渐丢失。相邻时间步长的信息丢失可能导致梯度消失和模型拟合不足等问题。为了提高相邻时间步长信息的权重，本发明采用先增大后减小的凸函数变化来动态调整扩张因子。本发明中优化的扩张卷积过程如图6所示。
为了降低模型的复杂度，提高模型预测的准确性，设计了TRM残差结构来代替传统递归神经网络中的门控单元，如图7所示。TRM残差模块由卷积网络和非线性映射组成，BatchNorm用于在TRM残差模型中进行卷积运算后对卷积层的输出数据进行正则化。BatchNorm正则化运算可以提高输入数据的稳定性，提高模型的收敛速度。此外，在TFM残差模块中添加了卷积核大小为1×1的卷积运算，以解决输入和输出数据之间的数据宽度差问题。
树卷积网络是基于空间树矩阵来完成树卷积过程，捕捉交通网络中节点之间的空间特征。构成空间树矩阵的每个平面树矩阵在树卷积处理中独立执行。树卷积过程将树结构的原始特征转换为初步特征，并最终转换为高级特征。树卷积过程的结构如图8所示。树卷积中有多个基本单元来实现逐层卷积过程。首先，将平面树矩阵中最底部的节点和倒数第二个节点连接并输入到CNN中。其次，将当前层中节点的原始特征与CNN的输出进行加权，以获得当前层的卷积结果。该模型重复上述过程，直到所有层的节点融合。最后，树卷积将所有层的卷积结果连接起来，以获得平面树矩阵的高级特征。树卷积的最终输出是组成空间树矩阵的所有平面树矩阵的高级特征的级联。
图9显示了在树卷积期间捕获节点之间的层次和方向特征的过程。平面树矩阵中的每一列都保留了从根节点到叶节点的连接路径，即保留了根节点和其他节点之间的方向特征。在本发明中，使用2×1卷积核来实现树卷积过程，确保每个节点的连接路径具有独立的卷积过程，并且不会受到其他节点连接关系的影响。树卷积过程将平面树矩阵的每个列连通性特征抽象为高维特征。最后，树卷积将平面树矩阵的所有高级特征连接到根节点的方向特征中。除了方向特征外，树卷积过程还保留了平面树矩阵的层次特征。由于平面树矩阵是通过广度优先遍历生成的，因此平面树矩阵保留了广度优先生成树的层次关系。层次关系被解释为连接到当前节点的直接或间接关系。根节点总是存储在平面树矩阵的第一行中。直接连接到根节点的节点被存储在平面树矩阵的第二行中。基于间接连接的数量，将间接连接到根节点的其他节点存储在平面树矩阵的不同行中。根据行优先原理，树卷积通过卷积核的平移得到平面树矩阵每一行的层次关系。间接连接数较高的节点层首先执行卷积过程，这意味着间接连接的节点执行更多的卷积过程。每个卷积过程都必须有一定程度的信息损失。因此，根节点和直接连接的节点可以保留更直接的相关信息，因为它们执行的卷积过程更少。上述过程允许通过树卷积生成的高级特征包含节点之间不同程度的层次特征。
S105，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离散量转换为高维离散特征；
具体的，由于离散小波变换在执行数据分割时计算密集，当交通网络中的节点数量和交通数据时间步长增加时，它可能导致模型训练中的速度下降和梯度消失等问题。因此，本发明对离散小波变换进行了优化，并设计了离散分割模块，如图10所示。首先，使用低通滤波器来获得交通数据的趋势，使用高通滤波器来获得离散量的交通数据。其次，设计了一个下采样滤波器来降低数据的维数，提高模型的训练速度。最后，将高通滤波器的下采样结果输入到离散预测模块中，并通过离散预测模块将低维离散量转换为高维离散特征。
假设离散分割模块的输入数据是XT＝{x0，x1，...，xT-1}，XT表示当时的交通数据，g(·)＝{g0，g1，...，gK-1}表示用于捕获交通数据的低频信息的低通滤波器序列，h(·)＝{h0，h1，...，hK-1}表示用于捕捉交通数据的高频信息的高通滤波器序列，并且表示低通滤波器序列和高通滤波器序列的序列大小。Q表示下采样滤波器的下采样率。在获得低通滤波器的输出结果后，使用下采样滤波器来计算低通滤波器计算结果的下采样特性，并且上述过程可以抽象为公式(5)，其中CT表示交通数据的低频滤波信息，即交通数据的变化趋势。在获得高通滤波器的输出结果后，使用下采样滤波器来计算高通滤波器的下采样特征，并且上述过程可以抽象为公式(4)，其中DQ表示交通数据的高频信息，即交通数据的离散量。
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；
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。
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；
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。
采用离散小波变换对交通流数据进行分解，得到离散量。将离散量视为一组包含空间特征的时间序列数据。为了更全面地分析离散量的时间和空间相关性，并使模型的预测更准确，提出了一个离散预测模块，如图11所示。
DPM主要包括三个部分，即图特征融合、图更新门和图重置门。为了提高预测结果的准确性，使用拉普拉斯矩阵的特征值和特征向量来分析交通流数据的空间相关性。空间相关性的拉普拉斯矩阵的计算过程如公式(6)所示。
通过公式(6)计算拉普拉斯矩阵；
KA＝D-A 公式(6)；
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；
在图特征融合中，需要对拉普拉斯矩阵进行分解。然而，当图的尺度较大时，直接分解拉普拉斯矩阵的成本较高，导致模型运算速度显著降低。为了提高模型的训练速度，本发明使用K阶切比雪夫多项式近似来解决这个问题。图特征融合的计算过程如公式(7)所示。
通过公式(7)计算图特征融合的结果；
式中，Gt为图特征融合的结果，α为可训练参数，σ为sigmoid函数，Xt为t时刻输入数据。
首先，将前一层的隐藏状态信息和与图特征融合的输入信息传递给函数，以获得图重置门信息，如公式(9)所示。其次，图重置门信息、前一层的隐藏状态信息和当前数据信息被融合，并传递给函数以获得新的候选值向量，如公式(10)所示。然后，将前一层的隐藏状态信息和与图特征融合的输入信息传递给sigmoid函数，以获得图更新门信息，如公式(11)所示。最终的DPM输出被定义为公式(8)。
zt＝σ(Wz(Gtht-1)bz) 公式(11)；
通过公式(8)计算离散预测模块的最终输出；
式中，ht为离散预测模块的最终输出，zt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。
S106，通过输出层将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；
具体的，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；
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。
在获得交通数据的高维离散特征后，通过离散融合模块来完成高维离散特性与时空特征的融合。在获得交通数据的时空特征提取结果后，使用离散分割模块从交通数据的空间-时间特征提取结果中对数据进行分割，并保持变化趋势。由于离散分割模块使用下采样滤波器进行数据分割，因此降低了数据维度。在离散融合模块中使用上采样滤波器来完成数据特征融合。离散特征融合的计算过程如公式(9)所示。其中，ck∈{c0，c1，...，cK-1}表示用于交通数据的低频信息的上采样滤波器，并且dk∈{d0，d1，...，dx-1}表示用于交通信息的高频信息的上取样滤波器。CTt表示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，并且DQt表示时空特征提取结果的第t时间步长的变化趋势值。通过上采样滤波器将高维离散特征与时空特征数据的变化趋势融合，得到DeepTSTM的输出结果，yt表示未来第t个时间步长的交通预测结果。
S107，将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；
选择以下7个基线将实验结果与DeepTSTM的实验结果进行比较。
7个基线为：LSTM：长短期记忆网络，一种特殊的RNN模型。GRU：门控循环单元网络，一种特殊的RNN模型。GCN：图形卷积网络，一种特殊的CNN模型。STDN：重新审视时空相似性，交通预测的深度学习框架。T-GCN：用于交通预测的时间图卷积网络。T-GCN用于捕捉时间和空间相关性，不仅用于短期预测，还用于长期预测。STGCN：时空图卷积网络，一种用于交通预测的深度学习框架。ASTGCN：基于注意力的时空图卷积网络；用于交通流预测的深度学习模型。
在相同的实验条件下，DeepTSTM和其他七个基线在相同的数据集上进行预测，并记录实验过程中的模型误差。在相同的训练环境下，DeepTSTM在数据集PeMS97上的性能优于其他基线预测模型。
DeepTSTM的预测效果优于LSTM。LSTM作为一种典型的递归神经网络模型，通常用于分析时间序列数据的时间相关性。虽然交通流量数据是典型的时间序列数据，但交通流量数据具有明显的空间相关性。仅使用LSTM来预测交通网络中所有节点的交通流数据是不准确的。GRU的模型参数更少，训练速度更快。GRU将LSTM中的输入门和遗忘门合并为更新门。在相同的训练条件下，GRU收敛速度更快。在相同的训练条件下，GRU的预测结果优于LSTM。与LSTM相比，GRU的MAE平均降低0.47，RMSE平均降低0.62。尽管GRU模型的预测效果得到了部分提高，但总体预测效果并不理想。LSTM和GRU通常用于训练时间序列数据。尽管交通流数据通常是按时间顺序排列的具有强时间相关性的时间序列数据，但交通流数据具有强空间相关性。递归神经网络很难分析交通流数据的空间相关性。基于递归神经网络，STDN是指CNN来提取交通流数据的空间特征。STDN使用LSTM来分析交通流量数据的时间相关性，并使用CNN来计算交通流数据的空间特征。添加了空间特征计算模块后，STDN的模型预测效果显著提高。与LSTM相比，STDN的平均MAE降低了11.30，平均RMSE降低了16.65。与GRU相比，STDN的MAE平均下降了10.38，RMSE平均下降了16.02。STDN使用CNN来提取数据的空间特征，而CNN通常用于提取欧几里得空间结构的数据特征，如图像、视频等。当对交通网络结构进行特征提取时，无法完全分析交通流数据的空间相关性。
在包含GCN的四个基线中，单个GCN模型表现最差，GCN只能拟合交通流数据的变化过程，GCN的预测结果与实际交通流数据存在较大差距。与CNN和RNN相比，GCN可以更全面地分析交通网络的空间依赖性。但是，单一的GCN模型缺乏对交通流数据的时间相关性的分析。因此，单个GCN模型的预测效果还有很大的改进空间。GCN的平均MAE高达61.23，平均RMSE高达93.30。T-GCN使用基于GCN的CNN来获得时间特征。添加基于GCN的时间相关性分析有效地提高了模型交通流数据的准确性。T-GCN的平均MAE降低了16.98，T-GCN平均RMSE降低了27.44。T-GCN的预测结果比GCN的更接近真实值。然而，T-GCN在预测峰值交通流量方面仍然存在不足，STGCN用GRU模型取代了用于提取T-GCN中时间特征的CNN模型。与CNN相比，GRU模型在提取时间序列数据特征方面更具优势。通过T-GCN和STGCN的预测结果，可以看出STGCN模型的效果更好。尽管STGCN模型已经包括了时空特征的提取，但它不能很好地适应交通流数据的离散变化。ASTGCN模型向STGCN模型添加了用于突出数据的空间和时间特征的注意力机制，从而可以更准确地提取数据特征。ASTGCN短期交通流量预测的MAE平均降至40.54，ASTGCN的RMSE平均降至56.72。ASTGCN只预测了疫情期间交通流量变化的总体趋势，而对一些细节的拟合是不准确的。由于GCN缺乏节点之间的层次和方向分析，本发明提出了一种树卷积来计算交通网络的空间特征。此外，为了充分拟合高度离散交通流数据的时间变化，本发明增加了数据离散分析，可以更准确地预测高度离散的交通流数据。DeepTSTM的平均MAE降至35.85，DeepTSSTM的平均RMSE降至52.77。DeepTSTM的预测效果优于所有基线模型。
在这项研究中，提出了树卷积来捕捉交通网络的空间特征。为了验证树卷积的有效性，本发明使用GCN代替模型中的树卷积模块来提取交通流数据的空间特征，表示为DeepTSTM_without_TC。此外，为了验证离散预测层对模型预测效果的影响，本发明对去除离散预测层后的DeepTSTM进行训练，即DeepTSTM_without_DWT，并对模型的预测结果进行评估。使用GCN而不是树卷积的模型具有最差的结果。与我们的模型相比，DeepTSTM_without_TC在MAE中平均增加9.38，在RMSE中平均增加8.59。评价结果表明，树卷积可以更全面地分析交通网络的空间相关性。树卷积可以大大提高模型的预测效果。与我们的模型相比，DeepTSTM_without_DWT的预测效果也显著下降，MAE平均提高6.99，RMSE平均提高7.07。评价结果表明，离散预测层可以有效地提高模型对高度离散交通流数据的预测精度。从消融实验的评估结果可以看出，DeepTSTM的预测效果优于消融实验中的两个模型，这证明了本发明提出的树卷积和离散预测层的有效性。
为了使模型更快地收敛，并在较少的训练轮中提高模型预测的准确性，本发明采用离散小波变换将离散量从交通流中分离出来，然后使用我们在本发明中设计的DPM模型来预测离散量。为了验证离散预测层对模型效果的影响，我们从模型中去除了离散预测层，并对模型进行了重新训练。去除离散预测层后，模型预测的准确性降低，实际数据无法准确拟合。离散预测层将交通流划分为变化趋势、离散量和离散基线，并使用DPM来预测交通流数据的离散量。烧蚀实验的实验结果表明，该方法提高了模型预测的准确性。
为了充分分析交通网络的空间相关性，本发明提出了树卷积来捕捉交通流数据的空间特征。树卷积不仅考虑了交通网络的空间连通性，而且充分分析了节点之间的层次性和方向性。GCN的每个卷积层都可以处理一阶邻域的节点信息，并通过堆叠多个卷积层的节点信息来实现多阶邻域的信息传递。然而，GCN的预测结果显示了局部峰值的拟合不足问题。单个聚合区域内的节点在相同的小范围内具有非常相似的时间变化，但在不同区域之间差异很大。GCN不能捕捉节点空间分布的层次特征，只能利用连通性进行邻接信息传递。树卷积不仅将方向特征的计算添加到相邻信息传递中，而且将聚合区域之间的差异抽象为层次特征。更重要的是，树卷积和GCN使用不同的结构来表示节点的空间分布；GCN的计算过程以包含所有节点的空间分布的唯一全局图为目标。树卷积中的每个节点都有一个以其为根节点的空间分布树结构，这使得树卷积能够捕捉节点之间更深、更复杂的空间相关性特征。树卷积可以挖掘交通网络的深层空间信息，显著提高了模型预测的准确性。
为了使模型更快地收敛，并在较少的训练轮中提高模型预测的准确性，本发明采用离散小波变换将离散量从交通流中分离出来，然后使用在本发明中设计的DPM模型来预测离散量。为了验证离散预测层对模型效果的影响，从模型中去除了离散预测层，并对模型进行了重新训练。去除离散预测层后，模型预测的准确性降低，实际数据无法准确拟合。离散预测层将交通流划分为变化趋势、离散量和离散基线，并使用DPM来预测交通流数据的离散量。烧蚀实验的实验结果表明，该方法提高了模型预测的准确性。
本发明提出了树卷积来捕捉交通流数据的空间特征。树卷积不仅考虑了交通网络的空间连通性，而且充分分析了节点之间的层次性和方向性。GCN的每个卷积层都可以处理一阶邻域的节点信息，并通过堆叠多个卷积层的节点信息来实现多阶邻域的信息传递。然而，GCN的预测结果显示了局部峰值的拟合不足问题。单个聚合区域内的节点在相同的小范围内具有非常相似的时间变化，但在不同区域之间差异很大。GCN不能捕捉节点空间分布的层次特征，只能利用连通性进行邻接信息传递。树卷积不仅将方向特征的计算添加到相邻信息传递中，而且将聚合区域之间的差异抽象为层次特征。更重要的是，树卷积和GCN使用不同的结构来表示节点的空间分布；GCN的计算过程以包含所有节点的空间分布的唯一全局图为目标。树卷积中的每个节点都有一个以其为根节点的空间分布树结构，这使得树卷积能够捕捉节点之间更深、更复杂的空间相关性特征。树卷积可以挖掘交通网络的深层空间信息，显著提高了模型预测的准确性。
在本发明中，提出了一种基于离散小波变换的时空树卷积模型，用于捕捉离散交通流预测的时空特征。在本发明中，离散小波变换用于分解交通流量数据，以附加数据的离散量。为了使模型实现离散量的预测，本发明提出了离散预测模块，该模块通过将低维离散特征转换为高维离散特征来完成离散量的计算。本发明提出了一种基于树的模型来捕捉交通网络的时空特征。交通网络中的每个节点都被用作树的根节点，以构建平面树矩阵。由所有平面树矩阵形成的空间树矩阵可以建立所有节点之间的方向关系和层次关系。空间树矩阵的卷积过程和时间残差模块对交通流的时间卷积过程构成了交通网络的时空计算过程。在本发明中，DeepTSTM在两个真实世界的数据集上进行了评估，并与多个基线进行了比较。实验结果表明，DeepTSTM对高度离散交通流的预测效果优于现有的基线。
图2为本发明面向高速公路车流量预测的离散数据处理系统实施例架构图；如图2所示，本发明实施例提供的一种面向高速公路车流量预测的离散数据处理系统，包括以下步骤：
获取模块10，用于获取一定数量的历史交通流量数据；
构建模块20，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；
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；
训练模块30，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。
图3为本发明实施例提供的电子设备实体结构示意图，如图3所示，电子设备40包括：处理器401(processor)、存储器402(memory)和总线403；
其中，处理器401、存储器402通过总线403完成相互间的通信；
处理器401用于调用存储器402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：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。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：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。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (5)
1.一种面向高速公路车流量预测的离散数据处理方法，其特征在于，所述方法具体包括：
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，将所述时间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；
公式（4）；
式中，为时空特征提取结果的第t时间步长的变化趋势值，为输入数据，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；
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；
公式（5）；
式中，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，为用于捕获交通数据的低频信息的低通滤波器；
通过公式（6）计算拉普拉斯矩阵；
公式（6）；
式中，为空间相关分析的拉普拉斯矩阵，为节点的度矩阵，为邻接矩阵；
通过公式（7）计算图特征融合的结果；
公式（7）；
式中，为图特征融合的结果，为可训练参数，为sigmoid函数，为t时刻输入数据；
通过公式（8）计算离散预测模块的最终输出；
公式（8）；
式中，为离散预测模块的最终输出，为t层的图更新门信息，为t-1层的输出，为t层的候选值向量；
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。
2.根据权利要求1所述面向高速公路车流量预测的离散数据处理方法，其特征在于，所述预设时段包括最近时段、日周期时段和周周期时段；
通过公式（1）表示最近时段的输入数据；
公式（1）；
式中，为最近时段的输入数据，为待预测的时段，为时段的输入数据，F为时间步长，为数据域，N为节点的数量；
通过公式（2）表示日周期时段的输入数据；
公式（2）；
式中，为日周期时段的输入数据；
通过公式（3）表示周周期时段的输入数据；
公式（3）；
式中，为周周期时段的输入数据。
3.一种面向高速公路车流量预测的离散数据处理系统，其特征在于，包括：
获取模块，用于获取一定数量的历史交通流量数据；
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；
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，将所述时间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；
公式（4）；
式中，为时空特征提取结果的第t时间步长的变化趋势值，为输入数据，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；
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；
公式（5）；
式中，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，为用于捕获交通数据的低频信息的低通滤波器；
通过公式（6）计算拉普拉斯矩阵；
公式（6）；
式中，为空间相关分析的拉普拉斯矩阵，为节点的度矩阵，为邻接矩阵；
通过公式（7）计算图特征融合的结果；
公式（7）；
式中，为图特征融合的结果，为可训练参数，为sigmoid函数，为t时刻输入数据；
通过公式（8）计算离散预测模块的最终输出；
公式（8）；
式中，为离散预测模块的最终输出，为t层的图更新门信息，为t-1层的输出，为t层的候选值向量；
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；
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。
4.一种电子设备，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计算机程序时实现如权利要求1至2中的任一项所述的方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2中的任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410428805.XA CN118280113B (zh) | 2024-04-10 | 2024-04-10 | 面向高速公路车流量预测的离散数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410428805.XA CN118280113B (zh) | 2024-04-10 | 2024-04-10 | 面向高速公路车流量预测的离散数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118280113A CN118280113A (zh) | 2024-07-02 |
| CN118280113B true CN118280113B (zh) | 2024-09-17 |
Family
ID=91637587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410428805.XA Active CN118280113B (zh) | 2024-04-10 | 2024-04-10 | 面向高速公路车流量预测的离散数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118280113B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118916839B (zh) * | 2024-10-09 | 2024-12-24 | 杭州海康威视数字技术股份有限公司 | 交通指标预测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
| CN114582128A (zh) * | 2022-03-10 | 2022-06-03 | 浙江大学 | 基于图离散注意力网络的交通流预测方法、介质及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113672865A (zh) * | 2021-07-27 | 2021-11-19 | 湖州师范学院 | 一种基于深度图高斯过程的交通流量预测方法 |
| CN116434569A (zh) * | 2022-12-26 | 2023-07-14 | 浙江大学滨江研究院 | 基于stnr模型的交通流量预测方法及系统 |
-
2024
- 2024-04-10 CN CN202410428805.XA patent/CN118280113B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670277A (zh) * | 2019-02-19 | 2019-04-23 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
| CN114582128A (zh) * | 2022-03-10 | 2022-06-03 | 浙江大学 | 基于图离散注意力网络的交通流预测方法、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118280113A (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Coupled layer-wise graph convolution for transportation demand prediction | |
| CN110827544B (zh) | 一种基于图卷积循环神经网络的短时交通流控制方法 | |
| Huang et al. | LSGCN: Long short-term traffic prediction with graph convolutional networks. | |
| Ricci et al. | Monocular depth estimation using multi-scale continuous crfs as sequential deep networks | |
| CN112861722B (zh) | 一种半监督深度图卷积的遥感土地利用语义分割方法 | |
| Mohan | Deep deconvolutional networks for scene parsing | |
| CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
| CN111738329A (zh) | 一种面向时间序列遥感影像的土地利用分类方法 | |
| Rao et al. | Discovering nonlinear PDEs from scarce data with physics-encoded learning | |
| CN118280113B (zh) | 面向高速公路车流量预测的离散数据处理方法及系统 | |
| CN114299723A (zh) | 一种交通流量预测方法 | |
| CN115660135A (zh) | 基于贝叶斯方法和图卷积的交通流预测方法及系统 | |
| CN109033107A (zh) | 图像检索方法和装置、计算机设备和存储介质 | |
| CN114692964B (zh) | 一种基于交叉注意力机制的时空交通流量预测方法 | |
| CN116976512B (zh) | 基于图神经网络的无人机集群航迹预测方法 | |
| CN116153089B (zh) | 基于时空卷积与动态图的交通流量预测系统及方法 | |
| CN115620510B (zh) | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 | |
| CN113971373A (zh) | 一种基于视频修复技术的交通流量插补方法 | |
| Lin et al. | Context-aware attentional graph U-Net for hyperspectral image classification | |
| CN112489420A (zh) | 一种公路交通状态预测方法、系统、终端以及存储介质 | |
| CN115691129A (zh) | 基于注意力的深度残差时空图卷积网络的交通流预测方法 | |
| Yu et al. | Missing air pollution data recovery based on long-short term context encoder | |
| Zhao et al. | Causal conditional hidden Markov model for multimodal traffic prediction | |
| Zeghina et al. | Deep learning on spatiotemporal graphs: a systematic review, methodological landscape, and research opportunities | |
| CN115662142A (zh) | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |