基于交通流量数据融合的交通速度预测方法和系统

摘要

基于交通流量数据融合的交通速度预测方法，包括如下步骤：(1)数据预处理；对原始交通数据进行数据预处理，包括历史交通速度数据和交通流量数据；(2)基于交通流量数据融合的交通速度预测模型的设计；交通速度预测模型包括流量预测层、数据融合层、时空分析层和预测输出层；(3)样本数据集的生成和交通速度预测模型的训练；拆分基于步骤(2)所得的交通数据，生成训练数据集、验证数据集和测试数据集，训练交通速度预测模型；(4)未来时间段交通速度的预测；基于步骤(3)训练得到的预测模型，根据采集的交通数据，预测未来时间段的交通速度。本发明还包括实施基于交通流量数据融合的交通速度预测方法的系统。

说明书

技术领域

本发明涉及智能交通的交通速度预测方法和系统，可以预测未来一段时间的交通速度，交通速度预测方法可以用于交通控制、路径规划和交通诱导。

背景技术

交通速度是反映道路交通状态的重要参数之一。准确的交通速度预测有助于优化交通控制，提高交通通行效率。交通速度预测是智能交通系统不可或缺的一部分。通常，交通管理者可以用交通速度预测的结果输入至交通控制系统中来划分道路网络，以此制定不同的信号配时方案，引导交通出行，提高整个路网的通行能力。

交通速度预测问题的方法主要有三大类。第一类方法是基于传统的统计学预测模型，如历史平均法(Historical Average,HA)、向量自回归(Vector Auto-Regressive,VAR)和自回归差分移动平均模型(Auto-Regressive Integrated Moving Average Model,ARIMA)等。这类方法主要对交通数据之间的关系进行建模，并对交通数据进行回归以及优化参数，实现交通数据的拟合预测。但是由于交通场景的复杂性，这类预测方法很难获得准确的预测结果。第二类是基于机器学习的方法，主要包括K邻近算法(KNN)、支持向量机(Support Vector Machine，SVM)和支持向量回归(Support Vector Regressive，SVR)等。K邻近算法可以对更复杂的数据进行建模，但方法中K的取值非常依赖于先验知识。支持向量机和支持向量回归可以有效地预测短时交通速度，但是它们无法对复杂的路网进行建模，从而影响其预测效果和性能。第三类是基于神经网络的方法，主要有递归神经网络(Recurrent Neural Network，RNN)、长短期神经网络(Long Short-Term Memory，LSTM)、卷积神经网络(Convolutional Neural Network，CNN)和图卷积网络(GraphicConvolutional Network,GCN)等。RNN和LSTM等方法，能提取交通数据的时间特征，但它们不能提取交通数据的空间特征，预测精度有限，而且这些方法需要反复迭代，模型训练非常耗时。CNN采用了卷积方式，可以提取空间特征，但只适用于二维网格数据，不适用于复杂的交通数据。相对于其它神经网络方法，GCN方法可以捕获路网的空间特性，提升了交通速度预测能力，但GCN只能提取静态的空间特征，由于路网的空间特征是动态变化的，它随交通流量的变化而变化，因此GCN方法仍然存在局限性。不仅如此，所有的神经网络方法都只使用历史的交通速度数据来预测未来的交通速度，而原始的交通速度数据存在着采集误差，它们只是部分车辆的平均速度，这在一定程度上影响了交通速度预测的准确性。

目前，现有的交通速度预测方法存在以下主要问题：1)多数方法采用递归迭代方式，计算耗时，同时也没有考虑各个路段之间存在的空间关联性，不适用于复杂的道路网络；2)部分方法不仅考虑了时间关系，也考虑了静态的空间关系，但没有考虑空间关系的动态变化；3)大部分方法都只使用历史的交通速度数据，以此来预测未来的交通速度，没有考虑原始交通速度数据存在的采集误差，影响了交通速度预测的精度。

发明内容

本发明要克服现有技术的上述不足之处，提供基于交通流量数据融合的交通速度预测方法和系统，适用于城市路网和高速路网。

本发明采用了全卷积的结构，设计和实现了基于交通流量数据融合的交通速度预测模型。模型采用图卷积来捕获空间特征，采用时间门控卷积来捕获时间特征，同时，考虑交通流量与交通速度之间的相关性以及交通流量数据的准确性，将交通流量数据作为模型输入进行了数据融合，以提高交通速度预测性能。本发明还设计了应用于图卷积操作的复合邻接矩阵，复合邻接矩阵融合了静态和动态邻接矩阵，其中，静态邻接矩阵是基于静态的距离，动态邻接矩阵是基于交通流量的动态变化，从而实现了交通路网空间关系的综合分析，提高了模型的预测精度。本发明采用了全卷积结构，避免了模型训练的耗时问题，适用于复杂路网；同时，本发明融合了更为准确的交通流量数据，弥补了原始交通速度数据存在的采集误差，减少了预测误差。而且，本发明设计了复合邻接矩阵，综合分析了路段之间的静态和动态空间关系，实现了更为有效的空间图卷积操作，提高了整个模型的预测精度。

本发明是通过以下技术方案来达到上述目的：即基于交通流量数据融合的交通速度预测方法，具体的实施步骤如下：

(1)数据预处理。对原始交通数据进行数据预处理，包括历史交通速度数据和交通流量数据。采用平均值法修补缺失数据，并采用Z-Score方法对数据进行归一化处理，使得原始数据的均值为0，方差为1。

(2)基于交通流量数据融合的交通速度预测模型的设计。交通速度预测模型包括流量预测层、数据融合层、时空分析层和预测输出层。流量预测层采用一个时空卷积块对输入的历史交通流量数据进行处理，从而获得未来若干时间段的交通流量预测数据。数据融合层是采用时间门控卷积把预测的交通流量数据和历史的交通速度数据进行处理，然后进行串联融合并输出至下一层。时空分析层主要是对融合的交通数据进行处理，分别采用图卷积和时间门控卷积来提取交通数据的空间特征和时间特征。预测输出层包括一个时空卷积块、一个时间门控卷积和一个全连接层，时空卷积块用于进一步提取交通数据的时空特征，而时间门控卷积和全连接层则用于最终预测结果的输出。

交通速度预测模型采用时空卷积块，时空卷积块是整个模型的核心组件。时空卷积块由两个时间门控卷积和中间的一个空间图卷积组成，时间门控卷积用于提取时间特征，而图卷积用于提取空间特征。整个交通速度预测模型总共使用了三个时空卷积块，流量预测层的时空卷积块用于处理历史的交通流量数据，并输出未来的交通流量数据；数据融合层和时空分析层合并在一起，也构成一个时空卷积块，用于处理融合后的交通数据并提取时空特征；预测输出层也叠加了一个时空卷积块，用于进一步提取时空特征。

交通速度预测模型采用图卷积操作来提取交通数据的空间关系。图卷积将交通路网视为一张无向图，每个节点代表一个路段，并采用拉普拉斯一阶近似来实现图卷积过程。图卷积的一般表达形式为：

其中，Θ*

交通速度预测模型设计了复合邻接矩阵，应用于模型的所有图卷积操作。相对于传统的邻接矩阵，复合邻接矩阵融合了静态邻接矩阵和动态邻接矩阵，实现了路段之间空间关系的综合分析。具体如下：

其中，

交通速度预测模型的流量预测层包括一个时空卷积块，其中时间门控卷积用于捕获交通流量数据的时间特征，图卷积用于捕获交通流量数据的空间特征。相比常用的递归神经网络，这种方式利用了卷积操作，具有训练快、结构简单等优点，有效地降低了模型训练的复杂度。流量预测层的输入输出变化为：

其中，输出

交通速度预测模型的数据融合层包括两个时间门控卷积和串联操作，两个时间门控卷积分别用于预测的交通流量数据和历史的交通速度数据，提取它们的时间特征，而串联操作则用于这两部分数据的融合，并作为下一层的输入。数据融合层的输入输出变化为：

其中，

交通速度预测模型的时空分析层包括空间图卷积和时间门控卷积，空间图卷积用于提取融合数据的空间特征，时间门控卷积用于提取融合数据的时间特征。时空分析层的输入输出变化为：

其中，

交通速度预测模型的预测输出层包括一个时空卷积块，一个时间门控卷积和一个全连接层，时空卷积块用于进一步提取时空关系，而额外的时间门控卷积和全连接层用于最终预测结果的输出。预测输出层的输入输出变化为：

Z＝Γ

其中，

交通速度预测模型采用Adam优化器进行训练，使用梯度下降算法更新参数。模型的损失函数采用均方误差，具体如下：

其中，

(3)样本数据集的生成和交通速度预测模型的训练。拆分基于步骤(2)所得的交通数据，生成训练数据集、验证数据集和测试数据集，训练交通速度预测模型。

(4)未来时间段交通速度的预测。基于步骤(3)训练和测试得到的预测模型，根据采集的交通数据，预测未来时间段的交通速度。

优选地，步骤(2)的公式(2)，参数设置为σ

优选地，步骤(3)中，按6:2:2的比例拆分，生成训练数据集、验证数据集和测试数据集。

实施本发明的基于交通流量数据融合的交通速度预测方法的系统，包括依次连接的数据预处理模块、交通速度预测模型设计模块、样本数据集生成和交通速度预测模型训练模块、未来时间段交通速度预测模块。

本发明的有益效果在于：(1)本发明采用了全卷积结构，包括时间门控卷积和空间图卷积，避免了模型训练的耗时问题，适用于复杂的道路网络；(2)本发明在历史交通速度数据的基础上，融合了更为准确的交通流量数据，提高了交通速度的预测精度；(3)本发明设计了应用于图卷积操作的复合邻接矩阵，不仅考虑了静态的空间关系，也分析了动态的空间关系，实现了路段之间空间相关性的综合分析，提高了预测精度。

附图说明

图1是本发明的时空卷积块结构图。

图2是本发明的交通速度预测模型结构图。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

本发明的基于交通流量数据融合的交通速度预测方法，具体的实施步骤如下：

(1)数据预处理。对原始交通数据进行数据预处理，包括历史交通速度数据和交通流量数据。采用平均值法修补缺失数据，并采用Z-Score方法对数据进行归一化处理，使得原始数据的均值为0，方差为1。

(2)基于交通流量数据融合的交通速度预测模型的设计。交通速度预测模型包括流量预测层、数据融合层、时空分析层和预测输出层。流量预测层采用一个时空卷积块对输入的历史交通流量数据进行处理，从而获得未来若干时间段的交通流量预测数据。数据融合层是采用时间门控卷积把预测的交通流量数据和历史的交通速度数据进行处理，然后进行串联融合并输出至下一层。时空分析层主要是对融合的交通数据进行处理，分别采用图卷积和时间门控卷积来提取交通数据的空间特征和时间特征。预测输出层包括一个时空卷积块、一个时间门控卷积和一个全连接层，时空卷积块用于进一步提取交通数据的时空特征，而时间门控卷积和全连接层则用于最终预测结果的输出。

交通速度预测模型采用时空卷积块，时空卷积块是整个模型的核心组件。时空卷积块由两个时间门控卷积和中间的一个空间图卷积组成，时间门控卷积用于提取时间特征，而图卷积用于提取空间特征。整个交通速度预测模型总共使用了三个时空卷积块，流量预测层的时空卷积块用于处理历史的交通流量数据，并输出未来的交通流量数据；数据融合层和时空分析层合并在一起，也构成一个时空卷积块，用于处理融合后的交通数据并提取时空特征；预测输出层也叠加了一个时空卷积块，用于进一步提取时空特征。

交通速度预测模型采用图卷积操作来提取交通数据的空间关系。图卷积将交通路网视为一张无向图，每个节点代表一个路段，并采用拉普拉斯一阶近似来实现图卷积过程。图卷积的一般表达形式为：

其中，Θ*

交通速度预测模型设计了复合邻接矩阵，应用于模型的所有图卷积操作。相对于传统的邻接矩阵，复合邻接矩阵融合了静态邻接矩阵和动态邻接矩阵，实现了路段之间空间关系的综合分析。具体如下：

其中，

交通速度预测模型的流量预测层包括一个时空卷积块，其中时间门控卷积用于捕获交通流量数据的时间特征，图卷积用于捕获交通流量数据的空间特征。相比常用的递归神经网络，这种方式利用了卷积操作，具有训练快、结构简单等优点，有效地降低了模型训练的复杂度。流量预测层的输入输出变化为：

其中，输出

交通速度预测模型的数据融合层包括两个时间门控卷积和串联操作，两个时间门控卷积分别用于预测的交通流量数据和历史的交通速度数据，提取它们的时间特征，而串联操作则用于这两部分数据的融合，并作为下一层的输入。数据融合层的输入输出变化为：

其中，

交通速度预测模型的时空分析层包括空间图卷积和时间门控卷积，空间图卷积用于提取融合数据的空间特征，时间门控卷积用于提取融合数据的时间特征。时空分析层的输入输出变化为：

其中，

交通速度预测模型的预测输出层包括一个时空卷积块，一个时间门控卷积和一个全连接层，时空卷积块用于进一步提取时空关系，而额外的时间门控卷积和全连接层用于最终预测结果的输出。预测输出层的输入输出变化为：

Z＝Γ

其中，

交通速度预测模型采用Adam优化器进行训练，使用梯度下降算法更新参数。模型的损失函数采用均方误差，具体如下：

其中，

(3)样本数据集的生成和交通速度预测模型的训练。按6:2:2的比例拆分基于步骤(2)所得的交通数据，生成训练数据集、验证数据集和测试数据集，训练交通速度预测模型。

(4)未来时间段交通速度的预测。基于步骤(3)训练得到的预测模型，根据采集的交通数据，预测未来时间段的交通速度。

如附图1，本发明的时空卷积块结构图。它是由两个时间门控卷积和中间的一个空间图卷积组成，时间门控卷积用于提取时间特征，而图卷积用于提取空间特征。

如附图2，本发明的交通速度预测模型结构图。模型共有四层，包括流量预测层、数据融合层、时空分析层和预测输出层。流量预测层采用一个时空卷积块对输入的历史交通流量数据进行处理，从而获得未来若干时间段的交通流量预测数据。数据融合层是采用时间门控卷积把预测的交通流量数据和历史的交通速度数据进行处理，然后进行串联融合并输出至下一层。时空分析层主要是对融合的交通数据进行处理，采用图卷积提取空间特征，采用时间门控卷积提取时间特征。预测输出层包括一个时空卷积块、一个时间门控卷积和一个全连接层，时空卷积块用于进一步提取交通数据的时空特征，而时间门控卷积和全连接层则用于最终预测结果的输出。整个模型使用了三个结构相同的时空卷积块，流量预测层的时空卷积块用于处理历史的交通流量数据，并输出未来的交通流量数据；数据融合层和时空分析层合并在一起，也构成一个时空卷积块，用于处理融合后的交通数据并提取时空特征；预测输出层也叠加了一个时空卷积块，用于进一步提取时空特征。

实施本发明的基于交通流量数据融合的交通速度预测方法的系统，包括依次连接的数据预处理模块、交通速度预测模型设计模块、样本数据集生成和交通速度预测模型训练模块、未来时间段交通速度预测模块。数据预处理模块、交通速度预测模型设计模块、样本数据集生成和交通速度预测模型训练模块、未来时间段交通速度预测模块分别包含本发明方法的步骤(1)～步骤(4)的技术内容。

本发明采用了全卷积的结构，设计和实现了基于交通流量数据融合的交通速度预测模型。模型采用图卷积来捕获空间特征，采用时间门控卷积来捕获时间特征，同时，考虑交通流量与交通速度之间的相关性以及交通流量数据的准确性，将交通流量数据作为模型输入进行了数据融合，以提高交通速度预测性能。本发明还设计了应用于图卷积操作的复合邻接矩阵，复合邻接矩阵融合了静态和动态邻接矩阵，其中，静态邻接矩阵是基于静态的距离，动态邻接矩阵是基于交通流量的动态变化，从而实现了交通路网空间关系的综合分析，提高了模型的预测精度。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。