[發明專利]一種基于深度學習的交通流量預測方法及裝置

在審

• 申請號: 201911289190.2
• 申請日: 2019-12-13
• 公開（公告）號: CN110929962A
• 公開（公告）日: 2020-03-27
• 發明（設計）人: 葉潔瑕;趙娟娟;須成忠;葉可江
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G08G1/01
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 曹衛良

1.一種基于深度學習的交通流量預測方法，其特征在于，包括以下步驟：

接收用戶終端發送的流量預測請求，所述流量預測請求至少攜帶有目標節點標識；

響應所述流量預測請求，并獲取與所述目標節點標識相對應的目標路網的交通流量信息；

基于所述交通流量信息獲取時空特征信息；

將所述時空特征信息輸入至時空圖卷積模型進行模型預測操作，獲取流量預測結果；

向所述用戶終端輸出所述流量預測結果。

2.根據權利要求1所述的基于深度學習的交通流量預測方法，其特征在于，所述響應所述流量預測請求，并獲取與所述目標節點標識相對應的目標路網的交通流量信息的步驟包括：

基于設置在所述目標路網的各個節點的傳感器采集所述交通流量信息。

3.根據權利要求1所述的基于深度學習的交通流量預測方法，其特征在于，所述交通流量信息包括節點區域信息和歷史流量數據，所述基于所述交通流量信息獲取時空特征信息的步驟包括：

在所述歷史流量數據中，獲取與所述目標節點標識對應的目標節點流量序列以及與其余節點對應的其余節點流量序列；

根據所述節點區域信息，基于最短路徑算法計算所述其余節點到所述所述目標節點標識對應的目標節點的最短路徑長度；

根據所述最短路徑長度劃分空間矩陣；

將所述目標節點流量序列、所述其余節點流量序列以及所述空間矩陣作為所述時空特征信息。

4.根據權利要求3所述的基于深度學習的交通流量預測方法，其特征在于，所述根據所述最短路徑長度劃分空間矩陣的步驟包括：

將所有所述最短路徑長度按照由小到大的順序組合成路徑向量集；

按照預設的劃分方式將所述路徑向量集進行分段操作，得到分段向量集；

對每個所述分段向量集中的向量進行排列組合，得到所述分段向量對應的所述空間矩陣。

5.根據權利要求3所述的基于深度學習的交通流量預測方法，其特征在于，在所述將所述時空特征信息輸入至時空圖卷積模型進行模型預測操作，獲取流量預測結果的步驟之前，所述基于深度學習的交通流量預測方法還包括：

構建所述原始卷積模型；

將多個流量訓練樣本使用隨機梯度下降優化算法對所述原始卷積模型進行訓練。

6.根據權利要求5所述的基于深度學習的交通流量預測方法，其特征在于，所述構建所述原始卷積模型的步驟包括：

創建時間組件和空間組件，并基于全連接神經網絡對所述時間組件和空間組件進行融合操作，得到所述原始卷積模型。

7.根據權利要求6所述的基于深度學習的交通流量預測方法，其特征在于，所述將所述時空特征信息輸入至時空圖卷積模型進行模型預測操作，獲取流量預測結果的步驟包括：

將所述目標節點流量序列輸入所述時間組件中進行數據處理，得到時間組件預測向量；

將所述其余節點流量序列和所述空間矩陣輸入所述空間組件中進行數據處理，得到空間組件預測向量；

將所述時間組件預測向量和所述空間組件預測向量，輸入所述全連接神經網絡中進行融合得到所述目標節點的目標預測值；

將所述目標預測值作為所述流量預測結果。

8.一種基于深度學習的交通流量預測裝置，其特征在于，包括：

請求接收模塊，用于接收用戶終端發送的流量預測請求，所述流量預測請求至少攜帶有目標節點標識；

信息獲取模塊，用于響應所述流量預測請求，并獲取與所述目標節點標識相對應的目標路網的交通流量信息；

特征獲取模塊，用于基于所述交通流量信息獲取時空特征信息；

特征預測模塊，用于將所述時空特征信息輸入至時空圖卷積模型進行模型預測操作，獲取流量預測結果；

結果輸出模塊，用于向所述用戶終端輸出所述流量預測結果。