[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

本發明涉及時空數據挖掘或智慧交通領域，具體涉及基于深度學習的交通流量預測方法及裝置。該方法及裝置通過接收用戶終端發送的流量預測請求；然后，響應流量預測請求，并獲取與目標節點標識相對應的目標路網的交通流量信息；基于交通流量信息獲取時空特征信息；將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；向用戶終端輸出流量預測結果，便于更全面地從時空相關角度考慮了整個路網交通流量的時空特征對目標節點的交通流量的影響，本發明基于深度學習的交通流量預測方法及裝置能夠提高預測公路網絡的交通流量的準確度。

技術領域

本發明涉及時空數據挖掘或智慧交通領域，具體而言，涉及一種基于深度學習的交通流量預測方法及裝置。

背景技術

交通領域的互聯互通是實現城市群的人流、物流、信息流、資金流互聯互通的基礎。暢通的都市圈公路網絡是都市圈的基礎設施建設重中之重。交通流量預測問題對構建一個智能公路網絡至關重要。為了提高公路網絡的運行能力，提高人們的出行效率，減少公路交通事故，需要能提前對公路交通流量進行準確的預測，并據此對車流進行疏導。

另一方面，隨著大量公路網絡的建成和投入使用，公路網絡中部署了各種采集交通信息的設備，如攝像頭，傳感器等。這些傳感設備分布于交通網絡的各處，全天無間斷地采集車流量，車的速度，路面狀況等，產生了大量帶有位置信息的時間序列交通數據，為公路流量預測提供了豐富的數據源。

公路交通流量預測是時空數據預測領域中的一個代表性分支。各種形態的交通數據位于公路網絡中不同的地理位置，并且隨著時間的變化而變。從這些復雜的，非線性的時空數據中識別出背后隱藏的時空模式，有效地提取數據中的時空相關性，對公路網絡中的交通流量預測至關重要。

目前，在交通中的時空數據預測上較為常用的方法有自回歸模型，差分整合移動平均自回歸模型，線性回歸模型等。這類模型用于處理時間序列數據，主要用于提取數據中的線性特征，對非線性特征的學習能力非常有限。

近年來，隨著機器學習的興起，深度學習在計算機視覺，自然語言處理等多個領域取得了巨大的成功。越來越多的研究者將深度學習應用在交通網絡的時空數據預測上，而傳統的時間序列類模型只能處理呈現線性變化的，相對平穩的時間序列數據，而當數據中的非線性特征明顯以及波動較大時，此類模型的性能表現較差。傳統的機器學習方法雖然能夠對更復雜的數據進行建模，但它們的預測效果很大程度上依賴于特征工程，而良好的特征工程需要豐富的先驗知識和大量的實驗。另一方面，它們也很難同時挖掘數據中的時空相關性。深度學習方法中，已有研究者將交通網絡劃分為規則的網格結構，使用卷積神經網絡有效地提取其空間特征。而公路網絡并非規則的網格結構，它本質上更接近非歐幾里得距離的圖結構，因而卷積神經網絡無法應用于圖結構的交通網絡，導致公路網絡的交通流量的預測準確率低。

發明內容

本發明實施例提供了一種基于深度學習的交通流量預測方法及裝置，以至少解決現有交通流量預測方法的預測準確率不高的技術問題。

根據本發明的一實施例，提供了一種基于深度學習的交通流量預測方法，包括以下步驟：

接收用戶終端發送的流量預測請求，流量預測請求至少攜帶有目標節點標識；

響應流量預測請求，并獲取與目標節點標識相對應的目標路網的交通流量信息；

基于交通流量信息獲取時空特征信息；

將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；

向用戶終端輸出流量預測結果。

進一步地，響應流量預測請求，并獲取與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：

基于設置在目標路網的各個節點的傳感器采集交通流量信息。