[發明專利]交通數據預測方法、裝置、設備及存儲介質

在審

• 申請號: 202210938954.1
• 申請日: 2022-08-05
• 公開（公告）號: CN115374844A
• 公開（公告）日: 2022-11-22
• 發明（設計）人: 葉可江;賀航濤;須成忠
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F17/13;G06Q10/04
• 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: 劉建偉

本發明公開了交通數據預測方法、裝置、設備及存儲介質，其中方法通過獲取預設時間段內的歷史交通數據，并將歷史交通數據轉換為時間序列數據，將時間序列數據輸入至交通數據預測模型進行預測，該交通數據預測模型包括編碼器、解碼器和矯正器，交通數據預測模型利用具有圖結構的時間序列數據樣本訓練得到，圖結構中的數據包括規則時間戳或非規則時間戳，最后利用矯正器對解碼器的預測結果進行修正。通過上述方式，本發明能夠應用于非規則采樣的交通數據預測，融合了數據的時間相關性和空間相關性，提高了預測準確性，且利用基于神經隨機微分方程的矯正器對預測結果進行矯正，以降低預測誤差。

技術領域

本申請涉及人工智能技術領域，特別是涉及一種交通數據預測方法、裝置、設備及存儲介質。

背景技術

交通在每個人的日常生活中起著至關重要的作用，每個人每天需要花大量時間在交通出行上在這種情況下，準確的實時交通狀況預測對道路使用者、私營部門和政府來說非常重要。廣泛使用的交通服務，如流量控制、路線規劃和導航，也嚴重依賴于高質量的交通狀況評估。所以對交通狀態的精準預測顯得十分有意義，交通預測的目的是根據基礎路網結構內的歷史交通數據預測相連路段的未來交通狀態。對此研究者們已經有很多的方法成果，一般有三類方法，統計分析方法，非線性理論方法和深度學習方法，最早的是使用統計方法，如自回歸綜合移動平均(ARIMA)及其變體，近年來深度學習的不斷發展，漸漸代替了統計方法，如使用神經網絡LSTM及其變體來預測交通量，如專利號CN111292525A。

現有的方法中統計分析方法中，如自回歸綜合移動平均(ARIMA)、多變量時間序列的向量自回歸模型(VAR)等，這些方法需要數據來滿足某些假設，但交通數據太復雜，無法滿足這些假設，因此在實踐中通常表現不佳，模型簡單，精度一般；非線性方法中，如小波分析模型、混沌理論模型等，模型復雜，計算量大，隨著計算機技術，和人工智能技術的不斷發展，人們漸漸的把目光從非線性方法轉向了機器學習，深度學習的方法；目前使用深度學習來進行交通預測的都是基于規則的數據形式，即數據采樣間隔是相等的，但是這樣是理想狀態，當交通流量數據采樣不均衡時，利用上述方式得到的預測結果與真實結果的誤差較大，預測效果差。

發明內容

有鑒于此，本申請提供一種交通數據預測方法、裝置、設備及存儲介質，以解決現有交通數據預測準確率低的問題。

為解決上述技術問題，本申請采用的一個技術方案是：提供一種交通數據預測方法，包括：獲取預設時間段內的歷史交通數據，并將歷史交通數據轉換為時間序列數據；將時間序列數據輸入至預先訓練好的交通數據預測模型，交通數據預測模型包括編碼器、解碼器和矯正器，交通數據預測模型利用具有圖結構的時間序列數據樣本訓練得到，圖結構中的數據包括規則時間戳或非規則時間戳；利用編碼器對時間序列數據進行編碼，得到編碼向量，編碼器基于受自然插值方程或圖注意力機制方程控制的神經微分方程構建；利用解碼器對編碼向量進行解碼，得到待預測時間段的初始交通數據預測結果，解碼器基于循環神經網絡構建；利用矯正器對初始交通數據預測結果進行矯正，得到最終交通數據預測結果，矯正器基于圖神經隨機微分方程構建。

作為本申請的進一步改進，受自然插值方程控制的圖神經微分方程構建的編碼器表示為：

h_n(t+1)＝h_n(t)+r(t+1)；

其中，h_n(t)表示第n個節點在時刻t的隱狀態，ζ表示需要訓練的多層感知機，表示預先構建的控制方程，t表示時間戳，t∈[0,T]，σ表示非線性函數tanh，i、j分別表示不同的節點，N_i表示節點i的鄰域，softmax和LeakyReLU表示激活函數，a^·、W、W_h表示交通數據預測得到的參數，h_i、h_j表示時間序列數據轉換為向量并進行分解后第i、j個節點對應的值，□表示矩陣的拼接。