[发明专利]一种面向智能交通和智能驾驶的路网交通流时空预测方法

说明书

一种面向智能交通和智能驾驶的路网交通流时空预测方法，其主要包括：获取步骤、编码步骤、译码步骤和预测步骤，从而根据预测图信号获得预测时间段内的公路网络的交通流。一方面，由于在编码步骤和译码步骤中分别构建了倒齿形扩散卷积循环模块，使得卷积层中保留一个状态变量，有助于减少维护的状态变量数，通过倒齿形的循环走向可优化状态变量的卷积扩散过程，而且，重新构造的扩散卷积循环处理过程能够实现在同一时刻进行两次状态更新的操作，可增强时间短期依赖性；另一方面，由于在编译步骤中将日周期图信号和周周期图信号作为了译码处理的考虑因素，使得依据信息不再单一，可有效抑制累进学习过程可能引入的噪声，从而提高预测图信号的预测准确度。

技术领域

本发明涉及智能交通、智能驾驶和人工智能领域，具体涉及一种面向智能交通和智能驾驶的路网交通流时空预测方法。

背景技术

随着汽车保有量的剧增，有限的公路路网通行能力已经不能够满足井喷式暴增的交通需求，交通拥堵成为现代交通运输的常见现象。交通拥堵不但浪费人们宝贵的日常时间，而且会导致一系列连锁问题，例如交通事故多发、社会环境恶化、能源资源浪费等等。为此，一方面需要发展智能交通系统(Intelligent Transportation System，ITS)，从全局角度对交通进行科学调度，合理分散交通压力，最大限度利用城市道路资源；另一方面需要发展智能驾驶，提升车辆的自动化、智能化水平，对单车的行驶路线进行实时优化从而避免拥堵。

交通流量预测指的是依据当前以及过去一段时间内的交通流量信息，利用适当的方法对未来一段时间内的交通流量进行实时动态预测。其中，对短时交通流的准确预测在智能交通系统的实时全局调度和智能驾驶的行驶路线动态优化中起到基础支撑作用。

对于交通流量预测的研究目前已有较多成果，比如通过建立微分方程、时间预测、神经网络等数学模型来研究车流量问题，但因其计算过程过于复杂，且未考虑车速、天气、突发事件等等诸多随机因素对车流量的影响，这使得最终的计算结果与实际情况相差较大。其中，基于深度学习神经网络的交通流预测方法对于短时交通流单一时刻的预测研究较为热门，当前的研究集中在对短时交通流多时刻预测研究，尤其是考虑了不同路段之间空间相关性的路网短时交通流多时刻预测研究。在这其中，高速路网由于相对城市密集路网，规模较小，且容易获得公开数据资源，所以对高速路网短时交通流多时刻预测研究已经发展的较为成熟，一些学者提出的公路网络时空预测模型已经可以捕捉时间和空间动态特性，但还存在一些问题，这类时空预测模型仅仅考虑了空间局部相关性和时间短期依赖性，没有考虑时间长期依赖性和周期特性，使得公路网络的交通流预测结果存在一些不准确的情形，预测性能还待进一步地提高。

发明内容

本发明主要解决的技术问题是如何进一步提高现有公路网络的时空预测模型的预测准确度。

根据第一方面，一种实施例中提供一种面向智能交通和智能驾驶的路网交通流时空预测方法，包括以下步骤：

获取步骤：获取一公路网络的交通流在t时刻之前的时间图信号[X^(t-T'+1),...,X^(t)]、日周期图信号和周周期图信号其中，T'为历史时间段内的样条数，T_d为单个日周期的样条数，n_d日周期的个数，T_w为单个周周期的样条数，n_w为周周期的个数；

编码步骤：对所述时间图信号[X^(t-T'+1),...,X^(t)]进行编码处理，得到t时刻的状态信号C_{enc_rec}^(t)；

译码步骤：根据所述状态信号C_{enc_rec}^(t)对所述日周期图信号和所述周周期图信号进行译码处理，得到t时刻起预测时间段内的预测图信号

预测步骤：根据所述预测图信号获得预测时间段内的所述公路网络的交通流。