[发明专利]一种高速公路交通流量预测方法

说明书

本发明公开了一种高速公路交通流量预测方法，其中方法包括以下步骤：S1：获取各监测点所采集的数据来构建图结构并按时间单位重构时序数据，获得用于模型训练及测试的数据集，然后通过时序卷积、图卷积、时序卷积操作得到各个时序信息和空间信息；S2：将影响流量预测结果的外部特征数据嵌入至低维空间，得到低维影响特征；S3：时空特征与所述低维影响特征结合并通过注意力机制来获得交通流量预测结果。本发明通过各监测点数据的时空特征与低维影响特征结合注意力机制来进行交通流量预测，提高了交通流量预测的准确性。

技术领域

本发明涉及交通预测模型技术领域，尤其涉及一种高速公路交通流量预测方法。

背景技术

交通流量预测指的是根据历史的交通数据来预测未来时刻的交通流量变化情况，近年来，随着社会经济的发展、机动车辆保有量的迅速增加。随着我国高速公路覆盖面的增加及服务水平的提升，越来越多的人们选择驾驶或者乘坐汽车通过高速公路出行，在过去三年全国高速公路平均日交通量增长分别为5％、10.5％、5.4％。逐年增加的交通量不仅使高速公路更加拥堵，同时也会增加交通事故的发生几率，在这样的现实条件下，交通管制系统也随之承受了更大的压力。

交通流量的变化随着时间的变化具有随机性，并且容易受到外界其他因素的干扰，如何运用交通流量预测是一个关系到交通引导、路线规划等不同交通决策的核心问题，而该问题则需要在给定一段历史交通流量以及待预测路网分布后预测未来所有监测点上的流量分布情况，而交通预测的准确性直接影响到交通引导和路线规划的决策，因此高速公路交通流量预测的准确性变得尤为重要。

然而，现有的高速公路交通流量预测方法往往不能充分运用交通数据特点，大多采用单一的数据结合注意力机制进行交通流量预测，缺乏对外部特征的结合。因此，现有的高速公路交通流量预测方法准确性差，有待进一步提高。

发明内容

本发明为解决现有的高速公路交通流量预测方案性较差的问题，提供了一种能够充分利用多模态数据并结合注意力机制准确预测交通流量的方法。

为了实现以上目的，本发明采用以下技术方案：

提供一种高速公路交通流量预测方法，包括以下步骤：

S1：获取各监测点所采集的数据来构建图结构并按时间单位重构时序数据，获得用于模型训练及测试的样本数据集，并在所述样本数据集的基础上构建监测点间相关性的邻接矩阵S_t，以及时序长度为行数、监测点数为列数的矩阵F，从所述矩阵F中得到由长度为l_hist+l_pred的时间片段所构建样本数据集，其中每一个样本中包含长度为l_hist的时间片段作为模型输入以及在l_pred的时间点上的数值作为期望的预测结果，构建不同时间单位间隔下的用于模型训练及测试的包含周期性、时序相近性、趋势特征的数据集，周期性数据集选某时刻前 W周连续的W个时间片段，时序相近性数据集选某时刻邻近连续的H个时间片段，趋势特征数据集从某时刻前D天连续的d个时间片段，然后通过时序卷积、图卷积、时序卷积操作得到各个时序信息和空间信息；

S2：将影响流量预测结果的外部特征数据嵌入至低维空间，得到低维影响特征；所述步骤S2具体包括步骤：

S201：选定影响交通流量预测结果的外部特征数据，并按时序排列；获取若干时间片段上的外部特征数据；

S202：通过embedding method得到用于衡量影响因素间相似性的低维影响特征；

S203：将所述外部特征数据嵌入至低维空间得到低维特征向量；

S204：将得到的各低维特征向量进行张量合并操作，得到低维影响特征 HF_Inf；

S3：时空特征与所述低维影响特征结合并通过注意力机制来获得交通流量预测结果；所述步骤S3具体包括步骤：