[发明专利]基于对抗网络的交通流量预测方法、系统、设备及存储介质

权利要求书

1.一种基于BIDAF-GAN双向注意流对抗网络的交通流量预测方法，其特征在于，包括步骤：将预定范围内各个方向各条道路上行驶的车辆及综合信息通过矢量转化排列成同向的六边形流量链路图，每个六边形流量链路图代表某一个周期T下固定距离之间各车的空间位置信息图H；H图中每个车为一个圆点，获取周期T进入H图中行驶的所有车辆及车速，得到H图中所有道路的流量S_T-N,所有车的平均速度V_T-N-mean，标注H图中不同道路不同时段的天气情况W_T-N，收集道路周边活动事件，按照周期T和活动事件位置确定不同道路的活动信息P_T-N；获取H图中相关综合信息构建样本集，将样本集按比例分为训练集和测试集，将训练集输入双向注意流对抗网络进行训练，双向注意流对抗网络结构中编码结构生成伪装数据及损失函数的影响因子，生成结构获取六边形流量链路图中当前周期综合信息中各数据之间的关系，及当前周期与上一周期综合信息数据之间的关系，激活函数获取非线性信息，判别结构判断预测数据的差异，直至损失函数在测试集上收敛构建交通流量预测模型；将某时刻道路综合数据输入预测模型预测该道路交通流量信息。

2.根据权利要求1所述的预测方法，其特征在于，矢量转化包括：把不同方向的所有道路转化成同一方向的道路，按照固定长度在道路上划分间距，在两个间距之间进行空间扩大，使得两个间距由一个长方形变成一个正六边形，将空间扩大的比例同时体现在车的gps定位数据上。

3.根据权利要求1所述的预测方法，其特征在于，对抗网络生成结构获取六边形流量链路图中综合信息中各数据之间的关系，扑获当前周期与上一周期综合信息数据之间的关系，激活函数获取非线性信息；编码结构中随机扰动算子根据输入的预测流量形成伪装数据，KL散度作为整理损失函数的一个影响因子，编码结构获取数据本身的特征，放大信息量，获取高维信息。

4.根据权利要求1-3其中之一所述的预测方法，其特征在于，所述训练包括：将第T+1个周期的六边形流量链路图对应的流量数据H_T+1经过随机扰动之后得到伪装数据ZK；将H_T+1输入对抗网络的判别结构DNET得到预测输出D1，校验预测的H_T+1与下一周期真实流量是否能够一致；将ZK输入对抗网络的生成结构GNET得到预测输出G1，同构G1固化生成结构GNET的参数，使得预测输出G1与下一周期的真实流量更加接近，再把G1输入到判别模型中，判断是否是模拟ZK流量数据生成的；获取六边形流量链路图中的W_T-N、P_T-N、H_T输入对抗网络的生成结构GNET得到输出G2，校验其是否能够预测下一周期的真实流量；将G2输入对抗网络的判别结构DNET得到输出D2，校验原始数据经过GNET预测之后能否判断出跟真实流量值的偏差；G1经过对抗网络的判别结构DNET的输出D3，校验伪装数据是否能够识别；重复上述过程直至损失在测试集上收敛。

5.根据权利要求4所述的预测方法，其特征在于，所述预测的H_T+1与下一周期真实流量是否能够一致具体为：根据损失函数将预测输出D1与从H图获取的流量数据H_T+1比较是否一致，如果一致，表示判别模型能够准确识别输入H_T+1是真实值，所述子损失函数为：loss1＝BCEWithLogitsLoss(D1,true)。

6.根据权利要求4所述的预测方法，其特征在于，所述校验原始数据经过GNET预测之后能否判断出跟实际值的偏差包括，根据子损失函数Loss2识别判别结构DNET的输出D2是真实数据产生的，其中，Loss2＝BCEWithLogitsLoss(D2,True)，利用DNET判断G2是否是真实结果，并利用Loss2进行梯度下降法优化找到对抗网络的最高精度下的参数，根据Loss2对DNET网络权值求偏导数，构成损失函数对权值向量的梯量，作为修改权值的依据，使得预测值不断逼近真实流量值。