[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

说明书

本发明涉及一种基于BIDAF‑GAN双向注意流对抗网络的交通流量预测方法，包括步骤，把各个方向各条道路的不同车辆的交通流量数据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时刻T下固定距离之间各车的空间位置信息图H，获取H图中相关综合信息构建样本集，所述综合信息包括某时刻车流、车速、GPS位置信息、地图、天气信息、社会活动，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BIDAF‑GAN进行训练，直至损失函数在测试集上收敛得到交通流量预测模型得到预测网络结构GNET；将某时刻道路综合数据输入预测网络结构GNET预测该道路交通流量信息。

技术领域

本发明涉及道路交通流量预测技术，具体是一种基于对抗网络的交通流量预测技术。

背景技术

随着人民消费水平的不断提高，汽车保有量越来越大，道路拥堵成为城市治理者及驾乘人员不断关注的内容。通过预测道路交通流量，让驾乘人员合理规划出行路线，减少出行等待时间，让城市治理人员关注道路流量情况，优化交通管理方案，增加交通控制，缓解交通压力等要求变得越来越迫切。

交通流量预测是驾乘司机主要关注的核心重点问题，是主机厂汽车生态圈出行层面的重要一环，充分利用大数据预测交通流量是主机厂在数据时代对智能汽车、数字汽车等概念实践中的一项基础服务能力。

公开号CN112613630A，名称“一种融合多尺度时空统计信息的短时交通需求预测方法”的发明专利，提出了多尺度六边形分区的城市交通需求统计区域多尺度划分方法，并计算各区域在不同时空尺度下的交通需求量；构建融合多尺度六边形出行需求时空信息的卷积长短期记忆交通需求预测模型；根据历史数据对模型进行训练，并用训练好的模型对各区域的需求进行实时预测。将多尺度下六边形分区与深度学习相结合，捕捉区域多尺度时空需求信息，有效提升预测精度。计算不同尺度下各分区时空需求量获取基准分区所对应的各级别高尺度分区编号，构建相应的输入和输出样本，并按比例划分时间尺度r下的训练集和测试集；采用卷积长短期记忆模型进行时空序列预测，对每次预测得到的各空间尺度下的需求值，筛选出误差小的一组用作模型整体损失函数计算，根据历史数据训练模型，并进行实时需求预测，评估相应各空间尺度下的预测结果，建立最优多时空尺度的交通需求预测模型。

但上述六边形分区是对原始地图进行六边形的空间划分，空间位置不会发生变化，不能转换空间方向和扩大空间，车与车间空间位置关系影响弱。

公开号CN112330952B，名称“一种基于生成式对抗网络的交通流预测方法”的发明专利，构建交通物理拓扑结构图网络：根据交通路网中路段间的空间连接关系构建交通物理拓扑结构图网络，将路段看作节点，相连的路段看作对应的节点相连接，进而得到交通物理拓扑结构图网络；构建初始邻域交通图网络与高阶邻域交通图网络：将建的交通物理拓扑结构图网络作为初始邻域交通图网络，并将初始邻域交通图网络中原节点的相邻节点的邻居节点看作原节点的二阶邻域内节点，以此来构建二阶邻域交通图网络，以此类推，进而得到高阶邻域交通图网络；构建生成式对抗网络GAN的生成器：生成式对抗网络的生成器用于生成交通数据，生成器中采用图注意力网络GAT进行特征提取，基于得到的初始邻域交通图网络与多个高阶邻域交通图网络，对交通图网络中各个节点邻域中的节点信息进行特征提取并生成预测的交通数据，其中，节点的信息代表的就是路段上检测器的时序交通数据信息；构建生成式对抗网络GAN的判别器：生成式对抗网络的判别器用于判别输入的交通数据是否为真，生成式对抗网络的判别器采用多层全连接网络来对交通数据的真假进行判别；利用生成式对抗网络GAN生成交通数据：由生成式对抗网络中的生成器与判别器的相互博弈最终产生与真实交通数据相近的预测交通数据，并将预测交通数据与真实交通数据进行验证计算误差。

上述对抗网络中G生成网络是以图注意力层为数据基础，数据繁杂计算量大，需要根据交通图中节点的连接关系构建初始邻域交通图网络与高阶邻域交通图网络，由于矢量六边形的空间破坏，使得交通图中节点的连接关系被破坏了，使用基于图网络的结构方式流量模拟效果较差。