本發(fā)明涉及高速公路交通態(tài)勢推演，尤其是涉及一種基于時空注意力機(jī)制的交通態(tài)勢預(yù)測方法、裝置及設(shè)備。

背景技術(shù)：

1、針對交通態(tài)勢推演問題，國內(nèi)外學(xué)者分別從基于數(shù)理統(tǒng)計方法、基于傳統(tǒng)機(jī)器學(xué)習(xí)方法和基于神經(jīng)網(wǎng)絡(luò)方法開展了諸多研究。數(shù)理統(tǒng)計方法通?；谛颖?、低維度的數(shù)據(jù)完成短時交通流預(yù)測任務(wù)，具有較強(qiáng)的可解釋性，但無法表示交通流數(shù)據(jù)中的高度非線性和動態(tài)特性，并且只能預(yù)測單一感知節(jié)點(diǎn)的狀態(tài)，預(yù)測性能有限。支持向量機(jī)(svm)、決策樹模型等方法的傳統(tǒng)機(jī)器學(xué)習(xí)算法，具有較強(qiáng)的非線性表示能力，可以較好地挖掘數(shù)據(jù)的內(nèi)在非線性關(guān)系，然而，該方法也只適用于挖掘單感知節(jié)點(diǎn)下的時序特征，在多感知節(jié)點(diǎn)路網(wǎng)場景下無法運(yùn)用。近年來，由于計算能力的提高和海量交通數(shù)據(jù)的驅(qū)動，基于深度學(xué)習(xí)的方法已被廣泛使用，如卷積神經(jīng)網(wǎng)絡(luò)(cnn)、圖卷積神經(jīng)網(wǎng)絡(luò)(gcn)、深度置信網(wǎng)絡(luò)(dbn)、堆疊自編碼器(sae)等方法除了可以挖掘單感知節(jié)點(diǎn)的時序內(nèi)在特征，還能建模多感知節(jié)點(diǎn)情況下的路網(wǎng)空間關(guān)系，具有十分重要的研究前景，但是該方法存在性能低下、無法精準(zhǔn)建模具有多感知節(jié)點(diǎn)的路網(wǎng)交通態(tài)勢的局限。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于時空注意力機(jī)制的交通態(tài)勢預(yù)測方法、裝置及設(shè)備，極大地提升了多感知節(jié)點(diǎn)的交通態(tài)勢推演場景下的交通態(tài)勢預(yù)測精度。

2、第一方面，本發(fā)明實(shí)施例提供了一種基于時空注意力機(jī)制的交通態(tài)勢預(yù)測方法，包括：

3、獲取待預(yù)測交通路網(wǎng)內(nèi)每個交通感知節(jié)點(diǎn)在歷史時段下對應(yīng)的交通流數(shù)據(jù)；

4、通過預(yù)先訓(xùn)練的交通態(tài)勢推演模型，提取待預(yù)測交通路網(wǎng)對應(yīng)的時空嵌入表示，并基于交通流數(shù)據(jù)和時空嵌入表示生成待預(yù)測交通路網(wǎng)對應(yīng)的交通態(tài)勢預(yù)測結(jié)果；其中，交通態(tài)勢推演模型是對結(jié)合時空注意力機(jī)制、轉(zhuǎn)換注意力機(jī)制的密集連接時空多頭注意力模型進(jìn)行訓(xùn)練得到的，交通態(tài)勢預(yù)測結(jié)果包括每個交通感知節(jié)點(diǎn)在預(yù)測時段下對應(yīng)的交通流數(shù)據(jù)。

5、在一種實(shí)施方式中，獲取待預(yù)測交通路網(wǎng)內(nèi)每個交通感知節(jié)點(diǎn)在歷史時段下對應(yīng)的交通流數(shù)據(jù)，包括：

6、獲取待預(yù)測交通路網(wǎng)內(nèi)每個交通感知節(jié)點(diǎn)在歷史時段下對應(yīng)的脈沖數(shù)；

7、基于脈沖數(shù)計算每個交通感知節(jié)點(diǎn)在歷史時段下對應(yīng)的初始瞬時車輛速度數(shù)據(jù)；

8、對初始瞬時車輛速度數(shù)據(jù)進(jìn)行缺失數(shù)據(jù)修補(bǔ)處理、平滑處理和歸一化處理，得到每個交通感知節(jié)點(diǎn)在歷史時段下對應(yīng)的目標(biāo)瞬時車輛速度數(shù)據(jù)；

9、其中，交通流數(shù)據(jù)為目標(biāo)瞬時車輛速度數(shù)據(jù)。

10、在一種實(shí)施方式中，密集連接時空多頭注意力模型包括空間特征提取模塊和時間特征提取模塊；提取待預(yù)測交通路網(wǎng)對應(yīng)的時空嵌入表示，包括：

11、通過空間特征提取模塊，基于待預(yù)測交通路網(wǎng)對應(yīng)的節(jié)點(diǎn)鄰接矩陣提取空間嵌入表示；其中，節(jié)點(diǎn)鄰接矩陣用于表征待預(yù)測交通路網(wǎng)內(nèi)的交通感知節(jié)點(diǎn)之間的相對距離；

12、通過空間特征提取模塊，對歷史時段和預(yù)測時段進(jìn)行切片得到多個歷史時間步長和多個預(yù)測時間步長，對歷史時間步長和預(yù)測時間步長進(jìn)行獨(dú)熱編碼處理，得到歷史時間步長和預(yù)測時間步長分別對應(yīng)的時間嵌入表示；其中，時間嵌入表示用于體現(xiàn)交通感知節(jié)點(diǎn)之間的時間動態(tài)相關(guān)性；

13、對空間嵌入表示和時間嵌入表示進(jìn)行特征拼接，以得到歷史時間步長和預(yù)測時間步長分別對應(yīng)的時空嵌入表示。

14、在一種實(shí)施方式中，密集連接時空多頭注意力模型還包括基于密集連接結(jié)構(gòu)的編碼器模塊、轉(zhuǎn)換注意力模塊、解碼器模塊，時空嵌入表示作為編碼器模塊和解碼器模塊中每個單元的輸入；基于交通流數(shù)據(jù)和時空嵌入表示生成待預(yù)測交通路網(wǎng)對應(yīng)的交通態(tài)勢預(yù)測結(jié)果，包括：

15、通過編碼器模塊，對交通流數(shù)據(jù)、歷史時間步長對應(yīng)的時空嵌入表示、預(yù)測時間步長對應(yīng)的時空嵌入表示進(jìn)行多次時空特征提取及融合處理，以得到歷史時間步長對應(yīng)的編碼后時空特征和預(yù)測時間步長對應(yīng)的編碼后時空特征；

16、通過轉(zhuǎn)換注意力模塊，對歷史時間步長對應(yīng)的編碼后時空特征、預(yù)測時間步長對應(yīng)的編碼后時空特征進(jìn)行特征轉(zhuǎn)換得到目標(biāo)時空特征；

17、通過編碼器模塊，對目標(biāo)時空特征、歷史時間步長對應(yīng)的時空嵌入表示、預(yù)測時間步長對應(yīng)的時空嵌入表示進(jìn)行多次時空特征提取及融合處理，得到待預(yù)測交通路網(wǎng)對應(yīng)的交通態(tài)勢預(yù)測結(jié)果。

18、在一種實(shí)施方式中，編碼器模塊和解碼器均包括密集連接的多個時空注意力單元；通過編碼器模塊，對交通流數(shù)據(jù)、歷史時間步長對應(yīng)的時空嵌入表示、預(yù)測時間步長對應(yīng)的時空嵌入表示進(jìn)行多次時空特征提取及融合處理，以得到歷史時間步長對應(yīng)的編碼后時空特征和預(yù)測時間步長對應(yīng)的編碼后時空特征，包括：

19、通過當(dāng)前時空注意力單元，對位于當(dāng)前時空注意力單元之前的每個時空注意力單元輸出的特征，以及歷史時間步長對應(yīng)的時空嵌入表示和預(yù)測時間步長對應(yīng)的時空嵌入表示進(jìn)行一次時空特征提取及融合處理，得到當(dāng)前時空注意力單元輸出的特征；

20、其中，編碼器模塊中位于末位的時空注意力單元輸出的特征包括歷史時間步長對應(yīng)的編碼后時空特征和預(yù)測時間步長對應(yīng)的編碼后時空特征。

21、在一種實(shí)施方式中，時空注意力單元包括時間注意力子單元、空間注意力子單元和門控融合子單元；通過當(dāng)前時空注意力單元，對位于當(dāng)前時空注意力單元之前的每個時空注意力單元輸出的特征，以及歷史時間步長對應(yīng)的時空嵌入表示和預(yù)測時間步長對應(yīng)的時空嵌入表示進(jìn)行一次時空特征提取及融合處理，得到當(dāng)前時空注意力單元輸出的特征，包括：

22、通過時間注意力子單元，基于時間注意力機(jī)制對位于當(dāng)前時空注意力單元之前的每個時空注意力單元輸出的特征，以及歷史時間步長對應(yīng)的時空嵌入表示和預(yù)測時間步長對應(yīng)的時空嵌入表示進(jìn)行特征提取，得到時間序列特征；

23、通過空間注意力子單元，基于空間注意力機(jī)制對位于當(dāng)前時空注意力單元之前的每個時空注意力單元輸出的特征，以及歷史時間步長對應(yīng)的時空嵌入表示和預(yù)測時間步長對應(yīng)的時空嵌入表示進(jìn)行特征提取，得到空依賴間特征；

24、通過門控融合子單元，對時間序列特征和空間依賴特征進(jìn)行門控融合處理，得到當(dāng)前時空注意力單元輸出的特征。

25、在一種實(shí)施方式中，通過轉(zhuǎn)換注意力模塊，對歷史時間步長對應(yīng)的編碼后時空特征、預(yù)測時間步長對應(yīng)的編碼后時空特征進(jìn)行特征轉(zhuǎn)換得到目標(biāo)時空特征，包括：

26、基于歷史時間步長對應(yīng)的編碼后時空特征、預(yù)測時間步長對應(yīng)的編碼后時空特征之間的相關(guān)性，確定轉(zhuǎn)換注意力模塊的注意力分?jǐn)?shù)；

27、通過轉(zhuǎn)換注意力模塊，基于注意力分?jǐn)?shù)從歷史時間步長對應(yīng)的編碼后時空特征中確定目標(biāo)編碼后時空特征，并對歷史時間步長對應(yīng)的目標(biāo)編碼后時空特征、預(yù)測時間步長對應(yīng)的編碼后時空特征進(jìn)行特征轉(zhuǎn)換得到目標(biāo)時空特征。

28、第二方面，本發(fā)明實(shí)施例還提供一種基于時空注意力機(jī)制的交通態(tài)勢預(yù)測裝置，包括：

29、數(shù)據(jù)獲取模塊，用于獲取待預(yù)測交通路網(wǎng)內(nèi)每個交通感知節(jié)點(diǎn)在歷史時段下對應(yīng)的交通流數(shù)據(jù)；

30、態(tài)勢預(yù)測模塊，用于通過預(yù)先訓(xùn)練的交通態(tài)勢推演模型，提取待預(yù)測交通路網(wǎng)對應(yīng)的時空嵌入表示，并基于交通流數(shù)據(jù)和時空嵌入表示生成待預(yù)測交通路網(wǎng)對應(yīng)的交通態(tài)勢預(yù)測結(jié)果；其中，交通態(tài)勢推演模型是對結(jié)合時空注意力機(jī)制、轉(zhuǎn)換注意力機(jī)制的密集連接時空多頭注意力模型進(jìn)行訓(xùn)練得到的，交通態(tài)勢預(yù)測結(jié)果包括每個交通感知節(jié)點(diǎn)在預(yù)測時段下對應(yīng)的交通流數(shù)據(jù)。

31、第三方面，本發(fā)明實(shí)施例還提供一種電子設(shè)備，包括處理器和存儲器，存儲器存儲有能夠被處理器執(zhí)行的計算機(jī)可執(zhí)行指令，處理器執(zhí)行計算機(jī)可執(zhí)行指令以實(shí)現(xiàn)第一方面提供的任一項(xiàng)的方法。

32、第四方面，本發(fā)明實(shí)施例還提供一種計算機(jī)可讀存儲介質(zhì)，計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)可執(zhí)行指令，計算機(jī)可執(zhí)行指令在被處理器調(diào)用和執(zhí)行時，計算機(jī)可執(zhí)行指令促使處理器實(shí)現(xiàn)第一方面提供的任一項(xiàng)的方法。

33、本發(fā)明實(shí)施例提供的一種基于時空注意力機(jī)制的交通態(tài)勢預(yù)測方法、裝置及設(shè)備，首先獲取待預(yù)測交通路網(wǎng)內(nèi)每個交通感知節(jié)點(diǎn)在歷史時段下對應(yīng)的交通流數(shù)據(jù)；然后通過預(yù)先訓(xùn)練的交通態(tài)勢推演模型，提取待預(yù)測交通路網(wǎng)對應(yīng)的時空嵌入表示，并基于交通流數(shù)據(jù)和時空嵌入表示生成待預(yù)測交通路網(wǎng)對應(yīng)的交通態(tài)勢預(yù)測結(jié)果；其中，交通態(tài)勢推演模型是對結(jié)合時空注意力機(jī)制、轉(zhuǎn)換注意力機(jī)制的密集連接時空多頭注意力模型進(jìn)行訓(xùn)練得到的，交通態(tài)勢預(yù)測結(jié)果包括每個交通感知節(jié)點(diǎn)在預(yù)測時段下對應(yīng)的交通流數(shù)據(jù)。上述方法針對多交通感知節(jié)點(diǎn)情況下的高速公路交通態(tài)勢推演問題，通過提取待預(yù)測交通路網(wǎng)對應(yīng)的時空嵌入表示，該時空嵌入表示可體現(xiàn)時間序列特征和空間依賴特征，從而綜合考慮到時間序列特征和空間依賴特征在交通態(tài)勢推演過程中的重要影響，挖掘交通態(tài)勢與交通感知節(jié)點(diǎn)時空特征之間的非線性關(guān)系，提出一種更準(zhǔn)確的交通態(tài)勢推演模型，極大地提高了交通態(tài)勢預(yù)測精度，本發(fā)明實(shí)施例可以用于高速公路交通管控領(lǐng)域，具有廣闊的應(yīng)用前景。

34、本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

35、為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說明如下。