本發(fā)明實(shí)施例涉及交通控制系統(tǒng)中時(shí)空預(yù)測(cè),尤其涉及基于網(wǎng)絡(luò)約減預(yù)測(cè)交通流量的方法及其裝置。
背景技術(shù):
1、隨著交通的發(fā)展,人們的出行方式越來越多樣與便捷,尤其在深度學(xué)習(xí)技術(shù)驅(qū)動(dòng)下,交通網(wǎng)絡(luò)系統(tǒng)日益成熟。隨著交通資源的增多也帶來了一系列問題,如何高效的預(yù)測(cè)交通流量成為重要的研究課題。
2、交通數(shù)據(jù)是一種由部署的傳感器以固定時(shí)間間隔連續(xù)記錄的時(shí)間序列數(shù)據(jù),是比較典型的時(shí)空數(shù)據(jù)。在過去的幾十年里,傳統(tǒng)的交通流量預(yù)測(cè)方法所采用的數(shù)據(jù)集規(guī)模有限,比較有局限性。例如,廣泛使用的基準(zhǔn)數(shù)據(jù)集(如pems03、04、07和08)僅包含數(shù)百個(gè)節(jié)點(diǎn)和邊,無法很好地反映真實(shí)的交通網(wǎng)絡(luò)。然而,現(xiàn)實(shí)世界中需要分析的交通網(wǎng)絡(luò)規(guī)模通常要大得多。例如,僅美國(guó)加利福尼亞州就擁有近20000個(gè)運(yùn)行傳感器。由于現(xiàn)目前的大多數(shù)交通預(yù)測(cè)模型是在小型數(shù)據(jù)集上開發(fā)的,因此大多數(shù)模型都無法擴(kuò)展到更大的傳感器網(wǎng)絡(luò)。此外,現(xiàn)有的交通數(shù)據(jù)集在時(shí)間覆蓋方面也存在不足,通常只有不到6個(gè)月的數(shù)據(jù)。這種有限的時(shí)間跨度阻礙了對(duì)長(zhǎng)期季節(jié)性模式的研究,并限制了深度學(xué)習(xí)模型的訓(xùn)練實(shí)例數(shù)量。因此,選擇大規(guī)模交通數(shù)據(jù)集對(duì)于現(xiàn)實(shí)世界的交通流量預(yù)測(cè)至關(guān)重要。
3、其次,基于深度學(xué)習(xí)的時(shí)序預(yù)測(cè)方法也發(fā)展迅速,具體來說,遞歸神經(jīng)網(wǎng)絡(luò)(rnn)及其變體,如長(zhǎng)短期記憶(lstm)和門控循環(huán)單元(gru)可以從時(shí)間序列數(shù)據(jù)中建模時(shí)間依賴性。然而,這些方法沒有辦法捕獲空間相關(guān)性。此外,近年來基于深度學(xué)習(xí)的時(shí)空預(yù)測(cè)方法已被廣泛運(yùn)用于交通流量預(yù)測(cè)任務(wù)。具體來說,時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)(stgcn)、圖波網(wǎng)絡(luò)(graph?wavenet)、動(dòng)態(tài)圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(dgcrn)以及基于注意力的時(shí)空?qǐng)D神經(jīng)網(wǎng)絡(luò)(astgnn),上述的方法能建模時(shí)空相關(guān)性,預(yù)測(cè)的準(zhǔn)確性也比較高,然而這些模型的內(nèi)存和計(jì)算復(fù)雜度隨著序列的長(zhǎng)度呈二次方增長(zhǎng),將它們當(dāng)應(yīng)用于相對(duì)較大的多變量時(shí)間序列預(yù)測(cè)數(shù)據(jù)集時(shí),內(nèi)存成本和計(jì)算成本顯著增加,因此無法擴(kuò)展到大規(guī)模數(shù)據(jù)集。而如何在大規(guī)模數(shù)據(jù)集基礎(chǔ)上實(shí)現(xiàn)準(zhǔn)確的交通流量預(yù)測(cè)并且降低內(nèi)存成本和計(jì)算成本,目前還缺乏有效的解決方案。
技術(shù)實(shí)現(xiàn)思路
1、為了克服上述技術(shù)缺陷,本技術(shù)實(shí)施例中提供了基于網(wǎng)絡(luò)約減預(yù)測(cè)交通流量的方法及其裝置,可以在大規(guī)模交通數(shù)據(jù)的基礎(chǔ)上減少內(nèi)存成本和計(jì)算成本并保持預(yù)測(cè)的準(zhǔn)確性。
2、第一方面,本技術(shù)實(shí)施例中提供了一種基于網(wǎng)絡(luò)約減預(yù)測(cè)交通流量的方法,包括:
3、s1、利用傳感器采集指定路段及其附近區(qū)域內(nèi)連續(xù)時(shí)間步的交通流量數(shù)據(jù),并對(duì)獲取到的交通流量數(shù)據(jù)進(jìn)行預(yù)處理;
4、s2、將預(yù)處理后的交通流量數(shù)據(jù)作為輸入數(shù)據(jù)對(duì)其進(jìn)行時(shí)間嵌入和空間嵌入得到高維嵌入向量,其中時(shí)間嵌入是在輸入數(shù)據(jù)的時(shí)間維度添加位置信息,空間嵌入是在輸入數(shù)據(jù)的空間維度添加位置信息;
5、s3、將高維嵌入向量輸入交通流量預(yù)測(cè)模型中預(yù)測(cè)得到指定路段對(duì)應(yīng)的交通流量預(yù)測(cè)結(jié)果;
6、其中交通流量預(yù)測(cè)模型中包括l層編碼層和l層解碼器層,l為大于或等于2的整數(shù),一個(gè)編碼器層對(duì)應(yīng)連接一個(gè)解碼器層,其中每個(gè)編碼器層中包括一個(gè)接受加權(quán)鍵值rwkv層和一個(gè)圖卷積網(wǎng)絡(luò)gcn注意力層,每個(gè)解碼器層中包括兩個(gè)rwkv層和一個(gè)gcn注意力層。
7、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,
8、在s3中將高維嵌入向量輸入交通流量預(yù)測(cè)模型中預(yù)測(cè)得到指定路段對(duì)應(yīng)的交通流量預(yù)測(cè)結(jié)果的步驟包括:
9、s3.1、編碼處理:在每一個(gè)編碼器層中先由rwkv層對(duì)高維嵌入張量進(jìn)行注意力計(jì)算得到第一特征表示張量,后由gcn注意力層根據(jù)第一特征表示張量確定中間表示序列;
10、s3.2、解碼處理:在每一個(gè)解碼器層中先由第一個(gè)rwkv層對(duì)高維嵌入張量進(jìn)行注意力計(jì)算得到第二特征表示張量,再由第二個(gè)rwkv層對(duì)新的表示序列進(jìn)行注意力計(jì)算得到第三特征表示張量,新的表示序列是由第二特征表示張量和中間表示序列連接得到,最后由gcn注意力層根據(jù)第三特征表示張量確定交通流量輸出序列;
11、s3.3、線性處理:對(duì)所有編碼器層輸出的交通流量輸出序列進(jìn)行線性處理后得到交通流量預(yù)測(cè)結(jié)果。
12、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,rwkv層中的主干網(wǎng)絡(luò)采用堆疊殘差塊結(jié)構(gòu),每個(gè)殘差塊中包括一個(gè)時(shí)間混合子塊和一個(gè)通道混合子塊;時(shí)間混合子塊用于實(shí)現(xiàn)時(shí)間混合,在當(dāng)前時(shí)間步和前一個(gè)時(shí)間步之間進(jìn)行插值;通道混合子塊用于對(duì)當(dāng)前時(shí)間步和前一個(gè)時(shí)間步進(jìn)行加權(quán)混合,并通過線性投影得到最終的特征表示。
13、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,rwkv層中的主干網(wǎng)絡(luò)采用堆疊殘差塊結(jié)構(gòu),每個(gè)殘差塊中包括一個(gè)時(shí)間混合子塊和一個(gè)通道混合子塊;時(shí)間混合子塊用于實(shí)現(xiàn)時(shí)間混合,在當(dāng)前時(shí)間步和前一個(gè)時(shí)間步之間進(jìn)行插值;通道混合子塊用于對(duì)當(dāng)前時(shí)間步和前一個(gè)時(shí)間步進(jìn)行加權(quán)混合,并通過線性投影得到最終的特征表示。
14、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,位置信息為基于節(jié)點(diǎn)坐標(biāo)表征的節(jié)點(diǎn)之間的相對(duì)位置關(guān)系,節(jié)點(diǎn)是根據(jù)指定路段劃分的,一個(gè)指定路段作為一個(gè)節(jié)點(diǎn);在s2中將預(yù)處理后的交通流量數(shù)據(jù)作為輸入數(shù)據(jù)對(duì)其進(jìn)行時(shí)間嵌入和空間嵌入得到高維嵌入向量的步驟具體包括:對(duì)預(yù)處理后的交通流量數(shù)據(jù)在時(shí)間維度上加入節(jié)點(diǎn)之間的相對(duì)位置關(guān)系得到時(shí)間嵌入向量;對(duì)預(yù)處理后的交通流量數(shù)據(jù)在空間維度上加入節(jié)點(diǎn)之間的相對(duì)位置關(guān)系得到空間嵌入向量;將時(shí)間嵌入向量和空間嵌入向量加和得到高維嵌入張量。
15、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,在s1中對(duì)采集到的交通流量數(shù)據(jù)進(jìn)行預(yù)處理的步驟具體包括:對(duì)采集到的交通流量數(shù)據(jù)進(jìn)行歸一化處理后獲取每個(gè)交通流量數(shù)據(jù)對(duì)應(yīng)的流量讀數(shù),并將每個(gè)交通流量數(shù)據(jù)的時(shí)間戳相對(duì)于當(dāng)天午夜的時(shí)間差轉(zhuǎn)化為小數(shù)形式,進(jìn)而將每個(gè)交通流量數(shù)據(jù)的流量讀數(shù)和小數(shù)形式表示的時(shí)間戳連接在一起得到處理后的交通流量數(shù)據(jù)。
16、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,交通流量預(yù)測(cè)模型的目標(biāo)優(yōu)化函數(shù)為:
17、
18、其中,loss為交通流量高效預(yù)測(cè)模型的目標(biāo)優(yōu)化函數(shù),n表示樣本數(shù)量,f表示預(yù)測(cè)的時(shí)間步長(zhǎng),xt表示時(shí)間步t的輸入狀態(tài),表示時(shí)間步t的預(yù)測(cè)。
19、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,在交通流量預(yù)測(cè)模型的模型訓(xùn)練過程中采用6∶2∶2的劃分比例按時(shí)間順序?qū)?shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集進(jìn)行訓(xùn)練。
20、可選的,在第一方面的一種可能的實(shí)現(xiàn)方式中,l的取值為2或3;在s1中交通流量數(shù)據(jù)是從largest基準(zhǔn)數(shù)據(jù)集中獲取的。
21、第二方面,本技術(shù)實(shí)施例中提供了一種基于網(wǎng)絡(luò)約減預(yù)測(cè)交通流量的裝置,其特征在于,包括:至少一個(gè)處理器;及與至少一個(gè)處理器通信連接的存儲(chǔ)器;其中:存儲(chǔ)器存儲(chǔ)有可被至少一個(gè)處理器執(zhí)行的指令,指令被至少一個(gè)處理器執(zhí)行,以使至少一個(gè)處理器能夠執(zhí)行如上第一方面及其實(shí)現(xiàn)方式中任一項(xiàng)中的方法。
22、本技術(shù)實(shí)施例采用上述技術(shù)方案可以實(shí)現(xiàn)以下技術(shù)效果:使用rwkv模塊和gcn注意力模塊構(gòu)建的交通流量預(yù)測(cè)模型,gcn注意力模塊可以使得預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度得到保證,同時(shí)rwkv模塊可以降低計(jì)算復(fù)雜度,同時(shí)在編碼層和解碼器層解碼器層中均同時(shí)使用rwkv模塊和gcn注意力模塊可以進(jìn)一步提升交通流量預(yù)測(cè)模型的預(yù)測(cè)效率,還有預(yù)測(cè)過程中使用經(jīng)時(shí)間嵌入和空間嵌入后的高維嵌入張量而不是直接使用輸入數(shù)據(jù)可以進(jìn)一步提升預(yù)測(cè)效率,因此,通過本技術(shù)中基于網(wǎng)絡(luò)約減預(yù)測(cè)交通流量的方法可以保證預(yù)測(cè)準(zhǔn)確度同時(shí)降低預(yù)測(cè)過程中的計(jì)算復(fù)雜度,實(shí)現(xiàn)對(duì)交通流量的高效、準(zhǔn)確預(yù)測(cè)。。