本發(fā)明涉及大數(shù)據(jù)和深度學(xué)習(xí)，尤其涉及一種基于地理信息的大數(shù)據(jù)城市交通流量預(yù)測(cè)方法、設(shè)備和計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著城市化進(jìn)程的不斷推進(jìn)，城市人口密度急劇增加，隨之而來(lái)的交通擁堵問題日益嚴(yán)峻。這不僅影響了市民的出行效率和生活質(zhì)量，還對(duì)城市經(jīng)濟(jì)的可持續(xù)發(fā)展帶來(lái)了巨大的挑戰(zhàn)。交通擁堵問題涉及多方面的因素，包括道路基礎(chǔ)設(shè)施、車輛數(shù)量、公共交通系統(tǒng)的效率、社會(huì)經(jīng)濟(jì)活動(dòng)的分布、天氣條件等。因此，如何有效預(yù)測(cè)和管理城市交通流量，成為現(xiàn)代城市管理者面臨的一個(gè)重要課題。

2、傳統(tǒng)的交通流量預(yù)測(cè)方法主要依賴于歷史交通數(shù)據(jù)和統(tǒng)計(jì)模型，如線性回歸、時(shí)間序列模型(如arima)等。這些方法雖然在一定程度上能夠反映交通流量的變化規(guī)律，但存在顯著的局限性：

3、1、缺乏對(duì)空間依賴性的考慮：交通流量具有明顯的空間依賴性，不同區(qū)域間的交通流量互相關(guān)聯(lián)，傳統(tǒng)方法難以有效捕捉這一特性。

4、2、難以處理復(fù)雜的時(shí)間依賴性：交通流量的時(shí)間序列具有復(fù)雜的周期性和趨勢(shì)性，傳統(tǒng)時(shí)間序列模型難以全面捕捉短期和長(zhǎng)期的時(shí)間依賴性。

5、3、忽視外部因素的動(dòng)態(tài)影響：交通流量受多種外部因素影響，如天氣條件、節(jié)假日、重大活動(dòng)等，傳統(tǒng)方法通常難以動(dòng)態(tài)融合這些外部因素的影響，導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確。

6、4、模型泛化能力不足：傳統(tǒng)方法對(duì)新數(shù)據(jù)的適應(yīng)能力有限，難以在不同城市或變化的交通環(huán)境中保持良好的預(yù)測(cè)性能。

7、近年來(lái)，隨著大數(shù)據(jù)技術(shù)和深度學(xué)習(xí)技術(shù)的發(fā)展，交通流量預(yù)測(cè)領(lǐng)域迎來(lái)了新的機(jī)遇。大數(shù)據(jù)技術(shù)能夠收集和處理海量的交通數(shù)據(jù)、地理信息數(shù)據(jù)、社會(huì)經(jīng)濟(jì)數(shù)據(jù)和環(huán)境數(shù)據(jù)，為交通流量預(yù)測(cè)提供了豐富的數(shù)據(jù)基礎(chǔ)。深度學(xué)習(xí)技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)(cnn)、圖卷積網(wǎng)絡(luò)(gcn)、長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)等，具有強(qiáng)大的特征提取和模式識(shí)別能力，能夠有效捕捉交通流量中的空間和時(shí)間依賴性。

技術(shù)實(shí)現(xiàn)思路

1、為了克服傳統(tǒng)方法的局限性，本發(fā)明提出了一種基于地理信息的大數(shù)據(jù)城市交通流量預(yù)測(cè)方法。該方法通過(guò)融合空間特征、時(shí)間序列分析和外部因素的動(dòng)態(tài)影響，旨在提高交通流量預(yù)測(cè)的準(zhǔn)確性和實(shí)用性。

2、為了實(shí)現(xiàn)上述的目的，本發(fā)明采用了以下的技術(shù)方案：

3、一個(gè)基于地理信息的大數(shù)據(jù)城市交通流量預(yù)測(cè)方法，該方法包括以下的步驟：

4、1)數(shù)據(jù)收集與預(yù)處理

5、數(shù)據(jù)源包括：交通數(shù)據(jù)、地理信息數(shù)據(jù)、社會(huì)經(jīng)濟(jì)數(shù)據(jù)和環(huán)境數(shù)據(jù)；對(duì)數(shù)據(jù)預(yù)處理，去除異常值、填補(bǔ)缺失值；將來(lái)自不同來(lái)源的數(shù)據(jù)融合到一個(gè)統(tǒng)一的框架中；并從原始數(shù)據(jù)中提取有助于預(yù)測(cè)的特征，對(duì)數(shù)據(jù)進(jìn)行規(guī)范化和標(biāo)準(zhǔn)化處理；

6、2)空間特征提取

7、該步驟采用圖卷積自適應(yīng)空間特征提取模型(gcn-asfe)；通過(guò)圖卷積網(wǎng)絡(luò)(gcn)和自適應(yīng)空間權(quán)重分配(aswa)機(jī)制，捕捉交通網(wǎng)絡(luò)中的空間依賴關(guān)系，并動(dòng)態(tài)調(diào)整節(jié)點(diǎn)之間的空間權(quán)重，具體包括以下步驟：

8、2.1)將城市劃分為多個(gè)區(qū)域，每個(gè)區(qū)域作為圖中的一個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)的特征包括該區(qū)域的道路類型、交通容量；節(jié)點(diǎn)之間的連接表示區(qū)域之間的交通流動(dòng)關(guān)系，邊的權(quán)重可以基于地理距離、道路連接情況信息進(jìn)行初始化；

9、2.2)利用圖卷積網(wǎng)絡(luò)(gcn)捕捉道路網(wǎng)絡(luò)中的空間依賴關(guān)系；首先，通過(guò)鄰接矩陣將節(jié)點(diǎn)的特征聚合，計(jì)算每個(gè)節(jié)點(diǎn)的特征向量；然后，通過(guò)可學(xué)習(xí)的權(quán)重矩陣和激活函數(shù)更新節(jié)點(diǎn)的特征向量，捕捉節(jié)點(diǎn)之間的空間關(guān)系；

10、2.3)采用自適應(yīng)空間權(quán)重分配(aswa)機(jī)制進(jìn)行權(quán)重分配；首先，基于節(jié)點(diǎn)的特征向量，通過(guò)一個(gè)多層感知機(jī)(mlp)計(jì)算節(jié)點(diǎn)之間的權(quán)重；然后，通過(guò)softmax函數(shù)對(duì)權(quán)重進(jìn)行歸一化，確保每個(gè)節(jié)點(diǎn)的權(quán)重和為1；最后，使用更新后的權(quán)重矩陣替代原始的鄰接矩陣，重新計(jì)算節(jié)點(diǎn)的特征向量；

11、3)時(shí)間序列分析

12、通過(guò)注意力增強(qiáng)長(zhǎng)短期記憶網(wǎng)絡(luò)(ae-lstm)，捕捉交通流量數(shù)據(jù)中的時(shí)間依賴性，增強(qiáng)對(duì)關(guān)鍵時(shí)間步的關(guān)注；其中：

13、3.1)lstm層：輸入標(biāo)準(zhǔn)化后的時(shí)間序列數(shù)據(jù)，通過(guò)lstm層計(jì)算每個(gè)時(shí)間步的隱藏狀態(tài)ht；

14、3.2)注意力機(jī)制層：對(duì)lstm層的輸出ht進(jìn)行加權(quán)，計(jì)算加權(quán)隱藏狀態(tài)hweighted；

15、3.3)預(yù)測(cè)層：將加權(quán)隱藏狀態(tài)hweighted傳遞到全連接層，進(jìn)行交通流量預(yù)測(cè)；

16、4)外部因素融合

17、應(yīng)用動(dòng)態(tài)影響融合網(wǎng)絡(luò)(difn)；通過(guò)特征嵌入、動(dòng)態(tài)影響評(píng)估和融合預(yù)測(cè)，捕捉外部因素的動(dòng)態(tài)變化和對(duì)交通流量的影響；

18、5)模型訓(xùn)練與評(píng)估

19、將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于調(diào)整模型參數(shù)，測(cè)試集用于評(píng)估模型性能；選擇合適的損失函數(shù)用于模型訓(xùn)練，最小化預(yù)測(cè)值與真實(shí)值之間的誤差；選擇合適的優(yōu)化算法進(jìn)行模型參數(shù)的優(yōu)化，更新模型權(quán)重；

20、并使用平均絕對(duì)誤差(mae)或均方根誤差(rmse)指標(biāo)評(píng)估模型性能，通過(guò)交叉驗(yàn)證方法評(píng)估模型的泛化能力，確保模型在不同數(shù)據(jù)集上的穩(wěn)定表現(xiàn)；并通過(guò)改變測(cè)試數(shù)據(jù)集中的外部因素，測(cè)試模型的動(dòng)態(tài)適應(yīng)性；

21、6)模型部署與應(yīng)用

22、將訓(xùn)練好的模型部署到實(shí)際的交通管理系統(tǒng)中，提供實(shí)時(shí)的交通流量預(yù)測(cè)；將預(yù)測(cè)結(jié)果以圖表、地圖的形式展示，方便交通管理部門進(jìn)行決策；同時(shí)利用預(yù)測(cè)結(jié)果，制定和調(diào)整交通管控措施；利用長(zhǎng)期交通流量預(yù)測(cè)結(jié)果，支持城市交通基礎(chǔ)設(shè)施的規(guī)劃和優(yōu)化。

23、作為優(yōu)選，所述步驟1)中交通數(shù)據(jù)包括來(lái)自交通監(jiān)控?cái)z像頭、交通流量探測(cè)器、gps車輛數(shù)據(jù)等；地理信息數(shù)據(jù)包括道路網(wǎng)絡(luò)結(jié)構(gòu)、交叉口、公交線路等gis數(shù)據(jù)；社會(huì)經(jīng)濟(jì)數(shù)據(jù)包括人口密度、商業(yè)區(qū)分布、重大事件等；環(huán)境數(shù)據(jù)包括天氣條件、季節(jié)性變化等。

24、作為優(yōu)選，所述步驟1)中異常值處理包括檢測(cè)并移除不符合常理的異常數(shù)據(jù)點(diǎn)，如異常高或低的流量數(shù)據(jù)；對(duì)于缺失的數(shù)據(jù)，采用插值法、均值填補(bǔ)或基于機(jī)器學(xué)習(xí)的方法進(jìn)行填補(bǔ)；

25、有助于預(yù)測(cè)的特征包括時(shí)間特征、天氣特征和空間特征，時(shí)間特征包括從時(shí)間戳中提取時(shí)間特征，如小時(shí)、星期幾、是否節(jié)假日；天氣特征提取為將天氣數(shù)據(jù)轉(zhuǎn)化為特征向量，包括溫度、降雨量、風(fēng)速；空間特征提取為將道路網(wǎng)絡(luò)結(jié)構(gòu)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)轉(zhuǎn)化為特征向量，包括道路類型、交叉口密度、商業(yè)區(qū)密度；

26、數(shù)據(jù)進(jìn)行規(guī)范化和標(biāo)準(zhǔn)化處理包括將數(shù)據(jù)縮放到0到1范圍內(nèi)，以消除不同特征之間的量綱差異；將數(shù)據(jù)轉(zhuǎn)換為均值為0，標(biāo)準(zhǔn)差為1的分布。

27、作為優(yōu)選，所述步驟2.2)中圖卷積網(wǎng)絡(luò)(gcn)如下：

28、給定一個(gè)無(wú)向圖g＝(v,e)，其中v是節(jié)點(diǎn)集合，e是邊集合；鄰接矩陣a表示節(jié)點(diǎn)間的連接關(guān)系，節(jié)點(diǎn)特征矩陣x∈rn×d表示每個(gè)節(jié)點(diǎn)的特征向量，其中n是節(jié)點(diǎn)數(shù)，d是特征維度；基本公式如下：

29、基本公式如下：

30、

31、其中：

32、h(l)是第l層的節(jié)點(diǎn)特征矩陣，初始時(shí)h(0)＝x；

33、a′是通過(guò)動(dòng)態(tài)權(quán)重wi計(jì)算得到的自適應(yīng)鄰接矩陣；

34、d′是a′的度矩陣，對(duì)角元素d′ii＝σja′ij；

35、w(l)是第l層的可學(xué)習(xí)權(quán)重矩陣；

36、σ是激活函數(shù)。

37、作為優(yōu)選，所述步驟2.3)中aswa機(jī)制的核心是通過(guò)一個(gè)多層感知機(jī)(mlp)來(lái)學(xué)習(xí)節(jié)點(diǎn)間的動(dòng)態(tài)權(quán)重；包括以下的步驟：

38、a)給定節(jié)點(diǎn)i和節(jié)點(diǎn)j的特征向量hi和hj，通過(guò)mlp計(jì)算它們之間的權(quán)重wij；

39、對(duì)于每一對(duì)節(jié)點(diǎn)i和j，權(quán)重wij通過(guò)以下公式計(jì)算：

40、

41、其中，表示特征向量的拼接操作，mlp是一個(gè)多層感知機(jī)，用于計(jì)算節(jié)點(diǎn)對(duì)的相關(guān)性分?jǐn)?shù)eij；

42、b)通過(guò)softmax函數(shù)對(duì)所有鄰接節(jié)點(diǎn)的相關(guān)性分?jǐn)?shù)進(jìn)行歸一化，得到權(quán)重wij：

43、

44、其中，是節(jié)點(diǎn)i的鄰居節(jié)點(diǎn)集合；確保計(jì)算出的權(quán)重wij滿足歸一化條件，使其在[0,1]范圍內(nèi)；

45、c)通過(guò)動(dòng)態(tài)計(jì)算的權(quán)重wij構(gòu)造自適應(yīng)鄰接矩陣a′，該鄰接矩陣能夠替代固定的鄰接矩陣a，動(dòng)態(tài)反映節(jié)點(diǎn)之間的實(shí)時(shí)關(guān)系。自適應(yīng)鄰接矩陣a′的元素定義為：

46、

47、e是圖中的邊集，表示節(jié)點(diǎn)間的連接關(guān)系；

48、如果i和j之間存在連接，即(i,j)∈e)，則自適應(yīng)鄰接矩陣中對(duì)應(yīng)位置的值為wij；否則為0。

49、d)在圖卷積網(wǎng)絡(luò)(gcn)的計(jì)算過(guò)程中，我們使用自適應(yīng)鄰接矩陣a'進(jìn)行特征聚合與更新；對(duì)于每一層l的節(jié)點(diǎn)特征h(l)，使用自適應(yīng)鄰接矩陣進(jìn)行傳播，更新后的節(jié)點(diǎn)特征表示為：

50、

51、其中：

52、h(l)是第l層的節(jié)點(diǎn)特征矩陣，初始時(shí)h(0)＝x；

53、a′是通過(guò)動(dòng)態(tài)權(quán)重wi計(jì)算得到的自適應(yīng)鄰接矩陣；

54、d′是a′的度矩陣，對(duì)角元素d′ii＝∑ja′ij；

55、w(1)是第l層的可學(xué)習(xí)權(quán)重矩陣；

56、σ是激活函數(shù)。

57、作為優(yōu)選，所述步驟3)中給定時(shí)間序列輸入{xt}和初始狀態(tài)(h0，c0)，lstm的每個(gè)時(shí)

58、間步的計(jì)算如下：

59、遺忘門：控制遺忘上一個(gè)時(shí)間步的信息

60、ft＝σ(wf·[ht-1，xt]+bf)；

61、輸入門：控制輸入當(dāng)前時(shí)間步的信息

62、it＝σ(wi·[ht-1，xt]+bi)；

63、候選記憶單元：生成新的候選記憶

64、

65、更新記憶單元：結(jié)合遺忘門和輸入門的信息更新記憶單元

66、

67、輸出門：控制輸出信息

68、ot＝σ(wo·[ht-1，xt]+bo)；

69、隱藏狀態(tài)：生成當(dāng)前時(shí)間步的隱藏狀態(tài)

70、ht＝ot*tanh(ct)；

71、其中，σ是sigmoid激活函數(shù)，*表示逐元素乘法，w和b是可學(xué)習(xí)的權(quán)重和偏置參數(shù)。作為優(yōu)選，所述步驟3)中注意力機(jī)制的公式模型如下：

72、計(jì)算注意力得分：對(duì)每個(gè)時(shí)間步的隱藏狀態(tài)ht，通過(guò)注意力評(píng)分函數(shù)計(jì)算其得分et＝vt?tanh(whht+ba)；

73、計(jì)算注意力權(quán)重：通過(guò)softmax函數(shù)對(duì)注意力得分進(jìn)行歸一化，得到注意力權(quán)重

74、計(jì)算加權(quán)隱藏狀態(tài)：對(duì)lstm的輸出進(jìn)行加權(quán)求和，得到加權(quán)隱藏狀態(tài)

75、

76、作為優(yōu)選，所述步驟4)中動(dòng)態(tài)影響融合網(wǎng)絡(luò)(difn)的具體步驟如下：

77、4.1)特征嵌入

78、特征嵌入步驟的目的是將各種外部因素轉(zhuǎn)換為高維特征向量，以便模型處理；給定一個(gè)外部因素的原始輸入數(shù)據(jù)集其中代表第i種外部因素的數(shù)據(jù)，將這些原始數(shù)據(jù)轉(zhuǎn)換為特征向量；

79、

80、其中，fembed是特征嵌入函數(shù)，為一個(gè)簡(jiǎn)單的線性變換或一個(gè)多層感知機(jī)(mlp)，是嵌入函數(shù)的可學(xué)習(xí)參數(shù)，是第i種外部因素的嵌入向量。

81、4.2)動(dòng)態(tài)影響評(píng)估

82、動(dòng)態(tài)影響評(píng)估步驟的目的是通過(guò)學(xué)習(xí)每種外部因素的影響權(quán)重，以反映其對(duì)交通流量的動(dòng)態(tài)影響；使用一個(gè)多層感知機(jī)(mlp)來(lái)計(jì)算每種外部因素的影響權(quán)重；給定外部因素的嵌入向量集合首先計(jì)算每種外部因素的相關(guān)性分?jǐn)?shù)

83、

84、其中，mlp是多層感知機(jī)，θmlp是其可學(xué)習(xí)參數(shù)；

85、然后，通過(guò)softmax函數(shù)對(duì)相關(guān)性分?jǐn)?shù)進(jìn)行歸一化，得到每種外部因素的動(dòng)態(tài)影響權(quán)重

86、

87、

88、4.3)融合預(yù)測(cè)

89、首先，計(jì)算加權(quán)的外部因素嵌入向量efusion；

90、

91、然后，將加權(quán)后的外部因素嵌入向量與內(nèi)部特征向量hinternalh_進(jìn)行融合；內(nèi)部特征向量hinternalh_是由時(shí)間序列分析模型或空間特征提取模型生成；

92、

93、其中，⊕表示特征向量的拼接操作；

94、最后，通過(guò)一個(gè)多層感知機(jī)(mlp)對(duì)組合特征進(jìn)行處理，輸出交通流量預(yù)測(cè)結(jié)果

95、其中，mlppredict是用于預(yù)測(cè)的多層感知機(jī)，θpredict是其可學(xué)習(xí)參數(shù)。

96、進(jìn)一步，本發(fā)明還公開了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)所述方法。

97、進(jìn)一步，本發(fā)明還公開了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序或指令，其該計(jì)算機(jī)程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述方法。

98、本發(fā)明由于采用了上述的技術(shù)方案，基于地理信息的大數(shù)據(jù)城市交通流量預(yù)測(cè)方法通過(guò)多源數(shù)據(jù)融合、空間特征提取、時(shí)間序列分析和外部因素動(dòng)態(tài)融合等技術(shù)手段，實(shí)現(xiàn)了對(duì)城市交通流量的高精度預(yù)測(cè)。該方法在數(shù)據(jù)質(zhì)量、多源數(shù)據(jù)融合、空間特征提取、時(shí)間序列分析和實(shí)時(shí)性等方面表現(xiàn)出顯著的技術(shù)效果，為城市交通管理、規(guī)劃和決策提供了強(qiáng)有力的技術(shù)支持，具有廣泛的應(yīng)用前景和重要的社會(huì)經(jīng)濟(jì)價(jià)值。