本技術(shù)涉及道路交通監(jiān)測，具體涉及一種流量預(yù)測模型訓(xùn)練方法、裝置、交通流量預(yù)測方法、裝置。

背景技術(shù)：

1、隨著城市經(jīng)濟(jì)的發(fā)展，汽車保有量的不斷攀升，一、二線城市道路交通擁堵加劇，并逐漸向三四線城市蔓延。城市中不同區(qū)域的交通流量反映了城市居民的出行需求，精準(zhǔn)高效地預(yù)測不同區(qū)域的交通流量，是實(shí)現(xiàn)車輛精準(zhǔn)調(diào)度、公交系統(tǒng)優(yōu)化的基礎(chǔ)，有助于緩解城市交通擁堵、提高城市交通效率，對推動智慧交通與智慧城市協(xié)同發(fā)展至關(guān)重要。以城市交通擁堵路口作為研究對象，對短時(shí)交通流量預(yù)測算法，挖掘交通流量的多時(shí)間尺度特性和時(shí)空依賴關(guān)系，實(shí)現(xiàn)短時(shí)交通流量的精確預(yù)測。

2、當(dāng)前短時(shí)交通流量預(yù)測模型主要基于深度學(xué)習(xí)的編碼器解碼器模型在nlp領(lǐng)域已廣泛采用，如transformer用于機(jī)器翻譯等，其架構(gòu)在cv領(lǐng)域也有應(yīng)用。因此，利用該架構(gòu)設(shè)計(jì)相關(guān)算法自動提取交通流量的時(shí)空相關(guān)性，構(gòu)造深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)短時(shí)交通流量的預(yù)測。但是在相關(guān)技術(shù)中的交通流預(yù)測模型中，?lstm、gru、saes模型可能面臨描述質(zhì)量不高、?重要部分特征提取不足的問題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于以上所述相關(guān)技術(shù)的缺點(diǎn)，本技術(shù)提供一種流量預(yù)測模型訓(xùn)練方法、裝置、交通流量預(yù)測方法、裝置，以解決上述技術(shù)問題。

2、本技術(shù)提供的一種流量預(yù)測模型訓(xùn)練方法，包括：

3、獲取交通流量歷史數(shù)據(jù)，并在時(shí)間軸的不同位置對所述交通流量歷史數(shù)據(jù)進(jìn)行不同時(shí)間尺度的劃分，得到待處理流量歷史數(shù)據(jù)；

4、對所述待處理流量歷史數(shù)據(jù)進(jìn)行歸一化處理，得到中間流量歷史數(shù)據(jù)；

5、基于時(shí)滯變量對所述中間流量歷史數(shù)據(jù)進(jìn)行劃分，得到初始數(shù)據(jù)集，所述初始數(shù)據(jù)集中包括多個(gè)流量歷史數(shù)據(jù)樣本；

6、對所述初始數(shù)據(jù)集中的多個(gè)流量歷史數(shù)據(jù)樣本進(jìn)行混洗，得到目標(biāo)數(shù)據(jù)集；

7、基于所述目標(biāo)數(shù)據(jù)集訓(xùn)練初始基礎(chǔ)模型，得到目標(biāo)基礎(chǔ)模型；

8、在所述目標(biāo)基礎(chǔ)模型的特征提取層后依次插入卷積層、動態(tài)時(shí)間模塊和卷積注意力模塊，得到初始預(yù)測模型；所述動態(tài)時(shí)間模塊用于對卷積層的卷積輸出進(jìn)行動態(tài)處理得到輸出特征，卷積注意力模塊包括通道注意力機(jī)制和空間注意力機(jī)制，所述卷積注意力模塊用于對所述輸出特征進(jìn)行特征提??；

9、基于所述目標(biāo)數(shù)據(jù)集訓(xùn)練初始預(yù)測模型，得到目標(biāo)預(yù)測模型，所述目標(biāo)預(yù)測模型的輸出為交通流量預(yù)測結(jié)果。

10、于本技術(shù)一實(shí)施例中，所述動態(tài)時(shí)間模塊包括多個(gè)依次連接的時(shí)序卷積模塊以及與每個(gè)時(shí)序卷積模塊的輸出連接的停止分?jǐn)?shù)預(yù)測模塊；

11、其中，所述時(shí)序卷積模塊用于對輸入數(shù)據(jù)進(jìn)行因果卷積和膨脹卷積，與所述卷積層連接的時(shí)序卷積模塊的輸入數(shù)據(jù)為卷積層的卷積輸出，上一個(gè)時(shí)序卷積模塊的輸出數(shù)據(jù)為當(dāng)前時(shí)序卷積模塊的輸入數(shù)據(jù)，所述停止分?jǐn)?shù)預(yù)測模塊用于預(yù)測對應(yīng)的時(shí)序卷積模塊的停止分?jǐn)?shù)，并在停止分?jǐn)?shù)累計(jì)到達(dá)預(yù)設(shè)值時(shí)，跳過剩余的時(shí)序卷積模塊，得到輸出特征。

12、于本技術(shù)一實(shí)施例中，基于所述目標(biāo)數(shù)據(jù)集訓(xùn)練初始預(yù)測模型，得到目標(biāo)預(yù)測模型，包括：

13、在所述初始預(yù)測模型中加載所述目標(biāo)基礎(chǔ)模型的訓(xùn)練權(quán)重；

14、將流量歷史數(shù)據(jù)樣本輸入所述初始預(yù)測模型，得到初始預(yù)測模型中所述卷積層的卷積輸出；

15、將所述卷積層的卷積輸出輸入至動態(tài)時(shí)間模塊，得到動態(tài)時(shí)間模塊的輸出特征；

16、基于通道注意力機(jī)制對所述輸出特征進(jìn)行特征提取，得到通道注意特征；

17、基于空間注意力機(jī)制對所述通道注意特征進(jìn)行特征提取，得到空間注意特征；

18、對所述空間注意特征進(jìn)行解碼得到交通流量預(yù)測結(jié)果。

19、于本技術(shù)一實(shí)施例中，將所述卷積層的卷積輸出輸入至動態(tài)時(shí)間模塊，得到動態(tài)時(shí)間模塊的輸出特征包括：

20、（公式1）

21、（公式2）

22、（公式3）

23、（公式4）

24、其中，表示第個(gè)時(shí)序卷積模塊的輸入數(shù)據(jù)，是一個(gè)激活函數(shù)，是原始的擴(kuò)張變換，表示邏輯函數(shù)，表示第個(gè)時(shí)序卷積模塊的停止分?jǐn)?shù)，表示第個(gè)時(shí)序卷積模塊的權(quán)重參數(shù)，表示第個(gè)時(shí)序卷積模塊的偏置；

25、（公式5）

26、（公式6）

27、其中，n為計(jì)算的時(shí)序卷積模塊的數(shù)量，是常數(shù)，表示余數(shù)；

28、（公式7）

29、（公式8）

30、其中，表示每一個(gè)時(shí)序卷積模塊的停止概率，表示動態(tài)時(shí)間模塊的輸出特征。

31、于本技術(shù)一實(shí)施例中，所述初始基礎(chǔ)模型為門控循環(huán)單元、長短期記憶網(wǎng)絡(luò)或堆疊自編碼器。

32、為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本技術(shù)提供一種交通流量預(yù)測方法，包括：

33、獲取待預(yù)測交通流數(shù)據(jù)；

34、調(diào)用預(yù)先訓(xùn)練的目標(biāo)預(yù)測模型；

35、基于所述待預(yù)測交通流數(shù)據(jù)和所述目標(biāo)預(yù)測模型，得到交通流量預(yù)測結(jié)果；

36、其中，所述目標(biāo)預(yù)測模型采用前述的一個(gè)或多個(gè)所述的流量預(yù)測模型訓(xùn)練方法訓(xùn)練得到。

37、為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本技術(shù)提供一種流量預(yù)測模型訓(xùn)練裝置，包括：

38、樣本獲取模塊，用于獲取交通流量歷史數(shù)據(jù)，并在時(shí)間軸的不同位置對所述交通流量歷史數(shù)據(jù)進(jìn)行不同時(shí)間尺度的劃分，得到待處理流量歷史數(shù)據(jù)；

39、第一處理模塊，用于對所述待處理流量歷史數(shù)據(jù)進(jìn)行歸一化處理，得到中間流量歷史數(shù)據(jù)；

40、第二處理模塊，用于基于時(shí)滯變量對所述中間流量歷史數(shù)據(jù)進(jìn)行劃分，得到初始數(shù)據(jù)集，所述初始數(shù)據(jù)集中包括多個(gè)流量歷史數(shù)據(jù)樣本；

41、第三處理模塊，用于對所述初始數(shù)據(jù)集中的多個(gè)流量歷史數(shù)據(jù)樣本進(jìn)行混洗，得到目標(biāo)數(shù)據(jù)集；

42、第一訓(xùn)練模塊，用于基于所述目標(biāo)數(shù)據(jù)集訓(xùn)練初始基礎(chǔ)模型，得到目標(biāo)基礎(chǔ)模型；

43、模型構(gòu)建模塊，用于在所述目標(biāo)基礎(chǔ)模型的特征提取層后依次插入卷積層、動態(tài)時(shí)間模塊和卷積注意力模塊，得到初始預(yù)測模型；所述動態(tài)時(shí)間模塊用于對卷積層的卷積輸出進(jìn)行動態(tài)處理得到輸出特征，卷積注意力模塊包括通道注意力機(jī)制和空間注意力機(jī)制，所述卷積注意力模塊用于對所述輸出特征進(jìn)行特征提?。?/p>

44、第二訓(xùn)練模塊，用于基于所述目標(biāo)數(shù)據(jù)集訓(xùn)練初始預(yù)測模型，得到目標(biāo)預(yù)測模型，所述目標(biāo)預(yù)測模型的輸出為交通流量預(yù)測結(jié)果。

45、為實(shí)現(xiàn)上述目的及其他相關(guān)目的，本技術(shù)提供一種交通流量預(yù)測裝置，包括：

46、數(shù)據(jù)獲取模塊，用于獲取待預(yù)測交通流數(shù)據(jù)；

47、調(diào)用模塊，用于調(diào)用預(yù)先訓(xùn)練的目標(biāo)預(yù)測模型；

48、預(yù)測模塊，用于基于所述待預(yù)測交通流數(shù)據(jù)和所述目標(biāo)預(yù)測模型，得到交通流量預(yù)測結(jié)果；

49、其中，所述目標(biāo)預(yù)測模型采用前述的一個(gè)或多個(gè)所述的流量預(yù)測模型訓(xùn)練方法訓(xùn)練得到。

50、如上所述，本技術(shù)提供的一種流量預(yù)測模型訓(xùn)練方法、裝置、交通流量預(yù)測方法、裝置，具有以下有益效果：

51、本技術(shù)中的一種流量預(yù)測模型訓(xùn)練方法，該方法通過先訓(xùn)練初始基礎(chǔ)模型得到目標(biāo)基礎(chǔ)模型，在目標(biāo)基礎(chǔ)模型的特征提取層后依次插入卷積層、動態(tài)時(shí)間模塊和卷積注意力模塊，得到初始預(yù)測模型，并對初始預(yù)測模型進(jìn)行訓(xùn)練得到目標(biāo)預(yù)測模型。增加卷積層可以對卷積層之前的信息進(jìn)行整合，對目標(biāo)基礎(chǔ)模型輸出的空間特征做進(jìn)一步提取，通過結(jié)合動態(tài)時(shí)間模塊，通道注意力模塊和空間注意力模塊，實(shí)現(xiàn)了對輸入特征的精煉，使模型能夠同時(shí)關(guān)注有意義的通道、空間位置和時(shí)間序列，從而提高了模型的表征能力和決策準(zhǔn)確性。動態(tài)時(shí)間模塊和卷積注意力模塊能夠根據(jù)任務(wù)需求動態(tài)地調(diào)整特征中每個(gè)通道和空間位置的重要性，有助于模型更好地關(guān)注于關(guān)鍵特征，提高識別性能。

52、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本技術(shù)。