[发明专利]短时交通流量预测的方法、系统、电子装置和存储介质

说明书

本申请涉及短时交通流量预测的方法、系统、电子装置和存储介质，其中，该短时交通流量预测方法包括：获取多模态路网源数据，以路段和时间为主维度，对数据进行预处理，生成口径统一和路段匹配的基础数据；分别对基础数据中的路网时空数据、环境数据和视频图像数据进行特征提取，获取时空依赖特征、环境特征以及图像特征；对获取的特征进行特征融合，获得融合特征；通过注意力机制模型对融合特征进行过滤，捕捉融合特征中的关键有效特征；最终将有效特征输入回归模型中进行预测，得到预测值。通过本申请，解决了路网多模态数据利用率低和路况多情况预测准确率低的问题，提高了模型预测准确性和高效性。

技术领域

本申请涉及人工智能领域，特别是涉及短时交通流量预测的方法、系统、电子装置和存储介质。

背景技术

随着高速公路的不断发展与建设，由于其高效快速的通行能力已被越来越多的人作为日常出行方式的主要选择。但是，随着人们的出行需求的不断提高，已有的路网通行能力早已不能满足现有出行量，随即产生越来越多的交通拥堵状况，而其后果是交通事故的频发。因此，对高速公路短时交通量预测是实现合理有效的交通诱导，缓解交通拥堵，减少交通事故的频发的必要前提。

在相关技术中，基于线性回归的算法预测，是获取可能影响交通流量的因子进行特征缩放，初始化经过特征缩放后的各个因子的参数，结合线性回归方法对特征缩放后的因子进行建模，然后根据实际交通流量和建立的模型确定代价函数，对代价函数进行正则化处理；接着利用梯度下降算法求解代价函数最小值，根据代价函数最小值求得最优参数，最后利用求得的最优参数对该道路的短时交通流量进行预测。由于基于线性回归的算法预测是假设采集到的路网数据呈线性趋势，并且输出的数据只能是线性关系，而路网数据是多样化的，路网的流量也是随机变化的，因此线性回归的算法误差大，数据利用率低，而且不能识别突发情况；

基于卷积神经网络的方法，主要是利用构建交通流量序列，将流量序列输入到卷积神经网络进行训练从而得到观测点的预测结果，主要算法步骤为：(1)选定需要进行交通流预测的路段以及可获得的对应路网历史数据；(2)根据获取的短时交通流历史数据，选定短时交通流预测的预测时段；(3)对预测路段的历史交通流数据进行二维矩阵转化；(4)构建卷积神经网络，对历史交通流数据集进行预测模型训练并验证优化。其预测数据的输入是单一来源，没有解决路网多模态数据应用的问题，此外，卷积神经网络只能完成单一任务的预测，不能实现路况多种情况的同时预测，运行效率低，计算成本大；

基于支持向量机有监督训练模型预测利用不同的核函数对数据进行变换处理，将非线性的映射到一个高纬特征空间，并在高维特征空间构造出最优分类超平面，最后利用该超平面进行拟合或者分类，主要算法步骤为：(1)采集固定道路位置固定时间间隔内通过原始交通流量数据；(2)根据季节模型算法对原始的交通流量数据进行预处理，生成时序交通流数据；(3)根据数据类型和数据维度选择合适的核函数，构建基于支持向量机回归模型；(4)时序数据输入到支持向量机模型中进行训练和测试，并根据预测结果的平均绝对百分比误差进行模型参数调整。这种预测方法对大样本量的预测精度会下降，而且不能处理多模态数据，提取的特征无法捕捉路网的空间依赖性，参与模型计算的特征无法反应路网的复杂性和随机性。

目前针对相关技术中，在对高速公路道路中间的短距离进行路况预测的情况下，针对路网多模态数据利用率低和路况多情况预测准确率低的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了短时交通流量预测的方法、系统、电子装置和存储介质，至少解决相关技术中在对高速公路道路中间的短距离进行路况预测的情况下，路网多模态数据利用率低和路况多情况预测准确率低的问题。

第一方面，本申请实施例提供了一种短时交通流量预测的方法，所述方法包括：

获取多模态路网源数据，以路段和时间为主维度，对所述数据进行预处理，生成口径统一和路段匹配的基础数据；