[发明专利]一种基于混合卷积LSTM的城市短时交通流预测方法及系统

说明书

本发明属于智慧城市交通预测技术领域，涉及一种基于混合卷积LSTM的城市短时交通流预测方法及系统，包括构建短时交通流预测模型，其包括特征融合模块、混合卷积模块和空间感知多注意力模块；引入外部因素，采用特征融合模块融合交通流图和外部因素生成特征融合图，并利用混合卷积模块进行处理生成多个隐藏图，将所有隐藏图融合得到完整隐藏图；对其上采样后送入空间感知多注意力模块，得到模块输出图；将模块输出图与交通流图卷积生成预测交通流图，将其反归一化产生真实交通流量值；本发明将混合卷积模块嵌入LSTM，提取时间和空间特征，捕获两者的相互关系，多注意力空间感知模块采用全局感知和局部感知提升重要时空信息的权重占比，提高了预测性能。

技术领域

本发明属于智慧城市交通预测技术领域，具体涉及一种基于混合卷积LSTM的城市短时交通流预测方法及系统。

背景技术

城市地域面积的不断扩张和城市人口数量的迅猛增长带来了一系列城市病，其中较为显著的是交通拥堵。而随着传感器、无线传感网络、移动设备的普及，越来越多的时空数据为智能交通系统的实现提供了便利，例如车载GPS数据、移动手机信令数据、可穿戴设备定位数据等；这些时空数据一般为一系列时间和经纬度坐标的序列，可以反映人、车辆的迁移和活动。其中，将城市根据经纬度划分为多个大小相等的网格，每个网格称为一个区域；一段时间内，从一个区域到另一个区域称为流动，简称为流(包含交通流和人流)。但是交通流动具有非线性时空依赖的特性，在预测方面存在一定困难。

近年来，传统时序预测和机器学习方法在智能交通系统的时间序列预测任务中取得非凡成果，但是传统的时序预测和机器学习方法虽然充分挖掘了时间关联性，但是忽略了或者只考虑了非常有限的区域之间的空间依赖性；相邻区域和远距离地区的空间依赖挖掘不充分，预测性能受限。此外，深度学习也在交通预测领域得到广泛应用。一种典型的深度学习网络DeepST使用卷积神经网络建模空间相关性，并由三个时间分支(临近时间、日周期、周周期)捕获时间依赖；在此基础上，ST-ResNet引入残差结构以此代替简单的卷积操作，避免随着网络深度加深导致特征弥散。DeepSTN+设计了一种ConvPlus结构，长距离的空间依赖得意更好捕获。ST-3DNet引入3D卷积来同时提取空间和时间特征。但上述方法对时间维度的建模都是基于严格的时间周期，但是实际生活中时间依赖是动态变化的。

为了建模时间依赖，一些用于序列建模的方法被广泛用于交通预测任务，例如递归神经网络及其变体LSTM等。他们使用一系列记忆单元来选择保留或者遗忘关键信息，达到长时间记忆。ConvLSTM在LSTM内部设计了一个卷积操作，结合卷积神经网络擅于捕获空间特征和递归神经网络捕获时间特征的特点，以捕获时间和空间的相关性。E3D-LSTM将自注意力机制和3D卷积嵌入LSTM，来建模长期和短期的时空依赖。虽然这些方法已经取得了显著的进展，但应用在复杂的城市空间中，效果仍有提升空间，他们存在以下几点局限性：

1、简单的应用2D卷积提取空间特征会忽略时间和空间特征之间的相互关系并且相邻时间间隔的特征的动态变化无法捕获；

2、直接运用3D卷积提取时空特征会使得局部空间特征细节挖掘不充分并且会引入较多冗余空间特征信息；

3、局部卷积操作对远距离空间依赖挖掘不充分。

发明内容

为解决上述问题，本发明提出一种基于混合卷积LSTM的城市短时交通流预测方法，构建基于混合卷积LSTM的短时交通流预测模型，该模型包括特征融合模块、混合卷积模块和空间感知多注意力模块，基于混合卷积LSTM的城市短时交通流预测方法包括以下步骤：

S1.根据经纬度将城市划分为多个(I×J)网格，每个网格表示城市的一个区域，获取多个(I×J)网格的原始轨迹数据；

S2.对获取的原始轨迹数据进行处理后分为N个时间步，每个时间步包含m个时刻的交通流图；

S3.将交通流图按时间信息划分为节假日的交通流图和星期一到星期天的交通流图，将划分的交通流图作为外部因素；