[发明专利]一种时空联合的交通流量预测方法及装置

说明书

本发明公开了一种时空联合的交通流量预测方法及装置，属于交通流量预测技术领域，其中，该方法包括：获取各个监测点的监测数据，将数据按照时间周期性规律进行分类并建立数据集，根据数据集构建监测站点无向图，同时将数据集划分训练集、测试集和验证集；基于监测站点无向图，构建时空联合的交通流量预测模型；利用训练集对时空联合的交通流量预测模型进行训练，得到最优时空联合的交通流量预测模型；将验证集输入到最优时空联合的交通流量预测模型中，计算未来交通流量预测值。该方法通过对时空注意力进行解耦，将数据进行更加细粒性的特征划分，充分考虑到每个监测点和每个时刻的特征，更高效的提取数据中的空间相关性和时间。

技术领域

本发明涉及交通流量预测技术领域，特别涉及一种时空联合的交通流量预测方法及装置。

背景技术

随着社会的发展，车辆普及到每一户人家，城市道路出现大规模的拥堵情况。科研人员对交通流量预测进行深入研究，发现交通流量预测不是简单受到车辆多少的影响，还受到时间周期，路况，人流等复杂因素的影响，这些因素导致预测结果与实际的结果有很大的差距。当今，科技不断进步，监测设备成本降低，大量监控设备加入到各个道路之中，更多和更加精准的数据被共享，这为交通流量预测打下坚实的数据基础。简单来讲，通过对监测点数据的挖掘，可以更加清晰的了解两个监测点的相关性和一个监测点不同时间段上的流量变化趋势。

交通预测是智能城市发展的基石。准确的交通预测对现实世界是必不可少的，例如城市可以通过交通流量预测有效的缓解拥堵；交通警察可以通过交通流量预测合理安排人手，减少工作负担；各种网络打车软件可以通过交通流量预测合理的规划行驶路线，帮助司机师傅获取更多订单和金钱，帮助乘客节约更多的金钱；打车软件也可以提前将车辆预先分配到高需求地区来满足乘客的需要。交通流量数据的不断增加，为我们建设新型城市提供了一个全新的视角。

交通流量预测模型研究的深入，涌出了大量的模型和方法，大致可以分为几个方向：确定性方法、迁移学习方法、统计学方法、深度学习方法。ARIMA模型是基础和使用最广泛的时间序列模型之一，其具有统计学特性以及在构建模型时用到著名的Box-Jenkins方法论。ARIMA模型主要由三部分组成：AR模型、MA模型和差分的阶数，通过这三个部分可以消除数据中的噪音，从而更好的获取其长期序列。E Tzeng，J Hoffman，N Zhang等人提出了迁移学习的方式，将模型中的参数迁移到外部进行计算，这样无法对TCN等一些卷积参数进行迁移，导致结果并不是十分的理想。随着数据量的逐渐增多，人们使用机器学习来处理这部分数据，但是对于高维度、不稳定、非线性的交通流量数据很难进行有效的分析。而且在特征这方面极度依赖专家经验。