[发明专利]交通数据预测方法、装置、设备及存储介质

说明书

本发明公开了交通数据预测方法、装置、设备及存储介质，其中方法通过获取预设时间段内的历史交通数据，并将历史交通数据转换为时间序列数据，将时间序列数据输入至交通数据预测模型进行预测，该交通数据预测模型包括编码器、解码器和矫正器，交通数据预测模型利用具有图结构的时间序列数据样本训练得到，图结构中的数据包括规则时间戳或非规则时间戳，最后利用矫正器对解码器的预测结果进行修正。通过上述方式，本发明能够应用于非规则采样的交通数据预测，融合了数据的时间相关性和空间相关性，提高了预测准确性，且利用基于神经随机微分方程的矫正器对预测结果进行矫正，以降低预测误差。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种交通数据预测方法、装置、设备及存储介质。

背景技术

交通在每个人的日常生活中起着至关重要的作用，每个人每天需要花大量时间在交通出行上在这种情况下，准确的实时交通状况预测对道路使用者、私营部门和政府来说非常重要。广泛使用的交通服务，如流量控制、路线规划和导航，也严重依赖于高质量的交通状况评估。所以对交通状态的精准预测显得十分有意义，交通预测的目的是根据基础路网结构内的历史交通数据预测相连路段的未来交通状态。对此研究者们已经有很多的方法成果，一般有三类方法，统计分析方法，非线性理论方法和深度学习方法，最早的是使用统计方法，如自回归综合移动平均(ARIMA)及其变体，近年来深度学习的不断发展，渐渐代替了统计方法，如使用神经网络LSTM及其变体来预测交通量，如专利号CN111292525A。

现有的方法中统计分析方法中，如自回归综合移动平均(ARIMA)、多变量时间序列的向量自回归模型(VAR)等，这些方法需要数据来满足某些假设，但交通数据太复杂，无法满足这些假设，因此在实践中通常表现不佳，模型简单，精度一般；非线性方法中，如小波分析模型、混沌理论模型等，模型复杂，计算量大，随着计算机技术，和人工智能技术的不断发展，人们渐渐的把目光从非线性方法转向了机器学习，深度学习的方法；目前使用深度学习来进行交通预测的都是基于规则的数据形式，即数据采样间隔是相等的，但是这样是理想状态，当交通流量数据采样不均衡时，利用上述方式得到的预测结果与真实结果的误差较大，预测效果差。

发明内容

有鉴于此，本申请提供一种交通数据预测方法、装置、设备及存储介质，以解决现有交通数据预测准确率低的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种交通数据预测方法，包括：获取预设时间段内的历史交通数据，并将历史交通数据转换为时间序列数据；将时间序列数据输入至预先训练好的交通数据预测模型，交通数据预测模型包括编码器、解码器和矫正器，交通数据预测模型利用具有图结构的时间序列数据样本训练得到，图结构中的数据包括规则时间戳或非规则时间戳；利用编码器对时间序列数据进行编码，得到编码向量，编码器基于受自然插值方程或图注意力机制方程控制的神经微分方程构建；利用解码器对编码向量进行解码，得到待预测时间段的初始交通数据预测结果，解码器基于循环神经网络构建；利用矫正器对初始交通数据预测结果进行矫正，得到最终交通数据预测结果，矫正器基于图神经随机微分方程构建。

作为本申请的进一步改进，受自然插值方程控制的图神经微分方程构建的编码器表示为：

h_n(t+1)＝h_n(t)+r(t+1)；

其中，h_n(t)表示第n个节点在时刻t的隐状态，ζ表示需要训练的多层感知机，表示预先构建的控制方程，t表示时间戳，t∈[0,T]，σ表示非线性函数tanh，i、j分别表示不同的节点，N_i表示节点i的邻域，softmax和LeakyReLU表示激活函数，a^·、W、W_h表示交通数据预测得到的参数，h_i、h_j表示时间序列数据转换为向量并进行分解后第i、j个节点对应的值，□表示矩阵的拼接。