本發(fā)明涉及高速公路收費(fèi)，尤其涉及基于時(shí)空融合的雙流學(xué)習(xí)預(yù)測(cè)模型。

背景技術(shù)：

1、高速公路收費(fèi)站是收取來(lái)往車輛通行費(fèi)用的一種必要設(shè)施，在收費(fèi)道路或收費(fèi)立體交叉點(diǎn)處必須設(shè)置h-ts。h-ts的擁擠狀態(tài)取決于車流量(tf)的平穩(wěn)程度，tf過(guò)多，導(dǎo)致h-ts性能下降，h-ts在效率退化到一定程度后，將面臨癱瘓損壞。如果效率嚴(yán)重底下的h-ts不能及時(shí)疏通tf，將嚴(yán)重影響車輛的行駛性能和安全性能。因此，實(shí)時(shí)分析和預(yù)測(cè)tf的時(shí)空性能至關(guān)重要。目前，對(duì)tf的初步研究主要集中在空間和時(shí)間的預(yù)測(cè)上。一般來(lái)說(shuō)，當(dāng)空間密度上升到70％或處理時(shí)間增加到0.2s時(shí)，我們認(rèn)為h-ts達(dá)到了癱瘓的程度。然而，在實(shí)際操作中，很難直接得到車流的空間密度和時(shí)間線索。直接測(cè)量車流密度等參數(shù)需要實(shí)地測(cè)量和分析，這將造成巨大的成本浪費(fèi)。因此，通過(guò)簡(jiǎn)單易測(cè)的特性參數(shù)實(shí)時(shí)準(zhǔn)確的獲取tf的空間信息和時(shí)間線索是十分必要的。

2、在現(xiàn)有的研究中，tf預(yù)測(cè)主要有三種方法：統(tǒng)計(jì)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。對(duì)于tf相對(duì)穩(wěn)定的路段，可以采用arima、卡爾曼濾波、線性回歸等統(tǒng)計(jì)方法。然而，由于線性模型具有明顯的非線性變化特征，不再適用于高速公路車道級(jí)tf預(yù)測(cè)。機(jī)器學(xué)習(xí)模型是通過(guò)監(jiān)督學(xué)習(xí)訓(xùn)練大量數(shù)據(jù)，建立輸入和輸出之間的映射關(guān)系，適用于非線性tf預(yù)測(cè)。

3、雖然機(jī)器學(xué)習(xí)方法可以有效地捕捉tf的非線性變化特征，但其結(jié)構(gòu)簡(jiǎn)單，學(xué)習(xí)更深層次的復(fù)雜動(dòng)態(tài)具有挑戰(zhàn)性。近年來(lái)，隨著多源大數(shù)據(jù)的不斷獲取，深度學(xué)習(xí)方法在短期tf預(yù)測(cè)中逐漸發(fā)揮主導(dǎo)作用，具有廣闊的應(yīng)用前景。遞歸神經(jīng)網(wǎng)絡(luò)(rnn)可以處理序列作為深度學(xué)習(xí)模型的主要結(jié)構(gòu)，與bpnn相比，循環(huán)反饋機(jī)制使rnn記憶最后一刻的信息，捕捉tf的時(shí)間特征。然而，當(dāng)網(wǎng)絡(luò)深度過(guò)深，無(wú)法學(xué)習(xí)到對(duì)tf的長(zhǎng)期依賴時(shí)，容易出現(xiàn)梯度消失、爆炸等問(wèn)題。而長(zhǎng)短期記憶神經(jīng)元網(wǎng)絡(luò)(lstm)，以柵極單元傳遞有效的歷史信息實(shí)現(xiàn)tf的長(zhǎng)短期記憶，從而獲得較好的預(yù)測(cè)結(jié)果。此外，基于lstm模型的一些變體在tf預(yù)測(cè)方面表現(xiàn)出了出色的能力，這些模型在時(shí)序預(yù)測(cè)方面取得了不錯(cuò)的成果，但由于參數(shù)量較大無(wú)法達(dá)到實(shí)時(shí)預(yù)測(cè)的需求。

4、隨著人工智能的發(fā)展，許多學(xué)者并不滿足于精度的提升，而是更多關(guān)注于如何將實(shí)時(shí)與精度相結(jié)合，以滿足實(shí)際生活的部署要求。雖然許多學(xué)者致力于對(duì)tf準(zhǔn)確實(shí)時(shí)的預(yù)測(cè)和分析，但以往的許多研究主要集中在車流量的空間注意力上。具體而言，在構(gòu)建相應(yīng)的理論或數(shù)據(jù)模型時(shí)，對(duì)tf的空間機(jī)制和時(shí)間進(jìn)行計(jì)算，然后將相關(guān)參數(shù)導(dǎo)入到模型中，得到相應(yīng)的tf預(yù)測(cè)值。然而，這些方法雖然可以通過(guò)先進(jìn)的機(jī)器學(xué)習(xí)和人工智能實(shí)現(xiàn)高精度預(yù)測(cè)，但往往無(wú)法實(shí)時(shí)預(yù)測(cè)tf性能參數(shù)。

5、數(shù)字孿生技術(shù)的發(fā)展使實(shí)時(shí)預(yù)測(cè)tf成為可能，數(shù)字孿生是多學(xué)科理論、多物理場(chǎng)知識(shí)、多尺度信息和多概率思維相結(jié)合的實(shí)時(shí)仿真過(guò)程，它充分利用物理實(shí)體特性、傳感器測(cè)量參數(shù)以及tf歷史數(shù)據(jù)，構(gòu)建虛實(shí)映射，數(shù)字雙顯示、監(jiān)控和調(diào)整tf的整個(gè)流程。隨著計(jì)算機(jī)技術(shù)的進(jìn)步和計(jì)算能力的增強(qiáng)，基于信息物理系統(tǒng)的數(shù)字孿生技術(shù)再次受到研究者的喜愛(ài)，由于tf參數(shù)的預(yù)測(cè)方法缺乏時(shí)效性，難以及時(shí)預(yù)測(cè)tf的是時(shí)空特征參數(shù)，同時(shí)，在車輛實(shí)際運(yùn)行過(guò)程中，不方便獲取整個(gè)h-ts的tf實(shí)時(shí)數(shù)據(jù)，因此，本文提出了一種基于時(shí)空融合的雙流學(xué)習(xí)預(yù)測(cè)模型。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明公開(kāi)基于時(shí)空融合的雙流學(xué)習(xí)預(yù)測(cè)模型，旨在解決背景技術(shù)中提出來(lái)的由于tf參數(shù)的預(yù)測(cè)方法缺乏時(shí)效性，難以及時(shí)預(yù)測(cè)tf的是時(shí)空特征參數(shù)的技術(shù)問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、基于時(shí)空融合的雙流學(xué)習(xí)預(yù)測(cè)模型，包括tf在線監(jiān)測(cè)系統(tǒng)、坐標(biāo)全局卷積網(wǎng)絡(luò)-coord-gcn和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)-lstm，所述tf在線監(jiān)測(cè)系統(tǒng)以tf數(shù)據(jù)作為輸入，通過(guò)坐標(biāo)-全局卷積網(wǎng)絡(luò)完成空間位置曲線，學(xué)習(xí)完整的tf空間特征表示，并采用lstm捕獲tf數(shù)據(jù)的時(shí)間線索，將時(shí)-空曲線導(dǎo)入到歷史周期數(shù)據(jù)訓(xùn)練的st-fusion模塊中進(jìn)行重塑和處理，實(shí)現(xiàn)時(shí)空信息的無(wú)縫融合，捕獲tf數(shù)據(jù)中最重要的模式和長(zhǎng)期依賴關(guān)系，進(jìn)而預(yù)測(cè)最終的tf，所述lstm核心為由輸入門、遺忘門和輸出門構(gòu)成的存儲(chǔ)單元，遺忘門通過(guò)sigmoid函數(shù)選擇性的遺忘前一單元中不重要的信息，保留相關(guān)重要線索；輸入門決定將相關(guān)信號(hào)添加到當(dāng)前的過(guò)程中；輸出門決定哪些信息被視為當(dāng)前過(guò)程中的輸出。

4、在一個(gè)優(yōu)選的方案中，所述lstm的具體計(jì)算公式如下所示：

5、

6、其中xt為輸入信號(hào)；ht為輸出信號(hào)；t為lstm的個(gè)數(shù)；ft為遺忘門的輸出；it和分別為輸入門的輸出階段和當(dāng)前階段；ot和ct為輸出門的輸出狀態(tài)和當(dāng)前狀態(tài)；w和b為相應(yīng)組快的權(quán)重和偏移量；σ為sigmoid激活函數(shù)；tanh為tanh激活函數(shù)。

7、在一個(gè)優(yōu)選的方案中，所述coord-gcn是利用坐標(biāo)卷積-coord-conv進(jìn)行組建的，coord-conv將提取到的水平線索i和垂直線索j分別作為額外特征與原始映射級(jí)聯(lián)，采用并行方式分別添加經(jīng)過(guò)線性變換獲得的i坐標(biāo)水平信息和j坐標(biāo)垂直信息，并將兩路特征映射輸入到k×1?conv和1×k?conv中，以此獲取tf的水平空間特征和垂直空間特征。為了讓每一路獲取的空間信息不局限于單一路徑，兩路特征再經(jīng)過(guò)1×k?conv和k×1?conv的轉(zhuǎn)換，獲取特征映射的整體空間信息，最后將得到的空間映射逐像素融合，其整體的計(jì)算如以下公式所示：

8、

9、其中為級(jí)聯(lián)；outup為上路特征映射的輸出；outlow為下路特征映射的輸出；outspatial為該模塊的tf空間特征。

10、在一個(gè)優(yōu)選的方案中，在分別獲取tf的時(shí)-空信息之后，采用st-fusion有效融合時(shí)間信息和空間信息，準(zhǔn)確解碼復(fù)雜的多維數(shù)據(jù)，st-fusion通過(guò)在每個(gè)時(shí)間步長(zhǎng)t上對(duì)齊和連接張量切片將x轉(zhuǎn)換為矩陣其計(jì)算以如下公式所示：

11、

12、為st-fusion?layer的輸入，通過(guò)簡(jiǎn)化的硬件感知并行算法有效的處理長(zhǎng)序列數(shù)據(jù)，st-fusion?layer以較低的計(jì)算復(fù)雜度處理擴(kuò)展序列，從st-fusion?layer中獲得了輸出yin，st-fusion被構(gòu)造為如下公式所示：

13、

14、利用殘差連接，允許梯度在各層之間傳播而不減小，并應(yīng)用層歸一化和dropout穩(wěn)定學(xué)習(xí)過(guò)程，防止模型預(yù)訓(xùn)練數(shù)據(jù)的過(guò)擬合；

15、應(yīng)用層歸一化的計(jì)算如下式所示：

16、

17、其中，μ和σ2為特征維度d的均值和方差，ρ和ζ為可學(xué)習(xí)尺度和位移，便于對(duì)歸一化效果的調(diào)整。

18、由上可知，基于時(shí)空融合的雙流學(xué)習(xí)預(yù)測(cè)模型，包括tf在線監(jiān)測(cè)系統(tǒng)、坐標(biāo)全局卷積網(wǎng)絡(luò)-coord-gcn和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)-lstm，所述tf在線監(jiān)測(cè)系統(tǒng)以tf數(shù)據(jù)作為輸入，通過(guò)坐標(biāo)-全局卷積網(wǎng)絡(luò)完成空間位置曲線，學(xué)習(xí)完整的tf空間特征表示，并采用lstm捕獲tf數(shù)據(jù)的時(shí)間線索，將時(shí)-空曲線導(dǎo)入到歷史周期數(shù)據(jù)訓(xùn)練的st-fusion模塊中進(jìn)行重塑和處理，實(shí)現(xiàn)時(shí)空信息的無(wú)縫融合，捕獲tf數(shù)據(jù)中最重要的模式和長(zhǎng)期依賴關(guān)系，進(jìn)而預(yù)測(cè)最終的tf，所述lstm核心為由輸入門、遺忘門和輸出門構(gòu)成的存儲(chǔ)單元，遺忘門通過(guò)sigmoid函數(shù)選擇性的遺忘前一單元中不重要的信息，保留相關(guān)重要線索；輸入門決定將相關(guān)信號(hào)添加到當(dāng)前的過(guò)程中；輸出門決定哪些信息被視為當(dāng)前過(guò)程中的輸出。本發(fā)明提供的基于時(shí)空融合的雙流學(xué)習(xí)預(yù)測(cè)模型具有以下技術(shù)效果：

19、(1)結(jié)合大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等先進(jìn)技術(shù)，構(gòu)建一種基于時(shí)空學(xué)習(xí)預(yù)測(cè)模型(sp-stms)的數(shù)字孿生框架，根據(jù)實(shí)際h-ts的需求預(yù)測(cè)并完成tf的時(shí)空信息曲線。

20、(2)分別利用coord-gcn和lstm獲取tf的位置節(jié)點(diǎn)信息與時(shí)間線索，以實(shí)時(shí)反饋tf的在線情況。

21、(3)采用設(shè)計(jì)的時(shí)空融合模塊無(wú)縫集成空間-時(shí)間信息，消除對(duì)單獨(dú)數(shù)據(jù)處理階段的需求，并減少了計(jì)算開(kāi)銷。