本發(fā)明涉及交通狀態(tài)預(yù)測(cè)，特別地涉及一種面向交通流預(yù)測(cè)的樹(shù)卷積網(wǎng)絡(luò)模型方法及系統(tǒng)。

背景技術(shù)：

1、隨著智能交通系統(tǒng)的發(fā)展，交通流預(yù)測(cè)已經(jīng)成為城市交通管理中至關(guān)重要的一部分。傳統(tǒng)的交通流預(yù)測(cè)方法以統(tǒng)計(jì)學(xué)模型和經(jīng)典機(jī)器學(xué)習(xí)方法為主，如時(shí)間序列分析、回歸分析、支持向量機(jī)等，這些方法在某些場(chǎng)景下具有較好的效果。然而，這些方法具有以下局限性：(1)無(wú)法充分捕捉時(shí)空依賴(lài)關(guān)系：傳統(tǒng)方法在處理時(shí)間序列數(shù)據(jù)時(shí)，通常依賴(lài)于歷史數(shù)據(jù)的直接推斷，忽視了交通流量、速度和占用率等特征之間的時(shí)空依賴(lài)關(guān)系。特別是在交通節(jié)點(diǎn)之間存在顯著空間相關(guān)性時(shí)，這些方法難以有效建模和預(yù)測(cè)。(2)模型泛化能力差：傳統(tǒng)模型通常基于特定假設(shè)條件進(jìn)行訓(xùn)練，當(dāng)交通網(wǎng)絡(luò)拓?fù)浒l(fā)生變化或出現(xiàn)突發(fā)事件時(shí)，傳統(tǒng)模型的預(yù)測(cè)效果容易出現(xiàn)偏差，缺乏較好的泛化能力。(3)高維數(shù)據(jù)處理困難：隨著智能交通系統(tǒng)中大量傳感器和監(jiān)控設(shè)備的部署，采集的數(shù)據(jù)量和維度急劇增加。傳統(tǒng)方法在處理這些高維數(shù)據(jù)時(shí)，計(jì)算效率低，且難以從大量數(shù)據(jù)中提取有效信息。此外，交通流預(yù)測(cè)的主流方法，如基于圖卷積網(wǎng)絡(luò)(gcn)的交通流預(yù)測(cè)模型，雖然能夠處理一定的空間相關(guān)性，但仍然存在以下問(wèn)題：(1)圖卷積網(wǎng)絡(luò)難以捕捉復(fù)雜的時(shí)空依賴(lài)性：圖卷積網(wǎng)絡(luò)在處理交通網(wǎng)絡(luò)中的空間關(guān)聯(lián)性時(shí)，雖然能夠有效捕捉節(jié)點(diǎn)之間的連接關(guān)系，但在建模時(shí)間動(dòng)態(tài)和長(zhǎng)時(shí)間序列依賴(lài)時(shí)，往往無(wú)法提供足夠的信息。(2)缺乏有效的特征融合機(jī)制：現(xiàn)有的模型在時(shí)空特征的融合方面存在局限，無(wú)法有效結(jié)合交通流的時(shí)間動(dòng)態(tài)特征和空間分布特征，導(dǎo)致模型在預(yù)測(cè)精度上存在不足。(3)無(wú)法應(yīng)對(duì)復(fù)雜的交通流變化模式：交通流的變化往往受到多種因素的影響，如交通事故、天氣變化、道路施工等，這些變化往往具有突發(fā)性和非線(xiàn)性特征。綜上所述，傳統(tǒng)的交通流預(yù)測(cè)方法和現(xiàn)有的圖卷積網(wǎng)絡(luò)難以快速適應(yīng)這些變化。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出一種面向交通流預(yù)測(cè)的樹(shù)卷積網(wǎng)絡(luò)模型方法及系統(tǒng)，能夠通過(guò)構(gòu)建空間樹(shù)矩陣，并應(yīng)用樹(shù)卷積操作，提取交通流的時(shí)空特征，進(jìn)而實(shí)現(xiàn)對(duì)交通流的預(yù)測(cè)。本發(fā)明提供如下技術(shù)方案：

2、一種面向交通流預(yù)測(cè)的樹(shù)卷積網(wǎng)絡(luò)模型方法，所述方法包括：接收交通數(shù)據(jù)，基于所述交通數(shù)據(jù)抽象出交通圖結(jié)構(gòu)；根據(jù)所述交通圖結(jié)構(gòu)抽象出節(jié)點(diǎn)及其連通關(guān)系，獲得節(jié)點(diǎn)分布的初步空間關(guān)系；基于初始化后的節(jié)點(diǎn)構(gòu)建空間樹(shù)矩陣；對(duì)所述空間樹(shù)矩陣執(zhí)行樹(shù)卷積操作，并對(duì)卷積結(jié)果進(jìn)行特征聚合，以生成高維交通流特征表示；基于深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，并將高維交通流特征輸入到預(yù)測(cè)模型，以輸出目標(biāo)時(shí)間步的交通流預(yù)測(cè)結(jié)果。

3、可選地，所述接收交通數(shù)據(jù)，基于所述交通數(shù)據(jù)抽象出交通圖結(jié)構(gòu)的方法包括：采集交通網(wǎng)絡(luò)中不同位置的實(shí)時(shí)交通數(shù)據(jù)，所述交通數(shù)據(jù)至少包括交通流量、交通速度和交通占用率；將交通數(shù)據(jù)的采集位置抽象為圖結(jié)構(gòu)中的節(jié)點(diǎn)，并將所有節(jié)點(diǎn)采集的所述交通數(shù)據(jù)存儲(chǔ)為時(shí)間序列數(shù)據(jù)；根據(jù)實(shí)際交通網(wǎng)絡(luò)的道路拓?fù)浣Y(jié)構(gòu)定義不同采集位置之間的連通關(guān)系，并將所述連通關(guān)系抽象為圖結(jié)構(gòu)的邊，并計(jì)算邊權(quán)重；根據(jù)節(jié)點(diǎn)和節(jié)點(diǎn)間的邊權(quán)重生成鄰接矩陣；根據(jù)節(jié)點(diǎn)、邊、鄰接矩陣和時(shí)間序列數(shù)據(jù)生成交通圖結(jié)構(gòu)。

4、可選地，所述根據(jù)交通圖結(jié)構(gòu)抽象出節(jié)點(diǎn)及其連通關(guān)系，獲得節(jié)點(diǎn)分布的初步空間關(guān)系的方法包括：從所述交通圖結(jié)構(gòu)的節(jié)點(diǎn)中提取每個(gè)節(jié)點(diǎn)的特征，并存儲(chǔ)為多維特征向量，包括時(shí)間序列特征和空間位置特征；通過(guò)所述交通圖結(jié)構(gòu)中的鄰接矩陣對(duì)節(jié)點(diǎn)的空間分布類(lèi)型進(jìn)行分類(lèi)，包括隨機(jī)均勻分布和小規(guī)模節(jié)點(diǎn)聚集分布；識(shí)別聚集中心，并根據(jù)節(jié)點(diǎn)與聚集中心的距離或連通性將節(jié)點(diǎn)分配到對(duì)應(yīng)的聚集區(qū)域，然后對(duì)節(jié)點(diǎn)的層次關(guān)系進(jìn)行初始化，以獲得節(jié)點(diǎn)分布的初步空間關(guān)系。

5、可選地，所述基于初始化后的節(jié)點(diǎn)構(gòu)建空間樹(shù)矩陣的方法包括：以初始化后的節(jié)點(diǎn)分布中的每個(gè)節(jié)點(diǎn)為根節(jié)點(diǎn)；通過(guò)廣度優(yōu)先搜索，從根節(jié)點(diǎn)開(kāi)始逐層遍歷節(jié)點(diǎn)，以生成多個(gè)平面樹(shù)結(jié)構(gòu)；將多個(gè)所述平面樹(shù)結(jié)構(gòu)轉(zhuǎn)化為對(duì)應(yīng)的平面樹(shù)矩陣；將多個(gè)平面樹(shù)矩陣按照根節(jié)點(diǎn)的順序疊加融合為空間樹(shù)矩陣。

6、可選地，所述對(duì)所述空間樹(shù)矩陣執(zhí)行樹(shù)卷積操作，并對(duì)卷積結(jié)果進(jìn)行特征聚合，以生成高維交通流特征表示的方法包括：基于空間樹(shù)矩陣，定義樹(shù)卷積核，所述卷積核沿樹(shù)結(jié)構(gòu)的層次方向和節(jié)點(diǎn)連接方向滑動(dòng)；對(duì)空間樹(shù)矩陣的每一層執(zhí)行層次卷積，以捕捉不同層級(jí)節(jié)點(diǎn)的關(guān)聯(lián)特征；對(duì)空間樹(shù)矩陣的每一條路徑執(zhí)行方向卷積，以提取從葉子節(jié)點(diǎn)到根節(jié)點(diǎn)的方向性特征；將層次卷積和方向卷積的結(jié)果進(jìn)行特征聚合，采用加權(quán)求和或最大池化方法對(duì)節(jié)點(diǎn)特征進(jìn)行融合；輸出高維交通流特征表示，用于后續(xù)預(yù)測(cè)模型的輸入。

7、可選地，所述基于深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，并將高維交通流特征輸入到預(yù)測(cè)模型，以輸出目標(biāo)時(shí)間步的交通流預(yù)測(cè)結(jié)果的方法包括：基于深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建交通流預(yù)測(cè)模型，并將所述高維交通流特征輸入所述交通流預(yù)測(cè)模型；通過(guò)所述交通流預(yù)測(cè)模型提取所述高維交通流特征的時(shí)間動(dòng)態(tài)和空間分布特征；計(jì)算所述預(yù)測(cè)模型的輸出值，所述輸出值包括目標(biāo)時(shí)間步的交通流量、平均速度和道路占用率；對(duì)所述輸出值進(jìn)行誤差評(píng)估，并基于真實(shí)歷史數(shù)據(jù)優(yōu)化預(yù)測(cè)模型；基于優(yōu)化后的預(yù)測(cè)模型輸出目標(biāo)時(shí)間步的交通流預(yù)測(cè)結(jié)果。

8、本發(fā)明進(jìn)一步公開(kāi)了一種面向交通流預(yù)測(cè)的樹(shù)卷積網(wǎng)絡(luò)模型系統(tǒng)，包括：

9、圖結(jié)構(gòu)構(gòu)建模塊，用于接收交通數(shù)據(jù)，基于所述交通數(shù)據(jù)抽象出交通圖結(jié)構(gòu)；

10、節(jié)點(diǎn)分析模塊，用于根據(jù)所述交通圖結(jié)構(gòu)抽象出節(jié)點(diǎn)及其連通關(guān)系，獲得節(jié)點(diǎn)分布的初步空間關(guān)系；

11、樹(shù)矩陣構(gòu)建模塊，用于基于初始化后的節(jié)點(diǎn)及其連通關(guān)系構(gòu)建空間樹(shù)矩陣；

12、樹(shù)卷積模塊，用于對(duì)所述空間樹(shù)矩陣執(zhí)行樹(shù)卷積操作，并對(duì)卷積結(jié)果進(jìn)行特征聚合，以生成高維交通流特征表示；

13、狀態(tài)預(yù)測(cè)模塊，用于基于深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，并將高維交通流特征輸入到預(yù)測(cè)模型，以輸出目標(biāo)時(shí)間步的交通流預(yù)測(cè)結(jié)果。

14、本發(fā)明進(jìn)一步公開(kāi)了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的面向交通流預(yù)測(cè)的樹(shù)卷積網(wǎng)絡(luò)模型方法。

15、本發(fā)明進(jìn)一步公開(kāi)了一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述的面向交通流預(yù)測(cè)的樹(shù)卷積網(wǎng)絡(luò)模型方法。

16、本發(fā)明進(jìn)一步公開(kāi)了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序在被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的面向交通流預(yù)測(cè)的樹(shù)卷積網(wǎng)絡(luò)模型方法。

17、根據(jù)本發(fā)明的技術(shù)方案，通過(guò)基于交通圖結(jié)構(gòu)構(gòu)建空間樹(shù)矩陣，能夠更準(zhǔn)確地捕捉交通流的時(shí)空依賴(lài)關(guān)系，從而有效結(jié)合交通節(jié)點(diǎn)之間的空間關(guān)聯(lián)性和時(shí)間序列變化，提升了交通流預(yù)測(cè)的準(zhǔn)確性，同時(shí)，空間樹(shù)矩陣的構(gòu)建進(jìn)一步增強(qiáng)了對(duì)交通節(jié)點(diǎn)間復(fù)雜關(guān)系的建模能力，有效克服了傳統(tǒng)方法在復(fù)雜網(wǎng)絡(luò)中難以準(zhǔn)確建模空間關(guān)系的問(wèn)題，最終實(shí)現(xiàn)，通過(guò)樹(shù)卷積操作對(duì)空間樹(shù)矩陣進(jìn)行處理，生成高維交通流特征表示。通過(guò)特征聚合方法，能夠從多個(gè)維度提取交通流的關(guān)鍵信息，包括流量、速度和占用率等，為后續(xù)的交通狀態(tài)預(yù)測(cè)提供了更豐富的輸入特征。這種高維特征表示可以顯著提升預(yù)測(cè)模型在面對(duì)多變的交通環(huán)境時(shí)的表現(xiàn)，減少預(yù)測(cè)誤差。