本發(fā)明實施例涉及交通控制系統(tǒng)中時空預(yù)測，尤其涉及基于網(wǎng)絡(luò)約減預(yù)測交通流量的方法及其裝置。

背景技術(shù)：

1、隨著交通的發(fā)展，人們的出行方式越來越多樣與便捷，尤其在深度學(xué)習(xí)技術(shù)驅(qū)動下，交通網(wǎng)絡(luò)系統(tǒng)日益成熟。隨著交通資源的增多也帶來了一系列問題，如何高效的預(yù)測交通流量成為重要的研究課題。

2、交通數(shù)據(jù)是一種由部署的傳感器以固定時間間隔連續(xù)記錄的時間序列數(shù)據(jù)，是比較典型的時空數(shù)據(jù)。在過去的幾十年里，傳統(tǒng)的交通流量預(yù)測方法所采用的數(shù)據(jù)集規(guī)模有限，比較有局限性。例如，廣泛使用的基準數(shù)據(jù)集(如pems03、04、07和08)僅包含數(shù)百個節(jié)點和邊，無法很好地反映真實的交通網(wǎng)絡(luò)。然而，現(xiàn)實世界中需要分析的交通網(wǎng)絡(luò)規(guī)模通常要大得多。例如，僅美國加利福尼亞州就擁有近20000個運行傳感器。由于現(xiàn)目前的大多數(shù)交通預(yù)測模型是在小型數(shù)據(jù)集上開發(fā)的，因此大多數(shù)模型都無法擴展到更大的傳感器網(wǎng)絡(luò)。此外，現(xiàn)有的交通數(shù)據(jù)集在時間覆蓋方面也存在不足，通常只有不到6個月的數(shù)據(jù)。這種有限的時間跨度阻礙了對長期季節(jié)性模式的研究，并限制了深度學(xué)習(xí)模型的訓(xùn)練實例數(shù)量。因此，選擇大規(guī)模交通數(shù)據(jù)集對于現(xiàn)實世界的交通流量預(yù)測至關(guān)重要。

3、其次，基于深度學(xué)習(xí)的時序預(yù)測方法也發(fā)展迅速，具體來說，遞歸神經(jīng)網(wǎng)絡(luò)(rnn)及其變體，如長短期記憶(lstm)和門控循環(huán)單元(gru)可以從時間序列數(shù)據(jù)中建模時間依賴性。然而，這些方法沒有辦法捕獲空間相關(guān)性。此外，近年來基于深度學(xué)習(xí)的時空預(yù)測方法已被廣泛運用于交通流量預(yù)測任務(wù)。具體來說，時空圖卷積神經(jīng)網(wǎng)絡(luò)(stgcn)、圖波網(wǎng)絡(luò)(graph?wavenet)、動態(tài)圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(dgcrn)以及基于注意力的時空圖神經(jīng)網(wǎng)絡(luò)(astgnn)，上述的方法能建模時空相關(guān)性，預(yù)測的準確性也比較高，然而這些模型的內(nèi)存和計算復(fù)雜度隨著序列的長度呈二次方增長，將它們當(dāng)應(yīng)用于相對較大的多變量時間序列預(yù)測數(shù)據(jù)集時，內(nèi)存成本和計算成本顯著增加，因此無法擴展到大規(guī)模數(shù)據(jù)集。而如何在大規(guī)模數(shù)據(jù)集基礎(chǔ)上實現(xiàn)準確的交通流量預(yù)測并且降低內(nèi)存成本和計算成本，目前還缺乏有效的解決方案。

技術(shù)實現(xiàn)思路

1、為了克服上述技術(shù)缺陷，本技術(shù)實施例中提供了基于網(wǎng)絡(luò)約減預(yù)測交通流量的方法及其裝置，可以在大規(guī)模交通數(shù)據(jù)的基礎(chǔ)上減少內(nèi)存成本和計算成本并保持預(yù)測的準確性。

2、第一方面，本技術(shù)實施例中提供了一種基于網(wǎng)絡(luò)約減預(yù)測交通流量的方法，包括：

3、s1、利用傳感器采集指定路段及其附近區(qū)域內(nèi)連續(xù)時間步的交通流量數(shù)據(jù)，并對獲取到的交通流量數(shù)據(jù)進行預(yù)處理；

4、s2、將預(yù)處理后的交通流量數(shù)據(jù)作為輸入數(shù)據(jù)對其進行時間嵌入和空間嵌入得到高維嵌入向量，其中時間嵌入是在輸入數(shù)據(jù)的時間維度添加位置信息，空間嵌入是在輸入數(shù)據(jù)的空間維度添加位置信息；

5、s3、將高維嵌入向量輸入交通流量預(yù)測模型中預(yù)測得到指定路段對應(yīng)的交通流量預(yù)測結(jié)果；

6、其中交通流量預(yù)測模型中包括l層編碼層和l層解碼器層，l為大于或等于2的整數(shù)，一個編碼器層對應(yīng)連接一個解碼器層，其中每個編碼器層中包括一個接受加權(quán)鍵值rwkv層和一個圖卷積網(wǎng)絡(luò)gcn注意力層，每個解碼器層中包括兩個rwkv層和一個gcn注意力層。

7、可選的，在第一方面的一種可能的實現(xiàn)方式中，

8、在s3中將高維嵌入向量輸入交通流量預(yù)測模型中預(yù)測得到指定路段對應(yīng)的交通流量預(yù)測結(jié)果的步驟包括：

9、s3.1、編碼處理：在每一個編碼器層中先由rwkv層對高維嵌入張量進行注意力計算得到第一特征表示張量，后由gcn注意力層根據(jù)第一特征表示張量確定中間表示序列；

10、s3.2、解碼處理：在每一個解碼器層中先由第一個rwkv層對高維嵌入張量進行注意力計算得到第二特征表示張量，再由第二個rwkv層對新的表示序列進行注意力計算得到第三特征表示張量，新的表示序列是由第二特征表示張量和中間表示序列連接得到，最后由gcn注意力層根據(jù)第三特征表示張量確定交通流量輸出序列；

11、s3.3、線性處理：對所有編碼器層輸出的交通流量輸出序列進行線性處理后得到交通流量預(yù)測結(jié)果。

12、可選的，在第一方面的一種可能的實現(xiàn)方式中，rwkv層中的主干網(wǎng)絡(luò)采用堆疊殘差塊結(jié)構(gòu)，每個殘差塊中包括一個時間混合子塊和一個通道混合子塊；時間混合子塊用于實現(xiàn)時間混合，在當(dāng)前時間步和前一個時間步之間進行插值；通道混合子塊用于對當(dāng)前時間步和前一個時間步進行加權(quán)混合，并通過線性投影得到最終的特征表示。

13、可選的，在第一方面的一種可能的實現(xiàn)方式中，rwkv層中的主干網(wǎng)絡(luò)采用堆疊殘差塊結(jié)構(gòu)，每個殘差塊中包括一個時間混合子塊和一個通道混合子塊；時間混合子塊用于實現(xiàn)時間混合，在當(dāng)前時間步和前一個時間步之間進行插值；通道混合子塊用于對當(dāng)前時間步和前一個時間步進行加權(quán)混合，并通過線性投影得到最終的特征表示。

14、可選的，在第一方面的一種可能的實現(xiàn)方式中，位置信息為基于節(jié)點坐標表征的節(jié)點之間的相對位置關(guān)系，節(jié)點是根據(jù)指定路段劃分的，一個指定路段作為一個節(jié)點；在s2中將預(yù)處理后的交通流量數(shù)據(jù)作為輸入數(shù)據(jù)對其進行時間嵌入和空間嵌入得到高維嵌入向量的步驟具體包括：對預(yù)處理后的交通流量數(shù)據(jù)在時間維度上加入節(jié)點之間的相對位置關(guān)系得到時間嵌入向量；對預(yù)處理后的交通流量數(shù)據(jù)在空間維度上加入節(jié)點之間的相對位置關(guān)系得到空間嵌入向量；將時間嵌入向量和空間嵌入向量加和得到高維嵌入張量。

15、可選的，在第一方面的一種可能的實現(xiàn)方式中，在s1中對采集到的交通流量數(shù)據(jù)進行預(yù)處理的步驟具體包括：對采集到的交通流量數(shù)據(jù)進行歸一化處理后獲取每個交通流量數(shù)據(jù)對應(yīng)的流量讀數(shù)，并將每個交通流量數(shù)據(jù)的時間戳相對于當(dāng)天午夜的時間差轉(zhuǎn)化為小數(shù)形式，進而將每個交通流量數(shù)據(jù)的流量讀數(shù)和小數(shù)形式表示的時間戳連接在一起得到處理后的交通流量數(shù)據(jù)。

16、可選的，在第一方面的一種可能的實現(xiàn)方式中，交通流量預(yù)測模型的目標優(yōu)化函數(shù)為：

17、

18、其中，loss為交通流量高效預(yù)測模型的目標優(yōu)化函數(shù)，n表示樣本數(shù)量，f表示預(yù)測的時間步長，xt表示時間步t的輸入狀態(tài)，表示時間步t的預(yù)測。

19、可選的，在第一方面的一種可能的實現(xiàn)方式中，在交通流量預(yù)測模型的模型訓(xùn)練過程中采用6∶2∶2的劃分比例按時間順序?qū)?shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集進行訓(xùn)練。

20、可選的，在第一方面的一種可能的實現(xiàn)方式中，l的取值為2或3；在s1中交通流量數(shù)據(jù)是從largest基準數(shù)據(jù)集中獲取的。

21、第二方面，本技術(shù)實施例中提供了一種基于網(wǎng)絡(luò)約減預(yù)測交通流量的裝置，其特征在于，包括：至少一個處理器；及與至少一個處理器通信連接的存儲器；其中：存儲器存儲有可被至少一個處理器執(zhí)行的指令，指令被至少一個處理器執(zhí)行，以使至少一個處理器能夠執(zhí)行如上第一方面及其實現(xiàn)方式中任一項中的方法。

22、本技術(shù)實施例采用上述技術(shù)方案可以實現(xiàn)以下技術(shù)效果：使用rwkv模塊和gcn注意力模塊構(gòu)建的交通流量預(yù)測模型，gcn注意力模塊可以使得預(yù)測模型的預(yù)測準確度得到保證，同時rwkv模塊可以降低計算復(fù)雜度，同時在編碼層和解碼器層解碼器層中均同時使用rwkv模塊和gcn注意力模塊可以進一步提升交通流量預(yù)測模型的預(yù)測效率，還有預(yù)測過程中使用經(jīng)時間嵌入和空間嵌入后的高維嵌入張量而不是直接使用輸入數(shù)據(jù)可以進一步提升預(yù)測效率，因此，通過本技術(shù)中基于網(wǎng)絡(luò)約減預(yù)測交通流量的方法可以保證預(yù)測準確度同時降低預(yù)測過程中的計算復(fù)雜度，實現(xiàn)對交通流量的高效、準確預(yù)測。。