本技术提供了一种基于时空序列的交通流量预测方法,涉及交通预测技术领域,包括获取开源网络交通流量数据,并进行预处理得到交通流量序列;将交通流量序列输入至数据嵌入层得到输入特征的高维表示,并进行周期性嵌入和自适应时空嵌入,将三种嵌入进行连接得到隐藏的时空表示;将隐藏的时空表示输入至时空编码器进行空间依赖性和时间依赖性的建模,得到隐藏状态;将隐藏状态输入至输出层,输出得到交通流量预测结果。本发明能够更有效地提取交通流量数据的深层特征,捕捉交通流量复杂的时空变化规律,进而提高城市交通流量预测的准确性。
背景技术
随着机动车数量的激增,现有的城市道路基础设施面临巨大挑战,城市交通系统的压力逐渐增大。城市道路资源的供需失衡问题愈加突出,交通拥堵现象愈演愈烈,形势日益严峻。随着交通拥堵问题日益严重,过去采用的限号限行、增加车道或拓宽道路等传统应对措施,已经难以从根本上解决这一困境。面对这一挑战,智能交通系统的引入成为了解决城市交通拥堵的关键途径。通过科技手段优化交通管理,智能交通有望在更长远的时间内提供可持续的解决方案。交通预测是智能交通系统(ITS)的基石,旨在理解和开发最佳交通系统和最小化交通拥堵。通过预测未来交通,为城市规划和交通管理提供参考,从而减少拥堵、提高交通效率,并为公共安全应急管理提供预警。这项任务直接涉及城市交通管理和规划,其准确性直接影响城市交通系统的运行效率和居民出行体验,因此准确地预测交通状况成为当今城市管理中的紧迫需求。通过基于历史观测数据进行交通预测,交通管理机构可以更好地调控交通流量,合理规划道路资源,从而减少交通拥堵,提高城市交通系统的运行效率和服务质量。
交通流量预测方法的发展大致可以分为两类:传统方法和基于深度学习的方法。传统方法主要包括动态建模法和数据驱动法。动态建模基于物理和数学模型进行预测,利用交通系统的基本规律进行建模。数据驱动法则采用统计模型和传统机器学习模型,这些模型通过分析历史数据来捕捉交通流量中的时间依赖特征。随着大数据和深度学习技术的进步,交通流量预测逐渐转向基于深度学习的方法。深度学习方法利用神经网络的强大计算能力,能够有效捕捉交通数据的时空依赖关系。此类方法主要分为基于网格数据和基于图结构数据的模型。基于网格数据的方法通过将城市划分为多个区域,利用深度学习架构对每个区域的交通流量进行时空建模。基于图结构的数据模型则通过图神经网络处理交通路网的拓扑结构,更好地反映交通网络中的复杂空间依赖。
现有的基于深度学习的交通流量预测方法尽管在精度上取得了显著提升,但仍存在一些明显的弊端。首先,这些方法在处理交通流中的复杂时空依赖关系时,往往需要设计复杂的网络结构,导致模型的参数量大,计算开销高,尤其在处理大规模交通数据时,训练和推理的时间成本较高,限制了其在实时预测中的应用。其次,基于网格划分的模型可能忽略交通网络的真实拓扑结构,导致空间信息的丢失或不足,而基于图结构的模型虽然能够更好地捕捉空间关系,但模型的复杂性和对计算资源的要求较高。此外,很多深度学习模型未能充分考虑交通流中的长短期时间依赖关系或动态变化特性,在应对突发事件和非周期性交通波动时表现有限。
实现思路