本發明涉及(ji)交通預測，具體(ti)涉及(ji)一(yi)種基于catst網絡的短時(shi)交通擁塞預測方(fang)法。

背景技術：

1、短時(shi)交通(tong)(tong)擁(yong)塞預(yu)測(ce)(ce)(ce)指的(de)(de)(de)(de)(de)是使(shi)用當前時(shi)刻的(de)(de)(de)(de)(de)交通(tong)(tong)數(shu)據(ju)，對接下來的(de)(de)(de)(de)(de)時(shi)刻做出交通(tong)(tong)狀(zhuang)況(kuang)的(de)(de)(de)(de)(de)實時(shi)預(yu)測(ce)(ce)(ce)。國內外許(xu)多學(xue)者一直致力于(yu)交通(tong)(tong)預(yu)測(ce)(ce)(ce)領域的(de)(de)(de)(de)(de)研究，如(ru)統計學(xue)中的(de)(de)(de)(de)(de)譜分析法，基(ji)于(yu)機(ji)器(qi)學(xue)習的(de)(de)(de)(de)(de)k鄰(lin)域算法。使(shi)用這(zhe)些方法進行(xing)交通(tong)(tong)流量的(de)(de)(de)(de)(de)預(yu)測(ce)(ce)(ce)，雖(sui)在一定(ding)程度上提升(sheng)了短時(shi)交通(tong)(tong)預(yu)測(ce)(ce)(ce)的(de)(de)(de)(de)(de)準確(que)性(xing)，但也(ye)不足以應(ying)對當下復(fu)雜的(de)(de)(de)(de)(de)交通(tong)(tong)擁(yong)塞情景。近年來，隨著深度學(xue)習的(de)(de)(de)(de)(de)發展，rnn、lstm等(deng)模型被應(ying)用于(yu)短時(shi)交通(tong)(tong)的(de)(de)(de)(de)(de)預(yu)測(ce)(ce)(ce)，大大提升(sheng)了其預(yu)測(ce)(ce)(ce)效果。

2、卷積神經網絡(luo)（cnn）盡管在空間相關性(xing)的(de)數據如圖像處(chu)理(li)和(he)計算(suan)機(ji)視(shi)覺領域表(biao)現出色(se)，但缺乏在處(chu)理(li)時(shi)(shi)(shi)間序列數據時(shi)(shi)(shi)需(xu)要(yao)具備的(de)時(shi)(shi)(shi)間依賴性(xing)。對于(yu)時(shi)(shi)(shi)間序列數據，cnn沒(mei)有(you)內(nei)置的(de)記憶能力，會忽略全局時(shi)(shi)(shi)間依賴關系，而短期(qi)預測通常需(xu)要(yao)對這種時(shi)(shi)(shi)間依賴關系有(you)良好的(de)理(li)解。

3、長短期記(ji)憶網(wang)絡(luo)（lstm）改善了(le)傳統的rnn模型存(cun)在(zai)的長期依(yi)賴(lai)(lai)信息問題，但是，交通數據不僅具有時(shi)(shi)間(jian)依(yi)賴(lai)(lai)性，還有顯著(zhu)的空(kong)間(jian)依(yi)賴(lai)(lai)性（即不同道(dao)路和區(qu)域之(zhi)間(jian)的相互影響）。lstm主要(yao)設(she)計(ji)用于捕捉時(shi)(shi)間(jian)依(yi)賴(lai)(lai)關系(xi)，而在(zai)處理空(kong)間(jian)依(yi)賴(lai)(lai)關系(xi)時(shi)(shi)并不擅長，故lstm對具有時(shi)(shi)間(jian)和空(kong)間(jian)多個(ge)維度(du)的交通流量數據的處理存(cun)在(zai)空(kong)間(jian)特征提取(qu)不足的問題。

4、transformer的(de)(de)(de)自(zi)注意力機制雖然能夠捕捉長程依賴關系，但(dan)它在處理(li)空(kong)(kong)間信(xin)息時(shi)較為薄弱，且在長序(xu)列(lie)(lie)時(shi)空(kong)(kong)預測(ce)任務時(shi)往(wang)往(wang)會(hui)出現過擬(ni)合或(huo)者梯度消失的(de)(de)(de)問題，使得模型(xing)無(wu)法(fa)有效學習到真正的(de)(de)(de)長時(shi)間依賴特征。transformer雖然能夠處理(li)序(xu)列(lie)(lie)數據，但(dan)不(bu)(bu)直接利(li)用序(xu)列(lie)(lie)的(de)(de)(de)時(shi)間結構，而是(shi)顯式地引入位置(zhi)編碼來(lai)標識(shi)時(shi)間步，故在復雜的(de)(de)(de)時(shi)間依賴性建模上存在不(bu)(bu)足。

技術實現思路

1、發明目(mu)(mu)的(de)(de)(de)(de)：本發明的(de)(de)(de)(de)目(mu)(mu)的(de)(de)(de)(de)是提供一種(zhong)基于catst網(wang)絡的(de)(de)(de)(de)短時交通擁(yong)塞預測方法，以解決背(bei)景技術中存(cun)在(zai)的(de)(de)(de)(de)問題。

2、技術方(fang)(fang)案：本(ben)發明所述的一種基(ji)于catst網絡的短時交通擁塞(sai)預測方(fang)(fang)法，包括以下步驟：

3、（1）獲取開(kai)源網站地圖的實時路況圖并進行預處(chu)理(li)；

4、（2）構建基于(yu)卷積(ji)注(zhu)意(yi)力transformer時(shi)空(kong)網(wang)絡(luo)即catst網(wang)絡(luo)，輸入經過預處理后的數據進行(xing)訓(xun)練；其(qi)中，catst網(wang)絡(luo)包括：2個時(shi)空(kong)注(zhu)意(yi)力模(mo)塊(kuai)、2個卷積(ji)注(zhu)意(yi)力transformer時(shi)空(kong)模(mo)塊(kuai)、2個批標準化層(ceng)和(he)3d卷積(ji)層(ceng)；

5、（3）使(shi)用均方誤差(cha)和平(ping)均絕對百分(fen)比誤差(cha)作(zuo)為(wei)評(ping)價(jia)指標，評(ping)價(jia)catst網絡對于交(jiao)通(tong)擁塞預測的準確度(du)。

6、進(jin)一步的，步驟（1）具體如下：對地圖(tu)實時(shi)路況圖(tu)進(jin)行拼接、剪切和處理(li)(li)獲得原(yuan)始數(shu)據(ju)，并通過遮罩層(ceng)去除冗余信(xin)息后獲得預處理(li)(li)后的數(shu)據(ju)集(ji)，數(shu)據(ju)集(ji)是具有三個rgb通道的圖(tu)像分(fen)辨率為512?*?512的圖(tu)片。

7、進(jin)一(yi)步的，步驟(zou)（2）中，時空注意力模塊用于空間維度進(jin)行特征提取，由一(yi)個(ge)最大池化(hua)層、一(yi)個(ge)平(ping)均池化(hua)層、一(yi)個(ge)卷積層以及一(yi)個(ge)sigmoid激活函數組成；具體如下：

8、首先(xian)，將(jiang)交通擁塞預測問題(ti)視為時空序列的預測問題(ti)，公式如下(xia)：

9、；

10、其中，表(biao)(biao)(biao)示t時(shi)刻的(de)(de)(de)實際值，表(biao)(biao)(biao)示t時(shi)刻的(de)(de)(de)預(yu)測值；j表(biao)(biao)(biao)示歷史(shi)時(shi)間窗口(kou)的(de)(de)(de)大小設置(zhi)值，k表(biao)(biao)(biao)示需要預(yu)測的(de)(de)(de)時(shi)間步(bu)長即根據(ju)前j個(ge)時(shi)間窗口(kou)的(de)(de)(de)交(jiao)通數據(ju)信息預(yu)測未來(lai)k個(ge)時(shi)間步(bu)長的(de)(de)(de)交(jiao)通信息；argmax表(biao)(biao)(biao)示獲取序列(lie)的(de)(de)(de)最大值；

11、在空間維度通(tong)過最大池(chi)化層和平均池(chi)化層聚合特(te)征圖的(de)通(tong)道信息，得到兩(liang)個(ge)1*h*w的(de)特(te)征圖，公式如下：

12、；

13、；

14、其(qi)中，表(biao)示最大池化(hua)層(ceng)(ceng)，表(biao)示平均池化(hua)層(ceng)(ceng)，maxpool表(biao)示最大池化(hua)操(cao)作，f表(biao)示特征圖的通道信息；

15、其(qi)次，對池化的(de)(de)結果在(zai)空(kong)間維度(du)上進行拼(pin)接，對拼(pin)接的(de)(de)信息進行卷積操作從(cong)而提(ti)取特(te)(te)(te)征(zheng)，并通過7*7的(de)(de)卷積運算(suan)(suan)將其(qi)變成通道數為(wei)1的(de)(de)特(te)(te)(te)征(zheng)圖(tu)(tu)，最后，通過sigmoid函數得到生成的(de)(de)空(kong)間注意力特(te)(te)(te)征(zheng)，并與輸(shu)入的(de)(de)特(te)(te)(te)征(zheng)圖(tu)(tu)相乘(cheng)得到具(ju)有空(kong)間注意力的(de)(de)特(te)(te)(te)征(zheng)圖(tu)(tu)；計算(suan)(suan)公式為(wei)：

16、；

17、其中(zhong)，代表(biao)卷(juan)積核為7*7的(de)卷(juan)積運算，表(biao)示(shi)(shi)sigmoid激活(huo)函(han)數，表(biao)示(shi)(shi)最大池(chi)化(hua)(hua)層(ceng)，表(biao)示(shi)(shi)平均池(chi)化(hua)(hua)層(ceng)，表(biao)示(shi)(shi)具有(you)空間注意力的(de)特(te)征(zheng)圖。

18、進一(yi)步的，步驟（2）中，卷積(ji)注(zhu)意力transformer時空(kong)模塊即(ji)lsformer模塊用于時序特征提取(qu)(qu)，具體如下：每一(yi)層lsformer模塊使(shi)用40個3x3大小的卷積(ji)核，優化器采用adam，同時在每一(yi)個lsformer模塊引入(ru)批量標準化層提取(qu)(qu)具有(you)代表性的空(kong)間和(he)時間的信息(xi)。

19、進一步的，步驟(zou)（2）中，?3個(ge)3*3的卷積(ji)核用(yong)于(yu)輸出圖像的rgb三(san)層通(tong)道；具體如下：使(shi)(shi)用(yong)relu作為激活函數，使(shi)(shi)用(yong)adadelta作為優化器；模型(xing)的輸入是前(qian)八分鐘(zhong)的交通(tong)數據信息，輸出是后八分鐘(zhong)的道路擁堵(du)情(qing)況(kuang)預測。

20、有(you)益效果：與(yu)現(xian)有(you)技(ji)術相(xiang)比，本(ben)發明具有(you)如下(xia)顯著(zhu)優點：使用(yong)空(kong)間(jian)注(zhu)意(yi)力(li)(li)機(ji)制。catst網絡在(zai)(zai)(zai)兼顧了lstm和transformer的(de)(de)優點的(de)(de)同時(shi)，通過加(jia)入(ru)卷積(ji)運算，在(zai)(zai)(zai)一定(ding)程度上增強(qiang)了lstm和transformer對于空(kong)間(jian)圖像信息的(de)(de)提取與(yu)處理能(neng)(neng)力(li)(li)；同時(shi)引入(ru)注(zhu)意(yi)力(li)(li)機(ji)制，在(zai)(zai)(zai)既有(you)時(shi)間(jian)相(xiang)關性(xing)(xing)又有(you)空(kong)間(jian)相(xiang)關性(xing)(xing)的(de)(de)數(shu)據(ju)處理方面(mian)更具優越性(xing)(xing)，在(zai)(zai)(zai)空(kong)間(jian)和時(shi)間(jian)維(wei)度上使模型(xing)對于數(shu)據(ju)的(de)(de)變化更加(jia)敏感。catst網絡能(neng)(neng)夠在(zai)(zai)(zai)不(bu)顯著(zhu)提高(gao)模型(xing)復雜度的(de)(de)情況下(xia)，提高(gao)模型(xing)的(de)(de)預(yu)測能(neng)(neng)力(li)(li)，不(bu)僅(jin)適用(yong)于流(liu)量交通數(shu)據(ju)集的(de)(de)空(kong)間(jian)結構，而(er)且還(huan)擁(yong)有(you)根據(ju)輸(shu)入(ru)數(shu)據(ju)的(de)(de)狀態和過去狀態來預(yu)測未(wei)來該點的(de)(de)狀態的(de)(de)能(neng)(neng)力(li)(li)。

技術特征：

1.一種(zhong)基于(yu)(yu)catst網絡(luo)的短時交(jiao)通擁塞預測方(fang)法，其特征(zheng)在于(yu)(yu)，包括以(yi)下步驟：

2.根(gen)據權利要求1所(suo)述的(de)(de)一種基(ji)于catst網絡的(de)(de)短時(shi)交(jiao)通擁塞預測方法(fa)，其特(te)征(zheng)在于，步驟（1）具體如下：對地圖(tu)(tu)實時(shi)路況(kuang)圖(tu)(tu)進行拼接(jie)、剪切和(he)處(chu)(chu)理(li)(li)獲得(de)原(yuan)始數(shu)據，并通過遮罩層去(qu)除冗余信息后(hou)獲得(de)預處(chu)(chu)理(li)(li)后(hou)的(de)(de)數(shu)據集(ji)，數(shu)據集(ji)是具有三個rgb通道(dao)的(de)(de)圖(tu)(tu)像(xiang)分辨率為512?*512的(de)(de)圖(tu)(tu)片(pian)。

3.根(gen)據權利(li)要(yao)求1所述(shu)的(de)一(yi)(yi)種(zhong)基(ji)于(yu)catst網(wang)絡的(de)短時交(jiao)通擁塞預測方法(fa)，其特征在(zai)于(yu)，步驟（2）中，時空(kong)注意力(li)模塊(kuai)用于(yu)空(kong)間維度(du)進行特征提取，由一(yi)(yi)個最(zui)大池化層(ceng)(ceng)(ceng)、一(yi)(yi)個平均池化層(ceng)(ceng)(ceng)、一(yi)(yi)個卷積層(ceng)(ceng)(ceng)以及(ji)一(yi)(yi)個sigmoid激活函數組成；具體如下：

4.根(gen)據權利要求1所述的(de)一種(zhong)基于catst網絡的(de)短時(shi)交(jiao)通(tong)擁塞預測方(fang)法，其特征在(zai)于，步驟(zou)（2）中，卷積注(zhu)意(yi)力(li)transformer時(shi)空(kong)模(mo)(mo)塊即lsformer模(mo)(mo)塊用(yong)(yong)于時(shi)序特征提取(qu)，具體如下(xia)：每一層lsformer模(mo)(mo)塊使(shi)用(yong)(yong)40個3x3大小的(de)卷積核，優化(hua)器采用(yong)(yong)adam，同時(shi)在(zai)每一個lsformer模(mo)(mo)塊引入批(pi)量(liang)標(biao)準化(hua)層提取(qu)具有代表性的(de)空(kong)間和時(shi)間的(de)信息。

5.根據(ju)(ju)權利(li)要(yao)求1所(suo)述的(de)一種基于(yu)catst網絡的(de)短(duan)時交通擁塞預(yu)測方法，其(qi)特(te)征在于(yu)，步驟(zou)（2）中，?3個3*3的(de)卷積核用于(yu)輸出圖像的(de)rgb三層通道；具體如下：使用relu作為激活函數，使用adadelta作為優化(hua)器；模型的(de)輸入(ru)是前八分鐘(zhong)的(de)交通數據(ju)(ju)信息，輸出是后(hou)八分鐘(zhong)的(de)道路擁堵情況預(yu)測。

技術總結
本發明公開了一種基于CATST網絡的短時交通擁塞預測方法，包括以下步驟：（1）獲取開源網站地圖的實時路況圖并進行預處理；（2）構建基于卷積注意力Transformer時空網絡即CATST網絡，輸入經過預處理后的數據進行訓練；其中，CATST網絡包括：2個時空注意力模塊、2個卷積注意力Transformer時空模塊、2個批標準化層和3D卷積層；（3）使用均方誤差和平均絕對百分比誤差作為評價指標，評價CATST網絡對于交通擁塞預測的準確度；本發明不僅適用于流量交通數據集的空間結構，而且還擁有根據輸入數據的狀態和過去狀態來預測未來該點的狀態的能力。

技術研發人員：余文斌,奚馗文,張成軍
受保護的技術使用者：南京信息工程大學
技術研發日：
技術公布日：2024/10/14