基于神经网络的短时交通流量预测方法、系统和存储介质
技术领域
本发明涉及交通流量预测技术领域，尤其是一种基于神经网络的短时交通流量预测方法、系统和存储介质。
背景技术
随着科技水平的不断提升，交通的智能化程度不断提高，交通数据的采集形式更加丰富多样，海量的交通数据被收集，如何挖掘交通数据的隐含信息并将其应用于对未来交通流量的精准高效地预测，为交通决策者提供理论依据，为出行者提供数据参考也成为了智能交通的新议题。
神经网络模型已经被广泛的应用于交通流量的预测工作中，并且是智能交通的热点研究方向，但现有的单一的神经网络模型因为其结构较为简单，难以挖掘数据潜在信息并防止信息在网络流动中的丢失，从而难以提高交通流量的预测精度。
发明内容
为解决上述技术问题，本发明的目的在于：提供一种基于神经网络的短时交通流量预测方法、系统和存储介质，其能有效提高交通流量的预测精度。
第一方面，本发明实施例提供了：
一种基于神经网络的短时交通流量预测方法，包括以下步骤：
根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；
通过所述模型输入数据对第一预测模型进行训练；
将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；
通过所述输入数据对所述第二预测模型进行训练；
通过训练后的所述第二预测模型进行实时交通流量预测。
进一步地，所述根据获取的原始数据构造模型输入数据，包括：
获取原始数据；
识别所述原始数据内的异常数据；
修复所述原始数据内的异常数据，得到第一数据；
对所述第一数据按照预设时间间隔进行数据整合，得到第二数据；
对所述第二数据进行大数据预处理，得到第三数据；
根据所述第三数据构造模型输入数据。
进一步地，所述根据所述第三数据构造模型输入数据，其具体为：
根据所述第三数据构造路网结构信息和交通流量信息，将所述路网结构信息和所述交通流量信息作为模型输入数据。
进一步地，所述第一预测模型包括时空卷积块、LSTM网络和全连接层；所述通过所述模型输入数据对第一预测模型进行训练，包括：
将所述模型输入数据输入所述时空卷积块，通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系；
将获取到空间关联关系和时序关联关系的模型输入数据输入到所述LSTM网络，通过所述LSTM网络获取所述模型输入数据的变化规律；
根据所述空间关系、所述时序关系和所述变化规律通过所述全连接层预测输出结果。
进一步地，所述时空卷积块包括第一时序卷积块、空间卷积块和第二时序卷积块，所述通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系，包括：
通过所述第一时序卷积块对所述模型输入数据内相邻两个时刻的数据进行第一时序卷积，得到第一时序关系；
通过所述空间卷积块对时序卷积后的模型输入数据进行空间卷积，得到空间关系；
通过所述第二时序卷积块对空间卷积后的模型输入数据进行第二时序卷积，得到第二时序关系。
进一步地，在所述第一预测模型训练过程中，还包括以下步骤：
保存多个模型权重。
进一步地，在所述第一预测模型训练过程中，还包括以下步骤：
通过余弦退火方式设定模型学习率。
第二方面，本发明实施例提供了：
一种基于神经网络的短时交通流量预测系统，包括：
数据构造模块，用于根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；
第一训练模块，用于通过所述模型输入数据对第一预测模型进行训练；
替换模块，用于将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；
第二训练模块，用于通过所述输入数据对所述第二预测模型进行训练；
预测模块，用于通过训练后的所述第二预测模型进行实时交通流量预测。
第三方面，本发明实施例提供了：
一种基于神经网络的短时交通流量预测系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行所述的基于神经网络的短时交通流量预测方法。
第四方面，本发明实施例提供了：
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的基于神经网络的短时交通流量预测方法。
本发明的有益效果是：本发明通过根据获取的原始数据构造模型输入数据，并通过模型输入数据对第一预测模型进行训练，接着将训练完成后的第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型，并通过输入数据对第二预测模型进行训练，最后通过训练后的第二预测模型进行实时交通流量预测，以有效提高交通流量的预测精度。
附图说明
图1为本发明一种具体实施例的基于神经网络的短时交通流量预测方法的流程图；
图2为本发明一种具体实施例的第一预测模型的结构示意图；
图3为本发明一种具体实施例的第二预测模型的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
参照图1，本发明实施例提供了一种基于神经网络的短时交通流量预测方法，本实施例可应用于服务器，所述服务器可与多个终端设备交互。
本实施例包括以下步骤：
S11、根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；
在一些实施例中，所述根据获取的原始数据构造模型输入数据，可通过以下步骤实现：
S111、获取原始数据，所述原始数据包括交通数据和道路数据；
S112、利用数据分布和历史数据识别所述原始数据内的异常数据；
S113、利用K邻近算法修复所述原始数据内的异常数据，得到第一数据；
S114、对所述第一数据按照预设时间间隔进行数据整合，得到第二数据；本步骤中的预设时间间隔可以是5分钟、10分钟或者15分钟，具体可以根据实际需求进行调整；
S115、通过数据平滑方式对所述第二数据进行大数据预处理，得到第三数据；
S116、根据所述第三数据构造模型输入数据；本步骤也可以直接将第三数据作为模型输入数据。
本实施例通过对原始数据进行处理后，再构造模型输入数据，以提高后续步骤中模型的训练精度和准确度。
在一些实施例中，所述根据所述第三数据构造模型输入数据，其具体为：
根据所述第三数据构造路网结构信息和交通流量信息，将所述路网结构信息和所述交通流量信息作为模型输入数据。
具体地，构造路网结构信息，可以通过以下方式进行处理：
将包含N条路的路网结构信息描述成一个有向图g＝(v,ε,w)，v表示路网中的路段节点的集合；ε为边的集合；
构造交通流量信息，其可以通过以下方式处理：
将交通流量信息进行特征工程，利用多种编码方式构造有利于预测交通流量的特征；在构造完成后，t时刻用于表征g上的交通信息可标记为
本实施通过分别构造模型输入数据，并对模型输入数据进行处理，以提高后续步骤中模型的训练精度和准确度。
S12、通过所述模型输入数据对第一预测模型进行训练；本步骤中，如图2所示，所述第一预测模型包括时空卷积块、LSTM网络和全连接层；所述通过所述模型输入数据对第一预测模型进行训练，其可以通过以下方式实现：
将所述模型输入数据输入所述时空卷积块，通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系；
在一些实施例中，如图2所示，所述时空卷积块包括第一时序卷积块、空间卷积块和第二时序卷积块，所述通过所述时空卷积块获取所述模型输入数据的空间关系和时序关系，包括：
通过所述第一时序卷积块对所述模型输入数据内相邻两个时刻的数据进行第一时序卷积，得到第一时序关系；本步骤中，可利用一个大小为K1(K1<T’)的卷积窗口对模型输入数据在时序上进行卷积操作，使相邻时刻间的信息互相参考综合，同时，利用门控线性单元GLU对捕捉结果进行激活，去除卷积结果中的冗余信息和噪声，增强输出的表达能力与准确性。
通过所述空间卷积块对时序卷积后的模型输入数据进行空间卷积，得到空间关系；本步骤可利用空间卷积块中GCN层，综合考虑交通流量在空间上变化的关联因素，捕捉上下游道路流量与当前道路流量变化之间存在的因果关系，捕捉空间关系。
通过所述第二时序卷积块对空间卷积后的模型输入数据进行第二时序卷积，得到第二时序关系。本步骤是将空间卷积块的输出信息输入到第二时序卷积块中，第二时序卷积块的卷积窗口大小为K2(K2<T’-K1+1)，再次捕捉空间卷积后的时序关系。
本实施例通过分步多次捕捉时序关系和空间关系，以提高训练精度。
将获取到空间关联关系和时序关联关系的模型输入数据输入到所述LSTM网络，通过所述LSTM网络获取所述模型输入数据的变化规律；
根据所述空间关系、所述时序关系和所述变化规律通过所述全连接层预测输出结果。
本实施例通过依次对第一预测模型的多个卷积块进行训练，以提高整个模型的训练精度。
在一些实施例中，在所述第一预测模型训练过程中，还包括以下步骤：
通过余弦退火方式设定模型学习率并保存处于不同局部最优点的多个模型权重，以提高后续步骤中第二预测模型的预测准确率。
S13、将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型SVR，得到第二预测模型；所述第二预测模型的结构如图3所示。
S14、通过所述输入数据对所述第二预测模型进行训练；
例如，本步骤的训练过程可以为：
获取上述第一预测模型训练过程中保存的n个模型权重对应模型的倒数第二层的n组输出，然后将n组输出投入到第二预测模型的支持向量回归模型SVR进行训练，获得n组结果后进行集成。
本步骤通过对第二预测模型进行训练，能有效提高第二预测模型在实际应用过程中的预测精度和准确度。
S15、通过训练后的所述第二预测模型进行任意的实时交通流量预测。
具体地，将上述实施例应用于实际交通流量预测，其具体过程如下：
采集某局部路网的断面数据，该局部路网包括13条路段，采集时间间隔为5分钟，断面数据包括时间、天气、车道数、大小车数、车速算术均值和车速调和均值。设置本实施例的预测任务为利用前一个小时的12个时间点来预测后一个小时的12个时间点，起具体步骤包括：
步骤1、对采集的数据进行异常值处理、修复后，构造模型输入数据，其中，模型输入数据包括流量、车速算数均值、车流量密度、大车比、天气、车道数、时刻和星期几等。对时刻和星期几进行三角编码、对其他特征进行μ-σ标准化，共获得10个特征，并构造路网邻接矩阵。其中，处理后的数据集中，训练集每组输入样本包含13×13的邻接矩阵，13×12×10的特征数据表示13条路、12个时间点和10个特征；训练集每组输出样本为13×12，表示13条路的12个时间点的流量数据。
步骤2、将步骤1处理后的数据投入第一预测模型的时空卷积模块，进行时空相邻结点关联的分析提取，其具体包括：
步骤21、通过第一时序卷积层对相邻的两个时刻的数据特征进行卷积操作，使相邻时刻间的信息相互参考综合，并利用门控线性单元激活确定最终的输出数据；
步骤22、图卷积则从空间角度上，借助邻接矩阵对各个路段及其上游进行加权，其处理过程如公式1所示：
H＝D-1(A+E)XW公式1
其中，H为输出矩阵，X为输入矩阵，A为邻接矩阵的转置，E为单位矩阵，D为矩阵A+E各行的元素和组成的对角矩阵，W为图卷积层的特征权重。A+E用于描述路网的图结构，D-1可以对图卷积的结果进行归一化，W可以用来对数据特征进行调整。考虑到邻接矩阵A与对角矩阵E的值都由0和1组成，导致在图卷积的过程中，目标路段的各个上游路段对目标路段的影响权重是都是相同的、平均的。由于其设计的不合理性，可通过额外设置一个可训练的权重矩阵AW，使其绝对值点乘矩阵A+E，学习各路段不同上游路段的影响权重。修改后的图卷积层公式如公式2所示：
H＝D-1AW(A+E)XW公式2
经过上述图卷积层的处理后，各个路段的流量数据会参考其上游路段的流量数据得到调整，从而实现空间信息的传递交互。
步骤23、通过第二时序卷积层对空间卷积后的数据进行学习调整。
具体地，时空卷积块处理后的每组样本的格式为13*10*128，其表示图卷积调整后的13条路段、时序卷积后的10个时序观察点、神经网络变换后的128维特征。
步骤3、将时空卷积块处理后的数据投入两层长短期神经网络。长短期神经网络可以利用门控机制和单元状态实现对连续输入序列的前后依赖关系的分析，即可以挖掘出单一路段的历史数据在时序上的变化规律,并概括输出。输出的每组样本的格式为13*256，其表示13条路段的256维经过概括的历史数据信息。
步骤4、利用一个全连接层将各样本各路段的256维预测流量信息变换为12维，代表预测的12个时间点的流量数据。在第一预测模型的训练过程中，使用余弦退火调整学习率，可以使第一预测模型快速收敛到多个局部最优点，同时使用模型快照保存多个处于局部最优点的第一预测模型权重。
步骤5、由于一个全连接层的表现能力有限，而多个全连接层又会加深模型深度，影响模型训练效果。因此，为更好的实现256维的预测流量信息向最终的12维输出的变换，在模型训练完毕后，冻结第一预测模型的权重并将最后的一个全连接层替换为一个支持向量回归模型SVR，以借助支持向量把握关键数据，优化对数据的全局分析，同时对支持向量回归模型进行训练，以在不影响模型整体训练效果的情况下，增强模型泛化能力，从而提高预测精度。
综上所述，本实施例能有效提高交通流量的预测精度。
本发明实施例提供了一种与图1方法相对应的基于神经网络的短时交通流量预测系统，包括：
数据构造模块，用于根据获取的原始数据构造模型输入数据，所述原始数据包括交通数据和道路数据；
第一训练模块，用于通过所述模型输入数据对第一预测模型进行训练；
替换模块，用于将训练完成后的所述第一预测模型中的全连接层替换为支持向量回归模型，得到第二预测模型；
第二训练模块，用于通过所述输入数据对所述第二预测模型进行训练；
预测模块，用于通过训练后的所述第二预测模型进行实时交通流量预测。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例提供了一种基于神经网络的短时交通流量预测系统，包括：
至少一个存储器，用于存储程序；
至少一个处理器，用于加载所述程序以执行图1所示的基于神经网络的短时交通流量预测方法。
本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现图1所示的基于神经网络的短时交通流量预测方法。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
