一种基于视觉采样的多维特征时空流量预测方法

本发明涉及交通流量预测，具体指一种基于视觉采样的多维特征时空流量预测方法。

背景技术：

1、准确的交通流量预测是现代智能交通系统发展的关键组成部分。交通流量预测通常依赖于当前和历史交通数据来预测未来的交通量。大多数现有的交通流量预测方法都假设交通状况均匀，并基于时空数据来推断未来的交通流量。实际环境中，道路交通系统是由不同类型的机动车、非机动车、行人等异质交通参与者组成的复杂动态网络。尤其在道路拥堵的状态下，异质参与者的微观特征对整个交通流量的动态变化产生影响。另外，交通流量数据可以看作是周期性数据和非周期性(异常)数据的集合。周期性主要表现在交通流量数据在日、周、季节等时间尺度上的规律性重复模式。而非周期性则体现在因拥堵、事故，道路施工等意外状况导致的随机性和不可再现性。目前，大部分研究侧重于基于交通流量数据的时间周期性特征，采用序列模型来建模空间依赖关系，这类模型往往无法处理异质交通流和非周期性异常状况，从而导致无法准确预测交通流量。

2、另外，以往的时空预测方法大多数采用recurrent neural network和图卷积相结合的方式。基于gnn的图结构的学习需要对每一层的所有节点进行聚合和更新。随着道路节点数量的增加会导致计算量大增，尤其是当网络拓扑复杂或节点连接度高时。这对多维特征的加入是极为不利的。

技术实现思路

1、本发明是为了克服现有交通流量预测方法在处理异质交通流和非周期性异常时的不足，提出了一种基于视觉采样的多维特征时空流量预测方法。该方法通过视觉采样量化异质交通流量，并结合道路异常特征，实现准确的交通流量预测。

2、为了解决上述技术问题，本发明的技术方案为：

3、一种基于视觉采样的多维特征时空流量预测方法，包括如下步骤：

4、步骤1、根据历史交通流量数据，获取交通流量信息矩阵f和空间矩阵g；

5、步骤2、获取视觉数据，并根据视觉数据估计交通流动中不同车辆类型的混入率m，获取混入率特征矩阵

6、步骤3、交通异常检测并量化，获取交通异常特征矩阵

7、步骤4、构建可扩展的多维预测模型，所述可扩展的多维预测模型包括时序模块、空间模块和可扩展的多维特征模块；

8、步骤5、将交通流量信息、交通异常特征和混入率特征整合为综合交通信息矩阵x＝[f，m，u]，将交通流量预测问题定义为学习一个映射函数f，使用过去p步的历史交通信息和道路网络结构，通过可扩展的多维预测模型预测未来q步的流量。

9、作为优选，所述空间矩阵表示为其中，表示道路交叉路口集合，将每一个道路交叉路口视为一个节点，则n则代表节点数，ε是所有道路的集合；所述交通流量信息矩阵表示为其中，t表示时间步数。

10、作为优选，所述步骤2的具体方法为：

11、设表示t时刻，在节点vn位置处，车辆的类型为k的数量，则在t时刻，节点位置vn处车辆类型k的混入率计算如下：

12、

13、其中，k是车辆类型总数，表示t时刻节点vn处的各种类型车辆数量之和，上式计算了类型k车辆相对于时间t时刻观察到的总车辆数量的比例；

14、则混入率数据表示如下：

15、

16、mn＝[mn，1，mn，2，...，mn，t]

17、m=[m1，m2，…，mn]t

18、其中，mn，t表示t时刻，在节点vn处各种车辆类型数量所占的比例，mn表示在时间序列长度为t的时间段内，节点vn处各种车辆类型的混入率，n表示节点的数目。

19、作为优选，所述步骤2中还包括，将节点的流量信息嵌入矩阵混入率特征嵌入矩阵和图嵌入矩阵拼接，输入到多层mlp构成的混入率融合模块，得到节点混入率隐藏表示表示，其中d表示嵌入维度：

20、hm＝mlps(femb||memb||g0)

21、作为优选，所述交通异常检测的方法为：

22、获取道路车辆行驶的连续监控画面，并使用yolov8进行实例分割来获得图像中的车辆，并通过使用osnet作为特征提取器来提取车辆的特征；

23、设a和b表示从连续帧中捕获相同车辆的特征向量，使用余弦距离来衡量这些特征向量之间的相似性，定义为：

24、

25、基于相似性度量，计算余弦距离dist(a，b)＝1-cos(a，b)，如果dist(a，b)≤κ，即余弦距离低于预定义的阈值κ＝0.3，则推断两个特征向量表示相同车辆，表明发生了交通异常，由此我们构建异常指示矩阵

26、

27、作为优选，所述交通异常量化方法为：

28、首先，定义在正常交通流条件下，车辆通过特定路段所需的标准时间间隔tnorm；

29、然后，记录车辆在实际交通状况下通过相同路段所需的时间间隔tact，计算公式为tact＝ti+n-ti，其中ti和ti+n分别代表车辆在连续帧中的检测时间点；

30、基于上述定义，进一步计算了延误时间δt，其计算公式为：

31、δt＝tact-tnorm

32、引入了延误严重程度指标sdelay；

33、根据异常指示矩阵和异常导致的延误程度(sdelay的大小)将发生异常的节点表示为其中i表示发生异常的延误程度，j-hop表示异常在网络中的传播范围，以此构建基于严重程度的异常矩阵n表示节点数目，t表示时间序列的长度。

34、作为优选，所述延误严重程度指标sdelay定义为一个分段函数，其中p是一个正整数，表示延误等级：

35、

36、其中，fib(p)是斐波那契序列的第p个数值。p∈(3，q)，q是延误的等级数量。fib(max)表示斐波那契序列中一个较大数值，max的值大于q。

37、作为优选，所述步骤3中，量化交通异常时，根据不同的异常程度以及不同的传播范围，学习一个异常嵌入矩阵来表示异常的严重程度和空间范围，其中i表示异常严重程度数，j表示hop连接数，然后利用异常嵌入矩阵的信息来更新交通异常特征矩阵u，表达式如下：

38、

39、作为优选，所述步骤3还包括，将节点的流量信息嵌入矩阵femb，异常特征嵌入矩阵和图嵌入矩阵g0拼接，输入到多层mlp构成的异常融合模块，得到节点的异常隐藏表示其中d表示嵌入维度，表达式为：

40、hu＝mlps(femb||u′emb||g0)作为优选，所述步骤5中，利用可扩展的多维预测模型预测交通流量方法为：

41、所述时序模块利用历史流量数据嵌入femb时间信息嵌入temb，通过时间融合过程tfus＝fusion(femb||temb)融合历史流量信息与时间信息，以确保特征表示的时间连续性和相关性；

42、所述空间模块利用预定义图得到一个图嵌入矩阵g0；

43、所述可扩展的多维特征模块对应交通异常特征和混入率特征设置不同嵌入层，例如混入率和异常交通条件，这些嵌入随后在各自的流中融合(异常融合和混合率融合)，形成各自的隐藏表示，例如混入率隐藏表示hm,异常隐藏表示hu。最后拼接多个特征隐藏表示形成综合特征hfeatures＝concat(hm，hu，...，hother)。

44、最终的预测输出通过映射函数生成，其中所述映射函数由深度学习网络训练得到，所述深度学习网络的结构由编码模块encoder和回归层r构成，所述编码模块和回归层将来自所有三个模型部分的数据进行整合处理，表达为：

45、

46、其中，||表示特征集的连接，encoder表示多层残差mlp，r表示回归函数。

47、本发明具有以下的特点和有益效果：

48、(1)通过视觉采样方法量化异质交通流量，从微观角度分析不同车辆类型之间的相互影响，从而提高交通流量预测的准确度。

49、(2)提出了一种道路异常检测及建模方法，该方法不仅检测道路是否发生异常及其严重程度，还将这些异常特征纳入模型中，分析其对交通流量的影响，以提高非周期性交通流量预测的性能。

50、(3)提出了一个可扩展的多维特征预测模型，该模型集成了异质流量信息和非周期异常，但未增加额外的运算负担。这一设计使得模型能够扩展到更多维特征，进一步提高预测的精确性。

技术特征：

1.一种基于视觉采样的多维特征时空流量预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述空间矩阵表示为其中，v表示道路交叉路口集合，将每一个道路交叉路口视为一个节点，则v＝{v1，v2，…，vn}，n则代表节点数，ε是所有道路的集合；所述交通流量信息矩阵表示为其中，t表示时间步数。

3.根据权利要求2所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤2的具体方法为：

4.根据权利要求3所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤2中还包括，将节点的流量信息嵌入矩阵混入率特征嵌入矩阵和图嵌入矩阵拼接，输入到多层mlp构成的混入率融合模块，得到节点混入率隐藏表示表示，其中d表示嵌入维度：

5.根据权利要求1所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述交通异常检测的方法为：

6.根据权利要求5所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述交通异常量化方法为：

7.根据权利要求6所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述延误严重程度指标sdelay定义为一个分段函数，其中p是一个正整数，表示延误等级：

8.根据权利要求6所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤3中，量化交通异常时，根据不同的异常程度以及不同的传播范围，学习一个异常嵌入矩阵来表示异常的严重程度和空间范围，其中i表示异常严重程度数，j表示hop连接数，然后利用异常嵌入矩阵的信息来更新交通异常特征矩阵u，表达式如下：

9.根据权利要求8所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤3还包括，将节点的流量信息嵌入矩阵femb，异常特征嵌入矩阵和图嵌入矩阵g0拼接，输入到多层mlp构成的异常融合模块，得到节点的异常隐藏表示其中d表示嵌入维度，表达式如下：

10.根据权利要求1所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述步骤5中，利用可扩展的多维预测模型预测交通流量方法为：

11.根据权利要求10所述的一种基于视觉采样的多维特征时空流量预测方法，其特征在于，所述深度学习网络的结构由编码模块encoder和回归层r构成，所述编码模块和回归层将来自所有三个模型部分的数据进行整合处理，表达为：

技术总结
本发明公开了一种基于视觉采样的多维特征时空流量预测方法，包括如下步骤：步骤1、根据历史交通流量数据，获取交通流量信息矩阵和空间矩阵；步骤2、获取视觉数据，并根据视觉数据估计交通流动中不同车辆类型的混入率；步骤3、交通异常检测并量化，获取交通异常特征矩阵；步骤4、构建可扩展的多维预测模型；步骤5、将交通流量信息、交通异常特征和混入率特征整合为综合交通信息矩阵，通过可扩展的多维预测模型预测未来Q步的流量。该方法通过视觉采样量化异质交通流量，并结合道路异常特征，实现准确的交通流量预测。

技术研发人员：陈婧,张胜
受保护的技术使用者：杭州电子科技大学
技术研发日：
技术公布日：2024/12/5