基于多源数据的车流量时空预测方法

doi:10.19562/j.chinasae.qcgc.2021.11.012

摘要/Abstract

摘要：

为提高车流量的预测精度，本文中从外部特征、时间特征和空间特征的角度综合考虑了多因素对车流量的影响，提出了一种基于多源数据和时空预测的车流量预测方法。在外部特征方面，深入探索了日期、天气和兴趣点特征对车流量影响；在时间特征方面，提出了基于时间卷积网络（TCN）的时间序列预测框架，并以近邻周期和日周期为基线分别建立时间预测模型；在空间特征方面，提出了基于图表示学习的空间特征提取方法，实现了相邻路网节点间的空间相关性特征提取。结果表明，与多种现有预测方法相比，该方法在提升预测精度的同时改善了中长时车流量预测性能。

关键词: 车流量, 多源数据, 深度学习, 时空预测

Abstract:

In order to enhance the accuracy of traffic flow prediction， a traffic flow prediction method based on multi-source data and spatio-temporal prediction is proposed in this paper with comprehensive considerations of the effects of various factors on traffic flow from the perspectives of external features， time features and spatial features. In terms of external features， the influence of the features of date， weather and point of interest on traffic flow is explored in depth. In terms of time features， a time series prediction framework based on time convolution network is put forward， and the time prediction models are established with the neighbor cycle and daily cycle as base lines respectively. In terms of spatial features， a spatial feature extraction method based on graph representation learning is proposed to fulfill the extraction of the spatial correlation feature between adjacent road network nodes. The results show that compared with various existing prediction methods， the method adopted improves the prediction performance of medium- and long-term traffic flow with high prediction accuracy.

Key words: traffic flow, multi-source data, deep learning, spatio-temporal prediction

胡杰,龚永胜,蔡世杰,黄腾飞. 基于多源数据的车流量时空预测方法[J]. 汽车工程, 2021, 43(11): 1662-1672.

Jie Hu,Yongsheng Gong,Shijie Cai,Tengfei Huang. A Spatio-Temporal Prediction Method of Traffic Flow Based on Multi-Source Data[J]. Automotive Engineering, 2021, 43(11): 1662-1672.

图/表 22

表1

表2

表3

表4

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

图15

图16

图17

图18

参考文献 33

1	ZHU J， LI X， JIN P， et al. MME-YOLO： multi-sensor multi-level enhanced YOLO for robust vehicle detection in traffic surveillance［J］. Sensors， 2021， 21（1）： 27.
2	邬群勇，胡振华，张红. 基于多源轨迹数据的城市交通状态精细划分与识别［J］. 交通运输系统工程与信息， 2020， 20（1）： 83-90.
	WU Q Y， HU Z H， ZHANG H. Fine division and identification of urban traffic status based on multi-source trajectory data［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（1）： 83-90.
3	杨兆升，朱中. 基于卡尔曼滤波理论的交通流量实时预测模型［J］. 中国公路学报， 1999， 3： 63-67.
	YANG Z S， ZHU Z. A real time traffic volume prediction model based on the Kalman filtering theory［J］. China Journal of Highway and Transport， 1999， 3： 63-67.
4	聂佩林，余志，何兆成. 基于约束卡尔曼滤波的短时交通流量组合预测模型［J］. 交通运输工程学报， 2008， 5： 86-90.
	NIE P L， YU Z， HE Z C. Constrained Kalman filter combined predictor for short-term traffic flow［J］. Journal of Traffic and Transportation Engineering， 2008， 5： 86-90.
5	DENG M J， QU S R. Fuzzy state transition and Kalman filter applied in short-term traffic flow forecasting［J］. Computational Intelligence and Neuroscience， 2015， 2015： 1-7.
6	CAI L G， ZHANG Z C， YANG J J， et al. A noise-immune Kalman filter for short-term traffic flow forecasting［J］. Physica A， 2019： 536.
7	ZHOU T， JIANG D Z， LIN Z Z， et al. Hybrid dual Kalman filtering model for short-term traffic flow forecasting［J］. IET Intelligent Transport Systems， 2019， 13（6）： 1023-1032.
8	MARCO L， MATTEO B， PAOLO F. Short-term traffic flow forecasting： an experimental comparison of time-series analysis and supervised learning［J］. IEEE Transactions on Intelligent Transportation Systems， 2013， 14（2）： 871-882.
9	HU W B， YAN L P， LIU K Z， et al. A short-term traffic flow forecasting method based on the hybrid PSO-SVR［J］. Neural Process Lett， 2016， 43（1）： 155-172.
10	GE W， CAO Y， DING Z M， et al. Forecasting model of traffic flow prediction model based on multi-resolution SVR［C］. ICIAI 2019 Proceedings of the 2019 3rd International Conference on Innovation in Artificial Intelligence， Suzhou， China， 2019.
11	CASTRO N， JEONG Y S， JEONG M K， et al. Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions［J］. Expert Systems with Applications， 2008， 36（3）： 6164–6173.
12	樊汉勤. 基于机器学习技术的交通流预测模型研究与实现［D］. 成都：西南交通大学， 2017.
	FAN H Q. Research and implementation of traffic flow prediction model based on machine learning［D］. Chengdu：Southwest Jiaotong University， 2017.
13	LIU H J， MA L F， WANG Z D， et al. An overview of stability analysis and state estimation for memristive neural networks［J］. Neurocomputing， 2020， 391： 1-12.
14	JÜRGEN S. Deep learning in neural networks： an overview［J］. Neural Networks， 2015， 61： 85-117.
15	YU Z Q， AMIR M A， ADNAN Z， et al. An overview of neuromorphic computing for artificial intelligence enabled hardware-based hopfield neural network［J］. IEEE Access， 2020， 8： 67085-67099.
16	XIN R Y ， ZHANG J， SHAO Y T. Complex network classification with convolutional neural network［J］. Tsinghua Science and Technology， 2020， 25（4）： 447-457.
17	ABDI J， MOSHIRI B， SEDIGH A K. Comparison of RBF and MLP neural networks in short-term traffic flow forecasting［C］. 2010 International Conference on Power， Control and Embedded Systems， Allahabad， India， 2010.
18	任艺柯. 基于改进的LSTM网络的交通流预测［D］. 大连：大连理工大学， 2019.
	REN Y K. Traffic flow prediction based on improved LSTM network［D］.Dalian： Dalian University of Technology， 2019.
19	ROBAIL Y. SRNET： a shallow skip connection based convolutional neural network design for resolving singularities［J］. Journal of Computer Science and Technology， 2019， 34（4）： 924-938.
20	DIAZ G I， FOKOUE-NKOUTCHE A， NANNICINI G， et al. An effective algorithm for hyperparameter optimization of neural networks［J］. IBM Journal of Resarch and Development， 2017， 61： 1-11.
21	HUANG T F， MA Y， ZHOU Y Z， et al. A review of combinatorial optimization with graph neural networks［C］. 2019 5th International Conference on Big Data and Information Analytics， Kunming， Yunnan， China， 2019
22	BRYAN P， RAMI A R， STEVEN S. DeepWalk： online learning of social representations［C］. KDD' 14： Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， New York， USA， 2014.
23	ADITYA G， JURE L. Node2Vec： scalable feature learning for networks［C］. KDD '16： Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， San Francisco， California， USA， 2016.
24	TANG J， QU M， WANG M Z， et al. LINE： large-scale information network embedding［J］. Computer Science， 2015.
25	WANG D X， CUI P， ZHU W W. Structural deep network embedding［C］. KDD '16： Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining， San Francisco， California， USA， 2016.
26	刘道广.基于深度学习的道路短时交通流量预测研究［D］. 绵阳：西南科技大学， 2020.
	LIU D G. Study on prediction of short-term road traffic flow based on deep learning［D］. Mianyang： Southwest University of Science and Technology， 2020.
27	ZHAO L， SONG Y J， ZHANG C， et al. T-GCN： a temporal graph convolutional network for traffic prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（9）， 3848-3858.
28	ZHANG J B， ZHENG Y， QI D K， et al. Predicting citywide crowd flows using deep spatio-temporal residual networks［J］. Artificial Intelligence， 2018， 259： 147-166.
29	ZHOU C， LU H M， XIANG Y， et al. GeohashTile： vector geographic data display method based on geohash［J］. ISPRS International Journal of Geo-Information， 2020， 9（418）.
30	FENG X， FENG Q， LI S， et al. Wavelet-based Kalman smoothing method for uncertain parameters processing： applications in oil well-testing data denoising and prediction［J］. Sensors， 2020， 20（16）：4541.
31	KAZEMI S M， GOEL R， EGHBALI S， et al. Time2Vec： learning a vector representation of time［J］. 2019. arXiv：1907.05321v1 ［cs.LG］ 11 Jul 2019.
32	BAI S J， KOLTER J Z， VLADLEN K. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling［J］. arXiv：1803.01271v2 ［cs.LG］ 19 Apr 2018.
33	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need ［J］. arXiv， 2017.

索引	方向	道路ID	时间	卡口ID	车辆ID
0	5	5	2019-09-01 08：18：34	100117	VeeeoP
1	5	2	2019-09-01 08：19：39	100117	BippCK
3	3	3	2019-09-01 08：19：24	100117	WoouoU

出租车ID	经度	纬度	航向角/（°）	时间
Uf26f	120°404’E	36°1897’N	124	2019-08-01 07：35：36
Uf26f	120°407’E	36°1766’N	85	2019-08-01 07：46：44
Uf26f	120°421’E	36°2328’N	44	2019-08-01 07：00：43

时间/h	温度/℃	湿度/%	风速/（km·h^-1）	气压/hPa	天气状况
0	21	73	3.22	1 006.773	晴天
1	20	78	3.22	1 006.773	晴天
2	20	78	3.22	1 006.773	晴天

POI名称	POI类别	行政区	经度	纬度
骨汤麻辣烫	餐饮	市北区	120°3606 ’E	36°131700’N
凯景花园	住宅	市北区	120°3486 ’E	36°087257 ’N
川东印刷公司	公司	市北区	120°3528 ’E	36°132616 ’N

[1]	高泽, 楚遵康, 石稼晟, 林滏, 饶卫雄, 余海燕. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程, 2024, 46(1): 170-178.
[2]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[3]	赵嘉豪,齐志权,齐智峰,王皓,何磊. 基于轮胎特征点的并行大型车辆朝向角计算[J]. 汽车工程, 2023, 45(6): 1031-1039.
[4]	陈妍妍,王海,蔡英凤,陈龙,李祎承. 基于检测的高效自动驾驶实例分割方法[J]. 汽车工程, 2023, 45(4): 541-550.
[5]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[6]	李琳辉,张鑫亮,付一帆,连静,马家旭. 基于TC-YOLOv7算法的可见光与红外后融合检测研究[J]. 汽车工程, 2023, 45(12): 2280-2290.
[7]	张小俊,奚敬哲,史延雷,袁安录. 面向路侧视角目标检测的轻量级YOLOv7-R算法[J]. 汽车工程, 2023, 45(10): 1833-1844.
[8]	胡杰,李源洁,耿號,耿黄政,郭雄,易红卫. 基于深度学习的汽车故障知识图谱构建[J]. 汽车工程, 2023, 45(1): 52-60.
[9]	胡杰,徐博远,熊宗权,昌敏杰,郭迪,谢礼浩. 基于多尺度掩码分类域自适应网络的跨域目标检测算法[J]. 汽车工程, 2022, 44(9): 1327-1338.
[10]	毕贵红,谢旭,蔡子龙,骆钊,陈臣鹏,赵鑫. 动态条件下基于深度学习的锂电池容量估计[J]. 汽车工程, 2022, 44(6): 868-878.
[11]	王大方,杜京东,曹江,张梅,赵刚. 面向自动驾驶数据生成的风格迁移网络研究[J]. 汽车工程, 2022, 44(5): 684-690.
[12]	郭景华,何智飞,罗禹贡,李克强. 人机混驾环境下基于深度学习的车辆切入轨迹预测[J]. 汽车工程, 2022, 44(2): 153-160.
[13]	蒋渊德,朱冰,赵祥模,赵健,郑兵兵. 面向自动驾驶汽车测试的交通车辆交互过程建模[J]. 汽车工程, 2022, 44(12): 1825-1833.
[14]	高振海,温文昊,唐明弘,张建,陈国迎. 基于混合神经网络的汽车运动状态估计[J]. 汽车工程, 2022, 44(10): 1527-1536.
[15]	张绍伟,朱大炜,翟光照. 基于深度学习的座椅抗挥鞭伤性能预测[J]. 汽车工程, 2022, 44(10): 1600-1608.