CN115099328B 基于对抗网络的交通流量预测方法、系统、设备及存储介质 （深蓝汽车科技有限公司）

本发明涉及一种基于BIDAF-GAN双向注意流个方向各条道路的不同车辆的交通流量数据通个六边形流量链路图代表某一个时刻T下固定距训练集输入双向注意流对抗网络BIDAF-GAN进行路综合数据输入预测网络结构GNET预测该道路2六边形流量链路图，每个六边形流量链路图代表某一个周期T下固定距离之间各车的空间情况WT-N，收集道路周边活动事件，按照周期T和活动事件位置确定不同道路的活动信息所述矢量转化包括：把不同方向的所有道路转化成同一方向的道路，按照固路图中综合信息中各数据之间的关系，扑获当前周期与上一周期综合信息数据之间的关对抗网络的判别结构DNET得到预测输出D1，校验预测的HT+1与下一周期真实流量是否能够结构DNET得到输出D2，校验原始数据经过GNET预测之后能否判断出跟真实流量值的偏差；4.根据权利要求3所述的预测方法，其特征在于，所述预测的=BCEWithLogitsLoss(D1,true)。能否判断出跟实际值的偏差包括，根据子损失函数Loss2识别判别结构DNET的输出D2是真3构DNET尽可能区分伪装数据和真实数据，调用公式：g_Loss＝0.3*Loss3+0.7*MSELoss(HT+1,ZK)计算损失函数g_Loss使得输出预测结果跟下一个周期流量值的误差足够小，MSELoss(HT+1,ZK)为伪装数据和T+1周期真实流量数据HT+1的均方范围内各个方向各条道路上行驶的车辆及综合信息通过矢量转化排列成同向的六边形流量链路图，每个六边形流量链路图代表某一个周期T下固定距离之间各车的空间位置信息有道路的流量ST-N,所有车的平均速度VT-N-mean，标注H图中不同道路不同时段的天气情况WT-N，收集道路周边社会活动事件，按照周期T和活动事件位置确定不同道路的活动信息PT-N9.根据权利要求8所述的预测系统，其特征在于，生成结构G4能够正确判断具体为：根据子损失函数Loss1将预测输出D1与从H图获取的流量数据HT+1比后能否判断出跟实际值的偏差包括，根据子损失函数Loss2识别判别结构DNET的输出D2是0.7*MSELoss(HT+1,ZK)计算损失函数g_Loss使得输出预测结果跟下一个周期流量值的误差,ZK)为伪装数据和T+1周期真实流量数据HT+1的均方损失函数。述程序或指令能够被处理器加载和运行以执行如权利要求1至7任一项所述的基于BIDAF-5[0005]但上述六边形分区是对原始地图进行六边形的空间划分，空间位置不会发生变6据是否为真，生成式对抗网络的判别器采用多层全连接网络来对交通数据的真假进行判[0011]本发明解决上述技术问题的技术方案是，提出一种基于BIDAF-GAN双向注意流对集输入双向注意流对抗网络BIDAF-GAN进行训练，直至损失函数在测试集上收敛得到交通流量预测模型得到预测网络结构GNET；将某时刻H图中的某道路综合数据输入预测网络结范围内各个方向各条道路上行驶的车辆及综合信息通过矢量转化排列成同向的六边形流量链路图，每个六边形流量链路图代表某一个周期T下固定距离之间各车的空间位置信息7D1，校验对真实HT+1是否能够判断正确；将ZK输入对抗网络的生成结构GNET得到预测输出G1输入到判别模型中，判断是否是模拟ZK流量数据生成的；获取六边形流量链路图中的WT-NT-NT输入对抗网络的生成结构GNET得到输出G2，校验其是否能够预测下一周期T+1括，根据损失函数Loss2识别判别结构DNET的输出D2是真实数据产生的，其中，Loss2=ZK是否能够识别，根据损失函数Loss3判断G1是否是模拟数据生成的，其中，Loss3=公式：d_loss＝loss1+loss2计算损失函数d_loss使得判别结构DNET尽可能区分伪装数据[0020]本发明还提出一种基于BIDAF-GAN双向注意流对抗网络的交通流量预测系统，将预定范围内各个方向各条道路上行驶的车辆及综合信息通过矢量转化排列成同向的六边8形流量链路图，每个六边形流量链路图代表某一个周期T下固定距离之间各车的空间位置ReLU之间串行连接，注意流层结构获取六边形流量链路图中综合信息中各数据之间的关D1，校验对真实HT+1是否能够判断正确；将ZK输入对抗网络的生成结构GNET得到预测输出G1输入到判别模型中，判断是否是模拟ZK流量数据生成的；获取六边形流量链路图中的WT-NT-NT输入对抗网络的生成结构GNET得到输出G2，校验其是否能够预测下一周期T+1括，根据损失函数Loss2识别判别结构DNET的输出D2是真实数据产生的，其中，Loss2=ZK是否能够识别，根据损失函数Loss3判断G1是否是模拟数据生成的，其中，Loss3=9现如上所述的基于BIDAF-GAN双向注意流对抗网[0028]本发明还提出一种计算机可读存储介质，所述可读存储所述程序或指令能够被处理器加载和运行以执行如上所述的基于BIDAF-GAN双向注意流对等多方面的优势。BIDAF-GAN双向注意流对抗网络结构架构可以自由扩展至多种数据共同[0035]矢量转化过程可采用如下方法：把不同方向的所有道路平均速度VT-N-mean，H图中的背景颜色深浅度利用VT-N-mean/Vmax的值进行转换,Vmax是H图中所构ENCODE,[0042]编码结构ENCODE从输入端至结果端依次包含1个卷积结构Conv1d、1个激活函数络进行训练，得到训练优化的生成结构GNET+判别结构DNET作为得到交通流量预测网络模型。损失函数可采用二分类交叉熵损失BCEWithLogitsLoss和均方损失函数MSELoss函数。两种损失函数本身都是计算真实值与预测值之间[0046]对BIDAF-GAN双向注意流对抗网络进行训练包括：获取H图T+1时刻的流量数据HT+1，将第T+1个周期的六边形流量链路图对应的流量数据HT+1经过随机扰动之后的伪装数[0047]将第T+1个周期的流量数据HT+1通过对抗网络输入结构输入判别结构DNET得到预[0048]ZK通过输入结构INPUT_NET输入生成结构GNET得到预测输出G1，模拟ZK流量经过GNET预测之后能否判断出跟实际值的偏差。根据损失函数Loss2识别判别模型能否识别[0055]d_loss主要根据Dnet判断的输入数据是伪数据据；loss1/loss2/loss3分别是伪数据和真实数据对应不同网络结果的损失子损失函数，高准确性。g_loss是计算Gnet输出预测结果跟实际的下一个周期流量值的误差是否足够