CN119495194B 交通流量预测方法、装置、计算机设备及存储介质 （湖南工商大学）

本发明公开了一种交通流量预测方法、装数据以混合比例α形成一个包含孪生和真实的2对孪生交通数据和真实交通数据以混合比例α形成一个包含孪生和真实的混合数据台的仿真车辆位置数据，计算每个时间间隔内各个路口区域的车辆数量得到车流量数据通信号灯状态数据S及场景天气参数数据，获取真实城市传感器获得的城市路口车流征矩阵xn；对所述第一融合特征、所述天气特征和所述交通信息特征进行特征ma3将时刻特征图Fh，天数特征图Fa，周期特征图FW分别作为特征金字塔网络的LOFi=Fi-1⊙Fg将得到的融合结果通过全局平均池化层转换成特征向量，以保将场景天气参数数据通过ResNet网络得到特征计算与特征金字塔的特征融合层中的流量特征图之间的注意力矩阵，基于流量4将所述基于流量特征的注意力特征图与相加得到上一层融合特征F=将所述上一层融合特征F作为所述特征金字塔的下一层特征融合层的输入特征进行迭采用邻接矩阵和所述第二融合特征作为生成对抗网络中生成器的数据采集模块，用于采用数字孪生仿真平台构建真实的城市交通第一融合模块，用于对孪生交通数据和真实交通数据以混合比例α形成一个包含孪生量得到车流量数据xim，获取仿真交通灯当前状态持续时间特征数据=[,T2...融合特征矩阵xn；特征提取模块，用于分别基于天气数据和交通灯信息进行特5ma8.一种计算机设备，包括存储器、处理器以及9.一种计算机可读存储介质，所述计算机可读存储介质存于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的交通流量预测方6[0002]随着城市化进程的加快，城市交通流量预测已成为智能交通系统的关键组成部[0006]采用数字孪生仿真平台构建真实的城市交通道路场景，并进行孪生交通数据收[0007]对孪生交通数据和真实交通数据以混合比例α形成一个包含孪生和真实的混合数7传感器得到的点云数据来记录场景内车辆的轨迹数据，包括每个时间戳内车辆的位置坐[0015]可选地，所述对孪生交通数据和真实交通数据以混合比例α形成一个包含孪生和;[0024]通过设置不同的时间提取窗口，将所述归一化后的特征矩阵xfxx分别通[0027]将时刻特征图Fn，天数特征图Fa，周期特征图FW分别作为特；[0033]将天气特征矩阵Hn通过上述ResNet网络得到特征图Fn。8[0039]将所述基于流量特征的注意力特征图与原始Fxor相加得到上一层融合特征;[0040]将所述上一层融合特征F作为所述特征金字塔的下一层特征融合层的输入特征进[0046]第一融合模块，用于对孪生交通数据和真实交通数据以混合比例α形成一个包含特征矩阵xh,X,X,;9和真实交通数据以混合比例α形成一个包含孪生和真实的混合数据集，再进行多时间维度括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(MoGroupAudioLayerIII，动态影像专家压缩标准音频层面3)、MP4(MovingPicture传感器得到的点云数据来记录场景内车辆的轨迹数据，包括每个时间戳内车辆的位置坐[0083]进一步地，基于Carla的数字孪生仿真平台来构建真实的城市交通道路场景的步件导出成与Carla仿真平台所兼容的FBX格式或者datasmith格式场景文件，以生成基于[0091]S202：对孪生交通数据和真实交通数据以混合比例α形成一个包含孪生和真实的续时间特征数据、目标路口的交通信号灯状态数据S及场景天气参数数据[0094]进一步地，数字孪生所获取的仿真车流量数据xsim是根据现实城市交通拥堵情[0099]进一步地，本实施例中的数据集增强是指将真实数据集混合比例α形成合成的训练数据集，这样可以确保模型在训练过程中同时接触到真实数据[0100]在一具体可选实施方式中，对孪生交通数据和真实交通数据以混合比例α形成一xfxx大值，得到归一化后的特征矩阵xf,X,X,。后的特征矩阵xh,X,X,进行融合，得到第一融合特征包括：[0117]通过设置不同的时间提取窗口，将归一化后的特征矩阵[0120]将时刻特征图Fn，天数特征图Fa，周期特征图FW分别作为特；；W、C分别为输入特征图的高度、宽度和通道数，F(C,i,j)表示为输入特征图在通道C中位置用，而黄灯状态对交通流量的影响相对较小，因此将S中所包含的三类数据转换成三类权。[0133]其中concat为拼接函数，conv1D为一个一维卷积层，以得[0142]将基于流量特征的注意力特征图与原始相加得到上一层融合特征;[0143]将上一层融合特征F作为特征金字塔的下一层特征融合层的输入特征进行迭代融[0148]具体地，本实施例的预测模块采用基于时空特征提取单这种预测模型有利于提高上述数字孪生所捕;[0158]其中c代表俩个节点vi,vi的欧式距离。[0166]鉴别器的输入为真假样本和距离矩阵Aais。真样本由真实历史交通流量数据组;[0173]模型的整体损失函数是综合考虑了MAE损失和RMSE损失进行加权求和得到，计算[0175]通过设计参数入的值来综合考虑MAE和RMSE在交通预测中能够提供更全面的评减小鉴别器将其识别为生成样本的概率。鉴别器则试图准确地区分真实流量和生成样本，交通数据收集；对孪生交通数据和真实交通数据以混合比例α形成一个包含孪生和真实的的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限[0181]图4示出与上述实施例交通流量预测方法一一对应的交通流量预测装置的原理框[0183]第一融合模块32，用于对孪生交通数据和真实交通数据以混合比例α形成一个包特征矩阵xfxx;[0195]关于交通流量预测装置的具体限定可以参见上文中对于交通流量预测方法的限[0199]所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式用于暂时地存储已经输出或者将要输出的各类数据。[0200]所述处理器42在一些实施例中可以是中央处理器（CentralProcessingUnit，所述计算机设备4与其他电子设备之间建立述至少一个处理器执行如上述的交通流量预测方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件