一种基于动态采样的交通流量预测方法及相关设备

本发明涉及交通流预测，特别涉及一种基于动态采样的交通流量预测方法及相关设备。

背景技术：

1、准确的交通预测为交通规划局提供了高质量的理论支持，在现有的交通预测方法中，时空图神经网络显示出巨大的优势，得到了广泛的应用。具体而言，时空图神经网络利用图神经网络和序列模型捕捉交通传感器之间的空间相关性，并建立模型的时间依赖性。

2、然而，对预测准确性的狭隘关注忽视了与交通预测相关的关键社会影响，例如交通预测中的不公平现象。交通部门根据预测的不同地区的交通状况分配资源。如果弱势地区的交通需求一直被低估，就可能导致资源分配不足，从而导致对某些群体(如地区居民)的服务不足。现有的研究主要存在两方面的局限性。首先，以往的研究主要基于整个城市的平均预测精度来评估模型的性能，而很少考虑不同区域之间的性能差异，但是性能不平衡可能导致特定区域组的服务不足；其次，大多数现有的公平性研究方法都是从静态的角度考虑的，目的是最小化当前有利地区和不利地区之间的预测精度差异。这些静态方法可能需要某些优势地区妥协，但它们无法考虑公平性随时间的变化；这就需要对每个地区的交通状况进行公平的预测。

3、交通预测方面，由于城市数据的可用性及其广泛的应用，这一直是一个广泛研究的主题。准确的预测对于有效的资源配置策略至关重要，如交通资源管理和城市交通规划。而深度神经网络，特别是卷积神经网络(cnn，convolutional?neural?networks)和递归神经网络(rnn，recurrent?neural?network)模型，由于其出色的学习能力，在流量预测中得到了普及。然而，这些模型视为时空网格数据设计的，可能不适合基于图的数据，这在道路网络中很普通。近年来，研究者对使用图神经网络(gnn，graph?neural?network)进行时空数据预测的兴趣日渐浓厚。现有的模型将图神经网络与递归神经网络、时间卷积网络(tcn，temporal?convolutional?network)或注意力机制相结合，以捕获交通数据中复杂的空间和时间依赖性。这些模型如扩散卷积递归神经网络(dcrnn，diffusion?convolutionalrecurrent?neural?network)、时空卷积图神经网络(st-gcn，spatial?temporal?graphconvolutional?networks)、混合注意力时空图卷积神经网络(astgcn，attention?basedspatial-temporal?graph?convolutional?networks)和动态时空感知图神经网络(dstagnn，dynamic?spatial-temporal?aware?graph?neural?network)，在捕获道路网络动态方面取得了重大进展。然而，这些现有的方法忽视了预测的公平性，而公平性对于评估预测模型的社会影响至关重要。带有歧视的结果会导致某些地区的交通资源配置不足，对居民的生活质量产生负面影响。

4、公平性方面，现有的公平研究主要侧重于在结果中识别和减轻对特定敏感群体(如种群)的偏见。各种公平指标、包括群体和个人公平，已经被提出。群体公平要求算法不会对来自任何特定敏感子群体的个体做出歧视性预测，而个体公平则强调对相似个体进行类似对待。交通领域的公平性研究一直很有限，例如，有通过三个卷积分支融合了异构特征，并引入了两个公平指标来提高人口群体之间的公平性，然而，这些指标依赖于种族或性别等敏感特征，并且仍然通过静态方法实现正则化。类似地，还有使用社会感知卷积操作集成社会人口统计和乘客信息，以进行公平需求预测；他们的方法依赖于外部信息，使用的公平性正则化也依赖于敏感信息，以静态方式计算，动态公平被认为是长期公平的一种形式。虽然在决策方面进行了一些研究，但缺乏对公平的具体定义；还有在一般静态个人公平的基础上提出了动态公平的定义。然而，与我们的工作不同，他们的方法依赖于由领域知识或人类判断引导的相似矩阵，这使得它不适合交通流量预测场景。

技术实现思路

1、本发明提供了一种基于动态采样的交通流量预测方法及相关设备，其目的是为了提高区域交通流量预测的准确性和公平性。

2、为了达到上述目的，本发明提供了一种基于动态采样的交通流量预测方法，包括：

3、步骤1，将目标城市划分为多个包含有多个道路节点的交通区域，并获取每个交通区域内每个道路节点的历史交通流量数据，得到每个交通区域的总历史交通流量数据；

4、步骤2，通过总历史交通流量数据计算每个交通区域的历史平均交通流量，并根据每个交通区域的历史平均交通流量得到与每个交通区域对应的交通状态值；

5、步骤3，以计算的采样概率和预设道路节点总采样数为约束条件，在每个交通区域内进行道路节点采样，使得在每个交通区域内采样的道路节点数均满足采样概率、且采样的道路节点总数与预设道路节点总采样数相等；

6、步骤4，将每个交通区域的交通状态值、每个采样的道路节点对应的历史交通流量数据均输入时空预测模型进行学习，得到每个采样的道路节点的隐藏状态编码和目标城市的交通流量预测结果；

7、步骤5，根据每个采样的道路节点的隐藏状态编码，计算时空预测模型的鉴别损失和个体动态公平损失，根据目标城市的交通流量预测结果计算时空预测模型的模型效用损失和区域静态公平损失；

8、步骤6，根据鉴别损失、个体动态公平损失、模型效用损失和区域静态公平损失对时空预测模型进行训练，得到训练后的时空预测模型；

9、步骤7，将待预测城市中每个交通区域的交通状态值、在待预测城市内采样的道路节点对应的历史交通流量数据均输入时空预测模型进行交通流量预测，得到待预测城市的交通流量预测结果。

10、进一步来说，步骤1包括：

11、根据行政区或地理条件将目标城市划分为多个交通区域re；

12、根据地理因素以及繁华程度为每个交通区域分配道路节点vn，道路节点包括多个；

13、获取每个道路节点在预设时段t内的历史交通流量数据得到在预设时段t内每个交通区域的总历史交通流量数据

14、进一步来说，采样概率包括：

15、根据平衡性原则，为每个交通区域计算的区域采样概率pre；

16、根据多样性原则，为每个交通区域内每个道路节点计算的节点采样概率pn。

17、进一步来说，以计算的采样概率和预设道路节点总采样数为约束条件，在每个交通区域内进行道路节点采样，包括：

18、设置预设道路节点总采样数nsam，预设道路节点总采样数nsam小于所有交通区域的道路节点数之和；

19、以区域采样概率pre、节点采样概率pn以及预设道路节点总采样数nsam为约束条件，通过贪心算法在每个交通区域内进行道路节点采样，得到采样列表

20、进一步来说，区域采样概率pre的表达式为：

21、pre＝(pr1,pr2,…,prm)＝softmax(cr1-cavg,cr2-cavg,…,crm-cavg)

22、其中，prp表示第p个交通区域的区域采样概率，crp表示第p个交通区域被采样过的次数，p＝1,2,…,m，cavg表示平衡情况下每个交通区域的平均采样数。

23、进一步来说，节点采样概率pn的表达式为：

24、pn＝(pv1,pv2,…,pvn)＝softmax(cv1,cv2,…,cvn)

25、其中，pvi表示第i个道路节点的采样概率，cvi表示第i个道路节点的采样次数，i＝1,2,…,n。

26、进一步来说，步骤5包括：

27、根据每个采样的道路节点的隐藏状态编码，计算时空预测模型的鉴别损失和个体动态公平损失；

28、鉴别损失ldis的表达式为：

29、

30、其中，li表示第i个道路节点的真实状态标签，di表示第i个道路节点的状态，di通过鉴别器对每个采样的道路节点的隐藏状态编码进行鉴别得到；

31、个体动态公平损失lidf的表达式为：

32、

33、其中，vi表示第i个道路节点，vj表示第个道路节点，表示道路节点vi在td时间段内的总体状态；

34、根据目标城市的交通流量预测结果计算时空预测模型的模型效用损失和区域静态公平损失；

35、模型效用损失lacc的表达式为：

36、

37、其中，yi表示第i个交通区域ri的真实状态值，ost表示目标城市的交通流量预测结果；

38、区域静态公平损失lrsf的表达式为：

39、

40、其中，表示第p个交通区域rp在t时刻的平均绝对百分比误差，表示第q个交通区域rq在t时刻的平均绝对百分比误差。

41、本发明还提供了一种基于动态采样的交通流量预测装置，包括：

42、获取?？?，用于将目标城市划分为多个包含有多个道路节点的交通区域，并获取每个交通区域内每个道路节点的历史交通流量数据，得到每个交通区域的总历史交通流量数据；

43、第一计算?？?，用于通过总历史交通流量数据计算每个交通区域的历史平均交通流量，并根据每个交通区域的历史平均交通流量得到与每个交通区域对应的交通状态值；

44、采样?？?，用于以计算的采样概率和预设道路节点总采样数为约束条件，在每个交通区域内进行道路节点采样，使得在每个交通区域内采样的道路节点数均满足采样概率、且采样的道路节点总数与预设道路节点总采样数相等；

45、学习?？?，用于将每个交通区域的交通状态值、每个采样的道路节点对应的历史交通流量数据均输入时空预测模型进行学习，得到每个采样的道路节点的隐藏状态编码和目标城市的交通流量预测结果；

46、第二计算?？?，用于根据每个采样的道路节点的隐藏状态编码，计算时空预测模型的鉴别损失和个体动态公平损失，根据目标城市的交通流量预测结果计算时空预测模型的模型效用损失和区域静态公平损失；

47、训练?？?，用于根据鉴别损失、个体动态公平损失、模型效用损失和区域静态公平损失对时空预测模型进行训练，得到训练后的时空预测模型；

48、预测?？?，用于将待预测城市中每个交通区域的交通状态值、在待预测城内采样的道路节点对应的历史交通流量数据均输入时空预测模型进行交通流量预测，得到待预测城市的交通流量预测结果。

49、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时，实现基于动态采样的交通流量预测方法。

50、本发明还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现基于动态采样的交通流量预测方法。

51、本发明的上述方案有如下的有益效果：

52、本发明将目标城市划分为多个包含有多个道路节点的交通区域，并获取每个交通区域的总历史交通流量数据计算每个交通区域的历史平均交通流量，得到与每个交通区域对应的交通状态值输入时空预测模型；以计算的采样概率和预设道路节点总采样数为约束条件，在每个交通区域内进行道路节点采样并将每个采样的道路节点对应的历史交通流量数据输入时空预测模型学习，得到每个采样的道路节点的隐藏状态编码和目标城市的交通流量预测结果，用于计算时空预测模型的鉴别损失、个体动态公平损失、模型效用损失和区域静态公平损失；根据鉴别损失、个体动态公平损失、模型效用损失和区域静态公平损失对时空预测模型进行训练，得到训练后的时空预测模型；将待预测城市中每个交通区域的交通状态值、在待预测城市内采样的道路节点对应的历史交通流量数据均输入时空预测模型进行交通流量预测，得到待预测城市的交通流量预测结果；与现有技术相比，本发明以计算的采样概率和预设道路节点总采样数为约束条件，在每个交通区域内进行道路节点采样，获得平衡且具有多样性的数据，改善了交通流量数据的不平衡问题，使得包含不同道路节点的区域获得相似的预测性能；根据鉴别损失、个体动态公平损失、模型效用损失和区域静态公平损失形成双层的公平约束，以促进时空预测模型的训练和优化，使得优化后的时空预测模型产生公平且准确的交通流量预测结果，提高了区域交通流量预测的准确性和公平性。

53、本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。