(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210663816.7 (22)申请日 2022.06.14 (65)同一申请的已公布的文献号 申请公布号 CN 114758311 A (43)申请公布日 2022.07.15 (73)专利权人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 杜文博　石婉君　朱熙　李宇萌　 (74)专利代理 机构 北京天达知识产权代理事务 所(普通合伙) 11386 专利代理师 刘镜 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/40(2022.01) G06V 10/77(2022.01)G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 王艳臣 (54)发明名称 一种基于异质特征融合的交通流量预测方 法及系统 (57)摘要 本发明涉及一种基于异质特征融合的交通 流量预测方法及系统， 属于数据预测技术领域， 解决了现有交通流量预测特征维度单一且未考 虑气象因素的问题。 包括构建各交通节点的流量 数据序列， 根据气象云图集合提取各交通节点的 云图特征值序列； 根据流量数据序列构建相关度 矩阵， 将最小元素值对应的两个节 点合并成新节 点， 计算新节 点的流量数据序列和云图特征值序 列， 构建新的相关度矩阵， 重复上述过程直至得 到预置数量的交通节点， 作为样本节点； 将样本 节点的流量数据序列和云图特征值序列融合后 作为时空图卷积网络的输入数据， 训练得到预测 模型； 将待预测的交通节点在当前时刻前融合后 的数据输入预测模型， 预测出交通流量。 实现了 交通流量的精确预测。 权利要求书2页 说明书11页 附图1页 CN 114758311 B 2022.09.02 CN 114758311 B 1.一种基于异质特 征融合的交通 流量预测方法， 其特 征在于， 包括以下步骤： 预处理交通流量历史数据， 构建各交通节点的流量数据序列； 预处理原始气象云图， 获 取各交通节点的气象云图集 合； 将所述气象云图集合输入已预训练 的卷积神经网络， 得到各交通节点的云图特征值序 列； 执行迭代过程， 包括： 步骤S130： 将各交通节点 放入节点 集合； 步骤S131： 根据节点 集合中各节点的流 量数据序列， 构建节点间的相关度矩阵； 步骤S132： 将相关度矩阵中最小元素值对应的两个节点合并成新节点， 计算新节点的 流量数据序列和云图特 征值序列； 步骤S133： 在节点集合中， 删除最小元素值对应的两个节点， 并加入合并后的新节点， 更新节点 集合； 步骤S134： 判断当前节点集合中的节点数量， 如果不等于预置数量， 返回步骤S131， 直 至得到预置数量的交通节点， 作为样本节点； 将样本节点的流量数据序列和云图特征值序列进行融合， 得到输入数据， 输入时空图 卷积网络进行训练， 得到训练好的交通 流量预测模型； 将待预测的交通节点在当前时刻前的流量数据序列和云图特征值序列融合后输入交 通流量预测模型， 预测出交通 流量。 2.根据权利要求1所述的基于异质特征融合的交通流量预测方法， 其特征在于， 所述构 建各交通节点的流 量数据序列， 包括： 根据预置的时间间隔划分得到多个时间片， 基于预处理后的交通流量历史数据， 统计 在各时间片经过各交通节点的车辆数量， 按时间片顺序放入各交通节点的流量数据序列 中。 3.根据权利要求2所述的基于异质特征融合的交通流量预测方法， 其特征在于， 所述预 处理原始气象云图包括： 根据所述多个时间片， 获取对应的原 始气象云图； 对每张原始气象云图的RGB三个通道分别进行直方图均衡化， 得到增强后的原始气象 云图； 对增强后的原始气象云图进行归一化处理， 将RGB三个通道的像素值从[0,255]转换到 [0,1]。 4.根据权利要求3所述的基于异质特征融合的交通流量预测方法， 其特征在于， 所述获 取各交通节点的气象云图集合， 包括： 在每张预 处理后的原始气象云图中， 以各 交通节点的 地理位置为中心， 按照预置范围截取 出气象云图， 分别放入各交通节点的气象云图集 合中。 5.根据权利要求4所述的基于异质特征融合的交通流量预测方法， 其特征在于， 所述将 所述气象云图集合输入已预训练的卷积神经网络， 得到各交通节点的云图特征值序列， 包 括： 基于气象云图集合， 将各交通节点的气象云图集合作为输入数据， 将各交通节点在每 个时间片的流量数据作为对应的气象云图的特征标签， 通过已预训练的卷积神经网络， 输 出各交通节点在各时间片的 w维云图特征值， 1≤ w≤10， 得到各交通节点的云图特征值序权　利　要　求　书 1/2 页 2 CN 114758311 B 2列。 6.根据权利要求2所述的基于异质特征融合的交通流量预测方法， 其特征在于， 所述根 据节点集合中各节点的流 量数据序列， 构建节点间的相关度矩阵， 包括： 基于皮尔逊相关系数， 构建节点集合中任意两个节点的流量数据序列的相关系数； 根 据递减函数， 将所述相关系数变式后与对应的两个节点的流量数据序列之间的二范数相 乘， 得到任意两个节点的距离测度； 将得到的所有距离测度构建成一个对称的相关度矩阵， 其对角线元素值为0， 非对角线 元素值为所在行列对应的交通节点的距离测度。 7.根据权利要求6所述的基于异质特征融合的交通流量预测方法， 其特征在于， 所述将 相关度矩阵中最小元素值对应的两个节点合并成新节点， 计算新节点的流量数据序列和云 图特征值序列， 包括： 选择相关度矩阵中非对角线的最小元素值， 根据其对应的两个节点的流量数据序列， 对相同时间片的流量数据和云图特征值分别求和取平均后， 得到合并后的新节点的流量数 据序列和云图特 征值序列。 8.根据权利要求5或7所述的基于异质特征融合的交通流量预测方法， 其特征在于， 将 样本节点的流 量数据序列和云图特 征值序列进行融合， 得到 输入数据， 包括： 将每个样本节点的1维流量数据序列和 w维云图特征值序列拼接成 w+1维的融合数据序 列； 对每个样本节点的融合数据序列， 将预置的时间片数量作为滑窗窗口长度， 按步长为1 且从最大的时间片开始逐步平 移， 依次得到每 个样本节点的多组融合数据， 作为输入数据。 9.根据权利要求8所述的基于异质特征融合的交通流量预测方法， 其特征在于， 所述 时 空图卷积网络包括： 至少1个时空图卷积块、 1个卷积层和1个全连接层， 其中， 每个时空图卷 积块中包含2个时间卷积块和1个空间卷积块， 所述输入数据作为第1个时空图卷积块的输 入。 10.一种基于异质特 征融合的交通 流量预测系统， 其特 征在于， 包括： 数据预处理模块， 用于预处理交通流量历史数据， 构建各交通节点流量数据序列； 预处 理原始气象云图， 获取 各交通节点的气象云图集 合； 云图特征值提取模块， 用于将所述气象云图集合输入已预训练的卷积神经网络， 得到 各交通节点的云图特 征值序列； 样本节点获取模块， 用于执行迭代过程， 包括： 步骤S130： 将各交通节点放入节点集合； 步骤S131： 根据节点集合中各节点的流量数据序列， 构建节点间的相关度矩阵； 步骤S132： 将相关度 矩阵中最小 元素值对应的两个节点合并成新节点， 计算新节点的流量数据序列和 云图特征值序列； 步骤S133： 在节点集合中， 删除最小元素值对应的两个节点， 并加入合并 后的新节点， 更新节点集合； 步骤S134： 判断当前节点集合中的节点数量， 如果不等于预置 数量， 返回步骤S131， 直至得到预置数量的交通节点， 作为样本节点； 预测模型训练模块， 将样本节点的流量数据序列和云图特征值序列进行融合， 得到输 入数据， 输入时空图卷积网络进行训练， 得到训练好的交通 流量预测模型； 交通流量预测模块， 将待预测的交通节点在 当前时刻前的流量数据序列和云图特征值 序列融合后输入交通 流量预测模型， 预测出交通 流量。权　利　要　求　书 2/2 页 3 CN 114758311 B 3