(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111510019.7 (22)申请日 2021.12.10 (71)申请人 杭州电子科技大 学上虞科学与工程 研究院有限公司 地址 312300 浙江省绍兴 市上虞区曹娥街 道江西路2288号浙大网新科技园A2楼 810室 （住所申报） 申请人 杭州电子科技大 学 (72)发明人 何宏　王欣峰　孙笑笑　俞东进　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 傅朝栋　张法高 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G08G 1/01(2006.01) (54)发明名称 基于兴趣点时空残差神经网络的多方向交 通流量预测方法 (57)摘要 本发明公开了一种基于兴趣点时空残差神 经网络的多方向交通流量预测方向。 该方法基于 短时车辆轨迹数据， 通过加入时间信号和兴趣点 信号来增强时空特征， 利用3D  CNN提取车流变化 随时间变化的时空特征， 结合残差神经网络避免 模型过拟合， 最后对带有时空特征信息进行加权 压缩， 输出带有移动状态的车流分布矩阵， 实现 了对区域交通流量的预测。 本发 明方法良好地关 联了车流的空间分布随时间变化的特征， 并综合 了时间信号与兴趣点信号关系， 有精度高、 实用 性强等特点， 可以为公共设施部署、 交通导流、 用 地规划等提供决策支撑 。 权利要求书4页 说明书13页 附图1页 CN 114154740 A 2022.03.08 CN 114154740 A 1.一种基于兴趣点时空残差神经网络的多方向交通流量预测方法， 其特征在于， 包括 以下步骤： S1、 获取待预测区域中待预测时刻前的历史车流数据， 所述历史车流数据中包含待预 测区域中不同车辆在不同时间的位置以及车辆行驶方向； 从所述历史车流数据中按预设的 时间片间隔提取若干个车流数据时间片； S2、 对待预测区域进行栅格化处理从而划分为一系列栅格， 每一个车流数据时间片中 的车辆均按照其坐标映射至待 预测区域的对应栅格中， 并将车辆行驶方向定义为车辆在栅 格中的移动状态， 移动状态包括向上、 向下、 向左、 向右四种； 对每个时间片内每个栅格中所 包含的每一种移动状态的车辆总 数进行统计并作为栅格值， 将栅格值映射为矩阵元素， 从 而针对每个时间片中的不同移动状态分别构建车流二 维矩阵， 每一种移动状态在所有时间 片中的车流 二维矩阵按时间维度叠加形成车流 三维矩阵； S3、 从待预测时刻中提取小时字段和分钟字段， 拼接形成一个二元的时间信号向量； S4、 获取所有兴趣点空间地理位置， 并将不同功能类别的兴趣点均映射到所述待预测 区域的栅格中， 对每个栅格中每一组功 能类别的兴趣点总 数进行统计并作为栅格值， 将栅 格值映射为矩阵元素， 从而针对每一组功能类别的兴趣点分别构建一张二维矩阵形式的兴 趣点切片， 所有功能类别的兴趣点切片叠加形成三维张量形式的兴趣点信号； S5、 将所述车流三维矩阵、 所述时间信号向量和所述兴趣点信号作为经过训练的多方 向交通流量预测模型 的输入， 所述多方向交通流量预测模型包含第一全连接神经网络、 第 二全连接神经网络、 三维残差卷积网络和重校正层， 由第一全连接神经网络根据所述时间 信号向量输出时间信号矩阵， 由第二全连接神经网络根据所述兴趣点信号输出兴趣点信号 矩阵， 由三维残差卷积网络根据所述车流三维矩阵、 所述兴趣点信号矩阵和所述时间信号 矩阵的融合特征输出结果矩阵， 最终将结果矩阵在重校正层中经过带权压缩操作后， 得到 多方向交通 流量预测结果。 2.如权利要求1所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法， 其 特征在于， 在S1 中， 所述待预测区域为矩形区域； 所述历史车流数据的时间跨度为[t， t+(m ‑ 1)* τ ]， 且其按 τ 分钟为时间片间隔提取m个车流数据时间片。 3.如权利要求2所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法， 其 特征在于， 所述S2的具体实现步骤如下： S21、 对待预测区域进行栅格化处 理， 共划分为 I*J个栅格， 第i行第j列的栅格为Pij； S22、 每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格 中， 并将车辆行驶方向定义为车辆在栅格中的移动状态， 移动状态包括向上、 向下、 向左、 向右 四种； S23、 对每个时间片内每个栅格 中所包含的每一种移动 状态的车辆总数进行统计， 将时 间片t内栅格Pij内移动状态为d的车流量记为 将所有I*J个栅格对应的 构建为时 间片t内整个待预测区域中移动状态为d的车流二维矩阵 车流二维矩阵 中第i行第j 列的元素值为 S24、 将所有m个车流数据时间片的车流二维矩阵 按时间维度进行拼接， 形成车流三 维矩阵 权　利　要　求　书 1/4 页 2 CN 114154740 A 24.如权利要求3所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法， 其 特征在于， 所述S3的具体实现步骤如下： 将待预测时刻tpred转化为含有小时字段tpred_hour和分钟字段tpred_minute两个元素的时间 信号向量ht＝[tpred_hour， tpred_minute]。 5.如权利要求4所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法， 其 特征在于， 所述S4的具体实现步骤如下： S41、 获取所有兴趣点的空间地理位置， 并将所有兴趣点按照其位置均映射到所述待预 测区域的各Pij栅格中； S42、 将所有 兴趣点按照不同功能类别分成n 组， 统计每个兴趣点分组g在栅格Pij内的兴 趣点数量并作为栅格Pij的栅格值 将每个兴趣点分组g对应的所有栅格的栅格值 构建 为兴趣点分组g对应的兴趣点切片γg， γg大小为I*J； S43、 将所有n组兴趣点分组对应的兴趣点切片拼接， 得到兴趣点信号Ψ＝[γ1， γ2， ...， γn]， 其大小为 n*I*J。 6.如权利要求5所述的基于兴趣点时空残差神经网络的多方向交通流量预测方法， 其 特征在于， 所述S5的具体实现步骤如下： S51： 将所述车流三维矩阵 所述时间信号向量ht和所述兴趣点信号Ψ输入经过训练 的多方向交通流量预测模型中， 所述多方向交通流量预测模型中包含第一全连接神经网 络、 第二全连接神经网络、 三维残差卷积网络和重校正层； S52、 所述时间信号ht被输入至包含Lts层全连接层级联的第一全连接神经网络中， 其中 第1层全连接层的输入为时间信号ht， 下一层全连接层的输入为上一层全连接层的输出， 最 后一层全连接层的输出为 将 向量逐元 素映射到大小为(I*J)的一个矩阵当中， 得 到大小为(I， J)的时间信号矩阵Ht； S53、 所述 兴趣点信号Ψ＝[γ1， γ2， ...， γn]输入后， 先对 其中的每个兴趣点切片γg获 取其平均自权 重zg： 得到兴趣点信号Ψ的平均自权重矩阵Z＝{z1， z2， ...， zn}， 其中n表示兴趣点分组的个 数； 然后将平均自权重矩阵Z输入包含Lps层全连接层级联的第二全连接神经网络逐层计 算， 其中第1层全连接层的输入为平均自权重矩阵Z， 下一层全连接层的输入为上一层全连 接层的输出， 最后一层全连接层的输出为 再后， 采用门机制将输出 映射为0到1之间的变量， 其计算过程如下： 其中fsi为激活函数； 最后， 通过计算获取兴趣点信号矩阵 权　利　要　求　书 2/4 页 3 CN 114154740 A 3