一种基于时空解耦的分布式交通流预测方法与系统

技术领域

本发明属于智能交通技术领域，涉及基于边云协同及时空解耦的分布式交通流预测方法与系统。

背景技术

随着城市车辆不断增加，路网结构逐渐复杂，智能交通系统(IntelligentTransportation System，ITS)应运而生并迅速发展，而短时交通流预测是ITS的核心，为其提供数据支持。及时准确的交通流预测结果可以帮助交通管理部门实施交通管理，科学地引导出行者路线，避免拥堵发生；个人用户也能根据实时预测信息合理安排出行计划，减少出行时间。因此一种高效准确的交通流预测方法对于缓解交通拥堵是至关重要的，也使其成为当前智能交通技术领域的研究热点之一。

而目前的交通流预测方法是这样实现的：数据从分布在交通路网各处的交通节点上汇聚至一个核心节点，该节点根据收集到的路网原始速度数据进行模型训练，并预测未来的交通状况。这种交通预测方法能够得出较准确的预测结果，为交通管理提供帮助，但也存在如下缺陷：不能适应海量数据、低时延的业务场景；不能解决由时空特征维度不同带来的时空特征融合问题；不能灵活获取时空动态相关性。在智能交通和边缘计算发展的基础上，传统的交通预测方法已逐渐被改进并且被其他交通预测方法所替换，以便在智能交通和边云协同的技术环境下实现更实时更准确的交通预测，为更高效的城市交通管理提供帮助。

经对现有文献调研发现，2020年和2021年在《IEEE Transactions onIntelligent Transportation Systems(IEEE智能交通系统学报)》上发表的题为“T-GCN:ATemporal Graph Convolutional Network for Traffic Prediction(T-GCN：一种用于交通预测的时间图卷积网络)”与“Traffic Flow Prediction Based on Deep Learning inInternet of Vehicles(基于深度学习的车联网交通流预测)”的文章，都基于神经网络提出了一种交通流预测的方法。尽管这些方法能够在一定程度上准确预测交通状况，但这些集中式算法会带来较大的通信、计算负载，时延较大，会影响预测信息的时效性，难以满足海量数据、低时延的业务场景。同时，对于交通信息的时空相关性提取不够充分，交通流预测的准确性仍有改进空间。

经检索还发现，为了减少训练耗时、降低通信成本、保护数据隐私，2020年和2022年在《IEEE Internet of Things Journal(IEEE物联网杂志)》和《IEEE Transactions onIntelligent Transportation Systems》发表的题为“Privacy-Preserving Traffic FlowPrediction:A Federated Learning Approach(保护隐私的交通流预测:一种联邦学习方法)”和“Short-Term Traffic Flow Prediction Based on Graph ConvolutionalNetworks and Federated Learning(基于图卷积网络和联邦学习的短期交通流预测)”的文章，均将联邦学习与神经网络结合，进行分布式的交通预测，从而保护隐私、降低时延。但是这些方法均只能提取交通信息的时空特征中的一个，这使得模型无法充分融合数据的时空特征。

综上所述，现有技术存在的问题是：(1)交通预测方法大多数是集中式的算法，不适应海量数据、低时延的业务场景；(2)分布式交通模型没有充分融合交通数据的时空特性；(3)对于不同时间和不同节点间的相关性提取不足。解决上述技术问题的意义在于：基于目前智能交通技术和边缘计算技术的进步，设计了一种分布式交通流预测方法，通过时空信息解耦和边云协同，实现了更加实时准确的交通预测结果，帮助交通管理部门实施交通管理，个人用户也能根据实时预测信息合理安排出行计划，为未来城市道路规划和交通管理提供新的思路。

发明内容

发明目的：针对现有技术存在的问题，本发明目的在于在边云协同的基础上提供一种基于时空解耦的分布式交通流预测方法与系统，以适应海量数据、低时延业务的需求，并能充分融合交通数据的时空特征，提高预测的时效性和准确度。

技术方案：为实现上述发明目的，本发明采用的技术方案是，基于时空解耦的分布式交通流预测方法，包括以下步骤：

步骤1：对城市路网进行分区，每个区域部署一个边缘云，部署在道路上的传感器将收集到的交通信息上传到本区域对应的边缘云；

步骤2：边缘云联合核心云共同通过时空解耦的神经网络训练模型，预测未来的交通状况；所述边缘云存储传感器采集的道路交通原始数据，所述核心云存储所有路网的拓扑关系；所述时空解耦的神经网络，将时空特征提取进行解耦，分别部署在边缘云和核心云上，由边缘云获取交通信息的时间特征，核心云获取交通信息的空间特征，并利用边云协同在边缘云嵌入空间信息进行时空特征的融合。

进一步地，步骤2中边云协同预测交通流状况的具体步骤包括：

步骤2.1：边缘云E

步骤2.2：通过注意力机制获取不同时间的注意力矩阵，动态调整输入，然后通过由多个门控循环神经络构成的encoder模块，提取交通流信息的时间特征并得到节点V

步骤2.3：为了嵌入空间信息，边缘云E

步骤2.4：边缘云E

进一步地，时空解耦的神经网络包括边缘云的时间模块、核心云的空间模块和时空融合机制：

1)时间模块：采用多个门控循环神经络GRU组合实现对时间特征的提取；

2)空间模块：采用图卷积神经网络GCN实现对空间特征的提取；

3)时空融合机制：利用encoder-decoder框架和边云协同实现时空特征的融合。encoder、decoder均由GRU构成；encoder将输入交通时序信息转化成为一个中间向量x

[x

进一步地，在时间和空间上添加注意力机制获取节点间的动态相关性，提高预测准确性。

进一步地，本发明中采集的道路交通原始数据和时间模型位于边缘云上，拓扑关系和空间模型位于核心云上，利用联邦学习方法，针对边缘云和核心云上的模型采取不同的优化策略：

1)边缘云：首先计算节点V

2)核心云：由于核心云只存储了整个路网的拓扑结构，无法直接利用交通数据进行模型优化，所以通过聚合边缘云上传的梯度信息，进行模型的优化。

基于相同的发明构思，本发明提供的一种基于时空解耦的分布式交通流预测系统，包括：

数据采集模块，用于对城市路网进行分区，每个区域部署一个边缘云，部署在道路上的传感器将收集到的交通信息上传到本区域对应的边缘云；

以及边云协同预测模块，由边缘云联合核心云共同通过时空解耦的神经网络训练模型，预测未来的交通状况；所述边缘云存储传感器采集的道路交通原始数据，所述核心云存储所有路网的拓扑关系；所述时空解耦的神经网络，将时空特征提取进行解耦，分别部署在边缘云和核心云上，由边缘云获取交通信息的时间特征，核心云获取交通信息的空间特征，并利用边云协同在边缘云嵌入空间信息进行时空特征的融合。

基于相同的发明构思，本发明提供的另一种基于时空解耦的分布式交通流预测系统，包括多个边缘云计算设备，以及核心云计算设备，每个边缘云计算设备对应于城市交通路网的一个分区，接收并存储分区内道路上的传感器采集的交通信息；所述核心云计算设备与各边缘云计算设备通信，存储有所有路网的拓扑关系；所述边缘云计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现上述基于时空解耦的分布式交通流预测方法中边缘云的处理步骤；所述核心云计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现上述基于时空解耦的分布式交通流预测方法中核心云的处理步骤。

有益效果：本发明基于智能交通和边缘计算技术的发展，提供的一种基于时空解耦的分布式交通流预测方法与系统，为在海量数据下实现更实时更准确的分布式交通管理提供了解决方法。本发明根据实际需求对路网进行分区，原始数据、模型由每个区域进行存储管理；针对时空特征的不同维度，将时空模块解耦分别部署在边缘云和核心云上，并利用边云协同进行时空融合；为进一步加强对时空相关性的获取添加注意力机制。与现有技术相比，本发明的具有如下优点：(1)采用分布式的交通预测方法能够将计算压力下放至边缘节点，在边云协同机制下，减少了上传的数据、模型，降低了传输时延，并进一步加入差异对比策略选取部分节点参与模型优化，降低通信负载，保证了预测结果的实时性。(2)时空模块解耦使交通预测方法不再受时空特性维度不同造成无法分离的限制，由边缘云提取交通信息的时间特征，核心云提取交通信息的空间特征，并利用边云协同在边缘云嵌入空间信息进行时空特征的融合，充分提取并融合了时空特征，并进一步融入注意力机制，提高了预测的时效性和准确度。(3)本发明能够为每个区域的交通管理部门提供决策参考，科学引导交通，避免拥堵发生，也能够为用户提供实时预测信息，以便于用户合理安排出行计划，减少出行时间。

附图说明

图1是本发明提供的分布式交通场景图。

图2是本发明提供的基于时空解耦的分布式交通流预测方法的流程图。

图3是本发明提供的模型优化流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当理解，此处所描述的具体实例仅仅用以解释本发明，但本发明的保护范围不限于下述的实施例。

本实施例采用了图1的城市交通分区管理场景，提出了一种基于时空解耦的分布式交通流预测方法，流程如图2所示。首先在该交通场景下，将整个城市交通路网分为N个区域，区域n部署一个边缘云E

E

本实施例的基本目标是通过利用边云协同实现更实时更准确的交通预测。根据时空特征获取维度的不同，本发明中的神经网络将时空特征提取进行解耦分别部署在边缘云和核心云上，并通过对边缘云嵌入空间信息的方式进行时空特征的融合。为了提高预测准确性，加入注意力机制进一步获取节点间的动态相关性。为了降低传输时延，考虑与全局模型的差异性，选取部分节点参与模型优化。

本实施例规定以5分钟为一个时间区间聚合路网的速度信息，节点V

利用边云协同预测交通流状况的具体步骤如下：

1.边缘云处理节点V

2.由于不同时间点的交通信息存在相关性，所以首先通过注意力机制获取输入时序信息不同时间之间的注意力矩阵，动态调整输入。然后通过由多个门控循环神经络构成的encoder模块，提取交通信息的时间特征并得到节点V

3.为了嵌入空间信息，边缘云将每个交通节点的中间状态向量x

4.边缘云将收到的嵌入空间信息的状态向量x′

在本发明中采用由多个GRU组合的encoder-decoder模块提取时间特征。门控循环神经络(GRU)是循环神经网络(Recurrent Neural Network，RNN)的一种，能够解决长期记忆和反向传播中的梯度等问题。表示为：

u

r

其中，I

encoder-decoder是深度学习中常见的框架，本实施例采用GRU作为其内部结构。在本发明中encoder-decoder主要用来实现时空特征的融合。encoder将输入序列{I

在本发明中采用GCN提取交通信息的空间特征。图卷积网络(GraphConvolutional Networks，GCN)是一个对图数据进行操作的神经网络架构，用于提取像路网这样非欧式数据的特征，表示为：

其中，x

为了获取路网节点间的动态相关性，分别在边缘云和核心云上添加注意力机制，表示为：

B＝softmax((W

X′＝BW

其中，X为注意力机制的输入，时间上的注意力机制的输入为节点的交通时序信息{I

本发明中采集的道路交通原始数据和时间模型位于边缘云上，拓扑关系和空间模型位于核心云上，利用联邦学习方法，针对边缘云和核心云上的模型采取不同的优化策略，如图3所示：

边缘云：受位置等因素的影响，不同的路网节点所收集的速度数据分布是不同的，即每个节点的原始数据是非独立同分布的。为了减少数据的非独立同分布对模型精度的影响，同时进一步减少上传模型参数，降低传输时延，本实施例计算第r-1轮的节点模型

其中，

‖·‖

以一定比例选取节点候选集Hr中差异性小的节点模型

其中，

2)核心云：由于核心云只存储了整个路网的拓扑结构，无法直接利用交通数据进行模型优化，所以需要将边缘云上节点V

其中，

基于相同的发明构思，本发明实施例公开的一种基于时空解耦的分布式交通流预测系统，包括：数据采集模块，用于对城市路网进行分区，每个区域部署一个边缘云，部署在道路上的传感器将收集到的交通信息上传到本区域对应的边缘云；以及边云协同预测模块，由边缘云联合核心云共同通过时空解耦的神经网络训练模型，预测未来的交通状况；所述边缘云存储传感器采集的道路交通原始数据，所述核心云存储所有路网的拓扑关系；所述时空解耦的神经网络，将时空特征提取进行解耦，分别部署在边缘云和核心云上，由边缘云获取交通信息的时间特征，核心云获取交通信息的空间特征，并利用边云协同在边缘云嵌入空间信息进行时空特征的融合。

具体地，边云协同预测模块包括：时间特征提取单元，用于边缘云E

基于相同的发明构思，本发明实施例公开的一种基于时空解耦的分布式交通流预测系统，包括多个边缘云计算设备，以及核心云计算设备，每个边缘云计算设备对应于城市交通路网的一个分区，接收并存储分区内道路上的传感器采集的交通信息；所述核心云计算设备与各边缘云计算设备通信，存储有所有路网的拓扑关系；所述边缘云计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现前述的基于时空解耦的分布式交通流预测方法中边缘云的处理步骤；所述核心云计算设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现前述的基于时空解耦的分布式交通流预测方法中核心云的处理步骤。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。