(19)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 202210367563.9 (22)申请日 2022.04.08 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 陈婧　王其超　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 杨舟涛 (51)Int.Cl. G08G 1/01(2006.01) G08G 1/017(2006.01) G08G 1/04(2006.01) G08G 1/065(2006.01) G06V 20/52(2022.01)G06Q 10/04(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/54(2022.01) (54)发明名称 一种基于机器视觉融合路网时空信息的交 通流预测方法 (57)摘要 本发明公开了一种基于机器视觉融合路网 时空信息的交通流预测方法。 该方法可以充分利 用路网拓扑信息和时序信息实现交通流特征建 模。 同时， 在给定的数据集图像中首先进行目标 检测和图像分类， 来获取道路上车辆的数目和该 条道路的密度状况。 然后该方法利用门控循环单 元网络结合注 意力机制提取交通流序列特征后， 将时序特征输入到根据道路周围联通道路所建 立的连通图结构中实现空间拓扑信息的融合， 最 后使用全连接层将时空特 征用于交通 流预测。 权利要求书1页 说明书3页 附图1页 CN 114743375 A 2022.07.12 CN 114743375 A 1.一种基于机器视觉融合路网时空信息的交通流预测方法， 其特征在于， 具体包括以 下步骤： 步骤一： 车流 量信息提取 使用目标检测算法对道路车辆进行检测， 获取道路上的车流量信息； 经过目标检测和 道路车道类型分类， 获得每条车道上 的车辆数目， 再通过计算得到车辆的驶入摄像机视野 和驶出摄 像机视野的车辆总数和交通状态； 步骤二： 基于门控循环单 元网络的时序特 征提取 使用一层门控循环单元网络模型用于处理输入的时序车流量数据， 以提取时序 数据中 的潜在特 征供后续模块继续处 理； 步骤三： 基于注意力机制的时序特 征关联 使用多头注意力机制将注意力放在时序特 征中不同时段对流 量的权重影响； 步骤四： 基于图卷积网络的空间特 征融合 在利用时序网络结合注意力 机制捕获了交通流量 时间上的依赖关系之后， 然后进行空 间信息的提取， 最终利用时空依赖关系来预测交通 流量。 2.根据权利要求1所述的一种基于机器视觉融合路网时空信息的交通流预测方法， 其 特征在于： 所述的使用目标检测算法对道路车辆进 行检测， 获取道路上的车流量信息， 具体 包括以下步骤： 目标检测过程中， 除了对整幅图像检测外， 还要根据 道路掩膜图像进 行区域 划分； 在数据集标注文件中， 对道路掩膜图像像素数值进行了详细说明， 对于道路掩膜图 像， 其中像素数值代表的道路类型为： 当R[i， j]＝0 时， 非道路区域； 当R[i， j]＝50 时， 向摄 像机视野外行驶； 当R[i， j]＝100时， 向摄像机视野内行驶； 当R[i， j]＝150时， 为右转车道； 当R[i， j]＝200 时， 为左转车道； 当R[i， j]＝250 时， 为直行车道； 通过目标检测后 得到的车 辆边界框， 计算边界框的中心 点， 然后判断中心 点属于道路掩膜的何种像素， 即判明车辆此 时位于哪条车道； 经过目标检测和道路车道类型分类， 最 终获得每条车道上的车辆数目， 再 通过计算得到车辆的驶入摄 像机视野和驶出摄 像机视野的车辆总数。 3.根据权利要求1所述的一种基于机器视觉融合路网时空信息的交通流预测方法， 其 特征在于： 所述的使用一层门控循环单元网络模型用于处理输入的时序车流量数据， 具体 为使用门控机制来输入输出以及记忆信息， 通过重置门将当前时刻输入信息与 记忆信息实 现聚合， 通过 更新门负责记 忆历史信息 。 4.根据权利要求1所述的一种基于机器视觉融合路网时空信息的交通流预测方法， 其 特征在于： 在利用时序网络结合注意力机制捕获了交通流量时间上 的依赖关系之后， 然后 进行空间信息的提取， 最 终利用时空依赖 关系来预测交通流量； 其中空间信息的提取， 是通 过在频域中构建滤波器来提取被预测节点及其邻域的空间信息， 具体为： 利用图卷积模型 提取中心节 点及其周围邻域2 ‑hop图上所有的历史流量信息； 针对中心节 点的1‑hop邻居作 为子图进 行进一步的空间特征提取； 对1 ‑hop进行图卷积操作之前， 先使用全局池化操作表 征2‑hop图的信息， 此操作保留传递到1 ‑hop图卷积层上的信息， 使其在层间传递时减少损 失； 由于流量从邻居节点流入中心节 点， 再从中心节点流出， 这整个过程中中心节点对于这 部分流量都有参与属性存在。权　利　要　求　书 1/1 页 2 CN 114743375 A 2一种基于机 器视觉融合路网时空信息的交通流预测方 法 技术领域 [0001]本发明涉及智能交通领域， 涉及对交通流量的预测， 具体涉及一种基于机器视觉 融合路网时空信息的交通 流预测方法。 背景技术 [0002]当代社会中城市化进程大大加快， 交通资源对于人类生活变得愈发重要。 近年来， 智能交通系统对于整合交通资源， 充分发掘城市交通道路的潜力， 提高人们的出行效率起 着越来越重要的作用。 而智能交通系统的最 终目标是实现对道路上交通代理实现有效监控 和调度， 及时控制突发事件与预测将来时刻的交通流量。 因此， 可见利用过往历史信息实现 对未来交通 流的预测至关重要。 [0003]在智能交通系统中， 交通流预测在各种交通场景之中都有着广泛的应用。 交通流 预测指的是给定一段历史时间的交通流量数据进 行建模， 预测未来某个时间点该道路上的 交通流。 根据所预测的时间点据当前时间点跨度的不同， 可以分为长时交通流预测和短时 交通流预测。 长时交通流预测以小时、 天、 周、 为单位； 而短时交通流预测的时间单位通常为 五到三十分钟之内。 通过交通 流预测可以实现交通调度， 为人们的日常出 行提供方便。 [0004]然而交通流预测却受到时间和空间维度的双重限制， 时间上表现为非线性、 周期 性， 空间上整体交通网络中每条道路上的车流量相互影响。 因此， 交通流预测任务 实际上是 一项极具挑战性的任务。 传统的交通流预测方法大多基于时间序列预测模型， 这些模型只 是对历史数据做一些简单运算， 并不能真正利用这些历史数据的时空依赖性， 因此在长时 间交通流预测和发生突然事件时表现差。 不同于时间序列预测 只关注时序特征的时间相关 性， 本专利在路网交通预测中同时也关注路网中不同路段间的空间相关性。 由于城市道路 所在的城区可以近似看作一个规则的地理区域， 将地理区域进行等距划分， 并提取时间与 空间特征。 发明内容 [0005]针对时间和空间维度的共同制约， 同时为了解决以上提出的种种问题， 我们提出 了一种基于机器视觉融合路 网时空信息的交通流预测方法。 该方法可以充分利用路 网拓扑 信息和时序信息实现交通流特征建模。 同时， 我们在给定的数据集图像中首先进行目标检 测和图像分类， 来获取道路上车辆的数目和该条道路的密度状况。 然后该方法利用门控循 环单元网络结合注意力机制提取交通流序列特征后， 将时序特征输入到根据 道路周围联通 道路所建立的连通图结构中实现空间拓扑信息的融合， 最后使用全连接层将时空特征用于 交通流预测。 [0006]一种基于 机器视觉融合路网时空信息的交通 流预测方法， 具体包括以下步骤： [0007]步骤一： 车流量信息提取。 使用目标检测算法对道路车辆进行检测， 获取道路上的 车流量信息。 经过目标检测和道路车道类型分类， 最 终可以获得每条车道上的车辆数目， 再 通过计算得到车辆的驶入摄 像机视野和驶出摄 像机视野的车辆总数和交通状态。说　明　书 1/3 页 3 CN 114743375 A 3