本發(fā)明涉及流量預(yù)測，具體涉及一種流量預(yù)測方法、裝置、存儲介質(zhì)和電子設(shè)備。

背景技術(shù)：

1、現(xiàn)有流量預(yù)測系統(tǒng)大多依賴于單一數(shù)據(jù)源和傳統(tǒng)預(yù)測模型，難以應(yīng)對多源異構(gòu)數(shù)據(jù)的復(fù)雜性與流量的動態(tài)變化。其中，通過單一數(shù)據(jù)源往往無法捕捉流量變化中的多維特征，導(dǎo)致預(yù)測準(zhǔn)確性不高。在面對多變的外部因素時，傳統(tǒng)模型的表現(xiàn)有限。

2、為了解決單一數(shù)據(jù)源的缺陷，多源數(shù)據(jù)融合被逐漸應(yīng)用于流量預(yù)測中，然而目前的多源數(shù)據(jù)融合通常只是簡單的堆砌，或者采用靜態(tài)融合規(guī)則實現(xiàn)數(shù)據(jù)融合，該融合方式存在場景適應(yīng)性差等缺點，從而導(dǎo)致在不同場景中難以實現(xiàn)流量的準(zhǔn)確預(yù)測。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種流量預(yù)測方法、裝置、存儲介質(zhì)和電子設(shè)備，以解決現(xiàn)有技術(shù)中的數(shù)據(jù)融合方式存在場景適應(yīng)性差的問題。

2、第一方面，本發(fā)明提供了一種流量預(yù)測方法，方法包括：獲取多個數(shù)據(jù)源的源數(shù)據(jù)，源數(shù)據(jù)包括流量數(shù)據(jù)和流量相關(guān)數(shù)據(jù)；將源數(shù)據(jù)分別按照時間維度和空間維度進行分層和特征提取，得到多個層級的數(shù)據(jù)特征；采用交叉注意力機制對不同源數(shù)據(jù)的特征進行對齊和互補，得到特征交互后的數(shù)據(jù)；采用強化學(xué)習(xí)算法對不同源數(shù)據(jù)的融合權(quán)重進行調(diào)節(jié)，并基于調(diào)節(jié)后的融合權(quán)重對源數(shù)據(jù)進行融合，得到融合后的數(shù)據(jù)；基于多個層級的數(shù)據(jù)特征、特征交互后的數(shù)據(jù)以及融合后的數(shù)據(jù)，采用預(yù)訓(xùn)練的流量預(yù)測模型進行流量預(yù)測。

3、本發(fā)明中，對于獲取的多個數(shù)據(jù)源的源數(shù)據(jù)，通過時空特征解耦能分別從時間和空間維度深入剖析數(shù)據(jù)；通過特征對齊和互補能夠讓不同數(shù)據(jù)源的優(yōu)勢互補，增強數(shù)據(jù)質(zhì)量；通過動態(tài)權(quán)重分配能夠適應(yīng)復(fù)雜場景變化，解決了傳統(tǒng)方法中多源數(shù)據(jù)簡單堆砌、靜態(tài)融合規(guī)則導(dǎo)致的場景適應(yīng)性差等問題，提高了預(yù)測結(jié)果的準(zhǔn)確性和可靠性。

4、在一種可選的實施方式中，將源數(shù)據(jù)分別按照時間維度和空間維度進行分層和特征提取，得到多個層級的數(shù)據(jù)特征，包括：將源數(shù)據(jù)按照秒級實時數(shù)據(jù)、分鐘級動態(tài)數(shù)據(jù)以及小時級趨勢數(shù)據(jù)劃分為三個時間粒度層；采用長短期記憶網(wǎng)絡(luò)-時間卷積網(wǎng)絡(luò)對三個時間粒度層的數(shù)據(jù)進行多尺度特征提取，得到多個層級的數(shù)據(jù)特征；將源數(shù)據(jù)按照道路單元級、區(qū)域路網(wǎng)級以及城市宏觀級劃分為三級空間數(shù)據(jù)；采用圖注意力機制動態(tài)分配不同空間數(shù)據(jù)的影響權(quán)重，并基于影響權(quán)重融合空間數(shù)據(jù)中的特征。

5、本發(fā)明中，通過將源數(shù)據(jù)按照秒級實時數(shù)據(jù)、分鐘級動態(tài)數(shù)據(jù)以及小時級趨勢數(shù)據(jù)劃分為三個時間粒度層，能夠精準(zhǔn)捕捉源數(shù)據(jù)的短期變化，同時能夠有效把握長期趨勢，從而使得模型在面對不同時間尺度的交通狀況變化時，具有更強的適應(yīng)性和魯棒性；將源數(shù)據(jù)按照道路單元級、區(qū)域路網(wǎng)級以及城市宏觀級劃分為三級空間數(shù)據(jù)，能夠在微觀層面精確分析、在中觀層面把握區(qū)域協(xié)同、在宏觀層面優(yōu)化城市布局，同時通過動態(tài)權(quán)重分配機制，使得不同空間層級的數(shù)據(jù)能夠得到更有效的融合，提高交通流量預(yù)測的準(zhǔn)確性和可靠性。

6、在一種可選的實施方式中，基于多個層級的數(shù)據(jù)特征、特征交互后的數(shù)據(jù)以及融合后的數(shù)據(jù)，采用預(yù)訓(xùn)練的流量預(yù)測模型進行流量預(yù)測，包括：提取流量數(shù)據(jù)中的基本統(tǒng)計特征；提取流量數(shù)據(jù)中的時間序列特征，并對提取的時間序列特征進行聚合、降維以及特征選擇處理；采用循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、自注意力機制以及對抗性訓(xùn)練和自編碼器提取流量數(shù)據(jù)中的深層次特征；基于多個層級的數(shù)據(jù)特征、特征交互后的數(shù)據(jù)、融合后的數(shù)據(jù)基本統(tǒng)計特征、時間序列特征以及深層次特征，采用動態(tài)回歸模型進行流量預(yù)測，動態(tài)回歸模型的參數(shù)采用卡爾曼濾波器更新。

7、本發(fā)明中，通過提取基本統(tǒng)計特征、時間序列特征以及深層次特征，能夠充分利用流量數(shù)據(jù)，提升了流量預(yù)測的全面性和準(zhǔn)確性。流量預(yù)測模塊采用動態(tài)回歸模型，能夠根據(jù)實時數(shù)據(jù)變化動態(tài)調(diào)整預(yù)測參數(shù)，具有較強的環(huán)境適應(yīng)性。并且，該動態(tài)回歸模型結(jié)合卡爾曼濾波等技術(shù)，實現(xiàn)了參數(shù)的自適應(yīng)調(diào)節(jié)，確保了在復(fù)雜環(huán)境下的高精度預(yù)測。

8、在一種可選的實施方式中，當(dāng)流量預(yù)測為交通流量預(yù)測時，預(yù)訓(xùn)練的流量預(yù)測模型為部署在路側(cè)單元中的輕量化模型，輕量化模型作為學(xué)生模型，采用部署在云端的教師模型結(jié)合知識蒸餾算法進行訓(xùn)練。

9、本發(fā)明中，通過在路側(cè)單元中部署輕量化模型，并采用在云端的教師模型結(jié)合知識蒸餾算法對其進行訓(xùn)練，由此，輕量模型可以在保留大模型關(guān)鍵特征和性能的同時，大幅減小模型大小和計算復(fù)雜度。同時將其部署在路側(cè)單元，實現(xiàn)了邊緣計算，提高了預(yù)測速度。

10、在一種可選的實施方式中，流量預(yù)測模型還包括采用跨區(qū)域聯(lián)邦學(xué)習(xí)平臺經(jīng)過多次參數(shù)聚合和優(yōu)化后得到的全局模型，全局模型的參數(shù)采用如下方式更新：獲取各節(jié)點上傳的經(jīng)過加密后的模型參數(shù)；將模型參數(shù)進行動態(tài)加權(quán)聚合，得到聚合后的參數(shù)；基于聚合后的參數(shù)對全局模型的參數(shù)進行更新。

11、本發(fā)明中，通過建立跨區(qū)域聯(lián)邦學(xué)習(xí)平臺并構(gòu)建全局模型，能夠在保障數(shù)據(jù)隱私的同時提升模型泛化能力。

12、在一種可選的實施方式中，當(dāng)流量預(yù)測為交通流量預(yù)測時，方法還包括：構(gòu)建待預(yù)測區(qū)域的數(shù)字孿生體；將多個數(shù)據(jù)源的源數(shù)據(jù)注入至數(shù)字孿生體進行場景的模擬仿真，得到模擬仿真結(jié)果；根據(jù)模擬仿真結(jié)果和相應(yīng)場景的流量預(yù)測結(jié)果的對比，對融合權(quán)重和流量預(yù)測模型的參數(shù)進行調(diào)節(jié)。

13、本發(fā)明中，通過構(gòu)建數(shù)字孿生體進行模擬仿真，并基于模擬仿真結(jié)果和相應(yīng)場景的流量預(yù)測結(jié)果的對比對融合權(quán)重和流量預(yù)測模型的參數(shù)進行調(diào)節(jié)，從而能夠顯著降低預(yù)測誤差率，提升了流量預(yù)測的準(zhǔn)確性。

14、在一種可選的實施方式中，方法還包括：采用貝葉斯深度學(xué)習(xí)模型對流量預(yù)測模型的參數(shù)進行處理，確定流量預(yù)測模型輸出的流量預(yù)測結(jié)果的置信區(qū)間；當(dāng)不同數(shù)據(jù)源的源數(shù)據(jù)存在矛盾時，采用貝葉斯深度學(xué)習(xí)模型結(jié)合流量結(jié)果模型確定不同數(shù)據(jù)源對應(yīng)的預(yù)測結(jié)果的置信區(qū)間；根據(jù)不同數(shù)據(jù)源對應(yīng)的預(yù)測結(jié)果的置信區(qū)間確定存在矛盾的數(shù)據(jù)源中的可信數(shù)據(jù)。

15、本發(fā)明中，通過提供置信區(qū)間，能夠?qū)︻A(yù)測結(jié)果的可靠性由更加直觀的認識，同時置信區(qū)間還可以對數(shù)據(jù)源的可信度進行輔助判斷，提高了數(shù)據(jù)的準(zhǔn)確性，從而進一步提高了模型預(yù)測的準(zhǔn)確性。

16、第二方面，本發(fā)明提供了一種流量預(yù)測裝置，裝置包括：數(shù)據(jù)獲取模塊，用于獲取多個數(shù)據(jù)源的源數(shù)據(jù)，源數(shù)據(jù)包括流量數(shù)據(jù)和流量相關(guān)數(shù)據(jù)；時空分層模塊，用于將源數(shù)據(jù)分別按照時間維度和空間維度進行分層和特征提取，得到多個層級的數(shù)據(jù)特征；特征交互模塊，用于采用交叉注意力機制對不同源數(shù)據(jù)的特征進行對齊和互補，得到特征交互后的數(shù)據(jù)；權(quán)重調(diào)節(jié)模塊，用于采用強化學(xué)習(xí)算法對不同源數(shù)據(jù)的融合權(quán)重進行調(diào)節(jié)，并基于調(diào)節(jié)后的融合權(quán)重對源數(shù)據(jù)進行融合，得到融合后的數(shù)據(jù)；預(yù)測模塊，用于基于多個層級的數(shù)據(jù)特征、特征交互后的數(shù)據(jù)以及融合后的數(shù)據(jù)，采用預(yù)訓(xùn)練的流量預(yù)測模型進行流量預(yù)測。

17、第三方面，本發(fā)明提供了一種計算機設(shè)備，包括：存儲器和處理器，存儲器和處理器之間互相通信連接，存儲器中存儲有計算機指令，處理器通過執(zhí)行計算機指令，從而執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的流量預(yù)測方法。

18、第四方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機指令，計算機指令用于使計算機執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的流量預(yù)測方法。

19、第五方面，本發(fā)明提供了一種計算機程序產(chǎn)品，包括計算機指令，計算機指令用于使計算機執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的流量預(yù)測方法。