CN109754605B - 一种基于注意力时态图卷积网络的交通预测方法 - Google Patents

Abstract

本发明属于智能交通领域，公开了一种基于注意力时态图卷积网络的交通预测方法，首先，将城市道路网络建模为图结构，图的节点表示路段，边为路段之间的连接关系，将每条路段的时间序列描述为节点的属性特征；其次，利用注意力时态图卷积网络模型捕捉交交通流的时间和空间特征，利用门控循环单元学习城市道路上交通流的时间变化趋势以捕捉时间依赖性，利用注意力机制学习交通流全局时间变化趋势；然后，利用全连接层获取每条路段上不同时刻的交通流状态；最后，利用不同的评价指标估计城市道路上交通流真实值与预测值得差异，以评估模型的预测能力。实验证明，本发明提出的方法能够有效实现城市道路上的交通流预测任务。

Description

一种基于注意力时态图卷积网络的交通预测方法

技术领域

本发明涉及一种基于注意力时态图卷积网络的交通预测方法，属于智能交通技术领域。

背景技术

随着智能交通***的部署和发展，交通流预测任务越来越受到重视，它是先进的交通管理***的关键部分，是实现交通规划、交通管理以及交通控制的重要一环。交通流预测是分析城市道路上的交通状态，包括流量、速度和密度等，挖掘交通运行规律并预测道路上交通状态变化趋势的过程，它不仅可以为交通管理者提前感知交通拥堵状况，限制车流量等提供科学依据，还可以为城市出行者选择合适的出行路线、提高出行效率提供保障。但是准确实时的交通流预测一直是富有挑战性的，源于其复杂的空间和时间依赖性。空间依赖性指交通流的变化受限于城市道路网络的拓扑结构，主要体现在上游路段的交通状态对下游路段的传递作用，以及下游路段的交通状态对上游路段的回溯影响。时间依赖性指交通流是随时间动态变化的，主要体现在周期性和趋势性上。如何充分考虑交通流的时空依赖性是解决预测任务的关键问题。

现有的交通流预测模型有很多，可以分参数模型和非参数模型两大类。常见的参数模型包括：历史平均模型、时间序列模型、线性回归模型和卡尔曼滤波模型等。非参数模型包括：k-最近邻模型、支持向量回归模型、Fuzzy Logic模型、贝叶斯网络模型和神经网络模型等。其中，深度网络模型，尤其是循环神经网络(RNN)及其变体长短期记忆模型(LSTM)和门控循环单元(GRU)由于能够利用自循环机制，学习时间依赖性，取得了较好的预测效果。但以上模型考虑了交通流的时间变化趋势，却忽略了其空间依赖性，使得交通流的变化不受道路网络的约束，从而无法精确预测城市道路网络的交通状态。为了更好的表征空间依赖性，不少研究在以上基础上进行改进，引入了卷积神经网络(CNN)进行空间建模。但由于CNN实质上适用于欧氏空间，如图像、格网等，对具有复杂拓扑结构的交通网络存在局限性，从而无法从本质上刻画交通流的空间依赖特性，因此，这类方法也存在一定的缺陷。

发明内容

本发明的目的是提供一种基于注意力时态图卷积网络的交通预测方法，结合图卷积网络(GCN)和门控循环单元(GRU)，同时引入注意力机制，提出一种基于注意力时态图卷积网络(AT-GCN)的交通流预测方法，以捕捉城市道路网络的拓扑空间结构和交通流的全局时间变化趋势，准确预测城市道路网络的交通流。

为了实现上述目的，本发明提供一种基于注意力时态图卷积网络的交通预测方法，包括如下步骤：

(1)将城市道路网络建模为图结构，图的节点表示路段，图的边表示路段之间的连接关系，将每条路段的时间序列描述为节点的属性特征；

(2)将步骤(1)得到的图和历史n个交通时间序列，输入注意力时态图卷积网络模型，通过所述注意力时态图卷积网络模型捕捉交通流的全局时间变化特征和空间特征，以及相应的包含交通流时空特征的隐藏状态；

(3)将步骤(2)得到的隐藏状态输入全连接层，得到各路段上的预测结果。

进一步地，所述步骤(3)后面还包括如下步骤：

(4)利用不同的评价指标对模型的预测结果与真实值进行对比评估。

进一步地，所述步骤(1)中的建模过程如下：

使用无权图G＝(V,E)来描述城市道路网络的拓扑结构，将每条路段看作一个节点，V＝{v₁,v₂,……v_N}表示路段节点的集合，N为节点的数目；E表示边的集合；路段之间的连通情况由邻接矩阵A表示，A∈R^N×N，邻接矩阵仅含0值和1值，0值表示路段之间不连通，1值表示路段连通；

将城市路网上的交通速度看作是道路网络节点的属性特征，使用特征矩阵X∈R^N×P表示，P表示节点属性特征的数目，也即历史时间序列的长度，利用X_t∈R^N×i表示第i个时间段内路网上各个路段的速度；

将时空交通预测问题看作是在给定路网拓扑G和特征矩阵X的前提下，学习映射函数f，将给定的路网拓扑G和特征矩阵X输入函数f，即可得到未来T个时刻的交通速度，而函数f由模型自动学习得到，如下式所示：

[X_t+1,……X_t+T]＝f(G；(X_t-n,……,X_t-1,X_t))；

其中，n表示给定历史时间序列的长度，T为需要预测的时间序列的长度。

进一步地，所述步骤(2)中的捕捉过程如下：

(21)将历史n个时间序列数据输入图卷积网络模型中，捕捉城市道路网络的拓扑结构，以获取交通流的空间特征；当网络包含两层时，具体表达为：

其中，X为特征矩阵；A为邻接矩阵，

为预处理步骤，

是具有自连接的图G的邻接矩阵，

为度矩阵，

W₀和W₁分别表示第一层和第二层网络的权值矩阵；σ(·)，Relu()为激活函数；

(22)将得到的带有空间信息的时间序列输入门控循环单元，通过所述门控循环单元之间的传递，学习交通流的动态变化，以获取交通流的时间特征，以及相应的n个包含交通流时空特征的隐藏状态；具体计算过程如下所示：

u_t＝σ(W_u·[f(A,X_t),h_t-1]+b_u)；r_t＝σ(W_r·[f(A,X_t),h_t-1]+b_r)；

c_t＝tanh(W_c·[f(A,X_t),(r_t*h_t-1)]+b_c)；h_t＝u_t*h_t-1+(1-u_t)*c_t；

其中，h_t-1为t-1时刻的隐藏状态，X_t为当前时刻的交通速度，r_t为重置门，用于控制忽略前一时刻状态信息的程度，u_t为更新门，用于控制前一时刻的状态信息被带入当前状态的程度，c_t为当前时刻存储的记忆内容，h_t为当前时刻的输出状态，f(A,X_t)表示图卷积过程(21)得到的结果，W和b分别表示训练过程中的权重和偏差；

(23)得到的隐藏状态通过多层感知机，利用归一化指数函数softmax计算每个特征的权重α_i；具体计算过程如下所示：

(24)设计注意力函数，计算包含全局交通流变化信息的上下文向量

具体计算过程如下所示：

进一步地，步骤(4)中所述评价指标包括均方根误差、平均绝对误差、准确率、可决系数和解释方差中的至少两种。

本发明利用图卷积网络捕捉道路网络的拓扑结构特性，获取中心路段与相邻路段的关系以获得交通流的空间依赖性；利用门控循环单元捕捉不同时刻交通流的动态变化规律以获得交通流的时间依赖性，因此，具有刻画交通流时空特征的能力，此外，利用注意力机制捕捉交通流的全局时间变化趋势，且在真实数据集上取得了良好的预测效果。本发明不局限于交通预测任务，还可用于任何其他时空预测任务。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明一个实施例的流程图；

图2是本发明一个实施例中基于注意力时态图卷积网络模型的城市道路交通流预测模型结构示意图；

图3是本发明一个实施例的预测结果与真实交通流的可视化分析示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

在本发明的一个实施例中，利用深圳市2015.1.1-2015.1.31共31天的出租车轨迹数据，实验选取了罗湖区156条主要路段作为研究对象。按照图1所示的流程，首先，构建数据集，数据主要包括两部分，一是描述路段之间空间拓扑关系的邻接矩阵，矩阵中的值表示路段之间的连通关系；二是描述路段上速度变化的特征矩阵，矩阵的行表示路段，列为不同时间段内路段上的交通速度。其次，将以上数据输入如图2所示的交通流预测模型中，得到预测结果；最后，将预测结果与传统方法作对比。使用Y_t表示真实交通速度，

表示预测得到的交通速度，n表示不同的路段，评估指标包括以下5个。

(1)均方根误差(RMSE)：

(2)平均绝对误差(MAE)：

(3)准确率(Accuracy):

(4)可决系数(R2)：

(5)解释方差(Var)：

其中，RMSE和MAE用于衡量预测误差，值越小代表预测效果越好；Accuracy用于衡量预测精度，值越大代表预测效果越好；R2和Var计算了相关系数，衡量预测结果可以代表实际数据的能力，值越大代表预测效果越好。

对比结果如下表

(1)预测精度高。与所有的基线方法对比，在不同的评价指标下，AT-GCN总能取得最高的精度与最小的预测误差，说明模型可以很好的拟合数据，捕捉数据的变化规律。

(2)时空预测能力。本发明的方法(AT-GCN)的预测效果比仅考虑单一因素(GCN仅考虑空间特征、GRU仅考虑时间特征)的预测精度高，说明了AT-GCN捕捉交通流时空特征的能力。

(3)全局时间变化特征捕捉能力。将AT-GCN与未添加注意力机制的T-GCN模型进行对比，可以看出，与T-GCN模型相比，AT-GCN的RMSE预测误差下降了约1.1％，Accuracy提高了约0.4％，说明了AT-GCN模型捕捉全局时间变化趋势的能力。

图3(a)为2015.01.27-2015.01.31的可视化结果，图3(b)为2015.01.07一天的可视化结果，其中横轴表示时间，纵轴表示速度，黑色线条表示真实记录的交通速度，灰色线条表示预测得到的交通速度，可以看出AT-GCN可以捕捉交通速度的变化趋势，检测到高峰期的开始与结束，使得预测交通速度与实际交通速度具有相似的变化模式，对于交通拥堵等现象的预测是有帮助的，进而是有帮助的，进而说明AT-GCN模型在实际交通预测任务中的有效性。

最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (5)

1.一种基于注意力时态图卷积网络的交通预测方法，其特征在于，包括如下步骤：

(1)将城市道路网络建模为图结构，图的节点表示路段，图的边表示路段之间的连接关系，将每条路段的时间序列描述为节点的属性特征；

(2)将步骤(1)得到的图和历史n个交通时间序列数据输入图卷积网络模型中，捕捉城市道路网络的拓扑结构，以获取交通流的空间特征；当网络包含两层时，具体表达为：

其中，X为特征矩阵；A为邻接矩阵，

为预处理步骤，

是具有自连接的图G的邻接矩阵，

为度矩阵，

W₀和W₁分别表示第一层和第二层网络的权值矩阵；σ(·)，Relu()为激活函数；

将得到的带有空间信息的时间序列输入门控循环单元，通过所述门控循环单元之间的传递，学习交通流的动态变化，以获取交通流的时间特征，以及相应的n个包含交通流时空特征的隐藏状态；具体计算过程如下所示：

u_t＝σ(W_u·[f(A，X_t)，h_t-1]+b_u)；r_t＝σ(W_r·[f(A，X_t)，h_t-1]+b_r)；

c_t＝tanh(W_c·[f(A，X_t)，(r_t*h_t-1)]+b_c)；h_t＝u_t*h_t-1+(1-u_t)*c_t；

其中，h_t-1为t-1时刻的隐藏状态，X_t为当前时刻的交通速度，r_t为重置门，用于控制忽略前一时刻状态信息的程度，u_t为更新门，用于控制前一时刻的状态信息被带入当前状态的程度，c_t为当前时刻存储的记忆内容，h_t为当前时刻的输出状态，f(A，X_t)表示图卷积过程(21)得到的结果，W和b分别表示训练过程中的权重和偏差；

(3)将步骤(2)得到的隐藏状态输入全连接层，得到各路段上的预测结果。

2.根据权利要求1所述的基于注意力时态图卷积网络的交通预测方法，其特征在于，所述步骤(3)后面还包括如下步骤：

(4)利用不同的评价指标对模型的预测结果与真实值进行对比评估。

3.根据权利要求1所述的基于注意力时态图卷积网络的交通预测方法，其特征在于，所述步骤(1)中的建模过程如下：

使用无权图G＝(V，E)来描述城市道路网络的拓扑结构，将每条路段看作一个节点，V＝{v₁，v₂，……v_N)表示路段节点的集合，N为节点的数目；E表示边的集合；路段之间的连通情况由邻接矩阵A表示，A∈R^N×N，邻接矩阵仅含0值和1值，0值表示路段之间不连通，1值表示路段连通；

将城市路网上的交通速度看作是道路网络节点的属性特征，使用特征矩阵X∈R^N×P表示，P表示节点属性特征的数目，也即历史时间序列的长度，利用X_t∈R^N×i表示第i个时间段内路网上各个路段的速度；

将时空交通预测问题看作是在给定路网拓扑G和特征矩阵X的前提下，学习映射函数f，将给定的路网拓扑G和特征矩阵X输入函数f，即可得到未来T个时刻的交通速度，而函数f由模型自动学习得到，如下式所示：

[X_t+1，……X_t+T]＝f(G；(X_t-n，……，X_t-1，X_t))；

其中，n表示给定历史时间序列的长度，T为需要预测的时间序列的长度。

4.根据权利要求1所述的基于注意力时态图卷积网络的交通预测方法，其特征在于，所述步骤(2)中的捕捉过程还包括如下步骤：

将得到的隐藏状态通过多层感知机，利用归一化指数函数softmax计算每个特征的权重α_i；具体计算过程如下所示：

设计注意力函数，计算包含全局交通流变化信息的上下文向量

具体计算过程如下所示：

5.根据权利要求2所述的基于注意力时态图卷积网络的交通预测方法，其特征在于，步骤(4)中所述评价指标包括均方根误差、平均绝对误差、准确率、可决系数和解释方差中的至少两种。

Images