CN110415516A - 基于图卷积神经网络的城市交通流预测方法及介质 - Google Patents

基于图卷积神经网络的城市交通流预测方法及介质 Download PDF

Info

Publication number
CN110415516A
CN110415516A CN201910637679.8A CN201910637679A CN110415516A CN 110415516 A CN110415516 A CN 110415516A CN 201910637679 A CN201910637679 A CN 201910637679A CN 110415516 A CN110415516 A CN 110415516A
Authority
CN
China
Prior art keywords
traffic flow
node
convolution
matrix
predicted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910637679.8A
Other languages
English (en)
Other versions
CN110415516B (zh
Inventor
范晓亮
闫旭
王程
程明
郑传潘
温程璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201910637679.8A priority Critical patent/CN110415516B/zh
Publication of CN110415516A publication Critical patent/CN110415516A/zh
Application granted granted Critical
Publication of CN110415516B publication Critical patent/CN110415516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于图卷积神经网络的城市交通流预测方法和介质，其中方法包括：获取原始数据；根据每个节点对应的经纬度信息生成距离矩阵；根据限速平均值和距离矩阵计算可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和可达矩阵输出交通流速预测值；对初始交通流预测模型进行训练，以确定最终的交通流预测模型；将待预测交通流速信息和待预测可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测；实现对城市交通路网的空间特征进行有效提取，提高交通流预测的精准度，并且，提高该预测方法的普适性，使其便于推广。

Description

基于图卷积神经网络的城市交通流预测方法及介质
技术领域
本发明涉及信息处理技术领域，特别涉及一种基于图卷积神经网络的城市交通流预测方法和一种计算机可读存储介质。
背景技术
交通流指的是汽车在道路上连续行驶所形成的车流，随着汽车的逐日增多，城市交通日渐拥堵。因此，对城市交通流进行预测变得尤为重要，例如，通过交通流的预测方便相关部门对城市交通进行具有方向性的管控；或者，通过交通流的预测为汽车驾驶者提供出行建议，以节约汽车驾驶者的出行时间等。
然而，在相关技术中，难以有效地获取交通路网独特的物理特性，导致最终预测得到的交通流数据精度较低；并且，对于原始数据的信息量要求过高(例如，传感器节点的邻接信息等)，缺乏普适性。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于图卷积神经网络的城市交通流预测方法，能够对城市交通路网的空间特征进行有效提取，以提高交通流预测的精准度，并且，降低原始数据所需信息量，提高该预测方法的普适性，使其便于推广。
本发明的第二个目的在于提出一种计算机可读存储介质。
为达到上述目的，本发明第一方面实施例提出了一种基于图卷积神经网络的城市交通流预测方法，包括以下步骤：获取原始数据，其中，所述原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息；根据每个节点对应的经纬度信息计算节点间的距离矩阵；获取节点间途经路段的限速平均值，并根据所述限速平均值和所述节点间的距离矩阵计算节点间可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将所述交通流速信息和所述节点间可达矩阵输入到所述初始交通流预测模型，以便所述初始交通流预测模型根据所述交通流速信息和所述节点间可达矩阵输出交通流速预测值；将所述交通流速预测值与交通流速真实值进行比对，以计算所述交通流速预测值与交通流速真实值之间的损失值，并根据所述损失值进行反向误差传播，以对所述初始交通流预测模型进行训练，以及根据训练结果确定最终的交通流预测模型；获取待预测数据，并对所述待预测数据进行预处理，以生成待预测交通流速信息和待预测节点间可达矩阵；将所述待预测交通流速信息和所述待预测节点间可达矩阵输入所述交通流预测模型，以便通过所述交通流预测模型对未来交通流进行预测。
根据本发明实施例的基于图卷积神经网络的城市交通流预测方法，首先，获取原始数据，该原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息；接着，根据每个节点对应的经纬度信息进行节点之间的距离矩阵的计算；然后，获取节点与节点之间途经路段的限速平均值，即言，获取节点与节点之间的途经路段所对应的车速限速值，并根据多个车速限速值计算其平均值，接着，根据限速平均值和节点间的距离矩阵进行节点间可达矩阵的计算；然后，构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和节点间可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和节点间可达矩阵输出交通流速预测值；接着，将交通流速预测值与交通流速真实值进行比对，以计算交通流速预测值与交通流速真实值之间的损失值，并根据损失值进行反向误差传播，以对初始交通流预测模型进行训练，以及根据训练结果确定最终的交通流预测模型；然后，获取待预测数据，并对待预测数据进行预处理，以生成待预测交通流速信息和待预测节点间可达矩阵；接着，将待预测交通流速信息和待预测节点间可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测；从而实现对城市交通路网的空间特征进行有效提取，以提高交通流预测的精准度，并且，降低原始数据所需信息量，提高该预测方法的普适性，使其便于推广。
另外，根据本发明上述实施例提出的基于图卷积神经网络的城市交通流预测方法还可以具有如下附加的技术特征：
可选地，所述初始交通流预测模型包括时空卷积块和输出层，所述时空卷积块包括第一时间门控卷积、空间图卷积、第二时间门控卷积，其中，将所述交通流速信息和所述节点间可达矩阵输入到所述初始交通流预测模型，以便所述初始交通流预测模型根据所述交通流速信息和所述节点间可达矩阵输出交通流速预测值，包括：将所述交通流速信息输入到所述第一时间门控卷积，以便所述第一时间门控卷积根据所述交通流速信息提取对应所述交通流速信息的时间特征；将所述时间特征和所述节点间可达矩阵输入到空间图卷积，并将所述空间图卷积的输出作为第二时间门控卷积的输入，以便所述第二时间门控卷积输出交通流速预测数据；将所述交通流速预测数据输入到输出层，以便所述输出层根据所述交通流速预测数据输出交通流速预测值。
可选地，所述输出层包括门控卷积神经网络、Sigmoid函数激活的卷积神经网络和全连接层。
可选地，所述空间图卷积通过以下公式表述：
W*GX＝GCm＝(Wgc_m⊙FFRm)X
其中，W*GX表示空间图卷积，GCm表示空间图卷积的图卷积核，Wgc_m表示节点间可达矩阵对应的权重矩阵，⊙表示矩阵对应元素的相乘操作，FFRm表示节点间可达矩阵，X表示任意一个交通流速信息。
可选地，所述第一时间门控卷积和所述第二时间门控卷积通过以下公式表述：
T*TX＝(conva(X)+X)⊙σ(convb(X))
其中，conva和convb表示卷积操作，σ表示Sigmoid函数，⊙表示矩阵对应元素的相乘操作，X表示任意一个交通流速信息。
可选地，所述时空卷积块通过以下公式表述：
vl+1＝T1*TRelu(W*G(T0*Tvl))
其中，vl+1表示交通流速预测数据，T1表示第二时间门控卷积的卷积核，T0示第一时间门控卷积的卷积核，W表示空间图卷积的卷积核，Relu表示线性整流函数，vl表示交通流速信息。
可选地，所述节点间可达矩阵通过以下公式表述：
其中，表示节点间可达矩阵，表示节点i与节点j之间途经路段的限速平均值，Di,j表示节点间的距离矩阵，Δt表示预设单位时间间隔，m表示预设单位时间间隔的数量。
可选地，所述交通流速信息包括每个节点的信息采集时间和每个信息采集时间对应的交通流速值，其中，在获取原始数据，之后，还包括：判断所述交通流速信息中是否存在所有交通流速值均为空值的节点；如果存在，则删除该节点对应的数据；获取每个节点对应的交通流速值中的异常数据，并计算所述异常数据与该节点对应的交通流速值之间的比例；判断所述异常数据与该节点对应的交通流速值之间的比例是否大于预设的比例阈值；如果是，则删除该节点对应的数据；如果否，则删除该节点的异常数据，并根据线性插值算法对删除部分的数据进行填充；使用z-score方法对交通流速信息进行标准化处理，以生成标准化的交通流速信息。
为达到上述目的，本发明第二方面实施例提出了一种计算机可读存储介质，其上存储有城市交通流预测程序，该城市交通流预测程序被处理器执行时实现如上述的基于图卷积神经网络的城市交通流预测方法。
根据本发明实施例的计算机可读存储介质，通过存储基于图卷积神经网络的城市交通流预测程序，以使得处理器在执行该程序时实现如上述的基于图卷积神经网络的城市交通流预测方法，从而实现对城市交通路网的空间特征进行有效提取，以提高交通流预测的精准度，并且，降低原始数据所需信息量，提高该预测方法的普适性，使其便于推广。
附图说明
图1为根据本发明实施例的基于图卷积神经网络的城市交通流预测方法的流程示意图；
图2为根据本发明实施例的交通流预测模型的结构示意图；
图3为根据本发明实施例的时空卷积块的结构示意图；
图4为根据本发明实施例的交通流速预测值生成流程示意图；
图5为根据本发明实施例的交通流速信息预处理的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
请参阅图1，图1为根据本发明实施例的基于图卷积神经网络的城市交通流预测方法的流程示意图，如图1所示，该基于图卷积神经网络的城市交通流预测方法包括以下步骤：
S101，获取原始数据，其中，原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息。
也就是说，对用于预测的原始数据进行获取，其中，原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息。
作为一种示例，多个节点采集到的交通流速信息可以包括节点编号、节点编号对应的节点的信息采集时间以及每个信息采集时间所对应的节点采集到的交通流速。
S102，根据每个节点对应的经纬度信息计算节点间的距离矩阵。
即言，在获取到每个节点对应的经纬度信息之后，根据每个节点对应的经纬度信息计算节点之间的距离矩阵。
作为一种示例，首先，定义邻接矩阵A∈RN×N表示节点的邻接关系，其中，若节点i与节点j之间存在链路，则Ai,j＝1，否则Ai,j＝0(当i＝j时，Ai,j＝0)；然后，基于此邻接矩阵，定义一个链路计算方程d(vi,vj)，以通过该链路计算方程对节点间的最小链路数进行计算，接着，定义一个距离矩阵D∈RN×N,其中，Di,j节点i到节点j所需经过的最小链路数，以此完成节点与节点之间的距离矩阵的计算。
S103，获取节点间途经路段的限速平均值，并根据限速平均值和节点间的距离矩阵计算节点间可达矩阵。
即言，获取节点与节点之间途经路段的汽车限速值，并根据获取到的汽车限速值进行限速平均值的计算，以获取节点之间在不发生交通拥堵与其他意外情况(例如，封路、台风、沙尘暴等)的情况下的平均速度，然后，根据计算所得限速平均值和节点间的距离矩阵进行节点间可达矩阵的计算。
其中，节点间可达矩阵的计算方式可以有多种。
作为一种示例，节点间可达矩阵通过以下公式表述：
其中，表示节点间可达矩阵，表示节点i与节点j之间途经路段的限速平均值，Di,j表示节点间的距离矩阵，Δt表示预设单位时间间隔，m表示预设单位时间间隔的数量。
需要说明的是，m与Δt的值可根据原始数据的实际情况进行确定，其中，根据m的值的大小，可确定节点间的邻近性，m的值越大，则对应的节点i的邻居节点越多。
S104，构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和节点间可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和节点间可达矩阵输出交通流速预测值。
也就是说，构建用于预测交通流速的初始交通流预测模型，并在初始交通流预测模型构建完成之后，将交通流速信息和节点间可达矩阵作为输入输入到初始交通流预测模型，以便初始交通流预测模型根据输入的交通流速信息和节点间可达矩阵输出交通流预测值。
其中，初始交通流预测模型的构建方式可以有多种。
作为一种示例，初始交通流预测模型包括时空卷积块和输出层，其中，时空卷积块包括第一时间门控卷积、空间图卷积和第二时间门控卷积，以通过时空卷积块包括第一时间门控卷积、空间图卷积和第二时间门控卷积完成时间特征和空间特征的提取，并且，通过第二时间门控卷积输出交通流速预测数据；然后，输出层在接收到交通流速预测数据之后，将交通流速预测数据转化为交通流速预测值。
其中，输出层的设置方式可以有多种。
作为一种示例，输出层包括门控卷积神经网络、Sigmoid函数激活的卷积神经网络和全连接层。
S105，将交通流速预测值与交通流速真实值进行比对，以计算交通流速预测值与交通流速真实值之间的损失值，并根据损失值进行反向误差传播，以对初始交通流预测模型进行训练，以及根据训练结果确定最终的交通流预测模型。
也就是说，在交通流速预测值计算得到之后，将交通流速预测值与交通流速真实值进行比较，以计算两者之间的损失值，并根据计算得到的损失值进行反向误差船舶，以对初始交通流预测模型进行训练，以及根据初始交通流预测模型的训练结果获取其预测精度，并将预测精度满足要求的初始交通流预测模型作为最终的交通流预测模型。
S106，获取待预测数据，并对待预测数据进行预处理，以生成待预测交通流速信息和待预测节点间可达矩阵。
也就是说，在交通流预测模型获得之后，对待预测的数据进行获取，并对获取到的待预测数据进行预处理，以生成对应该待预测数据的待预测交通流速信息和待预测节点间可达矩阵，便于后续交通流预测模型对未来交通流进行预测。
S107，将待预测交通流速信息和待预测节点间可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测。
从而，利用图卷积神经网络对城市复杂路网结构进行表达，可有效提高未来交通流预测的精准度；通过自由流动可达矩阵可以对复杂城市交通路网的独特空间特征进行有效挖掘。
在一些实施例中，如图2所示，初始交通流预测模型包括时空卷积块和输出层，如图3所示，时空卷积块包括第一时间门控卷积、空间图卷积和第二时间门控卷积。
其中，空间图卷积的设置方式可以有多种。
作为一种示例，空间图卷积通过以下公式表述：
W*GX＝GCm＝(Wgc_m⊙FFRm)X
其中，W*GX表示空间图卷积，GCm表示空间图卷积的图卷积核，Wgc_m表示节点间可达矩阵对应的权重矩阵，⊙表示矩阵对应元素的相乘操作，FFRm表示节点间可达矩阵，X表示任意一个交通流速信息。
其中，第一时间门控卷积和第二时间门控卷积的设置方式可以有多种。
作为一种示例，第一时间门控卷积和第二时间门控卷积通过以下公式表述：
T*TX＝(conva(X)+X)⊙σ(convb(X))
其中，conva和convb表示卷积操作，σ表示Sigmoid函数，⊙表示矩阵对应元素的相乘操作，X表示任意一个交通流速信息。
其中，时空卷积块的设置方式可以有多种。
作为一种示例，时空卷积块通过以下公式表述：
vl+1＝T1*TRelu(W*G(T0*Tvl))
其中，vl+1表示交通流速预测数据，T1表示第二时间门控卷积的卷积核，T0示第一时间门控卷积的卷积核，W表示空间图卷积的卷积核，Relu表示线性整流函数，vl表示交通流速信息。
在一些实施例中，如图4所示，将交通流速信息和节点间可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和节点间可达矩阵输出交通流速预测值，包括以下步骤：
S201,交通流速信息输入到第一时间门控卷积，以便第一时间门控卷积根据交通流速信息提取对应交通流速信息的时间特征。
S202，将时间特征和节点间可达矩阵输入到空间图卷积，并将空间图卷积的输出作为第二时间门控卷积的输入，以便第二时间门控卷积输出交通流速预测数据。
S203，将交通流速预测数据输入到输出层，以便输出层根据交通流速预测数据输出交通流速预测值。
以此完成初始交通流预测模型根据交通流速信息和节点间可达矩阵输出交通流预测值的过程。
在一些实施例中，交通流速信息包括每个节点的信息采集时间以及每个信息采集时间对应的交通流速值，为了便于初始交通流预测模型的训练，并增强初始交通流预测模型的训练效果，如图5所示，在获取原始数据之后，本发明实施例提出的基于图卷积神经网络的城市交通流预测方法还包括以下步骤：
S301，判断交通流速信息中是否存在所有交通流速值均为空值的节点，如果是，则执行步骤S302，如果否，则执行步骤S303。
S302，删除该节点对应的数据。
S303，获取每个节点对应的交通流速值中的异常数据，并计算异常数据与该节点对应的交通流速值之间的比例。
S304，判断异常数据与该节点对应的交通流速值之间的比例是否大于预设的比例阈值，如果是，则执行步骤S305，如果否，则执行步骤S306。
S305，删除该节点对应的数据。
S306，删除该节点的异常数据，并根据线性插值算法对删除部分的数据进行填充。
S307，使用z-score方法对交通流速信息进行标准化处理，以生成标准化的交通流速信息。
从而，在获取到原始数据之后，对原始数据进行预处理，以清除原始数据中的异常数据，并对缺失数据进行补全，以及将补全后的数据转化为标准格式的交通流速信息，以适应初始交通流预测模型的训练需求。
需要说明的是，在对待预测数据进行预处理时，其根据待预测数据生成待预测交通流速信息的步骤与S301-S307的步骤相同，其根据待预测数据生成待预测节点间可达矩阵的步骤与S102-S103的步骤相同，在此不做赘述。
综上所述，根据本发明实施例的基于图卷积神经网络的城市交通流预测方法，首先，获取原始数据，该原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息；接着，根据每个节点对应的经纬度信息进行节点与节点之间最小链路数的计算，并根据最小链路数的计算结果生成节点与节点之间的距离矩阵；然后，获取节点与节点之间途经路段的限速平均值，即言，获取节点与节点之间的途经路段所对应的车速限速值，并根据多个车速限速值计算其平均值，接着，根据限速平均值和节点间的距离矩阵进行节点间可达矩阵的计算；然后，构建用于预测交通流速的初始交通流预测模型，并将交通流速信息和节点间可达矩阵输入到初始交通流预测模型，以便初始交通流预测模型根据交通流速信息和节点间可达矩阵输出交通流速预测值；接着，将交通流速预测值与交通流速真实值进行比对，以计算交通流速预测值与交通流速真实值之间的损失值，并根据损失值进行反向误差传播，以对初始交通流预测模型进行训练，以及根据训练结果确定最终的交通流预测模型；然后，获取待预测数据，并对待预测数据进行预处理，以生成待预测交通流速信息和待预测节点间可达矩阵；接着，将待预测交通流速信息和待预测节点间可达矩阵输入交通流预测模型，以便通过交通流预测模型对未来交通流进行预测；从而实现对城市交通路网的空间特征进行有效提取，以提高交通流预测的精准度，并且，降低原始数据所需信息量，提高该预测方法的普适性，使其便于推广。
为了实现上述实施例，本发明实施例提出的一种计算机可读存储介质，其上存储有城市交通流预测程序，该城市交通流预测程序被处理器执行时实现如上述的基于图卷积神经网络的城市交通流预测方法。
根据本发明实施例的计算机可读存储介质，通过存储基于图卷积神经网络的城市交通流预测程序，以使得处理器在执行该程序时实现如上述的基于图卷积神经网络的城市交通流预测方法，从而实现对城市交通路网的空间特征进行有效提取，以提高交通流预测的精准度，并且，降低原始数据所需信息量，提高该预测方法的普适性，使其便于推广。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于图卷积神经网络的城市交通流预测方法，其特征在于，包括以下步骤：
获取原始数据，其中，所述原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息；
根据每个节点对应的经纬度信息计算节点间的距离矩阵；
获取节点间途经路段的限速平均值，并根据所述限速平均值和所述节点间的距离矩阵计算节点间可达矩阵；
构建用于预测交通流速的初始交通流预测模型，并将所述交通流速信息和所述节点间可达矩阵输入到所述初始交通流预测模型，以便所述初始交通流预测模型根据所述交通流速信息和所述节点间可达矩阵输出交通流速预测值；
将所述交通流速预测值与交通流速真实值进行比对，以计算所述交通流速预测值与交通流速真实值之间的损失值，并根据所述损失值进行反向误差传播，以对所述初始交通流预测模型进行训练，以及根据训练结果确定最终的交通流预测模型；
获取待预测数据，并对所述待预测数据进行预处理，以生成待预测交通流速信息和待预测节点间可达矩阵；
将所述待预测交通流速信息和所述待预测节点间可达矩阵输入所述交通流预测模型，以便通过所述交通流预测模型对未来交通流进行预测。
2.如权利要求1所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述初始交通流预测模型包括时空卷积块和输出层，所述时空卷积块包括第一时间门控卷积、空间图卷积、第二时间门控卷积，其中，将所述交通流速信息和所述节点间可达矩阵输入到所述初始交通流预测模型，以便所述初始交通流预测模型根据所述交通流速信息和所述节点间可达矩阵输出交通流速预测值，包括：
将所述交通流速信息输入到所述第一时间门控卷积，以便所述第一时间门控卷积根据所述交通流速信息提取对应所述交通流速信息的时间特征；
将所述时间特征和所述节点间可达矩阵输入到空间图卷积，并将所述空间图卷积的输出作为第二时间门控卷积的输入，以便所述第二时间门控卷积输出交通流速预测数据；
将所述交通流速预测数据输入到输出层，以便所述输出层根据所述交通流速预测数据输出交通流速预测值。
3.如权利要求2所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，
所述输出层包括门控卷积神经网络、Sigmoid函数激活的卷积神经网络和全连接层。
4.如权利要求2所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述空间图卷积通过以下公式表述：
W*GX＝GCm＝(Wgc_m⊙FFRm)X
其中，表示空间图卷积，表示空间图卷积的图卷积核，—示节点间可达矩阵对应的权重矩阵，⊙表示矩阵对应元素的相乘操作，表示节点间可达矩阵，XX表示任意一个交通流速信息。
5.如权利要求2所述的基于图卷积神经网络
T*TX＝(conya(X)+X)⊙σ(conyb(X))
其中，和表示卷积操作，σσ表示Sigmoid函数，⊙表示矩阵对应元素的相乘操作，XX表示任意一个交通流速信息。
6.如权利要求2所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述时空卷积块通过以下公式表述：
vl+1＝T1*TRelu(W*G(T0*Tvl))
其中，vl+1表示交通流速预测数据，T1表示第二时间门控卷积的卷积核，T0示第一时间门控卷积的卷积核，W表示空间图卷积的卷积核，Relu表示线性整流函数，vl表示交通流速信息。
7.如权利要求1-6任一项中所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述节点间可达矩阵通过以下公式表述：
其中，表示节点间可达矩阵，表示节点i与节点j之间途经路段的限速平均值，Di，j表示节点间的距离矩阵，Δt表示预设单位时间间隔，m表示预设单位时间间隔的数量。
8.如权利要求1-6任一项中所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述交通流速信息包括每个节点的信息采集时间和每个信息采集时间对应的交通流速值，其中，在获取原始数据，之后，还包括：
判断所述交通流速信息中是否存在所有交通流速值均为空值的节点；
如果存在，则删除该节点对应的数据；
获取每个节点对应的交通流速值中的异常数据，并计算所述异常数据与该节点对应的交通流速值之间的比例；
判断所述异常数据与该节点对应的交通流速值之间的比例是否大于预设的比例阈值；
如果是，则删除该节点对应的数据；
如果否，则删除该节点的异常数据，并根据线性插值算法对删除部分的数据进行填充；
使用z-score方法对交通流速信息进行标准化处理，以生成标准化的交通流速信息。
9.一种计算机可读存储介质，其特征在于，其上存储有基于图卷积神经网络的城市交通流预测程序，该基于图卷积神经网络的城市交通流预测程序被处理器执行时实现如权利要求1-8中任一项所述的基于图卷积神经网络的城市交通流预测方法。
CN201910637679.8A 2019-07-15 2019-07-15 基于图卷积神经网络的城市交通流预测方法及介质 Active CN110415516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910637679.8A CN110415516B (zh) 2019-07-15 2019-07-15 基于图卷积神经网络的城市交通流预测方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910637679.8A CN110415516B (zh) 2019-07-15 2019-07-15 基于图卷积神经网络的城市交通流预测方法及介质

Publications (2)

Publication Number Publication Date
CN110415516A true CN110415516A (zh) 2019-11-05
CN110415516B CN110415516B (zh) 2021-06-22

Family

ID=68361492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910637679.8A Active CN110415516B (zh) 2019-07-15 2019-07-15 基于图卷积神经网络的城市交通流预测方法及介质

Country Status (1)

Country Link
CN (1) CN110415516B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909942A (zh) * 2019-11-27 2020-03-24 第四范式（北京）技术有限公司 训练模型的方法及***和预测序列数据的方法及***
CN111079975A (zh) * 2019-11-14 2020-04-28 青岛海信网络科技股份有限公司 一种交通数据预测方法、装置及交通工具控制方法
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111260919A (zh) * 2020-01-15 2020-06-09 厦门大学 交通流量预测方法
CN111414989A (zh) * 2020-02-13 2020-07-14 山东师范大学 基于门控机制的用户信任关系网络链路预测方法及***
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN111785014A (zh) * 2020-05-26 2020-10-16 浙江工业大学 一种基于dtw-rgcn的路网交通数据修复的方法
CN111783262A (zh) * 2020-06-17 2020-10-16 北京航空航天大学 一种基于层次化图神经网络的路网表征的学习方法
CN111784041A (zh) * 2020-06-28 2020-10-16 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及***
CN111833605A (zh) * 2020-07-10 2020-10-27 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN112489420A (zh) * 2020-11-17 2021-03-12 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、***、终端以及存储介质
CN112529311A (zh) * 2020-12-16 2021-03-19 南京中兴力维软件有限公司 一种基于图卷积分析的道路流量预测方法和装置
CN112784121A (zh) * 2021-01-28 2021-05-11 浙江工业大学 一种基于时空图表示学习的交通事故预测方法
CN112966595A (zh) * 2021-03-04 2021-06-15 桂林电子科技大学 一种基于图神经网络的传感器网络数据异常判决方法
CN113792929A (zh) * 2021-04-26 2021-12-14 青岛大学 交通流量预测方法、电子设备及存储介质
CN113808396A (zh) * 2021-09-01 2021-12-17 浙江工业大学 基于交通流量数据融合的交通速度预测方法和***
EP4016412A1 (en) * 2020-12-18 2022-06-22 Imec VZW Traffic prediction
CN114973653A (zh) * 2022-04-27 2022-08-30 中国计量大学 一种基于时空图卷积网络的交通流预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492568A (zh) * 2018-04-25 2018-09-04 南京邮电大学 一种基于时空特性分析的短时交通流预测方法
CN108510741A (zh) * 2018-05-24 2018-09-07 浙江工业大学 一种基于Conv1D-LSTM神经网络结构的交通流预测方法
EP3418996A1 (en) * 2017-06-19 2018-12-26 Hitachi, Ltd. Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109493599A (zh) * 2018-11-16 2019-03-19 南京航空航天大学 一种基于生成式对抗网络的短时交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3418996A1 (en) * 2017-06-19 2018-12-26 Hitachi, Ltd. Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive
CN108492568A (zh) * 2018-04-25 2018-09-04 南京邮电大学 一种基于时空特性分析的短时交通流预测方法
CN108510741A (zh) * 2018-05-24 2018-09-07 浙江工业大学 一种基于Conv1D-LSTM神经网络结构的交通流预测方法
CN109285346A (zh) * 2018-09-07 2019-01-29 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN109493599A (zh) * 2018-11-16 2019-03-19 南京航空航天大学 一种基于生成式对抗网络的短时交通流预测方法

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079975A (zh) * 2019-11-14 2020-04-28 青岛海信网络科技股份有限公司 一种交通数据预测方法、装置及交通工具控制方法
CN110909942A (zh) * 2019-11-27 2020-03-24 第四范式（北京）技术有限公司 训练模型的方法及***和预测序列数据的方法及***
CN110909942B (zh) * 2019-11-27 2022-07-19 第四范式（北京）技术有限公司 训练模型的方法及***和预测序列数据的方法及***
CN111126704A (zh) * 2019-12-25 2020-05-08 河海大学常州校区 基于多图卷积和记忆网络的多区域降水量预测模型构建方法
CN111260919B (zh) * 2020-01-15 2021-06-22 厦门大学 交通流量预测方法
CN111260919A (zh) * 2020-01-15 2020-06-09 厦门大学 交通流量预测方法
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111210633B (zh) * 2020-02-09 2021-01-05 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111414989A (zh) * 2020-02-13 2020-07-14 山东师范大学 基于门控机制的用户信任关系网络链路预测方法及***
CN111414989B (zh) * 2020-02-13 2023-11-07 山东师范大学 基于门控机制的用户信任关系网络链路预测方法及***
CN111540198A (zh) * 2020-04-17 2020-08-14 浙江工业大学 基于有向图卷积神经网络的城市交通态势识别方法
CN111785014A (zh) * 2020-05-26 2020-10-16 浙江工业大学 一种基于dtw-rgcn的路网交通数据修复的方法
CN111783262A (zh) * 2020-06-17 2020-10-16 北京航空航天大学 一种基于层次化图神经网络的路网表征的学习方法
CN111783262B (zh) * 2020-06-17 2022-10-18 北京航空航天大学 一种基于层次化图神经网络的路网表征的学习方法
CN111784041A (zh) * 2020-06-28 2020-10-16 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及***
CN111784041B (zh) * 2020-06-28 2024-02-09 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及***
CN111833605A (zh) * 2020-07-10 2020-10-27 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN111833605B (zh) * 2020-07-10 2022-04-26 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN112489420A (zh) * 2020-11-17 2021-03-12 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、***、终端以及存储介质
CN112529311B (zh) * 2020-12-16 2024-05-24 南京中兴力维软件有限公司 一种基于图卷积分析的道路流量预测方法和装置
CN112529311A (zh) * 2020-12-16 2021-03-19 南京中兴力维软件有限公司 一种基于图卷积分析的道路流量预测方法和装置
WO2022129421A1 (en) * 2020-12-18 2022-06-23 Imec Vzw Traffic prediction
EP4016412A1 (en) * 2020-12-18 2022-06-22 Imec VZW Traffic prediction
CN112784121A (zh) * 2021-01-28 2021-05-11 浙江工业大学 一种基于时空图表示学习的交通事故预测方法
CN112966595B (zh) * 2021-03-04 2022-04-05 桂林电子科技大学 一种基于图神经网络的传感器网络数据异常判决方法
CN112966595A (zh) * 2021-03-04 2021-06-15 桂林电子科技大学 一种基于图神经网络的传感器网络数据异常判决方法
CN113792929B (zh) * 2021-04-26 2023-09-22 青岛大学 交通流量预测方法、电子设备及存储介质
CN113792929A (zh) * 2021-04-26 2021-12-14 青岛大学 交通流量预测方法、电子设备及存储介质
CN113808396B (zh) * 2021-09-01 2022-06-21 浙江工业大学 基于交通流量数据融合的交通速度预测方法和***
CN113808396A (zh) * 2021-09-01 2021-12-17 浙江工业大学 基于交通流量数据融合的交通速度预测方法和***
CN114973653A (zh) * 2022-04-27 2022-08-30 中国计量大学 一种基于时空图卷积网络的交通流预测方法
CN114973653B (zh) * 2022-04-27 2023-12-19 中国计量大学 一种基于时空图卷积网络的交通流预测方法

Also Published As

Publication number Publication date
CN110415516B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN110415516A (zh) 基于图卷积神经网络的城市交通流预测方法及介质
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
Yang et al. MF-CNN: traffic flow prediction using convolutional neural network and multi-features fusion
CN109885891A (zh) 一种智能车gpu并行加速轨迹规划方法
CN114519932B (zh) 一种基于时空关系抽取的区域交通状况集成预测方法
CN114529081B (zh) 一种时空联合的交通流量预测方法及装置
CN109344992B (zh) 一种融合时空因素的智能家居用户操控行为习惯建模方法
WO2021097845A1 (zh) 一种仿真场景的图像生成方法、电子设备和存储介质
Dai et al. Image-based traffic signal control via world models
CN114881339A (zh) 车辆轨迹预测方法、***、计算机设备及存储介质
CN110378506A (zh) 车辆碳排放量规划方法、装置、电子设备和存储介质
CN112396254A (zh) 目的地预测方法、装置、介质及电子设备
CN114780739A (zh) 基于时间图卷积网络的时序知识图谱补全方法及***
CN115392548A (zh) 一种针对出行站点的出行需求预测方法、装置及存储介质
CN113537580A (zh) 一种基于自适应图学习的公共交通客流预测方法及***
Guo et al. Integrated multistep Markov-based velocity predictor of energy consumption prediction model for battery electric vehicles
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与***
CN113627676B (zh) 一种基于多注意力因果关系的交通预测方法及***
CN113724507A (zh) 基于深度强化学习的交通控制与车辆诱导协同方法和***
Zhang et al. Multi-objective deep reinforcement learning approach for adaptive traffic signal control system with concurrent optimization of safety, efficiency, and decarbonization at intersections
CN113838296A (zh) 一种交通信号控制方法、装置、设备及存储介质
CN109583741A (zh) 行驶轨迹风险评估方法和***
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及***
CN112215193A (zh) 一种行人轨迹预测方法及***
CN115762147B (zh) 一种基于自适应图注意神经网络的交通流量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant