CN110991713B - 基于多图卷积和gru的不规则区域流量预测方法 - Google Patents
基于多图卷积和gru的不规则区域流量预测方法 Download PDFInfo
- Publication number
- CN110991713B CN110991713B CN201911148344.6A CN201911148344A CN110991713B CN 110991713 B CN110991713 B CN 110991713B CN 201911148344 A CN201911148344 A CN 201911148344A CN 110991713 B CN110991713 B CN 110991713B
- Authority
- CN
- China
- Prior art keywords
- regions
- area
- flow
- time
- correlation
- 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.)
- Active
Links
- 230000001788 irregular Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
Abstract
本发明公开了基于多图卷积和GRU的不规则区域流量预测方法，包括如下步骤：步骤一，将地域划分为N个不相连的不规则区域；步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和流出量；步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的空间关联；步骤四，基于区域间的所述关联图设计多图卷积神经网络，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；步骤六，选择合适的损失函数，训练得到预测模型，通过所述预测模型预测得到每个区域的所述进入量和所述流出量。
Description
技术领域
本发明涉及交通流量预测领域，尤其是涉及基于多图卷积和GRU的不规则区域流量预测 方法。
背景技术
交通流量预测是智能交通***中重要的组成部分。区域流量预测的目的是基于给定的历 史数据，预测城市区域中未来的流量值，精确的预测能帮助交通管理者提前进行流量控制和 管理。
区域流量预测方法通常利用区域间的空间关联和时间关联。传统的区域流量预测使用时 间序列预测方法，如自回归移动平均模型(ARIMA)、时变泊松模型、向量自回归模型。它 们仅考虑时间依赖关联，预测准确率较低。随着深度学习的兴起，研究者采用深度学习模型 来预测流量。相比于传统的方法，长短期记忆网络LSTM(Long Short Term Memory)和门控 循环单元GRU(Gated Recurrent Unit)模型对于短期时间序列预测取得了更好的效果。但是， 它们仍然仅关注于时间关联。为了更好地捕获时空关联，研究者提出采用基于卷积神经网络 (CNN)和残差神经网络的方法来预测区域流量，首先将城市划分为网格，然后在网格级别预 测流量。但是，这些方法仅能预测规则区域的流量。
城市可以基于路网信息或行政边界被划分为有意义的区域，这些区域通常是不规则的， 且具有复杂的拓扑结构，相比于规则网格承载了更多的语义信息。基于网格的预测模型无法 预测不规则区域的流量需求，减少了预测结果的可用性。
发明内容
为解决现有技术的不足，提高不规则区域流量预测的准确率，本发明采用如下的技术方 案：
基于多图卷积和GRU的不规则区域流量预测方法，包括如下步骤：
步骤一，将地域划分为N个不相连的不规则区域；
步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和 流出量；
步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的 空间关联；
步骤四，基于区域间的所述关联图设计多图卷积神经网络(Multi-GraphConvolutional Network，MGCN)，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；
步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；
步骤六，选择合适的损失函数，训练得到预测模型，通过所述预测模型预测得到每个区 域的所述进入量和所述流出量；
所述步骤一，基于所述地域的路网结构数据，采用不规则区域划分方法，将所述地域划 分为N个不相连的不规则区域。
所述步骤二，首先将处理的整个时间段按单位时间划分为多个时间步，然后基于区域划 分结果，将原始的历史轨迹数据按单位时间映射到所述区域中，得到简化的轨迹：
TRSimp＝(startRegion，startDate，startHour，endRegion，endDate，endHour)
其中startRegion为出发区域ID，startDate为出发日期，startHour为出发单位时间，endRegion 为到达区域ID，endDate为到达日期，endHour为到达单位时间，接着聚合简化的轨迹计算得 到每个所述区域的进入量
和流出量
其中所述
表示第t个时间步下区域i的进入量， 所述
表示第t个时间步下区域i的流出量，最后基于所述
和所述
计算得到所有区域在 所述时间步t下的进入量
和流出量
所述步骤三，建立不同的所述关联图来表示不规则区域间多样化的空间关联，包括距离 图、流量交互图、流量关联图，所述不同的关联图均采用G＝(V，E)表示，节点vi∈V代表不规 则区域，边(vi，vj)∈E编码了不规则区域间的关联程度，由邻接矩阵A∈RN×N表示；
所述距离图，边的权重为两个区域间的距离，所述距离图中邻接矩阵元素Ad(i，j)的值计 算如下：
所述dist(i，j)表示所述区域i和j中心点之间的距离，将所述邻接矩阵Ad归一化到[0，1]， 并基于预先定义好的距离阈值thresd将所述Ad转换为一个0/1矩阵，如果所述Ad(i，j)≤thresd， 表示所述区域i和j之间的距离非常接近，令所述Ad(i，j)＝1，否则所述Ad(i，j)＝0；
所述流量交互图，指示两个区域之间是否有频繁的双向流量，通过对所述TRSimp数据进行 聚合，获得在整个分析时间段内从所述区域i出发到达所述区域j的流量值fn(i，j)和从所述 区域j出发到达所述区域i的流量值fn(j，i)，所述流量交互图中邻接矩阵元素Ainter(i，j)的值计 算如下：
将所述邻接矩阵Ainter归一化到[0，1]，并基于预先定义的流量交互阈值thresinter将所述Ainter转 换为一个0/1矩阵，如果所述Ainter(i，j)≥thresinter，表示所述区域i和j之间的交互非常强，令所 述Ainter(i，j)＝1，否则所述Ainter(i，j)＝0；
所述流量关联图，指示区域间流量的时间相关性，获得每个区域在每个时间步下的历史 流量值，根据需要分析的时间段，设定所述时间段内每个区域进入量和流出量的时间序列， 对于所述区域i，时间序列表示为：
所述T表示时间段长度， 采用皮尔逊相关系数计算所述区域i和所述区域j之间的关联，所述流量关联图中所述邻接 矩阵元素Acorr(i，j)的值计算如下：
所述hi和所述hj表示所述区域i和j的所述时间序列，将听述邻接矩阵Acorr归一化到[0，1]， 并基于预先定义的流量关联阈值threscorr将听述Acorr转换为一个0/1矩阵，如果所述 Acorr(i，j)≥threscorr，表示所述区域i和j具有相似的时间使用模式，令所述Acorr(i，j)＝1，否则所 述Acorr(i，j)＝0。
所述步骤四，基于区域间的多个所述关联图，提出所述多图卷积神经网络来充分挖掘不 同图中隐藏的有用信息、捕获复杂的空间依赖关联，包括如下步骤：
(1)采用图卷积神经网络(Graph Convolutional Network，GCN)模型f(Xt′，A)处理t′时 间步下的每个图：
所述Xt′＝(It′，Ot′)是模型在所述t′时间步下的输入，表示所述区域的进入量和流出量， 
是一个具有自流量的邻接矩阵，所述IN为单位矩阵，所述
是一个对角矩阵，其中 
所述Wd、Winter、Wcorr是可训练的权重矩阵，所述tanh(·)表示激活函数；
(2)对每个时间步加入附加属性attrt′，编码每个时间步下的流量影响因素；
(3)采用一个全连接层(Full Connected Layer，FCL)，将多个所述关联图和所述附加属 性联合起来，融合区域间各式各样的空间关联特征；
FCL(Xt′，Ad，Ainter，Acorr，attrt′)＝Wfcl[fd(Xt′，Ad)，finter(Xt′，Ainter)，fcorr(Xt′，Acorr)，attrt′]
所述Wfcl为权重矩阵，所述FCL(·)为多图卷积融合结果。
所述附加属性，包括日期属性
小时属性
天气属性
和温度属性
所述
维度为7维，表示一周中的周几；所述
维度为24维，表示一天中的第几个小 时；所述
被划分为8个类别，包括晴、多云、小雨、中雨、大雨、小雪、中雪和大雪；所述
被划分为8个等级，从10°F到90°F，每10°F对应为一个等级，所有所述附加属性都使用独热编码，连接得到向量
所述步骤五，基于所述多图卷积融合结果FCL(·)，采用GRU神经网络捕获历史中的时序 关联，所述GRU将t′-1时间步下的隐藏状态和多图卷积结果作为输入，获得t′时间步下的流 量状态，计算流程如下所示：
ut′＝σ(Wu[FCL(·)，ht′-1]+bu)
rt′＝σ(Wr[FCL(·)，ht′-1]+br)
ct'＝tanh(Wc[FCL(·),(rt'⊙ht'-1)]+bc)
ht′＝ut′ht′-1+(1-ut′)ct′
所述ht'-1表示所述时间步t'-1下的隐藏状态，所述ut'为更新门，定义了将上一时刻的哪些 记忆保存到当前时间步的量，所述rt'为重置门，决定了如何将新的输入信息与前面的记忆相 结合，所述ct'为所述t'时间步下的存储内容，所述ht'为所述t'时间步下的输出状态，所述FCL(·) 为所述t'时间步下的所述多图卷积结果，所述Wu、Wr、Wc为权重矩阵，所述bu、br、bc为偏 差向量，所述σ为sigmoid函数，所述⊙为逐元素相乘操作。
所述步骤六，使用Smooth L1作为所述损失函数，基于训练集采用反向传播和Adam优 化算法训练所述权重矩阵和所述偏差向量，得到所述预测模型，所述预测模型的目标是基于 输入的历史数据[(I0，O0)，(I1，O1)，...，(It-1，Ot-1)]，学习一个函数f(·)将历史数据中每个区域的进入量 和流出量映射得到下一个时间步的进入量和流出量
使得
所述 (It，Ot)为下一个时间步t的真实流量值，根据验证集选取均方根误差最小的模型作为最终的预 测模型，基于测试集采用所述最终的预测模型进行预测，对输出结果进行反向归一化，得到 最终的预测结果。
本发明的优势和有益效果在于：
本发明提出了一个新的面向不规则区域流量预测的深度学习模型，适用于预测城市中不 规则区域的进入量和流出量，使用多个关联图来编码不规则区域间多样化的空间关联，设计 多图卷积神经网络融合不规则区域间的关联来捕获空间依赖，然后采用GRU神经网络来捕获 动态的时序关联，有效地同时捕获复杂的时空关联，提高了预测结果的实用性的同时，也提 高了不规则区域交通流量的预测准确率，使得预测结果更好地辅助城市区域中人车流量的管 理和控制。
附图说明
图1是本发明的不规则区域流量预测的流程图。
图2是本发明中基于多图卷积和GRU的不规则区域流量预测模型图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示，本发明的基于多图卷积和GRU的不规则区域流量预测方法，包括如下步骤：
步骤一，将城市划分为N个不相连的不规则区域；
步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和 流出量；
步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的 空间关联；
步骤四，基于区域间的所述关联图设计多图卷积神经网络，融合区域间多样化的空间关 联特征，得到多图卷积融合的结果；
步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；
步骤六，选择合适的损失函数，训练得到预测模型，通过所述预测模型预测得到每个区 域的所述进入量和所述流出量；
所述步骤一，基于所述城市的路网结构数据，采用不规则区域划分方法，将所述城市划 分为N个不相连的不规则区域。
所述步骤二，首先将处理的整个时间段按小时划分为多个时间步，然后基于区域划分结 果，将原始的历史轨迹数据按小时映射到所述区域中，得到简化的轨迹：
TRSimp＝(startRegion，startDate，startHour，endRegion，endDate，endHour)
其中startRegion为出发区域ID，startDate为出发日期，startHour为出发小时，endRegion为到 达区域ID，endDate为到达日期，endHour为到达小时，接着聚合简化的轨迹计算得到每个所 述区域的进入量
和流出量
其中所述
表示第t个时间步下区域i的进入量，所述
表 示第t个时间步下区域i的流出量，最后基于所述
和所述
计算得到所有区域在所述时间 步t下的进入量
和流出量
所述步骤三，建立不同的所述关联图来表示不规则区域间多样化的空间关联，包括距离 图、流量交互图、流量关联图，所述不同的关联图均采用G＝(V，E)表示，节点vi∈V代表不规 则区域，边(vi，vj)∈E编码了不规则区域间的关联程度，由邻接矩阵A∈RN×N表示；
所述距离图，边的权重为两个区域间的距离，使得相邻的区域被更高权重的边相连，所 述距离图中邻接矩阵元素Ad(i，j)的值计算如下：
所述dist(i，j)表示所述区域i和j中心点之间的距离，将所述邻接矩阵Ad归一化到[0，1]， 并基于预先定义好的距离阈值thresd将所述Ad转换为一个0/1矩阵，如果所述Ad(i，j)≤thresd， 表示所述区域i和j之间的距离非常接近，令所述Ad(i，j)＝1，否则所述Ad(i，j)＝0；
所述流量交互图，指示两个区域之间是否有频繁的双向流量，通过对所述TRSimp数据进行 聚合，获得在整个分析时间段内从所述区域i出发到达所述区域j的流量值fn(i，j)和从所述 区域j出发到达所述区域i的流量值fn(j，i)，所述流量交互图中邻接矩阵元素Ainter(i，j)的值计 算如下：
将所述邻接矩阵Ainter归一化到[0，1]，并基于预先定义的流量交互阈值thresinter将所述Ainter转 换为一个0/1矩阵，如果所述Ainter(i，j)≥thresinter，表示所述区域i和j之间的交互非常强，令所 述Ainter(i，j)＝1，否则所述Ainter(i，j)＝0；
所述流量关联图，指示区域间流量的时间相关性，获得每个区域在每个时间步下的历史 流量值，假设分析时间段为1年，则每个区域都有一个长度为17520(365*24*2)的时间序列， 记录了一年中每小时的进入量和流出量，对于所述区域i，时间序列表示为：
所述T表示时间段长度，采用皮尔逊相关系数计算所述区域i和听述区域j之间的关联，所述流量关联图中所述邻接矩阵元素Acorr(i，j)的值计算如下：
所述hi和所述hj表示所述区域i和j的所述时间序列，将所述邻接矩阵Acorr归一化到[0，1]， 并基于预先定义的流量关联阈值threscorr将听述Acorr转换为一个0/1矩阵，如果所述 Acorr(i，j)≥threscorr，表示所述区域i和j具有相似的时间使用模式，令所述Acorr(i，j)＝1，否则所 述Acorr(i，j)＝0。
如图2所示，所述步骤四，基于区域间的多个所述关联图，提出所述多图卷积神经网络 来充分挖掘不同图中隐藏的有用信息、捕获复杂的空间依赖关联，包括如下步骤：
(1)采用图卷积神经网络模型f(Xt′，A)处理t′时间步下的每个图：
所述Xt′＝(It′，Ot′)是模型在所述t′时间步下的输入，表示所述区域的进入量和流出量， 
是一个具有自流量的邻接矩阵，所述IN为单位矩阵，所述
是一个对角矩阵，其中 
所述Wd、Winter、Wcorr是可训练的权重矩阵，所述tanh(·)表示激活函数；
(2)对每个时间步加入附加属性attrt′，编码每个时间步下的流量影响因素；
(3)采用一个全连接层，将多个所述关联图和所述附加属性联合起来，融合区域间各式 各样的空间关联特征；
FCL(Xt′，Ad，Ainter，Acorr，attrt′)＝Wfcl[fd(Xt′，Ad)，finter(Xt′，Ainter)，fcorr(Xt′，Acorr)，attrt′]
所述Wfcl为权重矩阵，所述FCL(·)为多图卷积融合结果。
所述附加属性，包括日期属性
小时属性
天气属性
和温度属性
所述
维度为7维，表示一周中的周几；所述
维度为24维，表示一天中的第几个小 时；所述
被划分为8个类别，包括晴、多云、小雨、中雨、大雨、小雪、中雪和大雪；所述
被划分为8个等级，从10°F到90°F，每10°F对应为一个等级，所有所述附加属性都使用独热编码，连接得到向量
所述步骤五，基于所述多图卷积融合结果FCL(·)，采用GRU神经网络捕获交通流历史中 的时序关联，所述GRU将t′-1时间步下的隐藏状态和多图卷积结果作为输入，获得t′时间步 下的流量状态，计算流程如下所示：
ut′＝σ(Wu[FCL(·)，ht′-1]+bu)
rt′＝σ(Wr[FCL(·)，ht′-1]+br)
ct'＝tanh(Wc[FCL(·),(rt'⊙ht'-1)]+bc)
ht′＝ut′ht′-1+(1-ut′)ct′
所述ht'-1表示所述时间步t'-1下的隐藏状态，所述ut'为更新门，定义了将上一时刻的哪些 记忆保存到当前时间步的量，所述rt'为重置门，决定了如何将新的输入信息与前面的记忆相 结合，所述ct'为所述t'时间步下的存储内容，所述ht'为所述t'时间步下的输出状态，所述FCL(·) 为所述t'时间步下的所述多图卷积结果，所述Wu、Wr、Wc为权重矩阵，所述bu、br、bc为偏 差向量，所述σ为sigmoid函数，所述⊙为逐元素相乘操作。
所述步骤六，使用Smooth L1作为所述损失函数，基于训练集采用反向传播和Adam优 化算法训练所述权重矩阵和所述偏差向量，得到所述预测模型，所述预测模型的目标是基于 输入的历史数据[(I0，O0)，(I1，O1)，...，(It-1，Ot-1)]，学习一个函数f(·)将历史数据中每个区域的进入量 和流出量映射得到下一个时间步的进入量和流出量
使得
所述 (It，Ot)为下一个时间步t的真实流量值，根据验证集选取均方根误差(RMSE)最小的模型作 为最终的预测模型，基于测试集采用所述最终的预测模型进行预测，对输出结果进行反向归 一化，得到最终的预测结果。
Claims (6)
1.基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，包括如下步骤：
步骤一，将地域划分为N个不相连的不规则区域；
步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和流出量；
步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的空间关联；建立不同的所述关联图来表示不规则区域间多样化的空间关联，包括距离图、流量交互图、流量关联图；
步骤四，基于区域间的所述关联图设计多图卷积神经网络，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；基于区域间的多个所述关联图，提出所述多图卷积神经网络来充分挖掘不同图中隐藏的有用信息、捕获复杂的空间依赖关联，包括如下步骤：
(1)采用图卷积神经网络模型f(Xt',A)处理t'时间步下的每个图：
所述Xt'＝(It',Ot')是模型在所述t'时间步下的输入，表示所述区域的进入量和流出量，
是一个具有自流量的邻接矩阵，所述IN为单位矩阵，所述
是一个对角矩阵，其中
所述Wd、Winter、Wcorr是可训练的权重矩阵，所述tanh(·)表示激活函数；所述Ad表示距离图中邻接矩阵，所述Ainter表示流量交互图中邻接矩阵，所述Acorr表示流量关联图中邻接矩阵；
(2)对每个时间步加入附加属性attrt'，编码每个时间步下的流量影响因素；
(3)采用一个全连接层，将多个所述关联图和所述附加属性联合起来，融合区域间各式各样的空间关联特征；
FCL(Xt',Ad,Ainter,Acorr,attrt')＝Wfcl[fd(Xt',Ad),finter(Xt',Ainter),fcorr(Xt',Acorr),attrt']
所述Wfcl为权重矩阵，所述FCL(·)为多图卷积融合结果；
步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；基于所述多图卷积融合结果FCL(·)，采用GRU神经网络捕获历史中的时序关联，所述GRU将t'-1时间步下的隐藏状态和多图卷积结果作为输入，获得t'时间步下的流量状态，计算流程如下所示：
ut'＝σ(Wu[FCL(·),ht'-1]+bu)
rt'＝σ(Wr[FCL(·),ht'-1]+br)
ct'＝tanh(Wc[FCL(·),(rt'⊙ht'-1)]+bc)
ht'＝ut'ht'-1+(1-ut')ct'
所述ht'-1表示所述时间步t'-1下的隐藏状态，所述ut'为更新门，定义了将上一时刻的哪些记忆保存到当前时间步的量，所述rt'为重置门，决定了如何将新的输入信息与前面的记忆相结合，所述ct'为所述t'时间步下的存储内容，所述ht'为所述t'时间步下的输出状态，所述FCL(·)为所述t'时间步下的所述多图卷积结果，所述Wu、Wr、Wc为权重矩阵，所述bu、br、bc为偏差向量，所述σ为sigmoid函数，所述⊙为逐元素相乘操作；
步骤六，选择损失函数，训练得到预测模型，通过所述预测模型预测得到每个区域的所述进入量和所述流出量。
2.根据权利要求1所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤一中，基于所述地域的路网结构数据，采用不规则区域划分方法，将所述地域划分为N个不相连的不规则区域。
3.根据权利要求1所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤二，首先将处理的整个时间段按单位时间划分为多个时间步，然后基于区域划分结果，将原始的历史轨迹数据按单位时间映射到所述区域中，得到简化的轨迹：
TRSimp＝(startRegion,startDate,startHour,endRegion,endDate,endHour)
其中startRegion为出发区域ID，startDate为出发日期，startHour为出发单位时间，endRegion为到达区域ID，endDate为到达日期，endHour为到达单位时间，接着聚合简化的轨迹计算得到每个所述区域的进入量
和流出量
其中所述
表示第t个时间步下区域i的进入量，所述
表示第t个时间步下区域i的流出量，最后基于所述
和所述
计算得到所有区域在所述时间步t下的进入量
和流出量
4.根据权利要求3所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤三，建立不同的所述关联图来表示不规则区域间多样化的空间关联，包括距离图、流量交互图、流量关联图，所述不同的关联图均采用G＝(V,E)表示，节点vi∈V代表不规则区域，边(vi,vj)∈E编码了不规则区域间的关联程度，由邻接矩阵
表示；
所述距离图，边的权重为两个区域间的距离，所述距离图中邻接矩阵元素Ad(i,j)的值计算如下：
所述dist(i,j)表示所述区域i和j中心点之间的距离，将所述邻接矩阵Ad归一化到[0,1]，并基于预先定义好的距离阈值thresd将所述Ad转换为一个0/1矩阵，如果所述Ad(i,j)≤thresd，表示所述区域i和j之间的距离非常接近，令所述Ad(i,j)＝1，否则所述Ad(i,j)＝0；
所述流量交互图，指示两个区域之间是否有频繁的双向流量，通过对TRSimp数据进行聚合，获得在整个分析时间段内从所述区域i出发到达所述区域j的流量值fn(i,j)和从所述区域j出发到达所述区域i的流量值fn(j,i)，所述流量交互图中邻接矩阵元素Ainter(i,j)的值计算如下：
将所述邻接矩阵Ainter归一化到[0,1]，并基于预先定义的流量交互阈值thresinter将所述Ainter转换为一个0/1矩阵，如果所述Ainter(i,j)≥thresinter，表示所述区域i和j之间的交互非常强，令所述Ainter(i,j)＝1，否则所述Ainter(i,j)＝0；
所述流量关联图，指示区域间流量的时间相关性，获得每个区域在每个时间步下的历史流量值，根据需要分析的时间段，设定所述时间段内每个区域进入量和流出量的时间序列，对于所述区域i，时间序列表示为：
所述T表示时间段长度，采用皮尔逊相关系数计算所述区域i和所述区域j之间的关联，所述流量关联图中所述邻接矩阵元素Acorr(i,j)的值计算如下：
所述hi和所述hj表示所述区域i和j的所述时间序列，将所述邻接矩阵Acorr归一化到[0,1]，并基于预先定义的流量关联阈值threscorr将所述Acor转换为一个0/1矩阵，如果所述Acorr（ i ， j ）≥ threscorr 表示所述区域i和j具有相似的时间使用模式，令所述Acorr(i,j)＝1，否则所述Acorr(i,j)＝0。
5.根据权利要求1所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述附加属性，包括日期属性
小时属性
天气属性
和温度属性
所述
维度为7维，表示一周中的周几；所述
维度为24维，表示一天中的第几个小时；所述
被划分为8个类别，包括晴、多云、小雨、中雨、大雨、小雪、中雪和大雪；所述
被划分为8个等级，从10°F到90°F，每10°F对应为一个等级，所有所述附加属性都使用独热编码，连接得到向量
6.根据权利要求1所述的基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，所述步骤六，使用Smooth L1作为所述损失函数，基于训练集采用反向传播和Adam优化算法训练所述权重矩阵和所述偏差向量，得到所述预测模型，所述预测模型的目标是基于输入的历史数据[(I0,O0),(I1,O1),...,(It-1,Ot-1)]，学习一个函数f(·)将历史数据中每个区域的进入量和流出量映射得到下一个时间步的进入量和流出量
使得
所述(It,Ot)为下一个时间步t的真实流量值，根据验证集选取均方根误差最小的模型作为最终的预测模型，基于测试集采用所述最终的预测模型进行预测，对输出结果进行反向归一化，得到最终的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148344.6A CN110991713B (zh) | 2019-11-21 | 2019-11-21 | 基于多图卷积和gru的不规则区域流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911148344.6A CN110991713B (zh) | 2019-11-21 | 2019-11-21 | 基于多图卷积和gru的不规则区域流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991713A CN110991713A (zh) | 2020-04-10 |
| CN110991713B true CN110991713B (zh) | 2022-04-01 |
Family
ID=70085720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911148344.6A Active CN110991713B (zh) | 2019-11-21 | 2019-11-21 | 基于多图卷积和gru的不规则区域流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991713B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639787B (zh) * | 2020-04-28 | 2024-03-15 | 北京工商大学 | 一种基于图卷积网络的时空数据预测方法 |
| US11815360B2 (en) | 2020-04-30 | 2023-11-14 | Grabtaxi Holdings Pte. Ltd. | Method for predicting the destination location of a vehicle |
| CN111583263B (zh) * | 2020-04-30 | 2022-09-23 | 北京工业大学 | 一种基于联合动态图卷积的点云分割方法 |
| CN111651504B (zh) * | 2020-06-03 | 2021-10-08 | 湖南大学 | 基于深度学习的多元时间序列多层时空依赖建模方法 |
| CN111695679B (zh) * | 2020-06-09 | 2023-12-29 | 北京百度网讯科技有限公司 | 出入量的预测方法、装置、电子设备及存储介质 |
| CN111882925A (zh) * | 2020-07-27 | 2020-11-03 | 交通运输部水运科学研究所 | 基于信息传播图与递归神经网络的航运交通流预测*** |
| CN112200351A (zh) * | 2020-09-24 | 2021-01-08 | 深圳市综合交通运行指挥中心 | 一种基于手机信令数据的城市区域客流量预测方法 |
| CN112562312B (zh) * | 2020-10-21 | 2022-10-28 | 浙江工业大学 | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 |
| CN112419710B (zh) * | 2020-10-22 | 2022-07-26 | 深圳云天励飞技术股份有限公司 | 交通拥堵数据预测方法、装置、计算机设备及存储介质 |
| CN112561118B (zh) * | 2020-10-29 | 2022-09-02 | 北京水慧智能科技有限责任公司 | 一种基于gru神经网络的市政管网水流量预测方法 |
| CN112383516A (zh) * | 2020-10-29 | 2021-02-19 | 博雅正链(北京)科技有限公司 | 图神经网络构建方法、基于图神经网络的异常流量检测方法 |
| CN112801355B (zh) * | 2021-01-20 | 2022-05-24 | 南京航空航天大学 | 基于长短期时空数据多图融合时空注意力的数据预测方法 |
| CN112819213B (zh) * | 2021-01-22 | 2022-06-14 | 华南理工大学 | 基于深度学习网络的高速公路货运量预测方法及*** |
| CN112911626B (zh) * | 2021-02-01 | 2022-05-31 | 福州大学 | 基于多图卷积的无线网络流量预测方法 |
| CN114358375B (zh) * | 2021-11-29 | 2024-05-24 | 重庆邮电大学 | 一种基于大数据的人群密度预测方法及*** |
| CN114358213B (zh) * | 2022-03-08 | 2022-06-10 | 湖南大学 | 非线性时序数据预测的误差消融处理方法及***与介质 |
| 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 |
| CN115018553B (zh) * | 2022-06-30 | 2024-05-07 | 东南大学 | 基于深度学习的区域物流单量预测***及方法 |
| CN116405976B (zh) * | 2023-06-06 | 2023-09-22 | 中国民用航空飞行学院 | 基于ads-b的数据双向通信优化方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
| WO2018155397A1 (ja) * | 2017-02-24 | 2018-08-30 | 株式会社日立製作所 | 混雑予測システムおよび歩行者シミュレーション装置 |
| CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机***有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
| CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
-
2019
- 2019-11-21 CN CN201911148344.6A patent/CN110991713B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018155397A1 (ja) * | 2017-02-24 | 2018-08-30 | 株式会社日立製作所 | 混雑予測システムおよび歩行者シミュレーション装置 |
| CN107967532A (zh) * | 2017-10-30 | 2018-04-27 | 厦门大学 | 融合区域活力的城市交通流量预测方法 |
| CN109389244A (zh) * | 2018-09-06 | 2019-02-26 | 浙江鸿程计算机***有限公司 | 一种基于gru的多因素感知短期景区内游客人数预测方法 |
| CN110119482A (zh) * | 2019-05-13 | 2019-08-13 | 杭州电子科技大学 | 基于poi和多源移动数据集的人群出行模式可视分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于卷积循环神经网络的城市区域车流量预测模型;薛佳瑶等;《信息工程大学学报》;20190415(第02期);全文 * |
| 基于多图卷积网络和门控循环单元的不规则区域交通流量预测（英文）;僧德文 等;《Frontiers of Information Technology & Electronic Engineering》;20210729;全文 * |
| 基于门控循环单元的多因素感知短期游客人数预测模型;王敬昌 等;《浙江大学学报（工学版）》;20190906;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991713A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991713B (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
| Lin et al. | Quantifying uncertainty in short-term traffic prediction and its application to optimal staffing plan development | |
| CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
| CN110827543A (zh) | 一种基于深度学习和时空数据融合的短时交通流控制方法 | |
| CN112489426B (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
| CN111612243A (zh) | 交通速度预测方法、***及存储介质 | |
| CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
| Minglei et al. | Classified real-time flood forecasting by coupling fuzzy clustering and neural network | |
| CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
| CN115578851A (zh) | 一种基于mgcn的交通预测方法 | |
| CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
| CN111242292A (zh) | 基于深度时空网络的od数据预测方法及*** | |
| US20240143999A1 (en) | Multi-modal data prediction method based on causal markov model | |
| CN114572229B (zh) | 一种基于图神经网络的车速预测方法、装置、介质及设备 | |
| CN113327417A (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
| CN115376317A (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
| CN116913098B (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 | |
| KR100540009B1 (ko) | 신경망을 이용한 물수요 예측 방법 | |
| CN116227738B (zh) | 一种电网客服话务量区间预测方法及*** | |
| CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
| CN115589369A (zh) | 一种基于双注意力机制的基站流量预测方法及*** | |
| CN117037461A (zh) | 一种基于多权重图三维卷积的路网交通拥堵预测方法 | |
| CN113869990A (zh) | 基于时空表示学习模型的商铺租赁定价方法 |
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 |