CN111489013A - 一种基于时空多图卷积网络的交通站点流量预测方法 - Google Patents
一种基于时空多图卷积网络的交通站点流量预测方法 Download PDFInfo
- Publication number
- CN111489013A CN111489013A CN202010164538.1A CN202010164538A CN111489013A CN 111489013 A CN111489013 A CN 111489013A CN 202010164538 A CN202010164538 A CN 202010164538A CN 111489013 A CN111489013 A CN 111489013A
- Authority
- CN
- China
- Prior art keywords
- traffic
- time
- flow
- space
- graph
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000003442 weekly effect 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于时空多图卷积的交通站点流量预测方法,用以解决现有技术中交通站点流量预测的特征捕获能力及预测精度不高的问题。所述交通站点流量预测方法,首先构建邻居图和流通流量图,并分别构建卷积组件及捕获站点流量的时空特征输出映射为与待预测结果形状相同的流量值,对两个组件融合,得到基于上下文门控的时空多图卷积网络模型;再根据站点出入流量数据构建训练及测试数据,得到成熟时空多图卷积网络模型,完成站点流量预测。本发明将多图卷积应用于交通站点流量数据的深度挖掘,从空间维度与时间维度出发,充分捕获交通站点流量的时空特征,全面考虑用于预测交通站点出入流量的各种因素,提高交通站点流量预测精度。
Description
技术领域
本发明属于智能交通领域,具体涉及一种基于时空多图卷积的交通站点流量预测方法。
背景技术
随着城市的不断发展,交通也越来越智能化。交通流量预测是智能交通***的重要组成 部分。生活中存在多种交通站点,如城市地铁站、高速公路收费站、民航机场等,站点的交 通拥堵情况与整个交通网络的正常运转息息相关,也会影响到旅客的正常出行。如果能对交 通站点的出入流量进行有效预测,有利于保证整个交通网络的正常运转,提前采取措施避免 交通拥堵,减少安全隐患,便于旅客合理地安排出行,规划出行路线,并助力智能交通*** 的发展。
目前,交通流量预测有三类方法,包括经典时间序列预测方法、传统机器学***均自回归模型(ARIMA)及其变体模型。这些方法主要通过从交通流量的时间序 列中挖掘出时间维度上的规律进行预测,一般要求时间序列具有一定的周期性或规律性,因 此预测效果不佳。传统机器学习方法主要通过构建集成模型,如将经验模式分解(Empirical model decomposition)与BP神经网络相结合用于预测地铁人流量,再如将小波支持向量机 (Wavelet-SVM)用于地铁的短期流量预测,但该方法仅考虑了序列的时间维属性,未考虑交通 流量序列之间的空间相关性。深度学习预测方法克服了前两种方法的不足,是一种较理想的 交通流量预测方法。
现有技术中,其中一种深度学习预测方法,通过将城市区域划分成等大小的网格来计算 区域人流量,并设计了基于残差单元的模型ST-ResNet用于预测各区域的人流量,取得了很 好的预测效果。上述方法虽然能够有效捕捉各区域流量之间的时空相关性,但是只能处理欧 几里得结构数据,并不适用于非欧几里得结构数据。还有一种深度学习预测方法,通过分别 使用图卷积和门控卷积捕捉高速高速公路上各路段车速的时空依赖性,构建了一种时空图卷 预测模型,但是该模型忽略了流量的周期性。另外,通过建模待预测流量与近期流量、日周 期流量以及周周期流量之间的关系同时采用时空注意力机制,用于捕获结点交通流量之间的 时空相关性,但是该模型忽略了不同周期流量之间的相关性,也存在一定的不足。为了解决 传统卷积神经网络在图数据上的局限性,图卷积技术应运而生。
发明内容
为了提高交通站点流量预测的特征捕获能力及预测精度,本发明实施例提出了一种基于 时空多图卷积网络的交通站点流量预测方法,从空间维度与时间维度出发,充分捕获交通站 点流量的时空特征,全面考虑用于预测交通站点出入流量的各种因素,充分捕获特征,提高 交通站点流量预测精度。
本发明实施例采用如下技术方案:
一种基于时空多图卷积的交通站点流量预测方法,所述交通站点流量预测方法,包括如 下步骤:
步骤S1,根据站点与站点之间是否有直连的线路,判断站点之间是否物理位置相邻,从 而构建交通网络中的邻居图;
步骤S2,取交通网络在预设周期内生成的所有出入交通网络记录,计算站点之间在所述 周期内的流通流量,构建流通流量图;
步骤S3,分别在所述邻居图和所述流通流量图上上构建邻居图-时空图卷积组件和流通 流量图-时空图卷积组件,并分别捕获站点流量的时空特征,然后在两个组件后分别接入全连 接层,将两个组件所捕获的时空特征输出映射为与待预测结果形状相同的流量值;
步骤S4,将两个组件的全连接层后面接入融合模块,在融合模块中,将两个组件全连接 层的输出进行融合,作为做种的预测结果,至此,得到了完整的基于上下文门控的时空多图 卷积网络模型;
步骤S5,取预定时间段内的交通网络站点出入流量数据,构造训练集和测试集,将训练 集输入所述基于上下文门控的时空多图卷积网络模型,对模型进行训练,并采用测试集进行 测试;训练并测试完成后,得到成熟的基于上下文门控的时空多图卷积网络模型;
步骤S6,使用成熟的基于上下文门控的时空多图卷积网络模型,对交通站点流量进行预 测。
作为本发明实施例的一个优选方案,所述交通网络G是站点v及其关系的函数, G=(V,E,A),E表示交通网络中的边集,边代表站点之间存在直连的线路,V表示其中所有 站点,v∈V,|V|=N表示交通网络中的站点个数,A为邻接矩阵;
邻居图GN表示站点间的位置相邻关系,GN=(V,EN,AN),EN表示邻居图中的边集,边代 表站点之间的相邻关系,AN为邻接矩阵;且
作为本发明实施例的一个优选方案,所述步骤S2中出入交通网络记录,包括个体p从站 点v进出网络产生的每一条记录和个体连续进出一次网络产生的记录组;其中,四元组Tk(p,v,τ,κ),表示个体p从站点v进出网络产生的一条记录,其中p为个体标识,v为站点标 识,τ为时间标识,κ为进出标识,κ∈{in,out},k∈N表示记录序号;二元组Tio(Tk,Tk+1),表示某个体连续进出一次网络产生的记录组,其中Tk·κ=in,Tk+1·κ=out,Tk·p=Tk+1·p, Tk·τ<Tk+1·τ。
作为本发明实施例的一个优选方案,所述流通流量图GF表示站点间流通流量关系,表达 式为GF=(V,EF,AF),其中,EF表示流通流量图中的边集,边代表流量强弱关系,AF为邻接矩 阵;且:
作为本发明实施例的一个优选方案,所述取交通网络在预设周期内生成的所有出入交通 网络记录,计算站点之间在所述周期内的流通流量,基于时空多图卷积神经网络,构建流通 流量图,进一步为:
取一段历史时间区间tf=[tstart,tend]出入交通网络记录,用Δtf=tstart-tend表示时间区间tf的长度,计算tf内站点之间的流通流量大小,用Fij f表示站点vi与vj在时间区间tf内的流通流 量值,则流通流量为:
保留大于流量均值的边,则流通流量图为:
作为本发明实施例的一个优选方案,所述站点出入流量,时间区间t内,站点v上产生的 流入流量表达式为:
时间区间t内,站点v上产生的流出流量表达式为:
所有站点在时间区间t内的出入流量表示为张量:
其中,t=[tstart,tend)表示某个时间区间,Δt=tstart-tend表示区间长度。
作为本发明实施例的一个优选方案,所述取一段时间内的交通网络站点出入流量数据, 构造所述邻居图和流通流量图的训练集和测试集,进一步为:
确定Tp个待预测的时间区间,表示Tp个待预测的区间值, 用Xh表示待预测目标的近期片段,用Xd表示待预测目标的日周期片段,用Xw表示待预测目 标的周周期片段,将Xh、Xd以及Xw在时间维度进行拼接得到X,作为模型的训练集或测试 集;
其中,所述待预测时间段不能与用于构建流通流量图的时间段有交叉。
作为本发明实施例的一个优选方案,所述步骤S3中,邻居图-时空图卷积组件和流通流 量图-时空图卷积组件,每个时空图卷积组件中包含有多个基于上下文门控的时空卷积单元。
作为本发明实施例的一个优选方案,所述分别在两种图结构上构建邻居图-时空图卷积组 件和流通流量图-时空图卷积组件,包括如下步骤:
步骤S301,分别在两个时空图卷积组件中构建基于上下文门控的图卷积模块,两个时空 图卷积组件的结构相同,均由多个基于上下文门控的时空图卷积模块串行组成;
步骤S302,分别基于邻居图与流通流量图对X中时间维的每个数据帧进行图卷积操作, 捕获站点流量之间的邻近相关性与流通流量依赖性,使每个站点的流量特征中已经包含有对 应图上相邻站点的特征信息;
步骤S303,使用时间维度的二维卷积捕获站点流量的时空特征;
步骤S304,将所捕获的站点流量的时空特征再输入到同样结构的基于上下文的时空图卷 积模块中,进一步捕获站点流量的高阶时空特征;
步骤S305,分别使用全连接层将两个时空图卷积组件中最后一个基于上下文门控的时空 图卷积模块的输出映射为预测结果。
其中⊙表示哈达玛乘积,WN与WF为参数张量。
本发明具有如下有益效果:
本发明实施例基于时空多图卷积的交通站点流量预测方法,将时空多图卷积应用于交通 站点流量数据的深度挖掘,构建邻居图-时空图卷积组件和流通流量图-时空图卷积组件,通过 两个卷积组件捕获待预测时间段内的时空特征,再对所捕获的时空特征进行融合从而得到交 通站点流量预测结果。本发明实施例从空间维度与时间维度出发,充分捕获交通站点流量的 时空特征,全面考虑用于预测交通站点出入流量的各种因素,提高交通站点流量预测精度, 有利于旅客根据准确的站点流量预测结果进行合理化的出行安排,避免交通拥堵,减少安全 隐患。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图 作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普 通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于时空多图卷积网络的交通站点流量预测方法流程图;
图2为本发明实施例中时间维度的二维卷积示意图;
图3为本发明实施例中待预测目标的多周期片段拼接示意图。
具体实施方式
下面通过参考示范性实施例,对本发明技术问题、技术方案和优点进行详细阐明。以下 所述示范性实施例仅用于解释本发明,而不能解释为对本发明的限制。本技术领域技术人员 可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明 所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义 的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非在这里进 行定义,否则不会用理想化或过于正式的含义来解释。
针对交通站点的智能化,本发明提供了一种基于时空多图卷积的交通站点流量预测方法。 时空多图卷积神经网络是深度学习神经网络的一种,将图卷积应用于时空数据挖掘。其中图 卷积方法主要有两种,第一种是基于空间的方法,将结点重新排列成网格形式从而满足传统 卷积神经网络的输入;第二种是基于谱图理论的方法,在谱域对图信号进行卷积操作。本发 明从空间维度与时间维度出发,充分捕获交通站点流量的时空特征,解决现有技术用于预测 交通站点出入流量考虑因素不周全、特征捕获不足、预测精度不高等问题。
下面结合附图,通过具体的实施例对本发明作进一步详细的说明。
本发明实施例提供了一种基于时空多图卷积的交通站点流量预测方法,图1所示为所述 基于时空多图卷积的交通站点流量预测方法流程图。如图1所示,所述交通站点流量预测方 法,包括如下步骤:
步骤S1,根据站点与站点之间是否有直连的线路,判断站点之间是否物理位置相邻,从 而构建交通网络中的邻居图。
步骤S2,取交通网络在预设周期内生成的所有出入交通网络记录,计算站点之间在所述 周期内的流通流量,构建流通流量图。
步骤S3,分别在所述邻居图和所述流通流量图上构建邻居图-时空图卷积组件和流通流 量图-时空图卷积组件,并分别捕获站点流量的时空特征,然后在两个组件后分别接入全连接 层,将各组件所捕获的时空特征输出映射为与待预测结果形状相同的流量值;
步骤S4,将两个组件的全连接层后面接入融合模块,在融合模块中,将两个组件全连接 层的输出进行融合,作为做种的预测结果,至此,得到了完整的基于上下文门控的时空多图 卷积网络模型;
步骤S5,取预定时间段的交通网络站点出入流量数据,构造训练集和测试集,将训练集 输入构建的基于上下文门控的时空多图卷积网络模型,对模型进行训练,并采用测试集进行 测试;训练并测试完成后,得到成熟的基于上下文门控的时空多图卷积网络模型;
步骤S6,使用成熟的基于上下文门控的时空多图卷积网络模型,对交通站点流量进行预 测。
所述步骤S1中,交通网络G是站点v及其关系的函数,G=(V,E,A),E表示交通网络中 的边集,边代表站点之间存在直连的线路,V表示其中所有站点,v∈V,|V|=N表示交通网络 中的站点个数,A为邻接矩阵。
根据交通网络图获得站点之间的相邻关系,从而构建邻居图GN,GN=(V,EN,AN),EN表 示邻居图中的边集,边代表站点之间的相邻关系,AN为邻接矩阵,表示为:
所述步骤S2中,所述出入交通网络记录,指个体p从站点v进出网络产生的每一条记录 和个体连续进出一次网络产生的记录组;其中,四元组Tk(p,v,τ,κ),表示个体p从站点v进 出网络产生的一条记录,其中p为个体标识,v为站点标识,τ为时间标识,κ为进出标识, κ∈{in,out}。k∈N表示记录序号,若某个体多次进出网络则有记录链T0→T1→…Tk→…; 二元组Tio(Tk,Tk+1),表示某个体连续进出一次网络产生的记录组,其中Tk·κ=in,Tk+1·κ=out, Tk·p=Tk+1·p,Tk·τ<Tk+1·τ。
所述流通流量图GF表示站点间流通流量关系,表达式为GF=(V,EF,AF),其中,EF表示流 通流量图中的边集,边代表流量强弱关系,AF为邻接矩阵。这里的流通流量,包括站点间的 所有方向的流量。
所述取交通网络在预设周期内生成的所有出入交通网络记录,计算站点之间在所述周期 内的流通流量,基于时空多图卷积神经网络,构建流通流量图,进一步为:
取一段历史时间区间tf=[tstart,tend]出入交通网络记录,用Δtf=tstart-tend表示时间区间tf的长度,计算tf内站点之间的流通流量大小,用表示站点vi与vj在时间区间tf内的流通流 量值,则流通流量为:
式(2-1)至(2-3)中,为了控制图的稀疏性,减少计算量,仅保留大于流量均值的边, 则流通流量图为:
步骤S3中,所述邻居图-时空图卷积组件和流通流量图-时空图卷积组件,每个时空图卷 积组件中包含有多个基于上下文门控的时空卷积单元。
所述分别在两种图结构上构建邻居图-时空图卷积组件和流通流量图-时空图卷积组件, 包括如下步骤:
步骤S301,分别在两个时空图卷积组件中构建基于上下文门控的图卷积模块,两个时空 图卷积组件的结构相同,均由多个基于上下文门控的时空图卷积模块串行组成。
具体包括如下步骤:
步骤S3011,在每个基于上下文门控的时空图卷积中,使用基于上下文的门控单元,对中的多个时间片进行重要程度建模。用表示中的一个数据帧,首先对Xt进行切比雪夫图卷积操作得到K表示图卷积核的大小,此时中的每个结点中包含有相邻结点的信息,然后将进行拼接得到即这样,中每个结点特征信息中包含有其上下文信息。
步骤S3013,基于上下文信息向量z运用注意力机制,得到门控向量即令s=σ(W2δ(W1z)),其中W1与W2是参数矩阵,σ表示激活函数ReLU,δ表示激活函数sigmoid。 最后用门控向量s对X进行缩放得到其中
步骤S302,分别基于邻居图与流通流量图对中时间维的每个数据帧进行图卷积操作, 分别用于捕获站点流量之间的邻近相关性与流通流量依赖性。使用ReLU作为图卷积层的激 活函数。此时,每个站点的流量特征中已经包含有对应图上相邻站点的特征信息。
步骤S303,使用时间维度的二维卷积捕获站点流量的时空特征。
图2为时间维度的二维卷积示意图。如图2所示,使用二维卷积沿着时间的方向对各个 站点不同时间片的特征进行卷积操作,其中为了减少参数,各个站点之间共享卷积核参数。
步骤S304,将所捕获的站点流量的时空特征再输入到同样结构的基于上下文的时空图卷 积模块中,进一步捕获站点流量的高阶时空特征。
步骤S305,分别使用全连接层将两个时空图卷积组件中最后一个基于上下文门控的时空 图卷积模块的输出映射为预测结果。为了减少参数,避免过拟合,同一个时空图卷积组件中, 各个站点共享同一个全连接层。
所述步骤S4进一步为:分别用与表示在邻居图与流通流量图上经过全连接层得到 的预测结果,用表示最终的预测结果,为了刻画与对预测目标的不同影响程度,使用 哈达玛乘积将两张图上的预测结果进行融合,即其中⊙表示哈达玛乘 积,WN与WF为参数张量。
所述步骤S5中,所述站点出入流量,时间区间t内,站点v上产生的流入流量表达式为:
xt in,v=|{Tk(p,v,τ,κ)|Tk·κ=in∧Tk·v=v∧Tk·τ∈t}|; (4-1)
时间区间t内,站点v上产生的流出流量表达式为:
xt out,v=|{Tk(p,v,τ,κ)|Tk·κ=out∧Tk·v=v∧Tk·τ∈t}| (4-2)
其中,t=[tstart,tend)表示某个时间区间,Δt=tstart-tend表示区间长度。
将所有站点在时间区间t内的出入流量表示为张量:
所述取一段时间内的交通网络站点出入流量数据,构造所述邻居图和流通流量图的训练 集和测试集,进一步为:
确定Tp个待预测的时间区间,表示Tp个待预测的区间值, 用Xh表示待预测目标的近期片段,用Xd表示待预测目标的日周期片段,用Xw表示待预测目 标的周周期片段,将Xh、Xd以及Xw在时间维度进行拼接,作为模型训练集的输入。图3为待预测目标的多周期片段拼接示意图。如图3所示,将待预测目标的周周期片段、日周期片段、近期片段按照时间先后的顺序在时间维度上进行拼接。
采用同样的方法构造测试集。
下面以测试集为例,对构造数据集过程作进一步详细描述。
假设每个时间区间取M分钟,则每天共有24×60/M个时间区间值,记q=24×60/M,则近期片段其中Tr为Tp的整数倍,控制近期片段序列的长度。日周期片段其 中Td为Tp的倍数,控制日周期片段的个数。周周期片段其 中Tw为Tp的倍数,控制周周期片段的个数。整个模型的输入为X=[Xw,Xd,Xh]。
构造训练集时,所述待预测时间段不能与用于构建流通流量图的时间段有交叉。
由以上技术方案可以看出,本实施例基于时空多图卷积的交通站点流量预测方法,将多 图卷积应用于交通站点流量数据的深度挖掘,构建邻居图-时空图卷积组件和流通流量图-时 空图卷积组件,通过两个卷积组件捕获待预测时间段内的时空特征,再对所捕获的时空特征 进行融合从而得到交通站点流量预测结果。本发明实施例从空间维度与时间维度出发,充分 捕获交通站点流量的时空特征,全面考虑用于预测交通站点出入流量的各种因素,提高交通 站点流量预测精度。
以上所述是本发明的优选实施方式,应当指出,本发明并不受限于以上所公开的示范性 实施例,说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。对于本技 术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,在本发明揭露的技术范围 做出的若干改进和润饰、可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于时空多图卷积的交通站点流量预测方法,其特征在于,所述交通站点流量预测方法,包括如下步骤:
步骤S1,根据站点与站点之间是否有直连的线路,判断站点之间是否物理位置相邻,从而构建交通网络中的邻居图;
步骤S2,取交通网络在预设周期内生成的所有出入交通网络记录,计算站点之间在所述周期内的流通流量,构建流通流量图;
步骤S3,分别在所述邻居图和所述流通流量图上构建邻居图-时空图卷积组件和流通流量图-时空图卷积组件,捕获站点流量的时空特征,然后在两个组件后分别接入全连接层,将两个组件所捕获的时空特征输出映射为与待预测结果形状相同的流量值;
步骤S4,将两个组件的全连接层后面接入融合模块,在融合模块中,将两个组件全连接层的输出进行融合,作为做种的预测结果,至此,得到了完整的基于上下文门控的时空多图卷积网络模型;
步骤S5,取一段时间内的交通网络站点出入流量数据,构造训练集和测试集,将训练集输入构建的基于上下文门控的时空多图卷积网络模型,对模型进行训练,并采用测试集进行测试;训练并测试完成后,得到成熟的基于上下文门控的时空多图卷积网络模型;
步骤S6,使用成熟的基于上下文门控的时空多图卷积网络模型,对交通站点流量进行预测。
3.根据权利要求2所述的交通站点流量预测方法,其特征在于,所述步骤S2中出入交通网络记录,包括个体p从站点v进出网络产生的每一条记录和个体连续进出一次网络产生的记录组;其中,四元组Tk(p,v,τ,κ),表示个体p从站点v进出网络产生的一条记录,其中p为个体标识,v为站点标识,τ为时间标识,κ为进出标识,κ∈{in,out},k∈N表示记录序号;二元组Tio(Tk,Tk+1),表示某个体连续进出一次网络产生的记录组,其中Tk·κ=in,Tk+1·κ=out,Tk·p=Tk+1·p,Tk.τ<Tk+1·τ。
5.根据权利要求4所述的交通站点流量预测方法,其特征在于,所述取交通网络在预设周期内生成的所有出入交通网络记录,计算站点之间在所述周期内的流通流量,基于时空多图卷积神经网络,构建流通流量图,进一步为:
取一段历史时间区间tf=[tstart,tend]出入交通网络记录,用Δtf=tstart-tend表示时间区间tf的长度,计算tf内站点之间的流通流量大小,用表示站点vi与vj在时间区间tf内的流通流量值,则流通流量为:
保留大于流量均值的边,则流通流量图为:
6.根据权利要求5所述的交通站点流量预测方法,其特征在于,所述站点出入流量,时间区间t内,站点v上产生的流入流量表达式为:
xt in,v=|{Tk(p,v,τ,κ)|Tk.κ=in∧Tk.v=v∧Tk.τ∈t}|; (4-1)
时间区间t内,站点v上产生的流出流量表达式为:
xt out,v=|{Tk(p,v,τ,κ)|Tk.κ=out∧Tk.v=v∧Tk.τ∈t}| (4-2)
所有站点在时间区间t内的出入流量表示为张量:
Xt∈RN×2,其中(Xt)v,0=xt in,v,(Xt)v,1=xt out,v (5)
其中,t=[tstart,tend)表示某个时间区间,Δt=tstart-tend表示区间长度。
8.根据权利要求7所述的交通站点流量预测方法,其特征在于,所述步骤S4中邻居图-时空图卷积组件和流通流量图-时空图卷积组件,每个时空图卷积组件中包含有多个基于上下文门控的时空卷积单元。
9.根据权利要求8所述的交通站点流量预测方法,其特征在于,所述构建邻居图-时空图卷积组件和流通流量图-时空图卷积组件,包括如下步骤:
步骤S301,分别在两个时空图卷积组件中构建基于上下文门控的图卷积模块,两个时空图卷积组件的结构相同,均由多个基于上下文门控的时空图卷积模块串行组成;
步骤S303,使用时间维度的二维卷积捕获站点流量的时空特征;
步骤S304,将所捕获的站点流量的时空特征再输入到同样结构的基于上下文的时空图卷积模块中,进一步捕获站点流量的高阶时空特征;
步骤S305,分别使用全连接层将两个时空图卷积组件中最后一个基于上下文门控的时空图卷积模块的输出映射为预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164538.1A CN111489013A (zh) | 2020-03-11 | 2020-03-11 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010164538.1A CN111489013A (zh) | 2020-03-11 | 2020-03-11 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489013A true CN111489013A (zh) | 2020-08-04 |
Family
ID=71794292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010164538.1A Pending CN111489013A (zh) | 2020-03-11 | 2020-03-11 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489013A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815956A (zh) * | 2020-09-11 | 2020-10-23 | 浙江高速信息工程技术有限公司 | 一种高速公路交通流量预测方法 |
CN111913946A (zh) * | 2020-08-11 | 2020-11-10 | 上海海事大学 | 一种公共自行车取还车需求量预测***、方法及装置 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN112257920A (zh) * | 2020-10-20 | 2021-01-22 | 北京工商大学 | 一种可直接捕获时空相关性的时空数据预测方法 |
CN112365708A (zh) * | 2020-09-29 | 2021-02-12 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,***,电子设备及可读存储介质 |
CN112990555A (zh) * | 2021-02-24 | 2021-06-18 | 上海交通大学 | 基于时空并行栅格神经网络的地铁人流量预测方法及*** |
CN114117064A (zh) * | 2021-11-09 | 2022-03-01 | 西南交通大学 | 一种基于多时间粒度的知识动态演化方法及应用 |
CN114785703A (zh) * | 2022-03-09 | 2022-07-22 | 桂林航天工业学院 | 一种基于图卷积的物联网安全检测方法及*** |
CN114997543A (zh) * | 2022-08-03 | 2022-09-02 | 通号通信信息集团有限公司 | 人流量预测方法、模型训练方法、电子设备、可读介质 |
CN115081717A (zh) * | 2022-06-27 | 2022-09-20 | 北京建筑大学 | 融合注意力机制和图神经网络的轨道交通客流预测方法 |
CN115565369A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种基于超图的时空超图卷积交通流量预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测***、方法及模型训练方法 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
-
2020
- 2020-03-11 CN CN202010164538.1A patent/CN111489013A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110674987A (zh) * | 2019-09-23 | 2020-01-10 | 北京顺智信科技有限公司 | 一种交通流量预测***、方法及模型训练方法 |
Non-Patent Citations (1)
Title |
---|
荣斌 等: ""基于时空多图卷积网络的交通站点流量预测"", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/31.1289.TP.20191205.1708.007.HTML》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913946A (zh) * | 2020-08-11 | 2020-11-10 | 上海海事大学 | 一种公共自行车取还车需求量预测***、方法及装置 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN111815956A (zh) * | 2020-09-11 | 2020-10-23 | 浙江高速信息工程技术有限公司 | 一种高速公路交通流量预测方法 |
CN112365708B (zh) * | 2020-09-29 | 2022-04-19 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
CN112365708A (zh) * | 2020-09-29 | 2021-02-12 | 西北大学 | 基于多图卷积网络的景区交通量预测模型建立和预测方法 |
CN112257920A (zh) * | 2020-10-20 | 2021-01-22 | 北京工商大学 | 一种可直接捕获时空相关性的时空数据预测方法 |
CN112488185A (zh) * | 2020-11-27 | 2021-03-12 | 湖南大学 | 包含时空特性的车辆运行参数预测方法,***,电子设备及可读存储介质 |
CN112488185B (zh) * | 2020-11-27 | 2024-04-26 | 湖南大学 | 包含时空特性的车辆运行参数预测方法和*** |
CN112990555A (zh) * | 2021-02-24 | 2021-06-18 | 上海交通大学 | 基于时空并行栅格神经网络的地铁人流量预测方法及*** |
CN114117064B (zh) * | 2021-11-09 | 2023-05-26 | 西南交通大学 | 一种基于多时间粒度的知识动态演化的城市地铁流量预测方法 |
CN114117064A (zh) * | 2021-11-09 | 2022-03-01 | 西南交通大学 | 一种基于多时间粒度的知识动态演化方法及应用 |
CN114785703A (zh) * | 2022-03-09 | 2022-07-22 | 桂林航天工业学院 | 一种基于图卷积的物联网安全检测方法及*** |
CN114785703B (zh) * | 2022-03-09 | 2022-12-13 | 桂林航天工业学院 | 一种基于图卷积的物联网安全检测方法及*** |
CN115081717A (zh) * | 2022-06-27 | 2022-09-20 | 北京建筑大学 | 融合注意力机制和图神经网络的轨道交通客流预测方法 |
CN114997543A (zh) * | 2022-08-03 | 2022-09-02 | 通号通信信息集团有限公司 | 人流量预测方法、模型训练方法、电子设备、可读介质 |
CN114997543B (zh) * | 2022-08-03 | 2023-01-13 | 通号通信信息集团有限公司 | 人流量预测方法、电子设备、可读介质 |
WO2024027362A1 (zh) * | 2022-08-03 | 2024-02-08 | 通号通信信息集团有限公司 | 人流量预测方法、模型训练方法、电子设备、可读介质 |
CN115565369B (zh) * | 2022-09-20 | 2024-04-16 | 北京工商大学 | 一种基于超图的时空超图卷积交通流量预测方法及*** |
CN115565369A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种基于超图的时空超图卷积交通流量预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111489013A (zh) | 一种基于时空多图卷积网络的交通站点流量预测方法 | |
CN112216108B (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN110633871B (zh) | 一种基于卷积长短期记忆网络的区域交通需求预测方法 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、***及电子设备 | |
CN106205126A (zh) | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN113326974B (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
CN115512545B (zh) | 一种基于时空动态图卷积网络的交通速度预测方法 | |
CN113808396B (zh) | 基于交通流量数据融合的交通速度预测方法和*** | |
CN113283581B (zh) | 多融合图网络协同多通道注意力模型及其应用和应用方法 | |
CN114529081A (zh) | 一种时空联合的交通流量预测方法及装置 | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
Ni et al. | STGMN: A gated multi-graph convolutional network framework for traffic flow prediction | |
Dai et al. | Spatio-temporal deep learning framework for traffic speed forecasting in IoT | |
CN111047078A (zh) | 交通特征预测方法、***及存储介质 | |
CN113112793A (zh) | 一种基于动态时空相关性的交通流预测方法 | |
Wei et al. | Dual graph for traffic forecasting | |
CN116311939A (zh) | 基于动态时空相关性的od需求预测方法及*** | |
CN117475638B (zh) | 基于多通道超图卷积网络的交通od客流预测方法及*** | |
CN115565370B (zh) | 一种局部时空图卷积交通流量预测方法及*** | |
CN116258253A (zh) | 一种基于贝叶斯神经网络的车辆od预测方法 | |
La Bruna et al. | Edge-assisted federated learning in vehicular networks | |
CN114566048A (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
Li et al. | Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |