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 PDF

Info

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
Application number
CN202010164538.1A
Other languages
English (en)
Inventor
武志昊
林友芳
万怀宇
韩升
王晶
张硕
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202010164538.1A priority Critical patent/CN111489013A/zh
Publication of CN111489013A publication Critical patent/CN111489013A/zh
Pending legal-status Critical Current

Links

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

一种基于时空多图卷积网络的交通站点流量预测方法
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
Figure BDA0002406940990000021
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：
Figure BDA0002406940990000031
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：
Figure BDA0002406940990000032
Figure BDA0002406940990000033
其中，
Figure BDA0002406940990000034
表示在时间区间tf内从站点vi进入网络或从站点vj离开网络的流量值，
Figure BDA0002406940990000035
表示在时间区间tf内从站点vj进入网络或从站点vi离开网络的流量值；
保留大于流量均值的边，则流通流量图为：
Figure BDA0002406940990000036
Figure BDA0002406940990000037
Figure BDA0002406940990000038
Figure BDA0002406940990000039
其中，
Figure BDA00024069409900000310
表示在时间区间tf内站点之间的平均流通流量。
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：
Figure BDA00024069409900000311
时间区间t内，站点v上产生的流出流量表达式为：
Figure BDA00024069409900000312
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
Figure BDA00024069409900000313
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，
Figure BDA0002406940990000041
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。
作为本发明实施例的一个优选方案，所述步骤4进一步为：分别用
Figure BDA0002406940990000042
与
Figure BDA0002406940990000043
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
Figure BDA0002406940990000044
表示最终的预测结果，使用哈达玛乘积 将两张图上的预测结果进行融合，表达式为：
Figure RE-GDA00025322683400000411
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：
Figure BDA0002406940990000061
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
Figure BDA0002406940990000062
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：
Figure BDA0002406940990000063
Figure BDA0002406940990000071
其中，
Figure BDA0002406940990000072
表示在时间区间tf内从站点vi进入网络或从站点vj离开网络的流量值，
Figure BDA0002406940990000073
表示在时间区间tf内从站点vj进入网络或从站点vi离开网络的流量值。
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：
Figure BDA0002406940990000074
Figure BDA0002406940990000075
Figure BDA0002406940990000076
Figure BDA0002406940990000077
其中，
Figure BDA0002406940990000078
表示在时间区间tf内站点之间的平均流通流量。
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
Figure RE-GDA0002532268340000079
中的多个时间片进行重要程度建模。用
Figure RE-GDA00025322683400000710
表示
Figure RE-GDA00025322683400000711
中的一个数据帧，首先对Xt进行切比雪夫图卷积操作
Figure RE-GDA00025322683400000712
得到
Figure RE-GDA00025322683400000713
K表示图卷积核的大小，此时
Figure RE-GDA00025322683400000714
中的每个结点中包含有相邻结点的信息，然后将
Figure RE-GDA00025322683400000715
进行拼接得到
Figure RE-GDA00025322683400000716
即
Figure RE-GDA00025322683400000717
这样，
Figure RE-GDA00025322683400000718
中每个结点特征信息中包含有其上下文信息。
步骤S3012，基于
Figure BDA00024069409900000713
构造上下文门控单元，使用全局平均法对每一个数据帧的信息进行 聚合，得到向量
Figure BDA00024069409900000714
即
Figure BDA00024069409900000715
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
Figure BDA00024069409900000716
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
Figure BDA0002406940990000081
其中
Figure BDA0002406940990000082
步骤S302，分别基于邻居图与流通流量图对
Figure BDA0002406940990000083
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
Figure RE-GDA0002532268340000081
与
Figure RE-GDA0002532268340000082
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
Figure RE-GDA0002532268340000083
表示最终的预测结果，为了刻画
Figure RE-GDA0002532268340000084
与
Figure RE-GDA0002532268340000085
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
Figure RE-GDA0002532268340000086
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：
Xt∈RN×2，其中
Figure BDA00024069409900000811
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，
Figure BDA00024069409900000812
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
Figure BDA0002406940990000091
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
Figure BDA0002406940990000092
其 中Td为Tp的倍数，控制日周期片段的个数。周周期片段
Figure BDA0002406940990000093
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。
2.根据权利要求1所述的交通站点流量预测方法，其特征在于，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，边集中的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邻居图中的表示边集，边代表站点之间的相邻关系，AN为邻接矩阵；且
Figure FDA0002406940980000011
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。
4.根据权利要求3所述的交通站点流量预测方法，其特征在于，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：
Figure FDA0002406940980000021
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
Figure FDA0002406940980000022
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：
Figure FDA0002406940980000023
Figure FDA0002406940980000024
其中，
Figure FDA0002406940980000025
表示在时间区间tf内从站点vi进入网络或从站点vj离开网络的流量值，
Figure FDA0002406940980000026
表示在时间区间tf内从站点vj进入网络或从站点vi离开网络的流量值；
保留大于流量均值的边，则流通流量图为：
Figure FDA0002406940980000027
Figure FDA0002406940980000028
Figure FDA0002406940980000029
Figure FDA00024069409800000210
其中，
Figure FDA00024069409800000211
表示在时间区间tf内站点之间的平均流通流量。
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。
7.根据权利要求6所述的交通站点流量预测方法，其特征在于，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，
Figure FDA0002406940980000031
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。
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S302，分别基于邻居图与流通流量图对
Figure FDA0002406940980000032
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。
10.根据权利要求9所述的交通站点流量预测方法，其特征在于，所述步骤4进一步为：分别用
Figure RE-FDA0002532268330000038
与
Figure RE-FDA0002532268330000039
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
Figure RE-FDA00025322683300000310
表示最终的预测结果，使用哈达玛乘积将两张图上的预测结果进行融合，表达式为：
Figure RE-FDA00025322683300000311
其中⊙表示哈达玛乘积，WN与WF为参数张量。
CN202010164538.1A 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 Pending CN111489013A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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