CN111862592A - 一种基于rgcn的交通流预测方法 - Google Patents

Abstract

一种基于RGCN的交通流预测方法，包括以下步骤：步骤1)基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；步骤2)获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；步骤3)将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；步骤4)将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。本发明提高了图卷积网络的鲁棒性，从而提高了交通流预测的准确性。

Description

一种基于RGCN的交通流预测方法

技术领域

本发明涉及一种基于RGCN的交通流预测方法，本发明属于交通预测领域。

背景技术

城市经济水平的提高以及城市规模的扩大，使得人们的生活水平不断提高，因而城市中车辆的数目也在急剧增长，而车辆的增多也带来了许多问题，交通拥堵可以说是首要问题。交通状态预测在合理分配城市道路资源以及缓解交通拥堵问题上起着至关重要的作用。

目前主流的基于数据驱动的交通流预测方法主要有：差分整合移动平均自回归模型、支持向量机、卷积神经网络、长短期记忆神经网络等等，这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等，虽然这些方法均取得较好的预测结果，但是没有对图结构的交通数据进行学习。图卷积网络能够有效地学习图结构的数据，但没能够消除原始数据中的噪声，有不稳定性。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于RGCN(鲁棒图卷积网络)的交通流预测方法。该方法在图卷积层中使用高斯分布去吸收交通流数据中的噪声，提高了图卷积网络的鲁棒性，从而提高了交通流预测的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于RGCN的交通流预测方法，包括以下步骤：

步骤1)基于时间序列相似性构建道路交通网络：基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；

步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；

步骤3)基于道路交通网络和道路交通状态矩阵，使用基于高斯分布的图卷积层提取节点特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；

步骤4)基于高斯分布的图卷积层进行交通流预测：将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

本发明中提出来一种基于RGCN的交通流预测方法，该方法采用高斯分布作为每个卷积层中节点的隐藏表示，可以吸收交通流数据中的随机噪声，提高了图卷积网络的鲁棒性，进而提高了交通流预测的准确性。

本发明的有益效果：本发明通过RGCN模型对交通流数据的学习训练，形成了道路交通流预测模型。本发明根据时间序列相似性构建道路交通网络，从而克服了交通网络地理位置难以获取，实现了交通网络的时空特征有效提取；使用基于高斯分布的图卷积网络进行交通流预测，吸收了交通流数据的噪声，进而提高了道路交通流预测的鲁棒性和精度。

短时交通流预测作为交通流诱导***的重要组成部分，本发明在一定程度上可以有效提高交通流诱导***的性能。此外，该发明也可以作为旅行者出行的有效辅助工具。

附图说明

图1基于RGCN的交通流预测的框架图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1，一种基于RGCN的交通流预测方法，含有以下步骤：

步骤1)基于时间序列相似性构建道路交通网络，过程如下：

针对多条道路交通路段，获取其某一天的时间序列数据，基于时间序列相似性构建道路交通网络，例如：给定两条时间序列数据X＝(x₁,x₂,…,x_n)，Y＝(y₁,y₂,…,y_n)，然后构建距离矩阵M_n×n，其中，M_i,j＝|x_i-y_j|。基于距离矩阵M_n×n构建累积距离矩阵D_n×n，其中，D_i,j＝M_i,j+min(D_i,j-1,D_i-1,j,D_i-1,j-1)，D_n,n是最终距离，对于道路i，选出前d条与其最终距离最小的道路S＝{j,k,…}，即道路i与道路S最相似；

基于时间序列相似性构建道路交通网络图G＝(V,E,A)，V表示节点，E表示连边，A表示交通网络的邻接矩阵，其中，A_ij＝1表示道路i和道路j相似，否则，A_ij＝0；

步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵，过程如下：

2.1：对道路交通流数据进行预处理

对多道路多天的交通流数据进行预处理，使用最大-最小标准化对数据进行归一化，计算表达式如下所示：

其中，x_real为道路的原始流量数据，x_min为道路原始流量数据中的最小值，x_max为道路原始流量数据中的最大值，x为预处理后的道路流量数据；

2.2：构建道路交通流状态矩阵

根据预处理后的道路交通流数据构建道路交通流状态矩阵，道路交通流状态矩阵形式如下：

其中，状态矩阵行向量表示同一时刻不同道路的交通状态，列向量表示同一车道不同时刻的道路交通状态的时间状态，M表示历史交通状态数据的数目，N表示输入矩阵中道路的数目，则x_it表示第i条道路上的在t时刻的交通状态；

步骤3)基于道路交通网络和道路交通状态矩阵，使用基于高斯分布的图卷积层提取节点特征

基于RGCN的道路交通流预测总体框架如图1所示。

在原始的图卷积层得到的隐藏特征使用高斯分布，定义节点v_i在第l层的隐藏特征为：

其中，μ_i ^(l)表示均值向量，diag(σ_i ^(l))表示对角方差矩阵，σ代替σ²表示方差；

所有节点的均值和方差定义为：

M^(l)＝[μ₁ ^(l),μ₂ ^(l),…,μ_N ^(l)] (4)

Σ^(l)＝[σ₁ ^(l),σ₂ ^(l),…,σ_N ^(l)] (5)

由于道路交通流状态输入矩阵X是特征向量而不是高斯分布，定义第一层均值矩阵M⁽¹⁾，方差矩阵Σ⁽¹⁾为如下形式：

其中，W_μ，W_σ分别是均值矩阵和方差矩阵的权重，f和ρ分别表示ELU函数和ReLU函数，公式如下所示：

经过第一层全连接层之后，输入向量变为隐藏特征后对其使用高斯分布，基于高斯分布的图卷积层的定义如下：

其中，

是自相关矩阵，

I_N是初等矩阵，

是度矩阵，

θ是注意力权重，θ^(l)＝exp(-γΣ^(l))，γ是一个超参数。

表示矩阵点积；

步骤4)基于高斯分布的图卷积层进行交通流预测，过程如下：

4.1：计算预测结果

将隐藏特征作为高斯分布来进行交通流预测，需要进行一个采样过程，对最后一层的基于高斯分布的图卷积层进行采样，采样公式如下：

其中，L表示卷积层的最后一层。将采样特征Z＝[z₁,z₂,…,z_N]作为全连接层的输入，预测基于历史交通流数据输入下的下一时刻状态，全连接层表达式如下所示：

Y_pre＝f(W_f·Z+b_f) (13)

其中，W_f是全连接层权重矩阵，b_f是偏置矩阵，这里使用sigmoid函数作为激活函数f，目的还原标准化的数值；

4.2：定义模型损失函数，优化模型参数并实现实时交通流预测

为了保证学习到的特征是服从高斯分布，我们仅对第一层卷积层得到的隐层特征施加正则化来进行约束：

其中，KL(·||·)是两个分布之间的KL距离；

为了防止模型过拟合，对第一层卷积层施加L2正则化：

定义模型预测的交通流状态为Y_pre,实际交通流状态为Y_true，则最终的模型损失函数L为如下形式：

其中，n表示模型输入的样本数量，λ,β为参数；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化。最后，将测试集数据作为模型输入，实现实时道路交通流的预测。

在本发明中，反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现。

实例2：实际实验中的数据

(1)选取实验数据

原始交通流数据集包含323个检测器1个月的车流量数据，所述的数据集中的交通流数据为西雅图高速路部分检测器流量数据，采样间隔T为5min。

将323个检测器的前三周的道路交通流数据作为训练数据集，进行模型参数训练。将323个检测器的最后一周的道路交通流数据作为实验数据集，进行算法验证。滑动窗口设置为10，预测步长分别设置为1。

(2)参数确定

本发明的实验结果均基于tensorflow环境下实现的，整个实验参数设定如下：基于高斯分布的图卷积层的层数为2，第一层隐藏单元设置为16，第二层隐藏单元设置为10，学习率为0.001，训练回数为100，批次大小为64，γ＝1，λ＝0.00005，β＝0.00005。

(3)实验结果

本发明实验以多路段短时交通流预测为目的，通过训练集进行模型训练，测试集进行模型预测性能的检验。

本实验选取绝对值均方差(MAE)、均方根误差(RMSE)作为道路交通流预测精度的指标，其计算公式分别如下所示：

其中，y_i为实际观测流量，

为模型输出的预测流量。

所有实验路段流量预测结果统计分析如表1所示：

模型	RMSE	MAE	MAPE(％)
				GCN	4.911	3.367	8.380
RGCN	4.775	3.290	8.019

表1。

Claims (6)

1.一种基于RGCN的交通流预测方法，其特征在于，所述方法包括以下步骤：

步骤1)基于时间序列相似性构建道路交通网络：基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；

步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；

步骤3)基于道路交通网络和道路交通状态矩阵，使用基于高斯分布的图卷积层提取节点特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；

步骤4)基于高斯分布的图卷积层进行交通流预测：将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

2.如权利要求1所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤1)基的过程如下：

针对多条道路交通路段，获取其某一天的时间序列数据，基于时间序列相似性构建道路交通网络，例如：给定两条时间序列数据X＝(x₁,x₂,…,x_n)，Y＝(y₁,y₂,…,y_n)，然后构建距离矩阵M_n×n，其中，M_i,j＝|x_i-y_j|。基于距离矩阵M_n×n构建累积距离矩阵D_n×n，其中，D_i,j＝M_i,j+min(D_i,j-1,D_i-1,j,D_i-1,j-1)，D_n,n是最终距离，对于道路i，选出前d条与其最终距离最小的道路S＝{j,k,…}，即道路i与道路S最相似；

基于时间序列相似性构建道路交通网络图G＝(V,E,A)，V表示节点，E表示连边，A表示交通网络的邻接矩阵，其中，A_ij＝1表示道路i和道路j相似，否则，A_ij＝0。

3.如权利要求1或2所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤2)的过程如下：

2.1：对道路交通流数据进行预处理

对多道路多天的交通流数据进行预处理，使用最大-最小标准化对数据进行归一化，计算表达式如下所示：

其中，x_real为道路的原始流量数据，x_min为道路原始流量数据中的最小值，x_max为道路原始流量数据中的最大值，x为预处理后的道路流量数据；

2.2：构建道路交通流状态矩阵

根据预处理后的道路交通流数据构建道路交通流状态矩阵，道路交通流状态矩阵形式如下：

其中，状态矩阵行向量表示同一时刻不同道路的交通状态，列向量表示同一车道不同时刻的道路交通状态的时间状态，M表示历史交通状态数据的数目，N表示输入矩阵中道路的数目，则x_it表示第i条道路上的在t时刻的交通状态。

4.如权利要求1或2所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤3)的过程如下：

在原始的图卷积层得到的隐藏特征使用高斯分布，定义节点v_i在第l层的隐藏特征为：

其中，μ_i ^(l)表示均值向量，diag(σ_i ^(l))表示对角方差矩阵，σ代替σ²表示方差；

所有节点的均值和方差定义为：

M^(l)＝[μ₁ ^(l),μ₂ ^(l),…,μ_N ^(l)] (4)

Σ^(l)＝[σ₁ ^(l),σ₂ ^(l),…,σ_N ^(l)] (5)

由于道路交通流状态输入矩阵X是特征向量而不是高斯分布，定义第一层均值矩阵M⁽¹⁾，方差矩阵Σ⁽¹⁾为如下形式：

其中，W_μ，W_σ分别是均值矩阵和方差矩阵的权重，f和ρ分别表示ELU函数和ReLU函数，公式如下所示：

经过第一层全连接层之后，输入向量变为隐藏特征后对其使用高斯分布，基于高斯分布的图卷积层的定义如下：

其中，

是自相关矩阵，

I_N是初等矩阵，

是度矩阵，

θ是注意力权重，θ^(l)＝exp(-γΣ^(l))，γ是一个超参数。

表示矩阵点积。

5.如权利要求1或2所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤4)的过程如下：

4.1：计算预测结果

将隐藏特征作为高斯分布来进行交通流预测，需要进行一个采样过程，对最后一层的基于高斯分布的图卷积层进行采样，采样公式如下：

其中，L表示卷积层的最后一层。将采样特征Z＝[z₁,z₂,…,z_N]作为全连接层的输入，预测基于历史交通流数据输入下的下一时刻状态，全连接层表达式如下所示：

Y_pre＝f(W_f·Z+b_f) (13)

其中，W_f是全连接层权重矩阵，b_f是偏置矩阵，这里使用sigmoid函数作为激活函数f，目的还原标准化的数值；

4.2：定义模型损失函数，优化模型参数并实现实时交通流预测

为了保证学习到的特征是服从高斯分布，我们仅对第一层卷积层得到的隐层特征施加正则化来进行约束：

其中，KL(·||·)是两个分布之间的KL距离；

为了防止模型过拟合，对第一层卷积层施加L2正则化：

定义模型预测的交通流状态为Y_pre,实际交通流状态为Y_true，则最终的模型损失函数L为如下形式：

其中，n表示模型输入的样本数量，λ,β为参数；

将模型预测的交通流状态与实际的交通流状态进行比较，计算模型的损失函数L，然后利用反向传播算法实现对模型参数的不断优化。最后，将测试集数据作为模型输入，实现实时道路交通流的预测。

6.如权利要求4所述的一种基于RGCN的交通流预测方法，其特征在于，所述反向传播算法中的梯度计算与参数更新均通过Adam优化器进行实现。

Images