CN112989539A - 一种基于交叉路口转移计算的交通预测方法 - Google Patents
一种基于交叉路口转移计算的交通预测方法 Download PDFInfo
- Publication number
- CN112989539A CN112989539A CN202110373408.3A CN202110373408A CN112989539A CN 112989539 A CN112989539 A CN 112989539A CN 202110373408 A CN202110373408 A CN 202110373408A CN 112989539 A CN112989539 A CN 112989539A
- Authority
- CN
- China
- Prior art keywords
- network
- intersection
- time
- calculation
- diversion
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012546 transfer Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 43
- 230000007704 transition Effects 0.000 claims description 42
- 238000005065 mining Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 9
- 239000010410 layer Substances 0.000 description 19
- 238000011144 upstream manufacturing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于交叉路口转移计算的交通预测方法,涉及交通预测领域,通过包含了路段和路口的地理信息以及路网的拓扑数据的路网属性图学习转移矩阵,根据交通历史数据,通过堆叠的包含了门控时序卷积网络和交叉路口转移图卷积网络的时空特征挖掘模块对未来的交通进行预测。本发明将图卷积神经网络应用到交通预测领域,提供了一种精准的交通预测方法,不仅能够作为政府部门的决策依据,帮助政府实行更科学有效的交通管控,也可以给市民提供更充足的路况信息,帮助驾驶员做出更优的路径选择。
Description
技术领域
本发明涉及交通预测领域,尤其涉及一种基于交叉路口转移计算的交通预测方法。
背景技术
城市交通和我们每个人的生活息息相关,随着城市交通基础设施的建设,信息化程度不断增强,数据驱动的智慧交通应用如雨后春笋快速地发展起来,成为了学术界和工业界共同关注的领域,城市交通预测便是其中一个重要的分支。城市交通预测是利用城市历史交通状况和城市的地理,天气等辅助信息预测城市未来交通状况的任务。准确高效的交通预测***在城市交通管理,公共安全和市民出行等方面具有极其重要的价值。有序的交通一方面能够节省居民的通行效率,避免时间的浪费,另一方面可以减少机动车油气能源的消耗及尾气污染排放,有利于生态环境。
现有的城市交通预测***从方法上大概可以分为基于统计学习的***和基于深度学习的***。其中基于深度学习的***通常具有更高的预测精度。近年来,一些前沿的工作将图神经网络应用于城市交通预测任务,由于图神经网络非常适合城市道路之间空间相关性建模,基于图神经网络的交通预测***是现有技术中准确度最高的。
城市路网中,多个路段之间在交叉路口连接汇合,一条路段上的车辆经过交叉路口转移到另一条相邻的路段。根据连接路段的条数,交叉路口可以分为十字路口,丁字路口,直行路口等不同的种类。不同种类的路口上的交通模式也有差别,直行路口规定车辆只能向一条路段转移,路段之间也没有交互和冲突,因此交通模式相对简单直接。十字路口的交通规则比较复杂,一条路段可以驶向不同的方向,各个路段的车辆在路口有一些冲突点,通行过程中需要路段之间的配合。因为交叉路口对城市交通的影响,在做城市交通预测的任务时应当将交叉路口考虑进去。之前的基于图神经网络的城市交通预测工作在建图的工程中将路段作为图的节点,路段之间的距离或连接关系作为图的边。这种做法忽略了路网结构中重要的交叉路口的作用,具有局限性。
因此,本领域的技术人员致力于开发一种基于交叉路口转移计算的交通预测方法,不仅能够作为政府部门的决策依据,实行更科学有效的交通管控,也可以给市民提供更充足的路况信息,帮助驾驶员做出更优的路径选择。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是对交叉路口进行建模,基于历史交通数据,采用机器学习的方法,对未来的交通路况进行预测。
为实现上述目的,本发明提供了一种基于交叉路口转移计算的交通预测方法,包括以下步骤:
步骤1:将多个时空特征挖掘模块堆叠;时空特征挖掘模块的直接输出连接到后一个时空特征挖掘模块;时空特征挖掘模块还包括跳跃连接;全部时空特征挖掘模块的跳跃连接收集到一个全连接网络;
步骤2:将路网属性图,以及过去Nin个时间片的交通历史数据输入到第一个时空特征挖掘模块;路网属性图为其中,边集合代表路网中所有路段,点集合代表路网中所有的交叉路口;交通历史数据为一个张量 其中Nt是交通数据的时间片总数,Nr是路网中路段的总数,D是数据的维度;
进一步地,时空特征挖掘模块包括级联的门控时序卷积网络和交叉路口转移图卷积网络,时空特征挖掘模块的输入连接至门控时序卷积网络,门控时序卷积网络的输出连接至交叉路口转移图卷积网络和跳跃连接,交叉路口转移图卷积网络的输出连接至时空特征挖掘模块的输出。
进一步地,交通历史数据先经过线性层的编码,然后输出至时空特征挖掘模块,线性层的计算公式为:
进一步地,门控时序卷积网络包括两个时序卷积网络,门控时序卷积网络的计算公式为:
其中,Θ1,bt1和Θ2,bt2分别是两个时序卷积网络的可训练参数,⊙是元素间乘法,σ函数将卷积神经网络输出张量中的元素映射到(0,1)之间,tanh函数将卷积神经网络输出张量中的元素映射到(-1,1)之间。
进一步地,交叉路口转移图卷积网络采用幂级数形式的转移矩阵。
进一步地,交叉路口转移图卷积网络的计算公式为:
进一步地,转移矩阵学习器的学习流程包括生成边嵌入、生成节点嵌入、更新边嵌入、计算转移矩阵。
进一步地,全连接网络的计算公式为:
其中,WFC1、bFC1、WFC2、bFC2是最终的全连接网络的参数。
进一步地,多个时空特征挖掘模块堆叠的个数为9。
本发明通过转移矩阵学习器挖掘路网的结构和属性知识,克服了以往的交通预测***中忽略路网中交叉路口的存在带来的影响,在实际路网中进行测试,取得了良好的预测结果。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的交通预测方案图;
图2是本发明一个较佳实施例的***框架图;
图3是本发明生成边嵌入示意图;
图4是本发明生成节点嵌入示意图;
图5是本发明更新边嵌入示意图;
图6是一个路口示意图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
如图1所示,本发明提出一种基于交叉路口转移计算的城市交通预测***框架IT-TrafficNet(Intersection Transition Traffic Network)。
本发明的方案思路可以分为纵向和横向两条线。纵向是***的输入输出流程,***输入城市历史的交通数据,即城市路网上所有路段在之前一段时间以内的交通速度,输出所有路段在未来一段时间的交通速度预测值;横向是转移矩阵的生成流程,对基于图卷积网络的***来说,转移矩阵代表了数据中实体之间的相互关系。在城市交通预测领域中,路网上所有路段之间的关系需要用转移矩阵来表示,因此合理的转移矩阵是城市交通预测的关键。本发明通过城市路网属性图来学习转移矩阵,具体的,城市路网属性图包含了路段和路口的地理信息,以及路网的拓扑数据。横向流程分为两步,第一步是通过城市路网属性图生成路段和路口的嵌入,第二步是通过路段和路口的嵌入学习转移矩阵,从而为预测***使用。
为了详细表示本发明的技术方法,在这里做一个问题定义,其中用到的重要符号如下:
定义1(城市交通数据):定义城市交通数据为一个张量 其中Nt是城市交通数据的时间片总数,Nr是城市路网中路段的总数,D是城市数据的维度。我们用索引(i,j,k)来表示第i个时间片段下,第j个路段中的第k维交通数值。
IT-TrafficNet的***框架概况如图2所示:
首先,过去Nin个时间片的城市交通历史数据经过线性层,将输入数据从维度Dt映射到维度Din。从城市交通数据的定义中可以看出,城市交通数据含有时间维度和空间维度,具备高度的时空相关性。为了建模城市交通数据中复杂的时空相关性,本发明提出一种时空特征挖掘模块(Spatial Temporal Block,简称ST Block),ST Block由两个子模块组成:
一、门控时序卷积网络(Gated Temporal Convolution Network,简称Gated TCN)是ST Block的第一个子模块。
Gated TCN有两个一维的卷积神经网络(Convolution Neural Network,简称CNN)及两个激活函数构成,其用途是对输入数据的时间相关性建模。
二、交叉路口转移图卷积网络(Intersection Transition Graph ConvolutionNetwork,简称ITGCN)是ST Block的第二个子模块。
如图2所示,本发明提出了一个转移矩阵学习器(Transition Matrix Learner),通过挖掘城市路网的结构和属性知识,学习出一系列适应城市交通预测任务的转移矩阵。ITGCN中包含一个图卷积神经网络(Graph Convolution Network,简称GCN)和一个线性网络,图卷积网络使用转移矩阵学习器学习到的转移矩阵进行运算,对输入数据中的空间相关性建模。
从数据流动的角度看,每个ST Block有两个输出,分别是位于Gated TCN与ITGCN之间的跳跃连接(Skip Connection)以及位于ITGCN之后的直接输出(Direct Output)。
另外,ST Block在Gated TCN之前和ITGCN之后引入快捷连接(ShortcutConnection),提升***的训练性能。为了提升***对城市交通数据中高阶非线性的时空相关性的建模能力,IT-TrafficNet将多个ST Block堆叠起来,Block的输入来自线性层的输出,第i个ST Block的输入来自第i-1个ST Block的直接输出,其中i>1,第一个ST Block的输入来自线性层的输出。
经验证,ST Block的堆叠数量为9时较好,可以兼顾训练的效果和训练时间。
IT-TrafficNet的输入数据首先经过线性层的编码,然后输出至ST Block中。线性层的计算公式为:
在城市中,一条路段当前时刻的交通状态受到该路段之前一段时间交通状态的影响。因此,有效建模城市交通的时间相关性非常重要。我们引入门控时序卷积网络(GatedTCN)作为ST Block中的时间相关性建模模块。Gated TCN中使用一维卷积神经网络(1DCNN)实现对输入数据的时间相关性建模。在IT-TrafficNet中,每个ST Block的输入数据在时间维度上有所差别,一般的,设时序卷积层的输入为隐状态张量时序卷积层的输出为隐状态张量我们引入门控机制在时序卷积网络中控制层间信息流。如图2所示,每个Gated TCN中包含两个时序卷积神经网络,Gated TCN的计算公式可表示如下:
其中,Θ1,bt1和Θ2,bt2分别是Gated TCN中两个时序卷积网络的可训练参数,⊙是元素间乘法。σ函数即sigmoid函数,其公式如下:
σ函数将卷积神经网络输出张量中的元素映射到(0,1)之间,tanh函数的公式如下:
tanh函数将卷积神经网络输出张量中的元素映射到(-1,1)之间。Gated TCN中的两个时序卷积网络分别连接σ函数与tanh函数,σ函数的输出在(0,1)之间,与tanh函数的输出元素间相乘,控制tanh函数的输出元素的保留程度(1为全部保留,0为全部舍弃),这就是门控的含义。数据经过门控时序卷积网络的编码,学习到复杂的时间相关性依赖,之后,门控时序卷积网络输出的隐状态分为两个流向,一个流向跳跃连接,另一个流向路口转移图卷积网络。
在城市中,一条路段上的交通状态受到周围路段交通状态的影响。因此,有效地建模城市交通的空间相关性同样是必不可少的。路口转移图卷积网络是ST Block中的空间相关性建模模块。
图卷积神经网络具有对非网格化数据建模的能力,适合应对城市路网的不规则结构。图卷积神经网络有许多种变体,主要分为基于空间的图卷积网络(spatial based GCN)和基于谱的图卷积网络(spectrum based GCN),不同种类的图卷积网络各有特点,分别适用于不同的场景,我们采用幂级数形式的转移矩阵代替被广泛使用的单一转移矩阵。
如图2所示,ITGCN的输入数据来自同一ST Block中Gated TCN的输出。在ITGCN计算之前,转移矩阵学习器通过挖掘城市路网的结构和属性知识,生成一系列适应城市交通预测任务的转移矩阵。这一系列转移矩阵可以表示为一个三维张量 其中,代表其中第i个转移矩阵,DA代表转移矩阵的个数。转移矩阵学习器的实现细节将在下一小节介绍,总之,转移矩阵学习器将学习到的一系列的转移矩阵传递到ITGCN中,供图卷积神经网络使用,具体的,设GCN的输入为隐状态张量输出为隐状态张量GCN的计算公式可表示如下:
其中,K>0是扩散步数,Wnk是可学习参数。GCN计算建立起了城市路网中一个路段的隐状态与其周围路段隐状态之间的关系。
如图3-2所示,IT-TrafficNet由若干个ST Block堆叠组成,ITGCN是ST Block中的一个模块,负责建模城市交通数据的空间相关性。为了避免***过于复杂而导致的过拟合问题,我们在ITGCN中采用Dropout操作,位于GCN操作之后。
ITGCN是ST Block中的空间建模模块,与时间建模模块Gated TCN共同完成对城市交通数据中时空相关性的挖掘,除了最后一个ST Block之外,ITGCN的输出将作为之后一个ST Block的输入。
路口转移图卷积网络用到的一系列转移矩阵是由转移矩阵学习器(TransitionMatrix Learner)通过挖掘城市路网的结构和属性知识从而生成的,这里我们详细介绍转移矩阵学习器。
转移矩阵的学习流程包括4个步骤:生成边嵌入、生成节点嵌入、更新边嵌入和计算转移矩阵。4个步骤的细节如下:
如图3所示,生成边嵌入。在城市路网中,路段的特征属性(如长度,位置等)会影响路段上的交通状态。生成边嵌入,是转移矩阵学习流程的第一步,目的是提取路段的特征属性中的知识,学习到有语义的嵌入。对任意两个相邻节点ni和nj,将它们之间的连边记为eij,设边eij的属性特征表示为一个向量xij。边嵌入由以下公式计算:
Emb(eij)=ReLU(xijWE+bE)
其中,Emb(eij)是学习到的边嵌入,WE和bE是全连接层的参数,ReLU是激活函数,可表示如下:
ReLU(x)=max(0,x)
边嵌入由边特征通过全连接层编码得到,对于所有的边,共用同一套参数。
如图4所示,生成节点嵌入。以往的城市交通预测***忽略了城市路网中交叉路口的存在与影响,事实上,交叉路口对城市交通的影响是不可忽视的,因此,第二步学习节点嵌入。交叉路口的属性和与之相连的路段的属性有关,因此,首先收集每个节点相邻边的嵌入。对于任意一个节点ni,将与之相连的边的嵌入传递到该节点的邮箱中:
其中,MB(ni)是节点ni的邮箱,邮箱是一个抽象的数据结构,MB(ni)作用是保存所有连接在节点ni的边的嵌入。Neibor(ni)代表所有与节点ni之间存在连边的节点的集合。城市中有不同种类的交叉路口,如直行路口,丁字路口,十字路口等,它们的区别在于连接路段数量的不同。与之对应,节点相连的边的数量各有不同,节点的邮箱中的边嵌入数量也不同。为了处理不同数量的边嵌入,同时保证每个节点学***均池化操作,对任意节点ni,平均池化操作由以下公式表示:
其中,MP(ni)是节点邮箱MB(ni)平均池化后的结果,x是MB(ni)中的嵌入向量。所有的节点邮箱经过平均池化后成为了维度相同的向量,为了保留交叉路口的连接路段数量信息,将节点的连边数量拼接到平均池化后的向量上:
CAT(ni)=MP(ni)|DG(ni)
其中,CAT(ni)代表节点ni拼接操作之后得到的向量,DG(ni)代表节点ni的连边数量,|代表向量拼接操作。最后,通过一个全连接层得到节点嵌入:
Emb(ni)=ReLU(CAT(ni)WN+bN)
其中,Emb(ni)是节点ni的嵌入,WN和bN是该全连接层的参数。
如图5所示,更新边嵌入。在第一步,学习到了一套边嵌入,这一套边嵌入仅包含了边的属性知识。为了得到更高阶、包含更丰富语义的边嵌入,我们在这一步对边嵌入进行更新。在第二步学习到的节点嵌入包含了与之相邻节点的信息。首先,对任意两个相邻的节点ni和nj,将两个节点的嵌入传播到节点之间的连边eij的邮箱中:
MB(eij)={Emb(ni),Emb(nj)}
经过传递操作,每条边的邮箱中都有两个相邻节点的嵌入,接下来,再次引入平均池化操作,对任意一条边eij,平均池化操作由以下公式表示:
接下来,再次用一个全连接层得到最终的边嵌入:
Emb(eij)=ReLU(MP(eij)WU+bU)
其中,Emb(eij)是更新后的边嵌入,WU和bU是该全连接层的参数。经过边嵌入更新后,每条边的嵌入不仅包含自身的属性信息,而且包含了相邻节点和边的信息,具有更丰富的知识。目前为止,我们得到了节点嵌入和边嵌入,接下来,利用这些嵌入计算一系列转移矩阵。
计算转移矩阵。首先,建立路段到序号的索引,边eij表示节点ni到节点nj的连边,方向由ni指向nj。规定Id(eij)代表边eij的序号。设eij和ejk为任意两条相连的路段,路段eij是路段ejk的上游,路段ejk是路段eij的下游,车辆由路段eij驶向路段ejk。在城市交通中,上游路段对下游路段的影响与下游路段到上游路段的影响不同,例如,一条路段的拥堵状况往往会传递到上游路段而不是下游路段。因此,对上游和下游路段的影响分开建模。假设我们共学习DA个转移矩阵,则上游路段对下游路段的影响由如下公式计算:
其中,Am代表第m个转移矩阵。在计算上游路段对下游路段的影响时,将两个路段的嵌入及两个路段之间的交叉路口的嵌入拼接起来,通过线性层映射到一个数值。这样设计的目的是在计算路段之间的影响时,同时挖掘路段的信息以及路段之间交叉路口的信息。类似的,下游路段对上游路段的影响由以下公式计算:
对所有连接的路段对皆做如上操作,转移矩阵中其他的元素由0填充。最后,用softmax函数规范化转移矩阵中所有元素的数值:
经过以上四个步骤,转移矩阵学习器生成了DA个转移矩阵,将其传递到ITGCN中,供图卷积网络计算使用。
如图2所示,在每个ST Block中,Gated TCN的输出通过跳跃连接汇集,最终输入到全连接网络。汇集后的矩阵中包含了各个阶段的高阶数据信息。汇集后的矩阵HC通过全连接网络,最终得到城市交通预测值:
其中,WFC1、bFC1、WFC2、bFC2是最终的全连接层的参数。
本***在某市实际路网车速数据中进行了验证。
如图6所示,为一个路口的示意图,这里展示了一个节点(交叉路口)和3条边(路段)。
作为示例,我们输入过去10个时间片的车速数据(每个时间片间隔4分钟),预测未来10个时间片的车速,车速单位是(km/h)。历史数据如下:
***预测结果如下:
经与该路段实际交通数据对比:
可见,本发明基于交叉路口转移计算的交通预测方法,对路网交叉路口建模,通过转移矩阵计算,有效地将城市交通预测和图卷积网络结合起来,取得了良好的技术效果。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于交叉路口转移计算的交通预测方法,其特征在于,包括以下步骤:
步骤1:将多个时空特征挖掘模块堆叠;所述时空特征挖掘模块的直接输出连接到后一个所述时空特征挖掘模块;所述时空特征挖掘模块还包括跳跃连接;全部所述时空特征挖掘模块的所述跳跃连接收集到一个全连接网络;
步骤2:将路网属性图,以及过去Nin个时间片的交通历史数据输入到第一个所述时空特征挖掘模块;所述路网属性图为其中,边集合代表路网中所有路段,点集合代表路网中所有的交叉路口;所述交通历史数据为一个张量其中Nt是交通数据的时间片总数,Nr是路网中路段的总数,D是数据的维度;
2.如权利要求1所述的基于交叉路口转移计算的交通预测方法,其特征在于,所述时空特征挖掘模块包括级联的门控时序卷积网络和交叉路口转移图卷积网络,所述时空特征挖掘模块的输入连接至所述门控时序卷积网络,所述门控时序卷积网络的输出连接至所述交叉路口转移图卷积网络和所述跳跃连接,所述交叉路口转移图卷积网络的输出连接至所述时空特征挖掘模块的输出。
5.如权利要求4所述的基于交叉路口转移计算的交通预测方法,其特征在于,所述交叉路口转移图卷积网络采用幂级数形式的转移矩阵。
8.如权利要求7所述的基于交叉路口转移计算的交通预测方法,其特征在于,所述转移矩阵学习器的学习流程包括生成边嵌入、生成节点嵌入、更新边嵌入、计算转移矩阵。
10.如权利要求9所述的基于交叉路口转移计算的交通预测方法,其特征在于,所述多个时空特征挖掘模块堆叠的个数为9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373408.3A CN112989539B (zh) | 2021-04-07 | 2021-04-07 | 一种基于交叉路口转移计算的交通预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373408.3A CN112989539B (zh) | 2021-04-07 | 2021-04-07 | 一种基于交叉路口转移计算的交通预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989539A true CN112989539A (zh) | 2021-06-18 |
CN112989539B CN112989539B (zh) | 2022-08-09 |
Family
ID=76339324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110373408.3A Active CN112989539B (zh) | 2021-04-07 | 2021-04-07 | 一种基于交叉路口转移计算的交通预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989539B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267191A (zh) * | 2021-12-10 | 2022-04-01 | 北京理工大学 | 缓解交通拥堵驾驶员控制***、方法、介质、设备及应用 |
CN116129646A (zh) * | 2023-02-21 | 2023-05-16 | 中国科学技术大学 | 一种基于特征交叉的图卷积神经网络的交通预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐*** |
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 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、***及终端设备 |
CN111325968A (zh) * | 2018-12-13 | 2020-06-23 | 深圳先进技术研究院 | 一种基于拥堵扩散的交通瓶颈预测方法、***及电子设备 |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及*** |
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及*** |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
WO2021058099A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multi-step traffic prediction |
-
2021
- 2021-04-07 CN CN202110373408.3A patent/CN112989539B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299373A (zh) * | 2018-10-20 | 2019-02-01 | 上海交通大学 | 基于图卷积技术的推荐*** |
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 |
CN111325968A (zh) * | 2018-12-13 | 2020-06-23 | 深圳先进技术研究院 | 一种基于拥堵扩散的交通瓶颈预测方法、***及电子设备 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
WO2021058099A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multi-step traffic prediction |
CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、***及终端设备 |
CN112216101A (zh) * | 2020-09-08 | 2021-01-12 | 吉林大学 | 一种基于弹性学习框架的交通预测方法及*** |
CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及*** |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
Non-Patent Citations (2)
Title |
---|
ZHEYI PAN ETAL: "《Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning》", 《 PROCEEDINGS OF THE 25TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》 * |
陈喜群等: "基于图卷积网络的路网短时交通流预测研究", 《交通运输***工程与信息》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267191A (zh) * | 2021-12-10 | 2022-04-01 | 北京理工大学 | 缓解交通拥堵驾驶员控制***、方法、介质、设备及应用 |
CN116129646A (zh) * | 2023-02-21 | 2023-05-16 | 中国科学技术大学 | 一种基于特征交叉的图卷积神经网络的交通预测方法 |
CN116129646B (zh) * | 2023-02-21 | 2024-05-10 | 中国科学技术大学 | 一种基于特征交叉的图卷积神经网络的交通预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112989539B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112382082B (zh) | 一种拥堵区域交通运行状态预测方法及*** | |
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 | |
Akhtar et al. | A review of traffic congestion prediction using artificial intelligence | |
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
Rahmani et al. | Graph neural networks for intelligent transportation systems: A survey | |
CN112989539B (zh) | 一种基于交叉路口转移计算的交通预测方法 | |
CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
Zhang et al. | Multistep speed prediction on traffic networks: A graph convolutional sequence-to-sequence learning approach with attention mechanism | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN114495500B (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
CN113762595A (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
Zhou et al. | Spatial–temporal deep tensor neural networks for large-scale urban network speed prediction | |
Xu et al. | AGNP: Network-wide short-term probabilistic traffic speed prediction and imputation | |
Jin et al. | PRECOM: A parallel recommendation engine for control, operations, and management on congested urban traffic networks | |
Lu et al. | Leveraging graph neural network with lstm for traffic speed prediction | |
Ounoughi et al. | EcoLight: eco-friendly traffic signal control driven by urban noise prediction | |
Jeevan et al. | A Novel Approach for Predicting wide range of traffic congestion using deep learning Technique | |
Hussain et al. | Urban traffic flow estimation system based on gated recurrent unit deep learning methodology for Internet of Vehicles | |
Patil | Machine Learning for Traffic Management in Large-Scale Urban Networks: A Review | |
Guo et al. | A multi-step traffic speed forecasting model based on graph convolutional LSTM | |
Kaur et al. | Comparative analysis of fuzzy decision tree and logistic regression methods for pavement treatment prediction | |
CN114372627B (zh) | 基于混合深度学习框架的城市车辆旅行时间估计方法 | |
He et al. | Dyna-PTM: OD-enhanced GCN for metro passenger flow prediction | |
Manikandan et al. | Traffic Flow Prediction For Intelligent Transportation System Using Machine Learning |
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 |