CN113570859A - 一种基于异步时空膨胀图卷积网络的交通流量预测方法 - Google Patents

一种基于异步时空膨胀图卷积网络的交通流量预测方法 Download PDF

Info

Publication number
CN113570859A
CN113570859A CN202110837289.2A CN202110837289A CN113570859A CN 113570859 A CN113570859 A CN 113570859A CN 202110837289 A CN202110837289 A CN 202110837289A CN 113570859 A CN113570859 A CN 113570859A
Authority
CN
China
Prior art keywords
time
space
asynchronous
traffic
traffic flow
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
Application number
CN202110837289.2A
Other languages
English (en)
Other versions
CN113570859B (zh
Inventor
李光辉
齐涛
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202110837289.2A priority Critical patent/CN113570859B/zh
Publication of CN113570859A publication Critical patent/CN113570859A/zh
Application granted granted Critical
Publication of CN113570859B publication Critical patent/CN113570859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于异步时空膨胀图卷积网络的交通流量预测方法，属于智能交通***领域。所述方法使用异步时空图对交通路网中的时空依赖进行建模，模型中考虑了交通数据的时间相关性、空间相关性，使其尽可能反映实际场景。具体的，该方法首先生成异步时空图来建模交通路网中的异步时空关联，然后根据生成的异步时空图，构建异步时空关联矩阵作为图卷积网络的卷积核来同步提取交通数据中的异步时空关联特征，最后使用输出层将提取到的特征进行处理，生成12个时间步的交通流量预测输出。通过公开的数据集(PEMS04)进行验证，该方法预测交通流量的平均绝对误差可达到19.55，对交通流量的精准预测和交通管理具有良好的指导作用。

Description

一种基于异步时空膨胀图卷积网络的交通流量预测方法
技术领域
本发明涉及一种基于异步时空膨胀图卷积网络的交通流量预测方法，属于智能交通*** 领域。
背景技术
现代城市正逐渐向智慧城市转变。随着城镇化进程的加快以及城市人口的大幅度增长。 城市的综合治理面临着巨大的压力。交通管理是城市管理中至关重要的一部分，旨在解决城 市中面临的交通拥堵、尾气污染以及交通事故等问题。近年来，随着计算机***的飞速发展， 智能交通***(ITS)在城市交通管理以及智慧城市建设中发挥着越来越重要的作用。交通预 测是智能交通***的基础，精确的交通预测对很多应用来说是必不可少的。比如，在事故易 发路段，交通速度预测可以极大的避免事故的发生；出行需求预测可以方便网约车运营平台 为高出行需求地区分配充足的网约车。
交通预测的任务是在给定历史交通流量信息和交通路网信息的情况下，预测交通路网的 未来的交通流量信息。近年来，随着与交通相关的可用数据集的不断增长以及深度学习的蓬 勃发展，越来越多的人开始尝试使用深度学习的方法来研究交通预测问题。由于交通数据表 现出十分明显的时空相关性，因此针对交通数据中的时空关联建模是人们的主要研究方向， 近期的研究大多使用图神经网络(GNN)建模交通数据的空间联系，使用循环神经网络(RNN) 或卷积神经网络(CNN)建模交通数据的时间关联。比如Yu等人提出了时空图卷网络(STGCN) 模型，该模型应用切比雪夫近似的图卷积运算提取空间依赖，又应用门控卷积神经网络 (gate-CNN)建模时间依赖，以更少的参数实现了更快的训练速度(参见Yu B,Yin H,Zhu Z. Spatio-temporal graph convolutional networks:A deeplearning framework for traffic forecasting[J]. arXiv preprint arXiv:1709.04875,2017.)。Zhao等人提出了时间图卷积网络(T-GCN)模型，该 模型将交通路网建模为图结构，使用图卷积网络提取交通数据中的空间依赖，使用门控循环 单元提取时间依赖这些模型有效地建模了交通网络中的空间联系和时间联系，在各个时空预 测任务场景中取得了不错的效果(参见Zhao L,Song Y,Zhang C,et al.T-gcn:A temporal graphconvolutional network for traffic prediction[J].IEEE Transactions onIntelligent Transportation Systems,2019,21(9):3848-3858.)。
然而，这些模型都没有考虑到交通数据中异步的时空联系，也即交通路网中的某个路段 的交通流量和其他路段的交通流量之间存在异步的关联，在建模过程中没有考虑这一点将导 致一些重要的特征信息的忽略，进而导致预测结果不准确。此外，目前的模型在建模时间依 赖方面效果不佳。由于要迭代地计算每个时间步的数据，基于循环神经网络的方法往往存在 迭代传播时间长、梯度***或梯度消失等问题，在长期预测的任务中表现不佳，基于卷积神 经网络的方法优点是可以并行计算、计算过程中梯度比较稳定并且显存需求较低，然而，这 些工作采用标准的一维卷积，其感受野的大小随着网络中隐藏层数目的增加呈线性增长，因 此这些模型需要使用很多层来捕获非常长的序列。
基于上述原因，现有的交通流量预测方法存在着预测精度低的问题，尤其是针对长期预 测任务，还存在着计算复杂度较高的问题。
发明内容
为了解决目前交通流量预测方法存在的预测精度低的问题，本发明提供了一种基于异步 时空膨胀图卷积网络的交通流量预测方法，本发明方法在图神经网络的基础上，针对交通路 网中存在的异步时空关联，设计了异步时空图卷积运算来处理交通数据，提高了模型对时空 数据的建模能力，提高了预测精度；而且针对长期预测任务精度较低、迭代计算导致时间消 耗较大的问题，本发明还对一维膨胀因果卷积进行了改进，设计了异步时空膨胀因果卷积来 处理长序列输入，来减少计算量，并提供预测精度。其中，异步时空关联是指交通路网中的 某个路段的交通流量和其他路段的交通流量之间存在异步的关联。
一种基于异步时空膨胀图卷积网络的交通流量预测方法，所述方法包括：
步骤S1，利用道路传感器收集目标区域的交通路网的交通流量数据并进行预处理；
步骤S2，根据步骤S1得到的预处理后的交通流量数据生成时间序列数据；
步骤S3，构建传感器节点之间的空间图，并根据空间图建模交通路网的拓扑结构，生 成空间图的邻接矩阵，所述邻接矩阵中各元素表示交通路网中各传感器节点之间的空间关系；
步骤S4，根据步骤S3生成的邻接矩阵，构建异步时空图来建模交通路网中的异步时空 关联；
步骤S5，将步骤S2得到的时间序列数据作为输入和标签，使用步骤S4中构建得到的 异步时空图来构建异步时空图卷积网络并结合异步时空膨胀因果卷积对目标区域的交通路网 的交通流量进行预测。
可选的，所述步骤S3包括：
步骤S31，根据传感器的经度和维度确定其位置以及传感器之间的距离；
步骤S32，计算传感器之间的距离的门限高斯核Aij：
Figure BDA0003177605210000031
其中dij为传感器i和传感器j之间的距离，σ为传感器之间距离的标准差，∈为门限；
步骤S33，使用所计算出来的门限高斯核构建交通路网，形成空间图的邻接矩阵A。
可选的，所述步骤S4包括：
步骤S41，将空间图中m个在时间上相邻的节点相连，构成异步时空图；
步骤S42，使用异步时空关联矩阵来表示异步时空图：
Figure BDA0003177605210000032
其中，A为步骤S3中构建的空间图的邻接矩阵，I为单位矩阵；
步骤S43，构建自适应异步时空关联权重矩阵A(adp)，A(adp)根据A(H)的取值来初始化。
可选的，所述步骤S5包括：
步骤S51，利用S4中构建的异步时空图，在空域上定义异步时空图卷积运算如下：
Figure BDA0003177605210000033
h(l)＝AX′W+b 公式(5)
其中X′为步骤S2生成的时间序列数据；W和b为异步时空图卷积使用的神经网络的可 训练参数；
步骤S52，为了扩大卷积操作的感受野，将S51中的图卷积层进行堆叠，构成异步时空 图卷积块：
h(l+1)＝Ah(l)W+b 公式(6)
hM＝GCNBlock＝Stack[h1，h2，...，hl] 公式(7)
步骤S53，使用多层膨胀因果卷积处理长序列问题，在每层膨胀因果卷积中，使用多个 异步时空图卷积块处理不同时间周期内的异步时空联系图：
Figure BDA0003177605210000034
其中
Figure BDA0003177605210000035
为第q块异步时空图卷积块的输出，d为对应层选定的扩张因子，t为当前时间 步；
将每块的输出堆叠起来得到本层膨胀因果卷积的输出：
Figure BDA0003177605210000036
其中，T为输入序列长度，HS表示第S层膨胀因果卷积的输出；
步骤S54，使用多层带有异步时空图卷积的膨胀因果卷积层作为编码器，使用两层全连 接神经网络作为解码器，解码器的输入序列长度T；使用Hlast表示步骤S53中最后膨胀因果 卷积的输出，即编码器的输出；将其输入解码其中得到模型的预测结果：
Figure BDA0003177605210000041
使用解码器的输出
Figure BDA0003177605210000042
作为预测结果，其中W1、b1和W2、b2分别为所使用的两层全连接神经网络的可训练参数。
可选的，所述步骤S1中进行预处理包括：
对采集到的交通流量数据进行聚合并采用Z-score归一化方法进行归一化处理；
归一化处理公式为：
Figure BDA0003177605210000043
其中，X表示待归一化的交通流量数据，
Figure BDA0003177605210000044
表示待归一化的交通流量数据的平均值，S为 待归一化交通流量数据的标准差。
可选的，所述步骤S1中进行预处理，还包括：
丢弃距离小于阈值的传感器所采集的交通流量数据。
可选的，所述交通流量数据包括过往车辆在预定时间段内的平均速度值。
可选的，所述步骤S2采用长度为24、间隔为5分钟的滑动窗口，沿着S1中预处理好的交通流量数据Z的时间维度滑动，以截取并生成时间序列数据X′。
可选的，所述步骤S5中对目标区域的交通路网的交通流量进行预测时，根据所要预测 交通流量的时长范围和滑动窗口的间隔确定解码器的输入序列长度T。
本申请还提供上述方法在智能交通中的应用。
本发明有益效果是：
通过使用异步时空图卷积网络建模交通数据中的异步时空关联，提高了算法的预测精度。 并且本发明改进了一维的膨胀因果卷积，设计了异步时空膨胀因果卷积来处理长序列问题， 降低了算法的计算复杂度，减少了模型的参数量，模型的计算时间和训练难度大大降低，适 用于真实的场景，具有较好的鲁棒性。通过在真实数据集上进行的实验验证了本发明方法具 有较高的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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1A是某段交通路网示意图；
图1B是对应的传感器节点记录的交通流量数据。
图2是本发明方法中的空间图和异步时空关联图。
图3是本发明方法中的异步时空膨胀因果卷积示意图。
图4是本发明方法中模型的架构图。
图5A是本发明的模型和其他模型的长期预测性能(MAE)对比图；
图5B是本发明的模型和其他模型的长期预测性能(MAPE)对比图。
图6是本发明的模型的预测值和真实值的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进 一步地详细描述。
实施例一：
本实施例提供基于异步时空膨胀图卷积网络的交通流量预测方法，参见图1，所述方法 包括：
步骤S1：利用道路传感器收集目标区域的交通路网的交通流量数据，将收集到的交通 流量数据进行预处理。
所述交通流量数据包括速度，可能还包括根据速度计算出的车流量或占用率。
S11，收集所需的目标区域在某个时期的交通流量数据。
S12，丢弃距离过于接近的传感器所采集到的交通流量数据。
比如，丢弃距离小于等于2千米的传感器所采集到的交通流量数据。
S13，以5分钟为时间窗口，将交通流量数据进行聚合。
S14，使用Z-score归一化方法对交通流量数据进行归一化：
Figure BDA0003177605210000051
其中x表示待归一化的交通流量数据，
Figure BDA0003177605210000052
表示待归一化交通流量数据的平均值，S为待归 一化交通流量数据的标准差。
步骤S2：使用长度为24(24为时间步数，间隔为5分钟)的滑动窗口，沿着S1中预 处理好的交通流量数据Z的时间维度滑动，以截取并生成时间序列数据X′。
步骤S3：构建传感器节点之间的空间图来建模交通路网的拓扑结构，生成该空间图的 邻接矩阵。
S31，根据传感器的经度和维度确定其位置以及传感器之间的距离。
S32，计算传感器之间的距离的门限高斯核Aij：
Figure BDA0003177605210000061
其中dij为传感器i和传感器j之间的距离，σ为传感器之间距离的标准差，∈为门限。
S33，两个传感器之间的门限高斯核Wij越大，说明这两个传感器越相关。使用所计算出 来的门限高斯核构建交通路网，形成空间图的邻接矩阵A。
步骤S4：构建异步时空图来建模交通路网中的异步时空关联。
S41，将空间图中m个在时间上相邻的节点相连，构成异步时空图；
步骤S3中构建的交通路网的空间图仅能表示传感器节点之间的空间联系，因此将m个 在时间上相邻的空间图之间的节点相连，即可构成异步时空图来表示交通路网中的异步时空 关联。
S42，使用异步时空关联矩阵来表示异步时空图：
Figure BDA0003177605210000062
其中，A为步骤S3中构建的空间图的邻接矩阵，I为单位矩阵。
S43，构建自适应异步时空关联权重矩阵A(adp)来建模交通路网中异步时空关联的动态性 和复杂性。A(adp)根据A(H)的取值来初始化。
随后，A(adp)将作为模型的可训练参数参与训练。
步骤S5：使用异步时空图卷积和异步时空膨胀因果卷积对交通路网的交通流量进行预 测。
S51，利用S4中构建的异步时空图，在空域上定义异步时空图卷积运算如下：
Figure BDA0003177605210000063
h(l)＝AX′W+b 公式(5)
其中X′为输入的交通流量的特征，即步骤S3生成的生成时间序列数据；W和b为异步 时空图卷积使用的神经网络的可训练参数，通过训练过程确定具体取值。
S52，为了扩大卷积操作的感受野，将S51中的图卷积层进行堆叠，构成异步时空图卷 积块：
h(l+1)＝Ah(l)W+b 公式(6)
hM＝GCNBlock＝Stack[h1，h2，...，hl] 公式(7)
S53，使用多层膨胀因果卷积处理长序列问题，在每层中，使用多个异步时空图卷积块 处理不同时间周期内的异步时空联系图：
Figure BDA0003177605210000071
其中
Figure BDA0003177605210000072
为第q块异步时空图卷积块的输出，d为对应层选定的扩张因子(各层膨胀因果 卷积的扩张因子d可以取值相同，也可以不同)，t为当前时间步。
将每块的输出堆叠起来得到本层膨胀因果卷积的输出：
Figure BDA0003177605210000073
其中，T为输入序列长度，HS表示第S层膨胀因果卷积的输出。
S54，使用多层带有异步时空图卷积的膨胀因果卷积层作为编码器，使用两层全连接神 经网络作为解码器，解码器输出序列长度为T；使用Hlast表示S53中最后膨胀因果卷积的输 出，即编码器的输出。将其输入解码其中得到模型的预测结果：
Figure BDA0003177605210000074
使用解码器的输出
Figure BDA0003177605210000075
作为模型的预测结果来预测未来一定时长范围内的交通流量信息， 其中W1、b1和W2、b2分别为所使用的两层全连接神经网络的可训练参数，通过训练过程确 定具体取值。
解码器的输入序列长度T根据所要预测交通流量的时长范围和滑动窗口的间隔确定；本 实施例中，滑动窗口的间隔为5分钟，若要预测未来一小时内的交通流量信息，则解码器的 输入序列长度T取12；若要预测未来两小时内的交通流量信息，则解码器的输入序列长度T 取24，以此类推。
为验证本申请方法的预测性能，特选取PEMS04数据集进行实际预测：
本发明用于交通路网中的交通流量预测，如图1A所示为交通路网示意图。圆点为布置 在道路上的传感器节点。图1B绘制了节点a和节点b在一段时间内采集到的交通速度读数 变化趋势。节点a和节点b分别位于同一条道路的上下游，因此它们的速度读数具有很强的 异步时空相关性。举例来说，在t1时刻，节点a的速度读数达到了局部最大值，而节点b在t2时刻才达到其局部最大值。这种异步时空相关性对交通速度的精确预测有很重要的作用。
以往的基于机器学习的交通预测模型将交通数据中的空间依赖和时间依赖分开处理。首 先，交通路网具有天然的拓扑结构，可以表示成一张图，如图2A所示，连续的多个时间步 的交通路网可以表示为一组拓扑结构相同的图。图卷积网络(GCN)可以高效的处理图结构 数据，从而可以用来建模交通数据中的空间联系。如公式(11)所示，基于频域的图卷积操 作可以表示为：
Figure BDA0003177605210000081
其中x∈RN为输入信号，g∈RN为预定义的滤波器，
Figure RE-GDA0003231282790000082
和
Figure RE-GDA0003231282790000083
分别为对 X的傅里叶变换和傅里叶逆变换。此外，交通数据还具有明显的周期性，可以视为时间序列 数据，因此可以使用门控循环单元(GRU)等循环神经网络来对其时间依赖进行建模。公式 (12)和公式(13)分别为GRU中的重置门和更新门，公式(14)计算候选隐藏状态，公 式(15)更新本时间步的隐藏状态。其中，更新门有助于捕捉时间序列里长期的依赖关系， 重置门有助于捕捉时间序列里短期的依赖关系。
Rt＝σ(XtWxr+Ht-1Whr+br) 公式(12)
Rt＝σ(XtWxr+Ht-1Whr+br) 公式(13)
Figure BDA0003177605210000083
Figure BDA0003177605210000084
然而，将时间依赖和空间依赖分开处理无法有效地建模这两种依赖之间的联系，为了统 一地提取交通数据中的时空关联，本发明在连续的相邻空间图之间构建异步时空关联，如图 2B所示，圆形节点和三角形节点、正方形节点之间存在空间联系，因此将圆形节点与其余 时间步的空间图中的三角形节点、正方形节点连接起来，表示它们之间的异步时空联系，此 外，红色节点本身和其他时间步的红色节点之间具有时间联系。通过将m个连续时间步的 空间图进行连接，便得到了能够表示异步时空关联的异步时空图。
公式(11)中的图卷积操作是基于频域的，由于要进行傅里叶变换，其计算复杂度较高。 基于异步时空图，本发明中使用基于空域的图卷积网络来提取交通数据中的异步时空关联， 如公式(3)、(4)、(5)所示。其中，A(H)为异步时空图的异步时空关联矩阵，表示图中节点之间的关联关系。A(adp)为自适应的异步时空关联权重矩阵，表示节点之间关联的强度。该矩阵是模型的可训练参数，在训练过程中自适应的学习节点之间的关联强度，其初始值根据A(H)的值确定。X′为输入的交通数据。W，b为可训练参数。
Figure BDA0003177605210000091
Figure BDA0003177605210000092
h(l)＝AX′W+b 公式(5)
为了扩大卷积操作的感受野，将S51中的图卷积层进行堆叠，构成异步时空图卷积块：
h(l+1)＝Ah(l)W+b 公式(6)
hM＝GCNBlock＝Stack[h1，h2，...，hl] 公式(7)
构建异步时空图时，m的取值十分重要。过大的m值会导致图卷积操作所需要的参数的数 量变得十分庞大，不但使得模型的训练难度增加，而且还会导致过平滑问题的出现，使模型 的性能下降。但是m若取值过小则无法提取长期的异步时空关联。为了解决这个问题，本 发明设计了基于图卷积的异步时空膨胀因果卷积网络，如图3所示。使用网格搜索算法确定 最佳的扩张因子组合，在每一个异步时空卷积层，根据该层的扩张因子跳过某些空间图来构 造异步时空图。这样不但降低了模型的参数量，还避免了过平滑问题的发生，同时，模型的 预测性能并不会受到影响。异步时空膨胀因果卷积如公式(8)所示。其中，GCNBlock为 多个卷积操作串连起来的图卷积块，用于聚合节点的高阶邻居信息，d表示膨胀因子。
Figure BDA0003177605210000093
为了使模型学习到的参数适应交通数据中不同的时间模式，对每一个异步时空图，使用 不同的图卷积块对其进行处理。多个时空卷积块的结果并联在一起即为本层异步时空膨胀因 果卷积的结果，如公式(9)所示。
Figure BDA0003177605210000094
通过堆叠多层异步时空膨胀因果卷积层，模型可以建模交通数据中复杂的时空关联。随 后，使用两层全连接层产生模型的预测结果，如公式(10)所示。
Figure BDA0003177605210000095
模型的整体框架如图4所示。经过预处理的原始数据首先经过输入层，随后通过堆叠的 多层异步时空膨胀因果卷积层提取其异步时空关联，最后，使用输出层生成模型输出。
模型的损失函数采用平均绝对误差(MAE)，如公式(16)所示。其中，T，N，D分别表示预测的时间步数，空间图中的阶段数以及特征维度。为了避免过拟合，引入L2正则化项 λ||Θ||2，λ为超参数。
Figure BDA0003177605210000101
此外，采用平均绝对误差、均方根误差(RMSE)和平均绝对百分比误差(MAPE)来 作为本发明方法的衡量标准。如公式(17)，(18)，(19)所示。
Figure BDA0003177605210000102
Figure BDA0003177605210000103
Figure BDA0003177605210000104
本发明方法(ASTDGCN)与ISTD-GCN、Graph Wavenet、T-GCN进行对比。ISTD- GCN为迭代时空扩散图卷积网络，此方法同步对交通数据的时间依赖和空间依赖进行建模。Graph Wavenet结合扩散卷积和自适应邻接矩阵提取空间相关性，利用膨胀因果卷积处理时 间相关性，是近年来交通预测领域比较知名的方法。T-GCN结合频域图卷积网络和门控循 环单元来进行交通预测。图5A和图5B为本发明方法和其他对比模型在不同时间步的预测 性能对比，可以看出ASTDGCN在短期预测任务(15分钟)中的性能略优于其他模型，在 中长期预测任务(30分钟、45分钟、60分钟)中的表现相比其他模型提升较大。图6为 ASTDGCN在N个节点上随机选取的连续三天的预测值的平均值与真实值的平均值的对比。 可见本发明具有较高的准确率。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的 存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之 内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于异步时空膨胀图卷积网络的交通流量预测方法，其特征在于，所述方法包括：
步骤S1，利用道路传感器收集目标区域的交通路网的交通流量数据并进行预处理；
步骤S2，根据步骤S1得到的预处理后的交通流量数据生成时间序列数据；
步骤S3，构建传感器节点之间的空间图，并根据空间图建模交通路网的拓扑结构，生成空间图的邻接矩阵，所述邻接矩阵中各元素表示交通路网中各传感器节点之间的空间关系；
步骤S4，根据步骤S3生成的邻接矩阵，构建异步时空图来建模交通路网中的异步时空关联；
步骤S5，将步骤S2得到的时间序列数据作为输入和标签，使用步骤S4中构建得到的异步时空图来构建异步时空图卷积网络并结合异步时空膨胀因果卷积对目标区域的交通路网的交通流量进行预测。
2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：
步骤S31，根据传感器的经度和维度确定其位置以及传感器之间的距离；
步骤S32，计算传感器之间的距离的门限高斯核Aij：
Figure FDA0003177605200000011
其中dij为传感器i和传感器j之间的距离，σ为传感器之间距离的标准差，∈为门限；
步骤S33，使用所计算出来的门限高斯核构建交通路网，形成空间图的邻接矩阵A。
3.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
步骤S41，将空间图中m个在时间上相邻的节点相连，构成异步时空图；
步骤S42，使用异步时空关联矩阵来表示异步时空图：
Figure FDA0003177605200000012
其中，A为步骤S3中构建的空间图的邻接矩阵，I为单位矩阵；
步骤S43，构建自适应异步时空关联权重矩阵A(adp)，A(adp)根据A(H)的取值来初始化。
4.根据权利要求3所述的方法，其特征在于，所述步骤S5包括：
步骤S51，利用S4中构建的异步时空图，在空域上定义异步时空图卷积运算如下：
A＝A(adp)⊙A(H) 公式(4)
h(l)＝AX′W+b 公式(5)
其中X′为步骤S2生成的时间序列数据；W和b为异步时空图卷积使用的神经网络的可训练参数；
步骤S52，为了扩大卷积操作的感受野，将S51中的图卷积层进行堆叠，构成异步时空图卷积块：
h(l+1)＝Ah(l)W+b 公式(6)
hM＝GCNBlock＝Stack[h1，h2，...，hl] 公式(7)
步骤S53，使用多层膨胀因果卷积处理长序列问题，在每层膨胀因果卷积中，使用多个异步时空图卷积块处理不同时间周期内的异步时空联系图：
Figure FDA0003177605200000021
其中
Figure FDA0003177605200000022
为第q块异步时空图卷积块的输出，d为对应层选定的扩张因子，t为当前时间步；
将每块的输出堆叠起来得到本层膨胀因果卷积的输出：
Figure FDA0003177605200000023
其中，T为输入序列长度，HS表示第S层膨胀因果卷积的输出；
步骤S54，使用多层带有异步时空图卷积的膨胀因果卷积层作为编码器，使用两层全连接神经网络作为解码器，解码器的输入序列长度T；使用Hlast表示步骤S53中最后膨胀因果卷积的输出，即编码器的输出；将其输入解码其中得到模型的预测结果：
Figure FDA0003177605200000024
使用解码器的输出
Figure FDA0003177605200000025
作为预测结果，其中W1、b1和W2、b2分别为所使用的两层全连接神经网络的可训练参数。
5.根据权利要求4所述的方法，其特征在于，所述步骤S1中进行预处理包括：
对采集到的交通流量数据进行聚合并采用Z-score归一化方法进行归一化处理；
归一化处理公式为：
Figure FDA0003177605200000026
其中，X表示待归一化的交通流量数据，
Figure FDA0003177605200000027
表示待归一化的交通流量数据的平均值，S为待归一化交通流量数据的标准差。
6.根据权利要求5所述的方法，其特征在于，所述步骤S1中进行预处理，还包括：
丢弃距离小于阈值的传感器所采集的交通流量数据。
7.根据权利要求6所述的方法，其特征在于，所述交通流量数据包括过往车辆在预定时间段内的平均速度值。
8.根据权利要求7所述的方法，其特征在于，所述步骤S2采用长度为24、间隔为5分钟的滑动窗口，沿着S1中预处理好的交通流量数据Z的时间维度滑动，以截取并生成时间序列数据X′。
9.根据权利要求8所述的方法，其特征在于，所述步骤S5中对目标区域的交通路网的交通流量进行预测时，根据所要预测交通流量的时长范围和滑动窗口的间隔确定解码器的输入序列长度T。
10.权利要求1-9任一所述的方法在智能交通中的应用。
CN202110837289.2A 2021-07-23 2021-07-23 一种基于异步时空膨胀图卷积网络的交通流量预测方法 Active CN113570859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110837289.2A CN113570859B (zh) 2021-07-23 2021-07-23 一种基于异步时空膨胀图卷积网络的交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110837289.2A CN113570859B (zh) 2021-07-23 2021-07-23 一种基于异步时空膨胀图卷积网络的交通流量预测方法

Publications (2)

Publication Number Publication Date
CN113570859A true CN113570859A (zh) 2021-10-29
CN113570859B CN113570859B (zh) 2022-07-22

Family

ID=78166876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110837289.2A Active CN113570859B (zh) 2021-07-23 2021-07-23 一种基于异步时空膨胀图卷积网络的交通流量预测方法

Country Status (1)

Country Link
CN (1) CN113570859B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114360254A (zh) * 2022-03-17 2022-04-15 湖南工商大学 一种基于时空的交通流量预测方法及相关设备
CN114495500A (zh) * 2022-01-26 2022-05-13 北京工业大学 一种基于对偶动态时空图卷积的交通预测方法
CN114566048A (zh) * 2022-03-03 2022-05-31 重庆邮电大学 一种基于多视角自适应时空图网络的交通控制方法
CN115049022A (zh) * 2022-08-12 2022-09-13 天津大学 基于时间差分的数据处理方法及装置
CN116451873A (zh) * 2023-06-12 2023-07-18 中国科学技术大学 基于多尺度双时空网络区域风力发电功率预测方法及***
CN116884215A (zh) * 2023-07-14 2023-10-13 北京百度网讯科技有限公司 交通状态的预测、模型的生成方法、装置、设备及介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461311A (zh) * 2018-12-19 2019-03-12 哈尔滨工业大学（深圳） 一种面向智能交通和智能驾驶的路网交通流时空预测方法
CN110223517A (zh) * 2019-06-20 2019-09-10 青岛科技大学 基于时空相关性的短时交通流量预测方法
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
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN112037157A (zh) * 2020-09-14 2020-12-04 Oppo广东移动通信有限公司 数据处理方法及装置、计算机可读介质及电子设备
WO2020244220A1 (zh) * 2019-06-05 2020-12-10 中国科学院深圳先进技术研究院 一种交通融合分析预测方法、***及电子设备
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法
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
CN112287672A (zh) * 2019-11-28 2021-01-29 北京京东尚科信息技术有限公司 文本意图识别方法及装置、电子设备、存储介质
CN112382082A (zh) * 2020-09-30 2021-02-19 银江股份有限公司 一种拥堵区域交通运行状态预测方法及***
US20210064959A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Flexible edge-empowered graph convolutional networks with node-edge enhancement
CN112687102A (zh) * 2020-12-23 2021-04-20 大连理工大学 基于知识图谱和深度时空卷积的城域交通流量预测方法
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113112793A (zh) * 2021-03-29 2021-07-13 华南理工大学 一种基于动态时空相关性的交通流预测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461311A (zh) * 2018-12-19 2019-03-12 哈尔滨工业大学（深圳） 一种面向智能交通和智能驾驶的路网交通流时空预测方法
WO2020244220A1 (zh) * 2019-06-05 2020-12-10 中国科学院深圳先进技术研究院 一种交通融合分析预测方法、***及电子设备
CN110223517A (zh) * 2019-06-20 2019-09-10 青岛科技大学 基于时空相关性的短时交通流量预测方法
US20210064959A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Flexible edge-empowered graph convolutional networks with node-edge enhancement
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
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
CN112287672A (zh) * 2019-11-28 2021-01-29 北京京东尚科信息技术有限公司 文本意图识别方法及装置、电子设备、存储介质
CN111639787A (zh) * 2020-04-28 2020-09-08 北京工商大学 一种基于图卷积网络的时空数据预测方法
CN112037157A (zh) * 2020-09-14 2020-12-04 Oppo广东移动通信有限公司 数据处理方法及装置、计算机可读介质及电子设备
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法
CN112382082A (zh) * 2020-09-30 2021-02-19 银江股份有限公司 一种拥堵区域交通运行状态预测方法及***
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
CN112687102A (zh) * 2020-12-23 2021-04-20 大连理工大学 基于知识图谱和深度时空卷积的城域交通流量预测方法
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113112793A (zh) * 2021-03-29 2021-07-13 华南理工大学 一种基于动态时空相关性的交通流预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
常刚等: "基于时空依赖性的区域路网短时交通流预测模型", 《清华大学学报(自然科学版)》 *
朱凯利等: "基于图卷积神经网络的交通流量预测", 《智能计算机与应用》 *
荣斌等: "基于时空多图卷积网络的交通站点流量预测", 《计算机工程》 *
闫旭等: "基于图卷积神经网络的城市交通态势预测算法", 《浙江大学学报(工学版)》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495500A (zh) * 2022-01-26 2022-05-13 北京工业大学 一种基于对偶动态时空图卷积的交通预测方法
CN114566048A (zh) * 2022-03-03 2022-05-31 重庆邮电大学 一种基于多视角自适应时空图网络的交通控制方法
CN114360254A (zh) * 2022-03-17 2022-04-15 湖南工商大学 一种基于时空的交通流量预测方法及相关设备
CN115049022A (zh) * 2022-08-12 2022-09-13 天津大学 基于时间差分的数据处理方法及装置
CN115049022B (zh) * 2022-08-12 2022-10-21 天津大学 基于时间差分的数据处理方法及装置
CN116451873A (zh) * 2023-06-12 2023-07-18 中国科学技术大学 基于多尺度双时空网络区域风力发电功率预测方法及***
CN116451873B (zh) * 2023-06-12 2023-10-20 中国科学技术大学 基于多尺度双时空网络区域风力发电功率预测方法及***
CN116884215A (zh) * 2023-07-14 2023-10-13 北京百度网讯科技有限公司 交通状态的预测、模型的生成方法、装置、设备及介质
CN116884215B (zh) * 2023-07-14 2024-05-31 北京百度网讯科技有限公司 交通状态的预测、模型的生成方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113570859B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN113570859B (zh) 一种基于异步时空膨胀图卷积网络的交通流量预测方法
Boukerche et al. Machine learning-based traffic prediction models for intelligent transportation systems
CN111612206B (zh) 一种基于时空图卷积神经网络的街区人流预测方法及***
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
CN114220271B (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
Vlahogianni et al. Temporal evolution of short‐term urban traffic flow: a nonlinear dynamics approach
CN110675623A (zh) 基于混合深度学习的短时交通流量预测方法、***、装置
CN114299723B (zh) 一种交通流量预测方法
CN113792929B (zh) 交通流量预测方法、电子设备及存储介质
CN115440032B (zh) 一种长短期公共交通流量预测方法
Sun et al. Dual dynamic spatial-temporal graph convolution network for traffic prediction
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
CN111047078B (zh) 交通特征预测方法、***及存储介质
CN110570035B (zh) 同时建模时空依赖性和每日流量相关性的人流量预测***
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN110428614B (zh) 一种基于非负张量分解的交通拥堵热度时空预测方法
CN111860787A (zh) 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置
CN112862177A (zh) 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质
CN114973678B (zh) 一种基于图注意力神经网络和时空大数据的交通预测方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN112766339A (zh) 一种轨迹识别模型训练方法及轨迹识别方法
Ke et al. AutoSTG+: An automatic framework to discover the optimal network for spatio-temporal graph prediction
Alam Recurrent neural networks in electricity load forecasting
Du et al. Highway travel time prediction of segments based on ANPR data considering traffic diversion

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