CN113705880A - 基于时空注意力图卷积网络的交通速度预测方法和装置 - Google Patents

基于时空注意力图卷积网络的交通速度预测方法和装置 Download PDF

Info

Publication number
CN113705880A
CN113705880A CN202110980592.8A CN202110980592A CN113705880A CN 113705880 A CN113705880 A CN 113705880A CN 202110980592 A CN202110980592 A CN 202110980592A CN 113705880 A CN113705880 A CN 113705880A
Authority
CN
China
Prior art keywords
matrix
time
network
attention
space
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
CN202110980592.8A
Other languages
English (en)
Inventor
夏莹杰
田瑞
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.)
Hangzhou Yuantiao Science And Technology Co ltd
Original Assignee
Hangzhou Yuantiao Science And Technology Co ltd
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 Hangzhou Yuantiao Science And Technology Co ltd filed Critical Hangzhou Yuantiao Science And Technology Co ltd
Priority to CN202110980592.8A priority Critical patent/CN113705880A/zh
Publication of CN113705880A publication Critical patent/CN113705880A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

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

Abstract

本发明公开的一种基于时空注意力图卷积网络的交通速度预测方法和装置，方法包括：对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；构建时间注意力网络；将分量数据矩阵输入到时间注意力网络中，得到时间关联矩阵；构建空间注意力网络；将时间关联矩阵输入到空间注意力网络中，融合得到时空关联矩阵；将路网拓扑矩阵输入到图卷积网络，并与时空关联矩阵进行结合，进行模型训练；通过训练好的模型进行速度预测。通过将时间注意力网络与空间注意力网络融合形成时空注意力网络，提取交通网络在时间上跟空间上的关联性，同时结合图卷积网络不断融合邻接节点的信息，来对交通速度进行预测，提升对于交通速度预测的准确性。

Description

基于时空注意力图卷积网络的交通速度预测方法和装置
技术领域
本发明涉及智能交通领域和深度学习领域，更具体的，涉及一种基于时空注意力图卷积网络的交通速度预测方法和相关装置。
背景技术
随着人均收入的不断提高，城市交通变得越来越拥挤，交通预测也成为了一个越来越重要的研究课题，准确、及时地对交通情况进行预测不仅对交管部门的管理提供了一个有效的治理手段，同时也为出行者提供了合理的规划。交通预测对于城市规划、交通管理、交通治理和财产安全都具有重要意义。然而，由于交通情况在时间上和空间上都具有复杂性，在时空预测上一直都是一个具有挑战性的课题。
早期的交通速度主要是基于一些统计方法或者是简单的机器学***均法(ARIMA)、向量自回归法(VAR)、K最近邻法(KNN)和支持向量回归(SVR)。这些方法虽然能预测交通速度，但随着交通路网的空间复杂性的提升，以及在时间上的关联性的提升，导致预测的精度较低。传统的交通速度预测很难挖掘到时间以及空间上的关联性，极大地限制了在时空挖掘上的性能。
因此，如何设计一种综合考虑交通状态下的时空关联性的速度预测方法，是本领域技术人员亟待解决的技术问题。
发明内容
鉴于上述问题，本发明的目的是提供一种基于时空注意力图卷积网络的交通速度预测方法和相关装置，使得对于交通速度的预测更具有准确性。
本发明第一方面提供了一种基于时空注意力图卷积网络的交通速度预测方法，包括以下步骤：
对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；
构建时间注意力网络；
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵；
构建空间注意力网络；
将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵；
将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练；
通过训练好的模型进行速度预测。
本方案中，所述将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵具体包括：
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间注意力矩阵T：
Figure BDA0003228963260000021
其中，Ke、L1、L2、L3、Ve为可学习的参数，σ表示sigmoid激活函数，
Figure BDA0003228963260000022
为所述分量数据矩阵，
Figure BDA0003228963260000023
Cr-1表示第r层输入数据的通道数，Tr-1表示第r层输入数据时间维度的长度；
所述时间注意力矩阵T经过归一化后根据所述时间注意力矩阵捕捉节点之间的关联强度：
Figure BDA0003228963260000024
Ti，j反映时间i，j之间的时间关联强度，与所述分量数据矩阵相乘得到时间关联矩阵
Figure BDA0003228963260000025
Figure BDA0003228963260000026
本方案中，所述将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵具体包括：
将所述时间关联矩阵输入到所述空间注意力网络中，得到时空注意矩阵S：
Figure BDA0003228963260000027
其中，Ks、H1、H2、H3、Vs为可学习的参数；
根据所述时空注意矩阵S计算得到时间关联矩阵S′：
Figure BDA0003228963260000028
本方案中，所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练，得到预测速度具体包括：
将路网拓扑矩阵输入到拉普拉斯矩阵L中：
Figure BDA0003228963260000029
其中，A表示输入的路网拓扑矩阵，D为度矩阵，具体为对角矩阵，对角线的元素为
Figure BDA0003228963260000031
Aij代表的是第i行j列的元素；
所述图卷积网络具体为切比雪夫多项式形式的图卷积网络，表示为：
Figure BDA0003228963260000032
其中，*G表示一个图的卷积操作，
Figure BDA0003228963260000033
是缩放后的归一化拉普拉斯矩阵，λmax是L的最大特征值，θ′k(k＝0,1,…K)是切比雪夫多项式的第k项的系数，为可学习参数；
K阶的切比雪夫多项式的定义如下：
Tk(x)＝2xTk-1(x)-Tk-2(x)；
结合输入的路网拓扑矩阵与所述时空关联矩阵，得到最终的图卷积公式：
Figure BDA0003228963260000034
对所述图卷积公式进行模型训练后，通过训练好的模型进行速度预测。
本方案中，所述对现有的速度数据集进行采样，获得有关时间序列的分量数据矩阵具体包括：
对现有的速度数据集进行三个维度的采样，分别获得有关时间序列的时分量数据矩阵、天分量数据矩阵和周分量数据矩阵；
所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练具体为：
将路网拓扑矩阵输入到图卷积网络，并分别与三个维度的所述时空关联矩阵进行结合，且采用三个维度的分量数据矩阵分别进行模型训练，并进行融合输出。
本方案中，在所述通过训练好的模型进行速度预测之前，还包括：
构建的损失函数
Figure BDA0003228963260000035
其中，Yt表示实际交通速度，
Figure BDA0003228963260000036
表示预测速度，Lreg为避免过度拟合参数，ω为用于减小预测误差的超参数。
本发明第二方面还提供一种基于时空注意力图卷积网络的交通速度预测***，包括存储器和处理器，所述存储器中包括基于时空注意力图卷积网络的交通速度预测方法程序，所述基于时空注意力图卷积网络的交通速度预测方法程序被所述处理器执行时实现如下步骤：
对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；
构建时间注意力网络；
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵；
构建空间注意力网络；
将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵；
将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练；
通过训练好的模型进行速度预测。
本方案中，所述对现有的速度数据集进行采样，获得有关时间序列的分量数据矩阵具体包括：
对现有的速度数据集进行三个维度的采样，分别获得有关时间序列的时分量数据矩阵、天分量数据矩阵和周分量数据矩阵；
所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练具体为：
将路网拓扑矩阵输入到图卷积网络，并分别与三个维度的所述时空关联矩阵进行结合，且采用三个维度的分量数据矩阵分别进行模型训练，并进行融合输出。
本方案中，在通过训练好的模型进行速度预测之前，还包括：
建的损失函数
Figure BDA0003228963260000041
其中，Yt表示实际交通速度，
Figure BDA0003228963260000042
表示预测速度，Lreg为避免过度拟合参数，ω为用于减小预测误差的超参数。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于时空注意力图卷积网络的交通速度预测方法程序，所述基于时空注意力图卷积网络的交通速度预测方法程序被处理器执行时，实现如上述任一项所述的一种基于时空注意力图卷积网络的交通速度预测方法的步骤。
本发明公开的一种基于时空注意力图卷积网络的交通速度预测方法和相关装置，方法包括：对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；构建时间注意力网络；将分量数据矩阵输入到时间注意力网络中，得到时间关联矩阵；构建空间注意力网络；将时间关联矩阵输入到空间注意力网络中，融合得到时空关联矩阵；将路网拓扑矩阵输入到图卷积网络，并与时空关联矩阵进行结合，进行模型训练；通过训练好的模型进行速度预测。通过将时间注意力网络与空间注意力网络融合形成时空注意力网络，提取交通网络在时间上跟空间上的关联性，同时结合图卷积网络不断融合邻接节点的信息，来对交通速度进行预测，提升对于交通速度预测的准确性。
附图说明
图1示出了本申请一种基于时空注意力图卷积网络的交通速度预测方法的流程图；
图2示出了本发明一种基于时空注意力图卷积网络的交通速度预测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于时空注意力图卷积网络的交通速度预测方法的流程图。
如图1所示，本申请公开了一种基于时空注意力图卷积网络的交通速度预测方法，包括以下步骤：
S102，对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；
S104，构建时间注意力网络；
S106，将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵；
S108，构建空间注意力网络；
S110，将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵；
S112，将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练；
S114，通过训练好的模型进行速度预测。
需要说明的是，首先，根据已经得到的数据进行数据采样，获取有关时间序列的数据，在采样的数据上提取出速度特征；构建一个时间注意力网络，将采样得到的数据输入到构建的时间注意力网络，提取速度之间的时间关联性。然后构建一个空间注意力网络，将得到的结果进一步处理后的结果作为输入，输入到构建的空间注意力网络，融合提取时空关联性。
需要说明的是，接下来，根据路网矩阵，构建一种时空注意力图卷积模型，利用图卷积网络GCN训练得到的时空关联数据，同时与路网拓补图结合，进行模型训练。最后根据训练好的模型进行速度预测。
本发明所提供的一种基于时空注意力图卷积网络的交通速度预测方法，通过将时间注意力网络与空间注意力网络融合形成时空注意力网络，提取交通网络在时间上跟空间上的关联性，同时结合图卷积网络(GCN)不断融合邻接节点的信息，来对交通速度进行预测，通过捕捉交通网络间的时空关联性来提升对于交通速度预测的准确性。
根据本发明实施例，所述对现有的速度数据集进行采样，获得有关时间序列的分量数据矩阵具体包括：
对现有的速度数据集进行三个维度的采样，分别获得有关时间序列的时分量数据矩阵、天分量数据矩阵和周分量数据矩阵；
所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练具体为：
将路网拓扑矩阵输入到图卷积网络，并分别与三个维度的所述时空关联矩阵进行结合，且采用三个维度的分量数据矩阵分别进行模型训练，并进行融合输出。
需要说明的是，根据数据集采集的规律，在数据集上对三个时间维度的数据进行采集：分别采集三个不同时间维度的数据具体为Yh、Yd和Yw，其中Yh代表最近时间的时分量数据矩阵，Yd代表最近天分量数据矩阵，Yw代表最近周分量数据矩阵，这三个时间组件共享相同的网络结构。可以根据采样数据每5分钟采集一次的规律性，划分出三个不同时间维度的采样批次。对采样的数据进行处理，提取速度特征，依据速度特征构建训练集和测试集。本发明实施例中，具体可以是预测未来一小时的交通速度，因此时间窗口取12，并在这基础上取出最后12个时间步为测试样本。
根据本发明实施例，所述将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵具体包括：
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间注意力矩阵T：
Figure BDA0003228963260000071
其中，Ke、L1、L2、L3、Ve为可学习的参数，σ表示sigmoid激活函数，
Figure BDA0003228963260000072
为所述分量数据矩阵，
Figure BDA0003228963260000073
Cr-1表示第r层输入数据的通道数，Tr-1表示第r层输入数据时间维度的长度；
所述时间注意力矩阵T经过归一化后根据所述时间注意力矩阵捕捉节点之间的关联强度：
Figure BDA0003228963260000074
Ti，j反映时间i，j之间的时间关联强度，与所述分量数据矩阵相乘得到时间关联矩阵
Figure BDA0003228963260000075
Figure BDA0003228963260000076
需要说明的是，在时间维度上，不同时间段的交通条件之间存在相关性，在不同的情况下，相关性也有变化。同样地，使用时间注意力机制自适应地捕捉数据之间的时间关联性。
构建一个时间注意力网络，主要方式如下：将采样得到的时间序列的节点速度矩阵输入到构建的时间注意力网络，得到
Figure BDA0003228963260000077
根据当前层的输入，动态计算时间注意矩阵T，其中，Ke、L1、L2、L3、Ve为可学习的参数。σ表示sigmoid激活函数，定义如下：
Figure BDA0003228963260000078
Figure BDA0003228963260000079
代表的是第r层的时间关联模块。Cr-1表示第r层输入数据的通道数，Tr-1表示第r层输入数据时间维度的长度。
T矩阵经过归一化然后根据计算出的时间注意矩阵捕捉节点之间的关联强度：
Figure BDA00032289632600000710
Ti，j动态反映时间i,j之间的时间关联强度，同时用原采样矩阵相乘得到完整时间关联矩阵:
Figure BDA00032289632600000711
根据本发明实施例，所述将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵具体包括：
将所述时间关联矩阵输入到所述空间注意力网络中，得到时空注意矩阵S：
Figure BDA0003228963260000081
其中，Ks、H1、H2、H3、Vs为可学习的参数；
根据所述时空注意矩阵S计算得到时间关联矩阵S′：
Figure BDA0003228963260000082
需要说明的是，在空间维度上，不同位置的交通条件相互影响。本发明实施例使用了一种空间注意机制自适应地捕捉空间维度中节点之间的动态相性，将带有时间注意力的矩阵与空间注意力网络融合得到时空注意力矩阵。
将时间注意力网络得到的输出(时间关联矩阵)输入到空间注意力网络进一步融合得到时空注意矩阵S：
Figure BDA0003228963260000083
根据时间注意矩阵的输入，动态计算时空注意S，其中，其中Ks、H1、H2、H3、Vs为可学习的参数。
根据计算出的时空注意矩阵捕捉节点之间的关联强度：
Figure BDA0003228963260000084
S′动态反映时间i,j之间的时空关联强度；
根据得到的时空关联矩阵S′与输入的路网邻接矩阵动态调整权值生成节点的注意力系数。通过时空关联，更能把握好路网速度在时间空间上的关联性，在速度的预测上具有更宽阔的视野。
根据本发明实施例，所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练，得到预测速度具体包括：
将路网拓扑矩阵输入到拉普拉斯矩阵L中：
Figure BDA0003228963260000085
其中，A表示输入的路网拓扑矩阵，D为度矩阵，具体为对角矩阵，对角线的元素为
Figure BDA0003228963260000086
Aij代表的是第i行j列的元素；
所述图卷积网络具体为切比雪夫多项式形式的图卷积网络，表示为：
Figure BDA0003228963260000091
其中，*G表示一个图的卷积操作，
Figure BDA0003228963260000092
是缩放后的归一化拉普拉斯矩阵，λmax是L的最大特征值，θ′k(k＝0,1,…K)是切比雪夫多项式的第k项的系数，为可学习参数；
K阶的切比雪夫多项式的定义如下：
Tk(x)＝2xTk-1(x)-Tk-2(x)；
结合输入的路网拓扑矩阵与所述时空关联矩阵，得到最终的图卷积公式：
Figure BDA0003228963260000093
对所述图卷积公式进行模型训练后，通过训练好的模型进行速度预测。
需要说明的是，基于图卷积网络的交通速度预测就是根据历史交通数据来预测未来的交通状况，通过时空关联矩阵与路网拓扑矩阵来构建时空注意力图卷积网络(STA-GCN)模型。
为了捕捉路网的关联性，本发明采用切比雪夫多项式的图卷积聚合邻居节点的信息。根据路网使用拉普拉斯矩阵：
Figure BDA0003228963260000094
A表示输入的路网拓扑矩阵，D是度矩阵，是一个对角矩阵，对角线的元素为
Figure BDA0003228963260000095
Aij代表的是第i行j列的元素。
切比雪夫多项式形式的图卷积网络表示为：
Figure BDA0003228963260000096
其中，*G表示一个图的卷积操作。由于图信号的卷积运算等于已被转换为光谱域的这些信号的乘积图傅里叶变换，上述公式可以理解为傅里叶将gΘ和x分别转换为光谱域，然后将它们变换的再乘并进行傅里叶逆变换，得到卷积运算的最终结果。然而，直接对拉普拉斯矩阵进行特征值分解是很困难的，尤其是对于路网来说。因此，本发明采用切比雪夫多项式近似但有效地解决了这个问题，
Figure BDA0003228963260000097
是缩放后的归一化拉普拉斯矩阵，λmax是L的最大特征值，θ′k(k＝0,1,…K)是切比雪夫多项式的第k项的系数，它是可学习的参数，是在模型训练过程中通过优化损失函数不断迭代更新的。K阶的切比雪夫多项式的定义如下：
Tk(x)＝2xTk-1(x)-Tk-2(x)；
利用切比雪夫多项式的近似展开来求解这个公式对应于提取周围每个节点的信息。
结合输入的路网邻接矩阵与得到的时空关联矩阵，得到最终的图卷积公式：
Figure BDA0003228963260000101
通过时空注意力机制提取路网在时空上的关联性，结合路网矩阵进行建模，对三个不同时间维度的网络进行训练。
根据三个不同时间维度的相同网络学习后，融合输出：
Figure BDA0003228963260000102
对于三个时间维度来说，预测的节点对每个维度的依赖不同，因此每个节点的三个分量的影响权重不同，应从历史数据中学习。其中⊙是哈达达玛积。Wh、Wd和Ww是学习参数，反映了三维时间分量对预测目标的影响程度。跟据最后的融合输出得到预测速度。
根据本发明实施例，在所述通过训练好的模型进行速度预测之前，还包括：
构建的损失函数
Figure BDA0003228963260000103
其中，Yt表示实际交通速度，
Figure BDA0003228963260000104
表示预测速度，Lreg为避免过度拟合参数，ω为用于减小预测误差的超参数。
需要说明的是，根据时空注意力图卷积模型的预测速度与真实速度的差异比较，提出一种新的损失函数计算方法，在每次迭代时不断更新，加快模型训练速度，该方法可以使三个不同时间维度的网络同时收敛。
构建的损失函数定义如下：
构建的损失函数为
Figure BDA0003228963260000105
其中Yt表示实际交通速度，
Figure BDA0003228963260000106
表示预测速度，
Figure BDA0003228963260000107
用于最小化实际交通速度与预测之间的误差。Lreg有助于避免过度拟合问题，而ω是一个超参数，最大限度地减小实际交通速度与实际交通速度之间的误差预测。
时空注意力机制能够根据输入数据中各个节点的特征学习到节点之间的隐含时空相关性，由于节点之间的注意力分数是根据输入动态计算的，因此当路网的拓扑结构发生变化时它也能够捕捉到；另外，由于空间自注意力集中聚合了所有节点的信息，因此它也能够从全局捕获路网的空间相关性。
图2示出了本发明一种基于时空注意力图卷积网络的交通速度预测***的框图。
如图2所示，本发明公开了一种基于时空注意力图卷积网络的交通速度预测***2，包括存储器21和处理器22，所述存储器21中包括基于时空注意力图卷积网络的交通速度预测方法程序，所述基于时空注意力图卷积网络的交通速度预测方法程序被所述处理器22执行时实现如下步骤：
对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；
构建时间注意力网络；
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵；
构建空间注意力网络；
将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵；
将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练；
通过训练好的模型进行速度预测。
需要说明的是，首先，根据已经得到的数据进行数据采样，获取有关时间序列的数据，在采样的数据上提取出速度特征；构建一个时间注意力网络，将采样得到的数据输入到构建的时间注意力网络，提取速度之间的时间关联性。然后构建一个空间注意力网络，将得到的结果进一步处理后的结果作为输入，输入到构建的空间注意力网络，融合提取时空关联性。
需要说明的是，接下来，根据路网矩阵，构建一种时空注意力图卷积模型，利用图卷积网络GCN训练得到的时空关联数据，同时与路网拓补图结合，进行模型训练。最后根据训练好的模型进行速度预测。
本发明所提供的一种基于时空注意力图卷积网络的交通速度预测方法，通过将时间注意力网络与空间注意力网络融合形成时空注意力网络，提取交通网络在时间上跟空间上的关联性，同时结合图卷积网络(GCN)不断融合邻接节点的信息，来对交通速度进行预测，通过捕捉交通网络间的时空关联性来提升对于交通速度预测的准确性。
根据本发明实施例，所述对现有的速度数据集进行采样，获得有关时间序列的分量数据矩阵具体包括：
对现有的速度数据集进行三个维度的采样，分别获得有关时间序列的时分量数据矩阵、天分量数据矩阵和周分量数据矩阵；
所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练具体为：
将路网拓扑矩阵输入到图卷积网络，并分别与三个维度的所述时空关联矩阵进行结合，且采用三个维度的分量数据矩阵分别进行模型训练，并进行融合输出。
需要说明的是，根据数据集采集的规律，在数据集上对三个时间维度的数据进行采集：分别采集三个不同时间维度的数据具体为Yh、Yd和Yw，其中Yh代表最近时间的时分量数据矩阵，Yd代表最近天分量数据矩阵，Yw代表最近周分量数据矩阵，这三个时间组件共享相同的网络结构。可以根据采样数据每5分钟采集一次的规律性，划分出三个不同时间维度的采样批次。对采样的数据进行处理，提取速度特征，依据速度特征构建训练集和测试集。本发明实施例中，具体可以是预测未来一小时的交通速度，因此时间窗口取12，并在这基础上取出最后12个时间步为测试样本。
根据本发明实施例，所述将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵具体包括：
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间注意力矩阵T：
Figure BDA0003228963260000121
其中，Ke、L1、L2、L3、Ve为可学习的参数，σ表示sigmoid激活函数，
Figure BDA0003228963260000122
为所述分量数据矩阵，
Figure BDA0003228963260000123
Cr-1表示第r层输入数据的通道数，Tr-1表示第r层输入数据时间维度的长度；
所述时间注意力矩阵T经过归一化后根据所述时间注意力矩阵捕捉节点之间的关联强度：
Figure BDA0003228963260000124
Ti，j反映时间i，j之间的时间关联强度，与所述分量数据矩阵相乘得到时间关联矩阵
Figure BDA0003228963260000125
Figure BDA0003228963260000126
需要说明的是，在时间维度上，不同时间段的交通条件之间存在相关性，在不同的情况下，相关性也有变化。同样地，使用时间注意力机制自适应地捕捉数据之间的时间关联性。
构建一个时间注意力网络，主要方式如下：将采样得到的时间序列的节点速度矩阵输入到构建的时间注意力网络，得到
Figure BDA0003228963260000131
根据当前层的输入，动态计算时间注意矩阵T，其中，Ke、L1、L2、L3、Ve为可学习的参数。σ表示sigmoid激活函数，定义如下：
Figure BDA0003228963260000132
Figure BDA0003228963260000133
代表的是第r层的时间关联模块。Cr-1表示第r层输入数据的通道数，Tr-1表示第r层输入数据时间维度的长度。
T矩阵经过归一化然后根据计算出的时间注意矩阵捕捉节点之间的关联强度：
Figure BDA0003228963260000134
Ti，j动态反映时间i,j之间的时间关联强度，同时用原采样矩阵相乘得到完整时间关联矩阵:
Figure BDA0003228963260000135
根据本发明实施例，所述将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵具体包括：
将所述时间关联矩阵输入到所述空间注意力网络中，得到时空注意矩阵S：
Figure BDA0003228963260000136
其中，Ks、H1、H2、H3、Vs为可学习的参数；
根据所述时空注意矩阵S计算得到时间关联矩阵S′：
Figure BDA0003228963260000137
需要说明的是，在空间维度上，不同位置的交通条件相互影响。本发明实施例使用了一种空间注意机制自适应地捕捉空间维度中节点之间的动态相性，将带有时间注意力的矩阵与空间注意力网络融合得到时空注意力矩阵。
将时间注意力网络得到的输出(时间关联矩阵)输入到空间注意力网络进一步融合得到时空注意矩阵S：
Figure BDA0003228963260000138
根据时间注意矩阵的输入，动态计算时空注意S，其中，其中Ks、H1、H2、H3、Vs为可学习的参数。
根据计算出的时空注意矩阵捕捉节点之间的关联强度：
Figure BDA0003228963260000141
S′动态反映时间i,j之间的时空关联强度；
根据得到的时空关联矩阵S′与输入的路网邻接矩阵动态调整权值生成节点的注意力系数。通过时空关联，更能把握好路网速度在时间空间上的关联性，在速度的预测上具有更宽阔的视野。
根据本发明实施例，所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练，得到预测速度具体包括：
将路网拓扑矩阵输入到拉普拉斯矩阵L中：
Figure BDA0003228963260000142
其中，A表示输入的路网拓扑矩阵，D为度矩阵，具体为对角矩阵，对角线的元素为
Figure BDA0003228963260000143
Aij代表的是第i行j列的元素；
所述图卷积网络具体为切比雪夫多项式形式的图卷积网络，表示为：
Figure BDA0003228963260000144
其中，*G表示一个图的卷积操作，
Figure BDA0003228963260000145
是缩放后的归一化拉普拉斯矩阵，λmax是L的最大特征值，θ′k(k＝0,1,…K)是切比雪夫多项式的第k项的系数，为可学习参数；
K阶的切比雪夫多项式的定义如下：
Tk(x)＝2xTk-1(x)-Tk-2(x)；
结合输入的路网拓扑矩阵与所述时空关联矩阵，得到最终的图卷积公式：
Figure BDA0003228963260000146
对所述图卷积公式进行模型训练后，通过训练好的模型进行速度预测。
需要说明的是，基于图卷积网络的交通速度预测就是根据历史交通数据来预测未来的交通状况，通过时空关联矩阵与路网拓扑矩阵来构建STA-GCN模型。
为了捕捉路网的关联性，本发明采用切比雪夫多项式的图卷积聚合邻居节点的信息。根据路网使用拉普拉斯矩阵：
Figure BDA0003228963260000147
A表示输入的路网拓扑矩阵，D是度矩阵，是一个对角矩阵，对角线的元素为
Figure BDA0003228963260000148
Aij代表的是第i行j列的元素。
切比雪夫多项式形式的图卷积网络表示为：
Figure BDA0003228963260000149
其中，*G表示一个图的卷积操作。由于图信号的卷积运算等于已被转换为光谱域的这些信号的乘积图傅里叶变换，上述公式可以理解为傅里叶将gΘ和x分别转换为光谱域，然后将它们变换的再乘并进行傅里叶逆变换，得到卷积运算的最终结果。然而，直接对拉普拉斯矩阵进行特征值分解是很困难的，尤其是对于路网来说。因此，本发明采用切比雪夫多项式近似但有效地解决了这个问题，
Figure BDA0003228963260000151
是缩放后的归一化拉普拉斯矩阵，λmax是L的最大特征值，θ′k(k＝0,1,…K)是切比雪夫多项式的第k项的系数，它是可学习的参数，是在模型训练过程中通过优化损失函数不断迭代更新的。K阶的切比雪夫多项式的定义如下：
Tk(x)＝2xTk-1(x)-Tk-2(x)；
利用切比雪夫多项式的近似展开来求解这个公式对应于提取周围每个节点的信息。
结合输入的路网邻接矩阵与得到的时空关联矩阵，得到最终的图卷积公式：
Figure BDA0003228963260000152
通过时空注意力机制提取路网在时空上的关联性，结合路网矩阵进行建模，对三个不同时间维度的网络进行训练。
根据三个不同时间维度的相同网络学习后，融合输出：
Figure BDA0003228963260000153
对于三个时间维度来说，预测的节点对每个维度的依赖不同，因此每个节点的三个分量的影响权重不同，应从历史数据中学习。其中⊙是哈达达玛积。Wh、Wd和Ww是学习参数，反映了三维时间分量对预测目标的影响程度。跟据最后的融合输出得到预测速度。
根据本发明实施例，在所述通过训练好的模型进行速度预测之前，还包括：
构建的损失函数
Figure BDA0003228963260000154
其中，Yt表示实际交通速度，
Figure BDA0003228963260000155
表示预测速度，Lreg为避免过度拟合参数，ω为用于减小预测误差的超参数。
需要说明的是，根据时空注意力图卷积模型的预测速度与真实速度的差异比较，提出一种新的损失函数计算方法，在每次迭代时不断更新，加快模型训练速度，该方法可以使三个不同时间维度的网络同时收敛。
构建的损失函数定义如下：
构建的损失函数为
Figure BDA0003228963260000161
其中Yt表示实际交通速度，
Figure BDA0003228963260000162
表示预测速度，
Figure BDA0003228963260000163
用于最小化实际交通速度与预测之间的误差。Lreg有助于避免过度拟合问题，而ω是一个超参数，最大限度地减小实际交通速度与实际交通速度之间的误差预测。
时空注意力机制能够根据输入数据中各个节点的特征学习到节点之间的隐含时空相关性，由于节点之间的注意力分数是根据输入动态计算的，因此当路网的拓扑结构发生变化时它也能够捕捉到；另外，由于空间自注意力集中聚合了所有节点的信息，因此它也能够从全局捕获路网的空间相关性。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于时空注意力图卷积网络的交通速度预测方法程序，所述基于时空注意力图卷积网络的交通速度预测方法程序被处理器执行时，实现如上述任一项所述的一种基于时空注意力图卷积网络的交通速度预测方法的步骤。
本发明公开的一种基于时空注意力图卷积网络的交通速度预测方法和相关装置，方法包括：对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；构建时间注意力网络；将分量数据矩阵输入到时间注意力网络中，得到时间关联矩阵；构建空间注意力网络；将时间关联矩阵输入到空间注意力网络中，融合得到时空关联矩阵；将路网拓扑矩阵输入到图卷积网络，并与时空关联矩阵进行结合，进行模型训练；通过训练好的模型进行速度预测。通过将时间注意力网络与空间注意力网络融合形成时空注意力网络，提取交通网络在时间上跟空间上的关联性，同时结合图卷积网络(GCN)不断融合邻接节点的信息，来对交通速度进行预测，通过捕捉交通网络间的时空关联性来提升对于交通速度预测的准确性。
以下为本发明所提供的一种基于时空注意力图卷积网络的交通速度预测方法的应用例：
1.数据的预处理
本发明在PEMSD4和PEMSD8数据集上进行实验。PEMSD4数据集包含了2018年1月1日至2018年2月28日旧金山湾区307个环形检测器的交通数据(包括流量、速度、车道占用率)。PEMSD8数据集包含了2016年7月1日至2016年8月31日圣贝纳迪诺地区170个环形检测器收集的交通数据(包括流量、速度、车道占用率)。原始数据包括两部分，一部分是交通数据，另一部分是各个传感器之间的距离。数据预处理包括切分数据集制作训练、测试样本。
2.模型训练
加载处理好的数据集到上述实施例中的公式(1)-公式(5)，得到节点间的时空关联矩阵S′。
结合输入的路网关联矩阵A，将时空关联矩阵S′输入到公式(6)进行模型训练。然后计算平均绝对误差MAE、均方根误差RMSE这2种性能指标，2种性能指标定义如下：
Figure BDA0003228963260000171
Figure BDA0003228963260000172
其中Xi，
Figure BDA0003228963260000173
分别代表真实值跟预测值中的第i个元素，n表示元素总数。
表1本发明跟HA、ARIMA、VAR在PEMSD4数据上的对比
Figure BDA0003228963260000174
表2本发明跟HA、ARIMA、VAR在PEMSD8数据上的对比
Figure BDA0003228963260000175
可以发现，本发明在各个程度上的预测都达到了较好的效果。融合了时空关联的图网络在预测的准确度上都得到了不错的效果，具有一定的参考价值和实际经济效益。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种基于时空注意力图卷积网络的交通速度预测方法，其特征在于，包括以下步骤：
对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；
构建时间注意力网络；
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵；
构建空间注意力网络；
将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵；
将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练；
通过训练好的模型进行速度预测。
2.根据权利要求1所述的基于时空注意力图卷积网络的交通速度预测方法，其特征在于，所述将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵具体包括：
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间注意力矩阵T：
Figure FDA0003228963250000011
其中，Ke、L1、L2、L3、Ve为可学习的参数，σ表示sigmoid激活函数，
Figure FDA0003228963250000012
为所述分量数据矩阵，
Figure FDA0003228963250000013
Cr-1表示第r层输入数据的通道数，Tr-1表示第r层输入数据时间维度的长度；
所述时间注意力矩阵T经过归一化后根据所述时间注意力矩阵捕捉节点之间的关联强度：
Figure FDA0003228963250000014
Ti，j反映时间i，j之间的时间关联强度，与所述分量数据矩阵相乘得到时间关联矩阵
Figure FDA0003228963250000015
Figure FDA0003228963250000016
3.根据权利要求2所述的基于时空注意力图卷积网络的交通速度预测方法，其特征在于，所述将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵具体包括：
将所述时间关联矩阵输入到所述空间注意力网络中，得到时空注意矩阵S：
Figure FDA0003228963250000021
其中，Ks、H1、H2、H3、Vs为可学习的参数；
根据所述时空注意矩阵S计算得到时间关联矩阵S′：
Figure FDA0003228963250000022
4.根据权利要求3所述的基于时空注意力图卷积网络的交通速度预测方法，其特征在于，所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练，得到预测速度具体包括：
将路网拓扑矩阵输入到拉普拉斯矩阵L中：
Figure FDA0003228963250000023
其中，A表示输入的路网拓扑矩阵，D为度矩阵，具体为对角矩阵，对角线的元素为
Figure FDA0003228963250000024
Aij代表的是第i行j列的元素；
所述图卷积网络具体为切比雪夫多项式形式的图卷积网络，表示为：
Figure FDA0003228963250000025
其中，*G表示一个图的卷积操作，
Figure FDA0003228963250000026
是缩放后的归一化拉普拉斯矩阵，λmax是L的最大特征值，θ′k(k＝0,1,…K)是切比雪夫多项式的第k项的系数，为可学习参数；
K阶的切比雪夫多项式的定义如下：
Tk(x)＝2xTk-1(x)-Tk-2(x)；
结合输入的路网拓扑矩阵与所述时空关联矩阵，得到最终的图卷积公式：
Figure FDA0003228963250000027
对所述图卷积公式进行模型训练后，通过训练好的模型进行速度预测。
5.根据权利要求4所述的基于时空注意力图卷积网络的交通速度预测方法，其特征在于，所述对现有的速度数据集进行采样，获得有关时间序列的分量数据矩阵具体包括：
对现有的速度数据集进行三个维度的采样，分别获得有关时间序列的时分量数据矩阵、天分量数据矩阵和周分量数据矩阵；
所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练具体为：
将路网拓扑矩阵输入到图卷积网络，并分别与三个维度的所述时空关联矩阵进行结合，且采用三个维度的分量数据矩阵分别进行模型训练，并进行融合输出。
6.根据权利要求5所述的基于时空注意力图卷积网络的交通速度预测方法，其特征在于，在所述通过训练好的模型进行速度预测之前，还包括：
构建的损失函数
Figure FDA0003228963250000031
其中，Yt表示实际交通速度，
Figure FDA0003228963250000032
表示预测速度，Lreg为避免过度拟合参数，ω为用于减小预测误差的超参数。
7.一种基于时空注意力图卷积网络的交通速度预测***，包括存储器和处理器，所述存储器中包括基于时空注意力图卷积网络的交通速度预测方法程序，所述基于时空注意力图卷积网络的交通速度预测方法程序被所述处理器执行时实现如下步骤：
对采集到现有速度数据集进行采样，获得有关时间序列的分量数据矩阵；
构建时间注意力网络；
将所述分量数据矩阵输入到所述时间注意力网络中，得到时间关联矩阵；
构建空间注意力网络；
将所述时间关联矩阵输入到所述空间注意力网络中，融合得到时空关联矩阵；
将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练；
通过训练好的模型进行速度预测。
8.根据权利要求7所述的基于时空注意力图卷积网络的交通速度预测***，其特征在于，所述对现有的速度数据集进行采样，获得有关时间序列的分量数据矩阵具体包括：
对现有的速度数据集进行三个维度的采样，分别获得有关时间序列的时分量数据矩阵、天分量数据矩阵和周分量数据矩阵；
所述将路网拓扑矩阵输入到图卷积网络，并与所述时空关联矩阵进行结合，进行模型训练具体为：
将路网拓扑矩阵输入到图卷积网络，并分别与三个维度的所述时空关联矩阵进行结合，且采用三个维度的分量数据矩阵分别进行模型训练，并进行融合输出。
9.根据权利要求7所述的基于时空注意力图卷积网络的交通速度预测***，其特征在于，在通过训练好的模型进行速度预测之前，还包括：
建的损失函数
Figure FDA0003228963250000041
其中，Yt表示实际交通速度，
Figure FDA0003228963250000042
表示预测速度，Lreg为避免过度拟合参数，ω为用于减小预测误差的超参数。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于时空注意力图卷积网络的交通速度预测方法程序，所述基于时空注意力图卷积网络的交通速度预测方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种基于时空注意力图卷积网络的交通速度预测方法的步骤。
CN202110980592.8A 2021-08-25 2021-08-25 基于时空注意力图卷积网络的交通速度预测方法和装置 Pending CN113705880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110980592.8A CN113705880A (zh) 2021-08-25 2021-08-25 基于时空注意力图卷积网络的交通速度预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110980592.8A CN113705880A (zh) 2021-08-25 2021-08-25 基于时空注意力图卷积网络的交通速度预测方法和装置

Publications (1)

Publication Number Publication Date
CN113705880A true CN113705880A (zh) 2021-11-26

Family

ID=78654602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110980592.8A Pending CN113705880A (zh) 2021-08-25 2021-08-25 基于时空注意力图卷积网络的交通速度预测方法和装置

Country Status (1)

Country Link
CN (1) CN113705880A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962495A (zh) * 2021-12-21 2022-01-21 华控清交信息科技(北京)有限公司 一种风电场功率预测方法、装置及电子设备
CN114038200A (zh) * 2021-11-29 2022-02-11 东北大学 基于注意力机制的时空同步图卷积网络交通流量预测方法
CN114511154A (zh) * 2022-02-22 2022-05-17 南通大学 一种基于时空复杂图卷积网络的交通流预测方法
CN114529081A (zh) * 2022-02-18 2022-05-24 哈尔滨工程大学 一种时空联合的交通流量预测方法及装置
CN114743374A (zh) * 2022-04-01 2022-07-12 清华大学深圳国际研究生院 基于图网络的多元交通流预测方法
CN114900357A (zh) * 2022-05-07 2022-08-12 长三角信息智能创新研究院 时空图神经网络链路泛洪攻击检测方法、设备及存储介质
CN115063972A (zh) * 2022-05-18 2022-09-16 浙江工业大学 基于图卷积和门控循环单元的交通速度预测方法和***
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
CN115169426A (zh) * 2022-02-22 2022-10-11 国网山东省电力公司信息通信公司 一种基于相似性学习融合模型的异常检测方法及***
CN115307780A (zh) * 2022-09-29 2022-11-08 中国海洋大学 基于时空信息交互融合的海表温度预测方法、***及应用
CN115758173A (zh) * 2022-11-16 2023-03-07 西华大学 基于并联图注意力网络的云平台***异常检测方法及装置
CN116109021A (zh) * 2023-04-13 2023-05-12 中国科学院大学 基于多任务学习的行程时间预测方法、装置、设备及介质
CN117133129A (zh) * 2023-10-26 2023-11-28 山东科技大学 一种基于多分量注意力图神经网络的交通速度预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368815A (zh) * 2020-05-28 2020-07-03 之江实验室 一种基于多部件自注意力机制的行人重识别方法
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
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
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
CN112905379A (zh) * 2021-03-10 2021-06-04 南京理工大学 基于自我注意力机制的图自编码器的交通大数据修复方法
CN113128237A (zh) * 2021-04-09 2021-07-16 青岛海大新星软件咨询有限公司 一种服务资源的语义表征模型构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368815A (zh) * 2020-05-28 2020-07-03 之江实验室 一种基于多部件自注意力机制的行人重识别方法
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
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
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
CN112905379A (zh) * 2021-03-10 2021-06-04 南京理工大学 基于自我注意力机制的图自编码器的交通大数据修复方法
CN113128237A (zh) * 2021-04-09 2021-07-16 青岛海大新星软件咨询有限公司 一种服务资源的语义表征模型构建方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038200A (zh) * 2021-11-29 2022-02-11 东北大学 基于注意力机制的时空同步图卷积网络交通流量预测方法
CN113962495A (zh) * 2021-12-21 2022-01-21 华控清交信息科技(北京)有限公司 一种风电场功率预测方法、装置及电子设备
CN114529081A (zh) * 2022-02-18 2022-05-24 哈尔滨工程大学 一种时空联合的交通流量预测方法及装置
CN115169426A (zh) * 2022-02-22 2022-10-11 国网山东省电力公司信息通信公司 一种基于相似性学习融合模型的异常检测方法及***
CN114511154A (zh) * 2022-02-22 2022-05-17 南通大学 一种基于时空复杂图卷积网络的交通流预测方法
CN115169426B (zh) * 2022-02-22 2023-10-13 国网山东省电力公司信息通信公司 一种基于相似性学习融合模型的异常检测方法及***
CN114743374A (zh) * 2022-04-01 2022-07-12 清华大学深圳国际研究生院 基于图网络的多元交通流预测方法
CN114900357A (zh) * 2022-05-07 2022-08-12 长三角信息智能创新研究院 时空图神经网络链路泛洪攻击检测方法、设备及存储介质
CN115063972A (zh) * 2022-05-18 2022-09-16 浙江工业大学 基于图卷积和门控循环单元的交通速度预测方法和***
CN115063972B (zh) * 2022-05-18 2024-06-11 浙江工业大学 基于图卷积和门控循环单元的交通速度预测方法和***
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
CN115307780A (zh) * 2022-09-29 2022-11-08 中国海洋大学 基于时空信息交互融合的海表温度预测方法、***及应用
CN115307780B (zh) * 2022-09-29 2023-01-06 中国海洋大学 基于时空信息交互融合的海表温度预测方法、***及应用
CN115758173A (zh) * 2022-11-16 2023-03-07 西华大学 基于并联图注意力网络的云平台***异常检测方法及装置
CN115758173B (zh) * 2022-11-16 2023-09-26 西华大学 基于并联图注意力网络的云平台***异常检测方法及装置
CN116109021A (zh) * 2023-04-13 2023-05-12 中国科学院大学 基于多任务学习的行程时间预测方法、装置、设备及介质
CN116109021B (zh) * 2023-04-13 2023-08-15 中国科学院大学 基于多任务学习的行程时间预测方法、装置、设备及介质
CN117133129A (zh) * 2023-10-26 2023-11-28 山东科技大学 一种基于多分量注意力图神经网络的交通速度预测方法
CN117133129B (zh) * 2023-10-26 2024-01-30 山东科技大学 一种基于多分量注意力图神经网络的交通速度预测方法

Similar Documents

Publication Publication Date Title
CN113705880A (zh) 基于时空注意力图卷积网络的交通速度预测方法和装置
CN110675623B (zh) 基于混合深度学习的短时交通流量预测方法、***、装置
Liu et al. Reliability of response region: a novel mechanism in visual tracking by edge computing for IIoT environments
WO2020253416A1 (zh) 物体检测方法、装置和计算机存储介质
WO2022083536A1 (zh) 一种神经网络构建方法以及装置
WO2021238366A1 (zh) 一种神经网络构建方法以及装置
CN111291809B (zh) 一种处理装置、方法及存储介质
CN112990211B (zh) 一种神经网络的训练方法、图像处理方法以及装置
CN113240182A (zh) 复杂路网下的短时交通流量预测方法、存储介质和***
Cheng et al. Deep belief network for meteorological time series prediction in the Internet of Things
CN113807399A (zh) 一种神经网络训练方法、检测方法以及装置
Alizadeh et al. Network traffic forecasting based on fixed telecommunication data using deep learning
CN111047078B (zh) 交通特征预测方法、***及存储介质
EP4235506A1 (en) Neural network model training method, image processing method, and apparatus
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
WO2024040941A1 (zh) 神经网络结构搜索方法、装置及存储介质
WO2023125628A1 (zh) 神经网络模型优化方法、装置及计算设备
CN113887704A (zh) 交通信息预测方法、装置、设备及存储介质
CN113988263A (zh) 工业物联网边缘设备中基于知识蒸馏的空时预测方法
CN113536970A (zh) 一种视频分类模型的训练方法及相关装置
CN117156442A (zh) 基于5g网络的云数据安全保护方法及***
Zhao et al. Mastgn: Multi-attention spatio-temporal graph networks for air pollution prediction
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
Ma et al. Heterogeneous data fusion considering spatial correlations using graph convolutional networks and its application in air quality prediction
CN117095541A (zh) 时空特征融合交通流预测方法、装置、设备及存储介质

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