CN114492995A - 基于动态图卷积网络的联邦学习私家车速度预测方法 - Google Patents

基于动态图卷积网络的联邦学习私家车速度预测方法 Download PDF

Info

Publication number
CN114492995A
CN114492995A CN202210092001.8A CN202210092001A CN114492995A CN 114492995 A CN114492995 A CN 114492995A CN 202210092001 A CN202210092001 A CN 202210092001A CN 114492995 A CN114492995 A CN 114492995A
Authority
CN
China
Prior art keywords
representing
node
dynamic graph
data
nodes
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
CN202210092001.8A
Other languages
English (en)
Other versions
CN114492995B (zh
Inventor
蒋洪波
陈湘菊
肖竹
刘代波
曾凡仔
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202210092001.8A priority Critical patent/CN114492995B/zh
Publication of CN114492995A publication Critical patent/CN114492995A/zh
Application granted granted Critical
Publication of CN114492995B publication Critical patent/CN114492995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q50/40—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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供了一种基于动态图卷积网络的联邦学***均速度和最大速度；步骤2，设计基于动态图卷积神经网络的跨节点联邦学***均速度和最大速度对私家车未来十二个步长内的速度进行预测。本发明在联邦学习设置中使用动态图卷积网络，弥补了复杂时空数据建模和去中心化数据处理之间的差距，在真实世界的数据集上进行的交通流预测实验，用于为驾驶员提供在接下来几个时间步中的车辆速度。

Description

基于动态图卷积网络的联邦学习私家车速度预测方法
技术领域
本发明涉及城市计算和智能交通技术领域，特别涉及一种基于动态图卷积网络的联邦学习私家车速度预测方法。
背景技术
由于科技与经济的快速发展，人们有了更多的出行需求，私家车的数量与日俱增，城市内交通拥堵问题日益严重，智能交通***是目前缓解拥堵提高效率的有效方法之一，交通预测技术能够为智能交通***实现交通信息发布与诱导功能提供数据基础，帮助出行者提前规划路径，在一定程度上缓解拥堵。在城市交通中，私家车占了很大一部分比例；在交通流预测中，速度的预测是不可或缺的一部分，因此，私家车的速度预测能直接或间接反应交通状况，可为智能交通提供很大程度的技术支撑。
目前，对边缘设备或节点网络(如传感器、可穿戴设备和物联网设备)生成的时空数据的动态建模对于交通流预测、和用户活动检测等各种应用至关重要。虽然现有的时空动力学建模工作假设模型是利用从所有设备收集的集中数据进行训练，但在这些边缘设备上生成的数据量阻碍了集中式数据处理的使用，并且需要去中心化处理，在这种情况下，边缘上的计算可以显著提高延迟。此外，在进行时空预测时，边缘设备需要利用复杂的相互依赖性来提高预测性能。在联邦学习中解决这类问题的方案有很多，但这些模型要么没有考虑到固有的时空相关性要么只通过将正则化中的图结构强加于模型权重上，进行隐式地建模。因此，需要一种时空数据建模的架构，它能够在边缘上进行可靠的计算，同时维护分散的数据。
发明内容
本发明提供了一种基于动态图卷积网络的联邦学习私家车速度预测方法，其目的是为了解决传统的私家车速度预测方法不能在边缘上进行可靠的计算，不能同时维护分散的数据的问题。
为了达到上述目的，本发明的实施例提供了一种基于动态图卷积网络的联邦学习私家车速度预测方法，包括：
步骤1，采集城市中私家车的GPS数据和OBD数据，并基于GPS数据和OBD数据提取私家车的速度数据、平均速度和最大速度；
步骤2，设计基于动态图卷积神经网络的跨节点联邦学***均速度和最大速度对私家车未来十二个步长内的速度进行预测；
步骤3，将私家车的数据根据路段进行划分，每个路段为一个节点，将每个节点的交通速度数据聚合为五分钟窗口，并将整个序列截断为多个长度为24的序列，使用带有阈值的高斯核构造每个节点间的邻接矩阵；
步骤4，利用基于GRU的编解码器架构对节点的时间动态进行建模，并通过编码器得到每个节点的隐藏状态；
步骤5，基于中央服务器利用动态图卷积神经网络生成包含所有节点关系信息的节点嵌入，将所有节点的隐藏状态作为动态图卷积神经网络的输入；
步骤6，对动态图卷积神经网络每一层的输入进行更新，更新后的节点嵌入传入客户端节点中；
步骤7，将节点的隐藏向量与动态图卷积神经网络生成的包含空间信息的节点嵌入连接起来，作为解码器的初始状态向量，解码器以自回归的方式从输入序列X的最后一帧开始，使用连接的隐藏状态向量生成预测Y。
其中，所述步骤3具体包括：
对私家车的数据进行预处理，通过设置阈值的高斯核构造传感器的邻接矩阵，如下所示：
Figure BDA0003489428560000021
其中，Wi,j表示构造的传感器邻接矩阵，di,j表示节点vi到节点vj的邻接距离，dist(vi,vj)表示节点vi到节点vj的路段距离，σ表示距离的标准差，k表示阈值。
其中，所述步骤4具体包括：
基于GRU的解编码器对节点的时空动态进行建模，构建节点间的拓扑图，如下所示：
G＝(V,ε)
其中，G表示节点间的拓扑图，V表示节点集，ε表示节点之间的关联；
节点i上的输入序列为xi∈Rm×D，编码器序列读取整个序列并输出隐藏状态节点间的拓扑图，如下所示：
hc,i＝Encoderi(xi,h0)
其中，h0表示零值初始隐藏状态向量。
其中，所述步骤5具体包括：
通过动态图构造器捕捉节点间的变化关系，如下所示：
构建具有学习参数的邻接张量
Figure BDA0003489428560000031
其中，Nt表示时间戳数量，N表示节点数量，用于表示节点间的动态变化关系，邻接张量构造如下所示：
Figure BDA0003489428560000032
A”t,i,j＝max(0,A't,i,j),
Figure BDA0003489428560000033
其中，A't,i,j表示邻接张量的初始化，d表示嵌入维度，o表示张量矩阵的第一维度，q表示张量矩阵的第二维度，r表示张量矩阵的第三维度，k表示核心张量，t表示时间戳，e表示目标节点，s表示源节点，
Figure BDA0003489428560000034
表示各维度取值分别为o,p,r时的核心张量矩阵，
Figure BDA0003489428560000035
表示在时间戳为t时的时隙嵌入矩阵，
Figure BDA0003489428560000036
表示目标节点为i时的嵌入矩阵，
Figure BDA0003489428560000037
表示源节点为j时的嵌入矩阵，
Figure BDA0003489428560000038
表示时隙嵌入，
Figure BDA0003489428560000039
表示源节点嵌入，
Figure BDA00034894285600000310
表示目标节点嵌入，Ek∈Rd×d×d表示核心张量矩阵，A”t,i,j表示对原邻接张量进行最大化处理后得到的新邻接张量，Ns表示源节点数量。
其中，所述步骤6具体包括：
在卷积层中，输入为节点交通数据的隐藏状态{hc,i|i∈V}和节点在t时的邻接矩阵Aφ(t)，动态图卷积的定义，如下所示：
Figure BDA0003489428560000041
其中，HG,c,i表示节点i进行动态图卷积后输出的空间隐藏状态，K表示最大传播步长，Wj表示步长为j时的参数吗，
Figure BDA0003489428560000042
表示t时的节点交通数据的时间隐藏状态。
其中，所述步骤7具体包括：
利用解码器生成预测Y，输入为节点特征xi,m，m为时间步，对两个隐藏状态进行连接，如下所示：
Figure BDA0003489428560000043
其中，
Figure BDA0003489428560000044
表示预测值，Hc,i表示节点交通数据的时间隐藏状态，HG,c,i表示节点交通数据的空间隐藏状态。
其中，所述步骤7还包括：
在训练迭代过程中引用Dropout方法缓解网络过分拟合，其中，Dropout的计算过程，如下所示：
Figure BDA0003489428560000045
Figure BDA0003489428560000046
其中，
Figure BDA0003489428560000047
表示节点j的概率向量，Bernoulli(p)表示取概率p时的Bernoulli函数值，
Figure BDA0003489428560000048
表示使用Dropout方法后的速度预测值，r(i)表示概率向量，v(i)表示模型方法原预测速度值。
其中，所述步骤7还包括：
构建基于动态图卷积神经网络的联邦学***均绝对百分误差MAPE、平均绝对误差MAE和均方根误差RMSE；
计算平均绝对百分误差MAPE，如下所示：
Figure BDA0003489428560000049
其中，N表示节点总数，i表示各节点，VT,i表示私家车交通速度的真实值，VP,i表示模型的预测值；
计算平均绝对误差MAE，如下所示：
Figure BDA0003489428560000051
计算均方根误差RMSE，如下所示：
Figure BDA0003489428560000052
本发明的上述方案有如下的有益效果：
本发明的上述实施例所述的基于动态图卷积网络的联邦学习私家车速度预测方法，在联邦学习设置中使用动态图卷积网络，弥补了复杂时空数据建模和去中心化数据处理之间的差距，在真实世界的数据集上进行的交通流预测实验，用于为驾驶员提供在接下来几个时间步中的车辆速度，能够在边缘上进行可靠的计算，同时维护分散的数据。
附图说明
图1为本发明的流程图；
图2为本发明的整体框架图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的私家车速度预测方法不能在边缘上进行可靠的计算，不能同时维护分散的数据的问题，提供了一种基于动态图卷积网络的联邦学习私家车速度预测方法。
如图1至图2所示，本发明的实施例提供了一种基于动态图卷积网络的联邦学***均速度和最大速度；步骤2，设计基于动态图卷积神经网络的跨节点联邦学***均速度和最大速度对私家车未来十二个步长内的速度进行预测；步骤3，将私家车的数据根据路段进行划分，每个路段为一个节点，将每个节点的交通速度数据聚合为五分钟窗口，并将整个序列截断为多个长度为24的序列，使用带有阈值的高斯核构造每个节点间的邻接矩阵；步骤4，利用基于GRU的编解码器架构对节点的时间动态进行建模，并通过编码器得到每个节点的隐藏状态；步骤5，基于中央服务器利用动态图卷积神经网络生成包含所有节点关系信息的节点嵌入，将所有节点的隐藏状态作为动态图卷积神经网络的输入；步骤6，对动态图卷积神经网络每一层的输入进行更新，更新后的节点嵌入传入客户端节点中；步骤7，将节点的隐藏向量与动态图卷积神经网络生成的包含空间信息的节点嵌入连接起来，作为解码器的初始状态向量，解码器以自回归的方式从输入序列X的最后一帧开始，使用连接的隐藏状态向量生成预测Y，(在此，选择预测值与地面真值之间的均方误差作为损失函数，在每个节点上进行评估。)。
本发明的上述实施例所述的基于动态图卷积网络的联邦学习私家车速度预测方法，如图2，其中包括在客户端的编解码器模型以及在服务器端的动态图卷积模型，编码器首先对节点数据进行时间特征提取，并将时间特征输入服务器端，在服务器端的动态图卷积网络模型中提取节点的空间特征，解码器用于将时间特征与空间特征进行连接并输出速度预测Y利用在联邦学习方面的最新工作，引入了联邦学习需求，用来确保在一个节点上本地生成的数据保持分散，具体来说，联邦动态图卷积神经网络(FDGCN)体系结构旨在有效地建模跨节点联合学习约束下的复杂时空依赖关系。为此，此模型在每个设备上使用编码器-解码器模型分解时间和空间依赖的建模，利用本地数据提取时间特征，并在服务器上使用基于动态图卷积网络(DGCN)的模型捕获节点之间的空间依赖。
本发明的上述实施例所述的基于动态图卷积网络的联邦学习私家车速度预测方法，私家车交通速度的预测是指在给定私家车历史速度数据的情况下，对私家车未来指定步长内的速度进行预测。准确的预测未来私家车的交通速度，对于兴趣点POI推荐、城市规划和交通管制等应用具有重要的指导意义。同时考虑了私家车速度的时空特征，由于在不同路段不同时间点的时空特征各不相同，设计了动态构造空间特征的模型。所述基于动态图卷积网络的联邦学习私家车速度预测方法包括客户端的编解码器模型以及在服务器端的动态卷积模型，客户端的编码器用于提取私家车速度的时间特征，将时间特征传入服务器端，在服务器端设计动态图构造器用以获取节点数据的邻接张量，并设计动态图卷积网络提取私家车速度的空间特征，在客户端的解码器中将私家车速度的时间特征及空间特征相连接从而生成未来固定时间步长内的私家车速度预测。
其中，所述步骤3具体包括：对私家车的数据进行预处理，通过设置阈值的高斯核构造传感器的邻接矩阵，如下所示：
Figure BDA0003489428560000071
其中，Wi,j表示构造的传感器邻接矩阵，di,j表示节点vi到节点vj的邻接距离，dist(vi,vj)表示节点vi到节点vj的路段距离，σ表示距离的标准差，k表示阈值。
其中，所述步骤4具体包括：基于GRU的解编码器对节点的时空动态进行建模，构建节点间的拓扑图，如下所示：
G＝(V,ε)
其中，G表示节点间的拓扑图，V表示节点集，ε表示节点之间的关联；
节点i上的输入序列为xi∈Rm×D，编码器序列读取整个序列并输出隐藏状态节点间的拓扑图，如下所示：
hc,i＝Encoderi(xi,h0)
其中，h0表示零值初始隐藏状态向量。
其中，所述步骤5具体包括：通过动态图构造器捕捉节点间的变化关系，如下所示：
构建具有学习参数的邻接张量
Figure BDA0003489428560000072
其中，Nt表示时间戳数量，N表示节点数量，用于表示节点间的动态变化关系，邻接张量构造如下所示：
Figure BDA0003489428560000073
A”t,i,j＝max(0,A't,i,j),
Figure BDA0003489428560000081
其中，A't,i,j表示邻接张量的初始化，d表示嵌入维度，o表示张量矩阵的第一维度，q表示张量矩阵的第二维度，r表示张量矩阵的第三维度，k表示核心张量，t表示时间戳，e表示目标节点，s表示源节点，
Figure BDA0003489428560000082
表示各维度取值分别为o,p,r时的核心张量矩阵，
Figure BDA0003489428560000083
表示在时间戳为t时的时隙嵌入矩阵，
Figure BDA0003489428560000084
表示目标节点为i时的嵌入矩阵，
Figure BDA0003489428560000085
表示源节点为j时的嵌入矩阵，
Figure BDA0003489428560000086
表示时隙嵌入，
Figure BDA0003489428560000087
表示源节点嵌入，
Figure BDA0003489428560000088
表示目标节点嵌入，Ek∈Rd×d×d表示核心张量矩阵，A”t,i,j表示对原邻接张量进行最大化处理后得到的新邻接张量，Ns表示源节点数量。
本发明的上述实施例所述的基于动态图卷积网络的联邦学习私家车速度预测方法，在构造此张量时，使用到了张量分解的思想，可用以简化模型，同时利用空间相关性的低秩特性。
其中，所述步骤6具体包括：在卷积层中，输入为节点交通数据的隐藏状态{hc,i|i∈V}和节点在t时的邻
接矩阵Aφ(t)，动态图卷积的定义，如下所示：
Figure BDA0003489428560000089
其中，HG,c,i表示节点i进行动态图卷积后输出的空间隐藏状态，K表示最大传播步长，Wj表示步长为j时的参数吗，
Figure BDA00034894285600000810
表示t时的节点交通数据的时间隐藏状态。
其中，所述步骤7具体包括：利用解码器生成预测Y，输入为节点特征xi,m，m为时间步，对两个隐藏状态进行连接，如下所示：
Figure BDA00034894285600000811
其中，
Figure BDA00034894285600000812
表示预测值，Hc,i表示节点交通数据的时间隐藏状态，HG,c,i表示节点交通数据的空间隐藏状态。
其中，所述步骤7还包括：
在训练迭代过程中引用Dropout方法缓解网络过分拟合，其中，Dropout的计算过程，如下所示：
Figure BDA0003489428560000091
Figure BDA0003489428560000092
其中，
Figure BDA0003489428560000093
表示节点j的概率向量，Bernoulli(p)表示取概率p时的Bernoulli函数值，
Figure BDA0003489428560000094
表示使用Dropout方法后的速度预测值，r(i)表示概率向量，v(i)表示模型方法原预测速度值。其中，所述步骤7还包括：
构建基于动态图卷积神经网络的联邦学***均绝对百分误差MAPE、平均绝对误差MAE和均方根误差RMSE；
计算平均绝对百分误差MAPE，如下所示：
Figure BDA0003489428560000095
其中，N表示节点总数，i表示各节点，VT,i表示私家车交通速度的真实值，VP,i表示模型的预测值；
计算平均绝对误差MAE，如下所示：
Figure BDA0003489428560000096
计算均方根误差RMSE，如下所示：
Figure BDA0003489428560000097
本发明的上述实施例所述的基于动态图卷积网络的联邦学习私家车速度预测方法，(1)设计编码器架构，用于提取节点时间特征；(2)设计动态图构造器构建节点间的邻接张量；(3)设计了动态图卷积网络，用来捕获节点间动态关系；(4)在解码器上通过输入节点的时空关系预测未来时间段的交通速度，在联邦学习设置中使用动态图卷积网络(DGCNN)，弥补了复杂时空数据建模和去中心化数据处理之间的差距，在真实世界的数据集上进行的交通流预测实验，用于为驾驶员提供在接下来几个时间步中的车辆速度。
以上所述是本发明的优选实施方式，应当指出，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，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，包括：
步骤1，采集城市中私家车的GPS数据和OBD数据，并基于GPS数据和OBD数据提取私家车的速度数据、平均速度和最大速度；
步骤2，设计基于动态图卷积神经网络的跨节点联邦学***均速度和最大速度对私家车未来十二个步长内的速度进行预测；
步骤3，将私家车的数据根据路段进行划分，每个路段为一个节点，将每个节点的交通速度数据聚合为五分钟窗口，并将整个序列截断为多个长度为24的序列，使用带有阈值的高斯核构造每个节点间的邻接矩阵；
步骤4，利用基于GRU的编解码器架构对节点的时间动态进行建模，并通过编码器得到每个节点的隐藏状态；
步骤5，基于中央服务器利用动态图卷积神经网络生成包含所有节点关系信息的节点嵌入，将所有节点的隐藏状态作为动态图卷积神经网络的输入；
步骤6，对动态图卷积神经网络每一层的输入进行更新，更新后的节点嵌入传入客户端节点中；
步骤7，将节点的隐藏向量与动态图卷积神经网络生成的包含空间信息的节点嵌入连接起来，作为解码器的初始状态向量，解码器以自回归的方式从输入序列X的最后一帧开始，使用连接的隐藏状态向量生成预测Y。
2.根据权利要求1所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤3具体包括：
对私家车的数据进行预处理，通过设置阈值的高斯核构造传感器的邻接矩阵，如下所示：
Figure FDA0003489428550000011
其中，Wi,j表示构造的传感器邻接矩阵，di,j表示节点vi到节点vj的邻接距离，dist(vi,vj)表示节点vi到节点vj的路段距离，σ表示距离的标准差，k表示阈值。
3.根据权利要求2所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤4具体包括：
基于GRU的解编码器对节点的时空动态进行建模，构建节点间的拓扑图，如下所示：
G＝(V,ε)
其中，G表示节点间的拓扑图，V表示节点集，ε表示节点之间的关联；
节点i上的输入序列为xi∈Rm×D，编码器序列读取整个序列并输出隐藏状态节点间的拓扑图，如下所示：
hc,i＝Encoderi(xi,h0)
其中，h0表示零值初始隐藏状态向量。
4.根据权利要求3所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤5具体包括：
通过动态图构造器捕捉节点间的变化关系，如下所示：
构建具有学习参数的邻接张量
Figure FDA0003489428550000021
其中，Nt表示时间戳数量，N表示节点数量，用于表示节点间的动态变化关系，邻接张量构造如下所示：
Figure FDA0003489428550000022
A″t,i,j＝max(0,A′t,i,j),
Figure FDA0003489428550000023
其中，A′t,i,j表示邻接张量的初始化，d表示嵌入维度，o表示张量矩阵的第一维度，q表示张量矩阵的第二维度，r表示张量矩阵的第三维度，k表示核心张量，t表示时间戳，e表示目标节点，s表示源节点，
Figure FDA0003489428550000024
表示各维度取值分别为o,p,r时的核心张量矩阵，
Figure FDA0003489428550000025
表示在时间戳为t时的时隙嵌入矩阵，
Figure FDA0003489428550000026
表示目标节点为i时的嵌入矩阵，
Figure FDA0003489428550000027
表示源节点为j时的嵌入矩阵，
Figure FDA0003489428550000028
表示时隙嵌入，
Figure FDA0003489428550000029
表示源节点嵌入，
Figure FDA00034894285500000210
表示目标节点嵌入，Ek∈Rd×d×d表示核心张量矩阵，A″t,i,j表示对原邻接张量进行最大化处理后得到的新邻接张量，Ns表示源节点数量。
5.根据权利要求4所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤6具体包括：
在卷积层中，输入为节点交通数据的隐藏状态{hc,i|i∈V}和节点在t时的邻接矩阵Aφ(t)，动态图卷积的定义，如下所示：
Figure FDA0003489428550000031
其中，HG,c,i表示节点i进行动态图卷积后输出的空间隐藏状态，K表示最大传播步长，Wj表示步长为j时的参数吗，
Figure FDA0003489428550000032
表示t时的节点交通数据的时间隐藏状态。
6.根据权利要求5所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤7具体包括：
利用解码器生成预测Y，输入为节点特征xi,m，m为时间步，对两个隐藏状态进行连接，如下所示：
Figure FDA0003489428550000033
其中，
Figure FDA0003489428550000034
表示预测值，Hc,i表示节点交通数据的时间隐藏状态，HG,c,i表示节点交通数据的空间隐藏状态。
7.根据权利要求6所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤7还包括：
在训练迭代过程中引用Dropout方法缓解网络过分拟合，其中，Dropout的计算过程，如下所示：
Figure FDA0003489428550000035
Figure FDA0003489428550000036
其中，
Figure FDA0003489428550000037
表示节点j的概率向量，Bernoulli(p)表示取概率p时的Bernoulli函数值，
Figure FDA0003489428550000038
表示使用Dropout方法后的速度预测值，r(i)表示概率向量，v(i)表示模型方法原预测速度值。
8.根据权利要求7所述的基于动态图卷积网络的联邦学习私家车速度预测方法，其特征在于，所述步骤7还包括：
构建基于动态图卷积神经网络的联邦学***均绝对百分误差MAPE、平均绝对误差MAE和均方根误差RMSE；
计算平均绝对百分误差MAPE，如下所示：
Figure FDA0003489428550000041
其中，N表示节点总数，i表示各节点，VT,i表示私家车交通速度的真实值，VP,i表示模型的预测值；
计算平均绝对误差MAE，如下所示：
Figure FDA0003489428550000042
计算均方根误差RMSE，如下所示：
Figure FDA0003489428550000043
CN202210092001.8A 2022-01-26 2022-01-26 基于动态图卷积网络的联邦学习私家车速度预测方法 Active CN114492995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210092001.8A CN114492995B (zh) 2022-01-26 2022-01-26 基于动态图卷积网络的联邦学习私家车速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210092001.8A CN114492995B (zh) 2022-01-26 2022-01-26 基于动态图卷积网络的联邦学习私家车速度预测方法

Publications (2)

Publication Number Publication Date
CN114492995A true CN114492995A (zh) 2022-05-13
CN114492995B CN114492995B (zh) 2024-05-24

Family

ID=81473809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210092001.8A Active CN114492995B (zh) 2022-01-26 2022-01-26 基于动态图卷积网络的联邦学习私家车速度预测方法

Country Status (1)

Country Link
CN (1) CN114492995B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020257906A1 (pt) * 2019-06-13 2020-12-30 Bento Coelho Carlos Alberto Sistema e método de monitoramento de assistência técnica para equipamentos
CN112598165A (zh) * 2020-12-11 2021-04-02 湖南大学 基于私家车数据的城市功能区转移流量预测方法及装置
CN113362491A (zh) * 2021-05-31 2021-09-07 湖南大学 一种车辆轨迹预测及驾驶行为分析方法
CN113780665A (zh) * 2021-09-15 2021-12-10 湖南大学 一种基于增强循环神经网络的私家车停留位置预测方法和***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020257906A1 (pt) * 2019-06-13 2020-12-30 Bento Coelho Carlos Alberto Sistema e método de monitoramento de assistência técnica para equipamentos
CN112598165A (zh) * 2020-12-11 2021-04-02 湖南大学 基于私家车数据的城市功能区转移流量预测方法及装置
CN113362491A (zh) * 2021-05-31 2021-09-07 湖南大学 一种车辆轨迹预测及驾驶行为分析方法
CN113780665A (zh) * 2021-09-15 2021-12-10 湖南大学 一种基于增强循环神经网络的私家车停留位置预测方法和***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫旭;范晓亮;郑传潘;臧彧;王程;程明;陈龙彪;: "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), no. 06, 10 June 2020 (2020-06-10) *

Also Published As

Publication number Publication date
CN114492995B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
Ali et al. Exploiting dynamic spatio-temporal graph convolutional neural networks for citywide traffic flows prediction
Ali et al. Leveraging spatio-temporal patterns for predicting citywide traffic crowd flows using deep hybrid neural networks
Li et al. Learning heterogeneous spatial-temporal representation for bike-sharing demand prediction
Xu et al. Real-time prediction of taxi demand using recurrent neural networks
CN112863180B (zh) 交通速度预测方法、装置、电子设备及计算机可读介质
Long et al. Unified spatial-temporal neighbor attention network for dynamic traffic prediction
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
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***
Zheng et al. Hybrid deep learning models for traffic prediction in large-scale road networks
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
CN115691137B (zh) 一种基于因果马尔科夫模型的多模态数据预测方法
Rajeh et al. Modeling multi-regional temporal correlation with gated recurrent unit and multiple linear regression for urban traffic flow prediction
Dai et al. Spatio-temporal deep learning framework for traffic speed forecasting in IoT
CN116052427B (zh) 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
Khan et al. Short-term traffic prediction using deep learning long short-term memory: Taxonomy, applications, challenges, and future trends
Song et al. Learn travel time distribution with graph deep learning and generative adversarial network
Wu et al. Traffic prediction based on GCN-LSTM model
Huang et al. ODformer: spatial–temporal transformers for long sequence Origin–Destination matrix forecasting against cross application scenario
CN117116048A (zh) 基于知识表示模型和图神经网络的知识驱动交通预测方法
CN114548572A (zh) 城市路网交通状态的预测方法、装置、设备及介质
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
Zhang et al. Gof-tte: Generative online federated learning framework for travel time estimation
Huang et al. Multistep coupled graph convolution with temporal-attention for traffic flow prediction
Zhang et al. Off-deployment traffic estimation—a traffic generative adversarial networks approach

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