CN114565187A - 一种基于图时空自编码网络的交通路网数据预测方法 - Google Patents
一种基于图时空自编码网络的交通路网数据预测方法 Download PDFInfo
- Publication number
- CN114565187A CN114565187A CN202210339542.6A CN202210339542A CN114565187A CN 114565187 A CN114565187 A CN 114565187A CN 202210339542 A CN202210339542 A CN 202210339542A CN 114565187 A CN114565187 A CN 114565187A
- Authority
- CN
- China
- Prior art keywords
- graph
- network
- traffic
- space
- node
- 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
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于图时空自编码网络的交通路网数据预测方法,本发明涉及基于图时空自编码网络的交通路网数据预测方法。本发明的目的是为了解决现有技术中存在的路网交通时空特征提取与数据预测过程中局部与全局特征失衡,难以保证路网各节点的预测结果的稳定可靠,降低了路网交通预测准确性的问题。过程为:一、将实际交通路网数据抽象为加权有向图结构;二、构建图时空自编码网络;三、将历史交通数据按一的图结构进行组织,并对二构建的图时空自编码网络进行训练,得到训练好的图时空自编码网络;四、将实时获取的交通数据按一处理获得图结构交通数据,输入训练好的图时空自编码网络中,获得路网各节点的预测结果。本发明属于智能交通技术领域。
Description
技术领域
本发明涉及基于图时空自编码网络的交通路网数据预测方法,属于智能交通技术领域。
背景技术
路网交通流预测任务一直是智能交通***的重要组成部分,对居民出行规划与城市交通管理有着重要的影响。与传统的单点交通流预测任务不同,路网交通流预测是通过对路网整体的交通流运行时空规律进行学习,可以更为精准地推断未来路网交通变化情况。但这就要求预测模型不仅能发现路网交通流潜在的空间依赖关系,还需具备获取并利用交通流时变特性的能力。此外,路网不同区域交通流运行往往存在异质性,表现为不同的交通模式,这使路网交通预测任务具有挑战性。
现有技术的交通预测方法多种多样,从计算原理主要分为模型驱动方法与数据驱动方法。模型驱动方法如线性回归法、时间序列法、移动平均自回归法(AutoregressiveIntegrated MovingAverage model,ARIMA)等,通过对交通参数变化趋势与统计分布的预先假设,实现对交通参数的推断与预测。但这些假设在实际交通流中很难得到满足,从而限制了该类方法的预测效果。数据驱动方法利用各类机器学习模型对交通数据中复杂的非线性变化进行建模,具有更好的预测表现;其代表方法有包括人工神经网络(ArtificialNeural Network,ANN)、径向基函数(Radial Basis Function,RBF)、支持向量机(SupportVector Machines,SVM)等以及各类深度学习模型如卷积神经网络(Convolutional NeuralNetworks,CNN)以及循环神经网络(Rerrent Neural Network,RNN)及其各种组合变体。图神经网络(Graph Neural Network,GNN)可以将交通网络抽象为图结构形式,比常规网格数据更符合实际路网交通的关联结构,更能反映交通流节点之间的相关性,是目前路网交通流预测任务的主流研究方法。
现有的图神经网络预测模型大多通过预先设定的边权来计算空间相关性,即假设道路之间存在固定的空间依赖关系,未充分考虑在实际交通路网环境中,交通流及其空间相关性的时间变化特性。其次,对于大规模的异构交通网络,在神经网络的逐层特征提取过程中很难保证每个道路节点其时空相关特征的有效性,现有技术的网络结构很难兼顾路网的局部和全局时空特征,难以保证路网各节点的预测结果的稳定可靠,降低了路网交通预测准确性。
发明内容
本发明的目的是为了解决现有技术中存在的路网交通时空特征提取与数据预测过程中局部与全局特征失衡,难以保证路网各节点的预测结果的稳定可靠,降低了路网交通预测准确性的问题,而提出一种基于图时空自编码网络的交通路网数据预测方法。
一种基于图时空自编码网络的交通路网数据预测方法具体过程为:
步骤一、将实际交通路网数据抽象为加权有向图结构,检测器位置表示为图的节点,检测器位置间的连接关系表示为图的边,获得图结构交通数据;
步骤二、构建图时空自编码网络;
图时空自编码网络包括:图编码器、图解码器、预测器;
将图结构交通数据输入图时空自编码网络中的图编码器,图编码器对图结构交通数据进行空间与时间维度的特征融合提取;
图解码器以图编码器提取到的特征为输入,对图结构交通数据进行重构;
预测器以图编码器提取到的特征为输入,对未来路网交通数据进行预测;
步骤三、将历史交通数据按步骤一的图结构进行组织,并对步骤二构建的图时空自编码网络进行训练,得到训练好的图时空自编码网络;
步骤四、将实时获取的交通数据按步骤一处理,获得图结构交通数据,将图结构交通数据输入步骤三训练好的图时空自编码网络中,获得路网各节点的预测结果。
本发明的有益效果为:
本发明目的是提供一种基于图时空自编码网络的交通路网数据预测方法,通过端到端编码器-解码器-预测器复合自编码网络结构和三阶段网络学习策略,提取交通路网各节点间的局部和全局特征,并调整网络潜在的共享特征使整体模型参数向更有利于预测的方向更新。同时,为了利用交通流运行的动态时空关系,利用双向扩散卷积层捕获交通空间相关性,提出了图注意门循环单元(GAT-GRU)捕获交通时间相关性,进而整体实现对交通路网数据的精准预测。
本发明针对路网交通预测的实际应用需求,设计了一种图时空自编码网络来捕捉交通网络节点间的复杂时空相关性,并实现路网范围内交通流数据的精准预测。首先,将路网交通流预测问题表述为图上的时空预测问题,设计了图编码器-图解码器-预测器融合的端到端网络结构,并提出相应的三阶段网络训练学习策略,以确保在每个网络节点上有效提取局部和全局特征,从结构上克服现有交通流预测技术无法保障特征有效性的问题。在网络层结构设计上,利用双向扩散卷积层DCL来对交通流路网空间相关性进行建模,设计了图注意门循环单元GAT-GRU来对交通流时间相关性进行建模。在真是数据集上取得了良好的预测性能,证明图时空自编码网络具有很好的捕捉交通网络时空相关性以及参数预测能力。本发明可以在有效提升交通路网整体预测精度的同时兼顾路网各节点的预测效果,避免单节点预测模型对各节点多次计算的重复操作与算力浪费,克服现有交通路网预测模型无法兼顾各节点预测精度的难题;可以进一步提升在智能交通领域实际应用中的应用效果与实用价值。
附图说明
图1为本发明交通路网数据预测方法实施例的流程图;
图2为本发明交通路网数据预测方法实施例中图时空自编码网络结构示意图;
图3为本发明交通路网数据预测方法实施例中图注意门循环单元结构示意图;
图4为本发明实施例中的区域路网示意图;
图5为本发明实施例中不同对比方法预测误差箱线图;
图6为本发明实施例中节点预测结果与真实交通数据的可视化分析示意图;
图7为本发明实施例中图注意机制的作用效果示意图;
图8a为本发明实施例中N5观测节点07:00注意力系数的分配结果示意图;
图8b为本发明实施例中N5观测节点09:00注意力系数的分配结果示意图;
图8c为本发明实施例中N5观测节点07:00注意力系数的空间可视化分配结果示意图;
图8d为本发明实施例中N5观测节点09:00注意力系数的空间可视化分配结果示意图。
具体实施方式
具体实施方式一:本实施方式一种基于图时空自编码网络的交通路网数据预测方法具体过程为:
步骤一、将实际交通路网数据抽象为加权有向图结构,检测器位置表示为图的节点,检测器位置间的连接关系表示为图的边,获得图结构交通数据;
步骤二、构建图时空自编码网络;具体过程为:
图时空自编码网络包括:图编码器、图解码器、预测器的预测网络组合框架,通过各模块的组合,实现交通流时空特征提取与路网预测功能。为了确保自编码网络对于交通流时空规律的学习与处理能力;
将图结构交通数据输入图时空自编码网络中的图编码器,图编码器对图结构交通数据进行空间与时间维度的特征融合提取;
图解码器以图编码器提取到的特征为输入,对图结构交通数据进行重构;
预测器以图编码器提取到的特征为输入,对未来路网交通数据进行预测;
步骤三、将历史交通数据按步骤一的图结构进行组织,并对步骤二构建的图时空自编码网络进行训练,得到训练好的图时空自编码网络;
步骤四、将实时获取的交通数据按步骤一处理,获得图结构交通数据,将图结构交通数据输入步骤三训练好的图时空自编码网络中,获得路网各节点的预测结果。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一中将实际交通路网数据抽象为加权有向图结构,检测器位置表示为图的节点,检测器位置间的连接关系表示为图的边,获得图结构交通数据;
路网检测器提供的交通运行数据以图结构的形式保存与计算,为模型预测提供基础数据输入;
具体过程为:
其中dist(vi,vj)为节点vi与节点vj的空间距离,σ表示节点距离标准差。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是,所述步骤二中构建图时空自编码网络;具体过程为:
图时空自编码网络包括图编码器、图解码器和预测器;
图编码器、图解码器、预测器的预测网络组合框架,通过各模块的组合,实现交通流时空特征提取与路网预测功能。为了确保自编码网络对于交通流时空规律的学习与处理能力;
图解码器以图编码器提取到的特征为输入,对图结构交通数据进行重构;
预测器以图编码器提取到的特征为输入,对未来路网交通数据进行预测;
图编码器-图解码器的结构是为了保证特征提取过程中局部与全局时空特征有效性,预测器的结构是为了提高对路网交通数据的整体预测性能。
具体过程为:
所述图编码器包括双向扩散卷积层和图注意门循环单元;
所述图解码器包括图注意门循环单元和双向扩散卷积层;
所述图编码器和图解码器中的双向扩散卷积层和图注意门循环单元具有对称性;
所述预测器包括图注意力层(Graph attention mechanism,GAT);
引入双向扩散卷积层(Bidirectional diffusion convolution layer,DCL)对交通流空间扩散过程进行建模,捕捉网络中节点间的空间相关性。结合图注意力机制(Graphattention mechanism,GAT)的权值自调整和门控循环单元(Gated Recurrent Unit,GRU)的时间顺序学习的优势,设计了图注意门循环单元(GAT-GRU)对网络节点依赖关系的动态时间变化进行建模。
图时空自编码网络采用双向扩散卷积层对交通空间相关性进行捕获;
设计图注意门循环单元对交通时间相关性进行捕获;
扩散卷积层与图注意门循环单元作为基本网络层,构成面向交通路网预测的图时空自编码网络。
双向扩散卷积层通过扩散卷积过程将路网交通流关联起来,建立交通流的空间依赖性模型。路网中交通流扩散过程抽象为图上以一定重启概率α∈[0,1]的随机游走过程,以及状态转移矩阵这里DO=diag(A)表示加权邻接矩阵A的出度对角矩阵。经过重复多次随机游走步骤,扩散过程收敛于一个稳定分布其中表示节点的扩散似然概率。
其中k表示随机游走次数。但为了便于实际应用计算,选用有限次数K次进行截断计算与近似。
步骤二一、对步骤一获得的图结构交通数据输入图编码器中双向扩散卷积层,双向扩散卷积层输出H,图编码器中双向扩散卷积层完成由P维输入至Q维输出的卷积映射;
引入门控循环单元(Gated Recurrent Unit,GRU)对交通流时序规律进行动态提取;
步骤二四、
为了实现网络参数的学习训练,保证时空特征在自编码器提取过程中的有效性和所提取特征在网络预测过程中的预测能力,网络的损失函数包含最小重构损失和最小预测损失两部分,分别在不同的网络训练阶段指导网络训练。
越小的重构损失说明在编解码特征提取中获得了更为有效的特征信息。
图时空自编码网络其核心目的是通过提取时空特征来预测下一个交通状态,预测器预测损失利用网络预测结果Y与下一时段交通检测数据Xt+1的交叉熵进行定义
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是,所述步骤二一中对步骤一获得的图结构交通数据输入图编码器中双向扩散卷积层,双向扩散卷积层输出H,图编码器中双向扩散卷积层完成由P维输入至Q维输出的卷积映射;具体过程为:
其中表示卷积核参数;表示正向扩散过程的转移矩阵;表示反向扩散过程的转移矩阵;k表示图结构中的扩散过程的第k次随机游走,K表示图结构中的扩散过程的随机游走次数,DO表示加权邻接矩阵A的出度对角矩阵;DI表示加权邻接矩阵A的入度对角矩阵;X:,p表示所有N维中的第p列向量,θk′,1表示正向扩散卷积过程卷积核参数,θk′,2表示反向扩散卷积过程卷积核参数,P表示各节点获得的交通流数据维度(如流量、速度、占有率);
卷积层计算过程为:
扩散卷积层学习可以图结构数据的空间表示,对路网交通节点间空间相关性进行提取。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是,所述步骤二二中双向扩散卷积层输出H作为图注意门循环单元(GAT-GRU)层输入,图注意门循环单元(GAT-GRU)层输出一组新的节点特征M为图注意门循环单元输出特征维度;具体过程为:
在现实交通网络中,道路节点未来状态与历史状态具有很强的时间相关性;同时道路节点间的空间相关性会随时间动态变化。针对这两类交通流的时间特征,设计了图注意门循环单元(GAT-GRU)对网络节点依赖关系的动态时间变化进行建模。图注意门循环单元输入和输出之间的特征转换利用一个节点共享的可训练矩阵进行;
其中αm,q为第q维节点的特征对第m维节点的特征的重要性,是归一化后的注意力权重,q=1,2,…,Q,m=1,2,…,M;T表示矩阵转置,||表示拼接操作,表示图中节点vm小于阈值的空间邻域点集合,W为可训练矩阵,F为注意力核的尺寸(正向反向加一起的),为第m维节点的特征,为第q维节点的特征,为第维节点的特征,为第维,
图注意力机制是对网络节点空间关系的动态调整。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是,所述步骤二三中将步骤二二得到的H′定义为为图注意门循环单元函数,W为可训练矩阵,H为双向扩散卷积层输出节点特征,a为图注意门循环单元的注意力核,A为加权邻接矩阵;
引入门控循环单元(Gated Recurrent Unit,GRU)对交通流时序规律进行动态提取,计算过程如:
其中:H't为t时刻图注意门循环单元(GAT-GRU)层输出的节点特征,与分别表示t与t-1时刻门控循环单元的隐含状态,rt表示重置门,zt表示更新门,Br、Bz和Bh分别表示重置门、更新门、隐含状态对应偏置,参数全部具有相同的图结构;tanh表示激活函数,⊙表示图张量对位相乘;Wxr表示输入到重置门的可训练矩阵,Wxz表示输入到更新门的可训练矩阵,Wxh表示输入到隐含状态的可训练矩阵,Whr表示隐含状态到重置门的可训练矩阵,Whz表示隐含状态到更新门的可训练矩阵,Whh表示隐含状态到隐含状态的可训练矩阵,表示中间变量。
在GAT-GRU的状态转移过程,考虑到图上每个节点的时间变化特征,以及每个节点与相邻节点之间相关权值的动态时间变化,可以学习路网交通时序规律。
通过双向扩散卷积层DCL和图注意门循环单元GAT-GRU的多层组合,构建了图编码器、图解码器、预测器三个网络组件,具体形式为根据实际应用中的预测效果进行设定。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是,所述步骤三中将历史交通数据按步骤一的图结构进行组织,并对步骤二构建的图时空自编码网络进行训练,得到训练好的图时空自编码网络;具体过程为:
区别于传统的网络整体训练方式,图时空自编码网络模型采取三阶段组合训练形式,在每个训练阶段设计不同的任务目标指导网络参数更新。
首先,训练图编码器-图解码器参数来有效捕获输入图结构数据中隐含的交通全局与局部时空特征;
然后,对图编码器-预测器进行联合训练,对预测器参数进行初步引导,实现从交通特征到预测结果的映射与计算;
最后,进行对图编码器-图解码器-预测器在内的网络整体微调,调整网络的潜在共享特征,使整体网络参数可以向有助于预测的方向更新,在确保交通时空特征有效性的基础上,进一步提升网络预测能力。
步骤三一、为了使图时空自编码网络在两个任务(特征提取和预测)中同时收敛,提出了一种新的三阶段网络学习策略。根据任务的优先级和重要性,将网络训练策略进行了划分:(0,n/2)(大于0小于n/2),[n/2,3n/4)(大于等于n/2,小于3n/4)和[3n/4,n](大于等于3n/4,小于等于n),其中n表示网络整体训练总次数,其设置应足够大,以保证网络参数在每个阶段收敛;
步骤三二、给定图时空自编码网络固定参数,包括输入图节点数量ninput,网络层数nlayer,隐含层节点数nnode;
步骤三三、随机初始化图时空自编码网络中图编码器、图解码器、预测器的参数;
步骤三四、当训练次数在(0,n/2)范围时,训练图编码器-图解码器;具体过程为:
步骤三五、当训练次数在[n/2,3n/4)范围时,训练预测器;具体过程为:
步骤三六、当训练次数在[3n/4,n]范围时,训练图时空自编码网络;具体过程为:
当训练次数在[3n/4,n]范围时,整个网络都是权值共享的,由重构损失和预测损失共同调整潜在的共享特征,以向有利于预测任务的进行参数更新;
当训练次数在[3n/4,n]范围时,将输入图时空自编码网络中获得重构输入与预测值计算混合损失函数L=βLconstruct+(1-β)Lforecast,并利用Adam优化器对图时空自编码网络参数整体优化,得到训练好的图时空自编码网络;
其中,β为系数。
其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
在本发明的一个实施例中,利用长春市城市快速路***中63个交通传感器所采集的交通流运行数据进行试验,其路网布设情况如图4所示。数据范围为2017年12月05日至2018年3月30日,将交通数据处理为5分钟时间窗口,其中70%的数据集用于训练,20%用于测试,10%用于验证。
其中:Ω为样本数量。
为了达到路网交通参数最佳效果,实施例中将双向扩散卷积层的随机游走次数设置为4,卷积核fθ数量设置为60。将编码器结构设置为1层DCL+6层GAT-GRU,解码器结构设置为6层GAT-GRU+1层DCL,将预测器结构设置为6层图注意力层。网络学***衡系数β设置为0.5。
按步骤一图结构形式进行数据组织,按步骤二进行网络构建,按步骤三进行网络参数训练,最后将测试集数据输入训练好的图时空自编码网络中获得最终预测结果。
图5给出了N5号节点的部分预测结果,本发明预测结果与实际观测值较为接近,验证了图时空自编码网络的有效性。
为了证明算法的先进性,将本专利预测算法与常见的交通预测方法包括:自回归综合移动平均(ARIMA)、径向基函数(RBF)、支持向量机(SVM)、堆叠自编码器(SAE)、长短时记忆网络(LSTM)、卷积神经网络与长短时记忆网络结合(CNN+LSTM)、时空图卷积网络(GSTCN)、图卷积GRU网络(GCGRU)、扩散卷积循环神经网络(DCRNN)、图注意力LSTM(GAT-LSTM)进行对比。对比结果如表1。
表1长春数据集不同算法预测结果对比
图6给出了5分钟预测范围内各预测算法相对误差箱线图,综合分析可以得出,本发明方法在5分钟、10分钟、15分钟的预测范围内都具有最小的预测误差,这表明图时空自编码网络具有更好的交通时空相关性提取能力,对道路传感器网络具有更出色的整体预测性能。
为了进一步验证专利方法对时间依赖建模的效果,将本发明方法与不包含图注意力机制GAT、不包含图注意门循环单元(GAT-GRU)的图时空自编码网络进行比较,其实验结果如表2。对比证明,本发明方法预测误差最小,也证明了本发明所提出的图注意门循环单元(GAT-GRU)能够动态调整特征权值,提高网络的时间依赖建模能力。
图2图注意门循环单元(GAT-GRU)性能验证结果分析
为了可视化GAT-GRU在不同交通模式下的动态权重调整,图7给出了正常和事故情况下的专利模型的预测结果。由于N5观测点在07:30时刻附近存在一起严重事故,导致车流量急剧下降;在事故突发情况下,
交通情况。在图7中,07:30-13:00期间车流量急剧下降,这是由长春N5观测点附近发生的一起严重事故引起的。在这种异常交通情况下,专利方法可以比不使用图注意力机制GAT更准确地预测交通流异常变化,这证明了GAT注意机制在模型中起着决定性作用。
图8a、8b、8c、8d给出了N5观测点在07:00和09:00时的注意力系数分布与空间可视化结果。在07:00时刻,N5观测点注意系数较为分散,说明该观测点与其大部分相邻节点存在关联。但在09:00事故发生后,N5观测点注意系数集中,几乎只与自身相关。说明事故引起的交通状态突变在短时间内是较为孤立的,不具有全局相关性,这与实际情况是一致的。这证实了本发明方法具有很强的交通网络流时间依赖建模能力。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种基于图时空自编码网络的交通路网数据预测方法,其特征在于:所述方法具体过程为:
步骤一、将实际交通路网数据抽象为加权有向图结构,检测器位置表示为图的节点,检测器位置间的连接关系表示为图的边,获得图结构交通数据;
步骤二、构建图时空自编码网络;
图时空自编码网络包括:图编码器、图解码器、预测器;
将图结构交通数据输入图时空自编码网络中的图编码器,图编码器对图结构交通数据进行空间与时间维度的特征融合提取;
图解码器以图编码器提取到的特征为输入,对图结构交通数据进行重构;
预测器以图编码器提取到的特征为输入,对未来路网交通数据进行预测;
步骤三、将历史交通数据按步骤一的图结构进行组织,并对步骤二构建的图时空自编码网络进行训练,得到训练好的图时空自编码网络;
步骤四、将实时获取的交通数据按步骤一处理,获得图结构交通数据,将图结构交通数据输入步骤三训练好的图时空自编码网络中,获得路网各节点的预测结果。
2.根据权利要求1所述一种基于图时空自编码网络的交通路网数据预测方法,其特征在于:所述步骤一中将实际交通路网数据抽象为加权有向图结构,检测器位置表示为图的节点,检测器位置间的连接关系表示为图的边,获得图结构交通数据;具体过程为:
其中dist(vi,vj)为节点vi与节点vj的空间距离,σ表示节点距离标准差。
3.根据权利要求1或2所述一种基于图时空自编码网络的交通路网数据预测方法,其特征在于:所述步骤二中构建图时空自编码网络;
图时空自编码网络包括图编码器、图解码器和预测器;
图解码器以图编码器提取到的特征为输入,对图结构交通数据进行重构;
预测器以图编码器提取到的特征为输入,对未来路网交通数据进行预测;
具体过程为:
所述图编码器包括双向扩散卷积层和图注意门循环单元;
所述图解码器包括图注意门循环单元和双向扩散卷积层;
所述图编码器和图解码器中的双向扩散卷积层和图注意门循环单元具有对称性;
所述预测器包括图注意力层;
步骤二一、对步骤一获得的图结构交通数据输入图编码器中双向扩散卷积层,双向扩散卷积层输出H,图编码器中双向扩散卷积层完成由P维输入至Q维输出的卷积映射;
引入门控循环单元对交通流时序规律进行动态提取;
预测器预测损失利用网络预测结果Y与下一时段交通检测数据Xt+1的交叉熵进行定义
4.根据权利要求3所述一种基于图时空自编码网络的交通路网数据预测方法,其特征在于:所述步骤二一中对步骤一获得的图结构交通数据输入图编码器中双向扩散卷积层,双向扩散卷积层输出H,图编码器中双向扩散卷积层完成由P维输入至Q维输出的卷积映射;具体过程为:
其中表示卷积核参数;表示正向扩散过程的转移矩阵;表示反向扩散过程的转移矩阵;k表示图结构中的扩散过程的第k次随机游走,K表示图结构中的扩散过程的随机游走次数,DO表示加权邻接矩阵A的出度对角矩阵;DI表示加权邻接矩阵A的入度对角矩阵;X:,p表示所有N维中的第p列向量,θk′,1表示正向扩散卷积过程卷积核参数,θk′,2表示反向扩散卷积过程卷积核参数,P表示各节点获得的交通流数据维度;
卷积层计算过程为:
5.根据权利要求4所述一种基于图时空自编码网络的交通路网数据预测方法,其特征在于:所述步骤二二中双向扩散卷积层输出H作为图注意门循环单元层输入,图注意门循环单元层输出一组新的节点特征M为图注意门循环单元输出特征维度;具体过程为:
其中αm,q为第q维节点的特征对第m维节点的特征的重要性,q=1,2,…,Q,m=1,2,…,M;T表示矩阵转置,||表示拼接操作,表示图中节点vm小于阈值的空间邻域点集合,W为可训练矩阵,F为注意力核的尺寸,为第m维节点的特征,为第q维节点的特征,为第维节点的特征,为第维,M;
6.根据权利要求5所述一种基于图时空自编码网络的交通路网数据预测方法,其特征在于:所述步骤二三中将步骤二二得到的H′定义为 为图注意门循环单元函数,W为可训练矩阵,H为双向扩散卷积层输出节点特征,a为图注意门循环单元的注意力核,A为加权邻接矩阵;
引入门控循环单元对交通流时序规律进行动态提取,计算过程如:
7.根据权利要求6所述一种基于图时空自编码网络的交通路网数据预测方法,其特征在于:所述步骤三中将历史交通数据按步骤一的图结构进行组织,并对步骤二构建的图时空自编码网络进行训练,得到训练好的图时空自编码网络;具体过程为:
步骤三一、将网络训练策略进行了划分:(0,n/2)、[n/2,3n/4)和[3n/4,n];
其中n表示网络整体训练总次数;
步骤三二、给定图时空自编码网络固定参数,包括输入图节点数量ninput,网络层数nlayer,隐含层节点数nnode;
步骤三三、随机初始化图时空自编码网络中图编码器、图解码器、预测器的参数;
步骤三四、当训练次数在(0,n/2)范围时,训练图编码器-图解码器;具体过程为:
步骤三五、当训练次数在[n/2,3n/4)范围时,训练预测器;具体过程为:
步骤三六、当训练次数在[3n/4,n]范围时,训练图时空自编码网络;具体过程为:
当训练次数在[3n/4,n]范围时,将输入图时空自编码网络中获得重构输入与预测值计算混合损失函数L=βLconstruct+(1-β)Lforecast,并利用Adam优化器对图时空自编码网络参数整体优化,得到训练好的图时空自编码网络;
其中,β为系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339542.6A CN114565187A (zh) | 2022-04-01 | 2022-04-01 | 一种基于图时空自编码网络的交通路网数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210339542.6A CN114565187A (zh) | 2022-04-01 | 2022-04-01 | 一种基于图时空自编码网络的交通路网数据预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565187A true CN114565187A (zh) | 2022-05-31 |
Family
ID=81720198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210339542.6A Pending CN114565187A (zh) | 2022-04-01 | 2022-04-01 | 一种基于图时空自编码网络的交通路网数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565187A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115348215A (zh) * | 2022-07-25 | 2022-11-15 | 南京信息工程大学 | 一种基于时空注意力机制的加密网络流量分类方法 |
CN115580547A (zh) * | 2022-11-21 | 2023-01-06 | 中国科学技术大学 | 基于网络数据流间时空相关性的网站指纹识别方法和*** |
CN116106461A (zh) * | 2022-11-03 | 2023-05-12 | 西湖大学 | 一种基于深层图网络的预测液相色谱保留时间的方法和装置 |
-
2022
- 2022-04-01 CN CN202210339542.6A patent/CN114565187A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115348215A (zh) * | 2022-07-25 | 2022-11-15 | 南京信息工程大学 | 一种基于时空注意力机制的加密网络流量分类方法 |
CN115348215B (zh) * | 2022-07-25 | 2023-11-24 | 南京信息工程大学 | 一种基于时空注意力机制的加密网络流量分类方法 |
CN116106461A (zh) * | 2022-11-03 | 2023-05-12 | 西湖大学 | 一种基于深层图网络的预测液相色谱保留时间的方法和装置 |
CN116106461B (zh) * | 2022-11-03 | 2024-02-06 | 西湖大学 | 一种基于深层图网络的预测液相色谱保留时间的方法和装置 |
CN115580547A (zh) * | 2022-11-21 | 2023-01-06 | 中国科学技术大学 | 基于网络数据流间时空相关性的网站指纹识别方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112241814B (zh) | 一种基于强化时空图神经网络的交通预测方法 | |
Fouladgar et al. | Scalable deep traffic flow neural networks for urban traffic congestion prediction | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN111899510A (zh) | 基于发散卷积和gat的智能交通***流量短期预测方法及*** | |
CN109887282A (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
CN111210633A (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN104951836A (zh) | 基于神经网络技术的发帖预测*** | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
CN111047078B (zh) | 交通特征预测方法、***及存储介质 | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
CN113762338B (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
CN115935796A (zh) | 一种基于时空异质的和同步的图卷积网络交通流预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
Xing et al. | A data fusion powered bi-directional long short term memory model for predicting multi-lane short term traffic flow | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
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 | |
CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
CN114572229A (zh) | 一种基于图神经网络的车速预测方法、装置、介质及设备 | |
Zhang et al. | Short-term Traffic Flow Prediction With Residual Graph Attention Network. |
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 |