CN114572229A - 一种基于图神经网络的车速预测方法、装置、介质及设备 - Google Patents

一种基于图神经网络的车速预测方法、装置、介质及设备 Download PDF

Info

Publication number
CN114572229A
CN114572229A CN202210191590.5A CN202210191590A CN114572229A CN 114572229 A CN114572229 A CN 114572229A CN 202210191590 A CN202210191590 A CN 202210191590A CN 114572229 A CN114572229 A CN 114572229A
Authority
CN
China
Prior art keywords
vehicle speed
graph
time
module
convolution module
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
CN202210191590.5A
Other languages
English (en)
Other versions
CN114572229B (zh
Inventor
田翔
郭悦婧
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202210191590.5A priority Critical patent/CN114572229B/zh
Publication of CN114572229A publication Critical patent/CN114572229A/zh
Application granted granted Critical
Publication of CN114572229B publication Critical patent/CN114572229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于图神经网络的车速预测方法、装置、介质及设备；其中，方法为采集设定时间范围内的车速数据；对数据进行归一化处理得到预处理后的数据信息；利用空间特征生成基于欧几里得距离的静态图；图学习模块自动捕获空间中隐藏的依赖关系，生成自适应邻接矩阵，以生成动态图；将数据信息依次输入多层间隔布设的时间卷积模块和图卷积模块；时间卷积模块将数据信息进行门控三分支时间卷积来学习车速与时间特征之间的依赖关系；图卷积模块将数据信息分别与静态图和动态图加权混淆来共同学习潜在空间特征；输入预测输出模块进行车速预测，得到后续时段车速预测结果。该方法可有效对车速进行预测，辅助出行规划与交通管制的实施。

Description

一种基于图神经网络的车速预测方法、装置、介质及设备
技术领域
本发明涉及车速预测技术领域，更具体地说，涉及一种基于图神经网络的车速预测方法、装置、介质及设备。
背景技术
近年来，随着经济的飞速增长和人民生活水平的日益提高，机动车保有量与日俱增。当前有限的道路资源和日益增长的汽车保有量之间产生了矛盾，带来一系列复杂的交通问题，城市交通拥堵问题日益突出。城市交通拥堵不仅会增加出行者的时间成本，还会造成更多交通事故。
有限的道路资源导致交通拥堵不可避免，但准确的全路段车辆速度预测可以有效缓解该问题。一方面，准确的预测结果可以让用户做出更明智的选择，节省金钱、时间，提高整体道路通行效率；另一方面，高度精确的交通信息也有助于开发智能和可持续的移动***，以减少总体拥堵水平。
发明内容
为克服现有技术存在的缺点与不足，本发明的目的在于提供一种基于图神经网络的车速预测方法、装置、介质及设备；该方法可有效对车速进行预测，辅助出行规划与交通管制的实施。
为了达到上述目的，本发明通过下述技术方案予以实现：一种基于图神经网络的车速预测方法，其特征在于：包括下列步骤：
S1、采集设定时间范围内的车速数据；将设定时间范围的车速数据处理成时间间隔相同的T个时长单元，得到T×N×D维数据，其中N为路网中传感器数量，D为每个传感器特征数量；D维特征包括该时长单元内传感器测得的车速，以及车速对应的时间特征和空间特征；时间特征包括周几信息和时刻信息；空间特征包括传感器ID以及传感器ID所在的经度信息和纬度信息；对数据进行归一化处理得到预处理后的数据信息；
S2、利用空间特征生成基于欧几里得距离的静态图；
S3、将两个具有可学习参数的节点嵌入到字典并输入图学习模块；图学习模块自动捕获空间中隐藏的依赖关系，生成自适应邻接矩阵，以生成动态图；
S4、将预处理后的数据信息依次输入多层间隔布设的时间卷积模块和图卷积模块；时间卷积模块将数据信息进行门控三分支时间卷积来学习车速与时间特征之间的依赖关系；图卷积模块将数据信息分别与静态图和动态图加权混淆来共同学习潜在空间特征；
S5、将预处理后的数据信息、各层时间卷积模块的输出信息以及最后一层图卷积模块的输出信息进行并列连接，之后将并列连接的特征输入预测输出模块进行车速预测，得到后续时段T×N维的车速预测结果。
优选地，所述步骤S1中，对数据进行归一化处理是指：
Figure BDA0003524604000000021
其中，x表示原始车速值，xμ表示车速的平均值，xσ表示车速的标准差，xs表示处理后的数据。
优选地，所述步骤S2中，静态图中，传感器vi与传感器vj之间的权重AS ij为：
Figure BDA0003524604000000022
其中，dist(i,j)代表传感器vi与传感器vj之间的路网距离，σ是路网距离的标准差，μ是预定义的阈值。
优选地，所述步骤S3中，动态图的生成方法为：设定路网中每个传感器对应两个节点E1、E2；E1、E2代表节点处潜在的特征，一开始是随机初始化的，然后根据公式：
M1＝tanh(αE1Θ1)
M2＝tanh(αE2Θ2)
Figure BDA0003524604000000031
for i＝1,2,...,N
idx＝argtopk(AD[i,:])
AD[i,-idx]＝0
其中，E1、E2在训练中更新学习，Θ1、Θ2是模型参数，α是控制激活函数饱和率的超参数；argtok(·)返回向量最大的k个值的索引；
生成的AD为动态图。
优选地，所述步骤S4中，时间卷积模块的输出hTC为：
hTC＝(z⊙g(θ1χTC+b)+(1-z)⊙γ(θ2χTC+c))⊙σ(θ3χTC+d)
其中，θ1、θ2、θ3、b、c、d为时间卷积模块的模型参数，⊙为元素层面的乘法，γ(·)指ReLU激活函数，可以消除弱连接，g(·)指tanh激活函数，z控制两个分支混淆的比例，σ指sigmod激活函数，决定传递到下一层信息的比率，χTC是指来自上一层的输入。
优选地，所述步骤S4中，图卷积模块的输出hGC为：
hGC＝r·(fconv1(Θ1；xGC,AD)+fconv2(Θ2；xGC,(AD)T)+(1-r)·fconv3(Θ3；xGC；AS)
其中，fconv1,fconv2,fconv3分别代表图卷积模块的三个Mix-hop传播层，Θ1,Θ2,Θ3代表图卷积模块的模型参数，AD代表动态图，AS代表静态图，r控制动态图和静态图提取到的特征的混淆比例，·为元素层面的乘法，xGC代表自上一层的输入。
优选地，所述静态图、动态图、时间卷积模块、图卷积模块和输出模块共同构成预测模型；对预测模型进行训练；预测模型训练目标设定为最小化车辆实际车速与预测车速之间的绝对误差；
预测模型训练过程中采用平均绝对误差损失函数，采用端到端的训练方式，通过反向传播更新网络权重和偏置，损失函数定义如下：
Figure BDA0003524604000000041
其中，
Figure BDA0003524604000000042
为预测结果，
Figure BDA0003524604000000043
为真实值，T表示预测时长，N表示传感器数量，D表示特征数量，Θ为模型训练参数。
一种基于图神经网络的车速预测装置，其特征在于，包括：
采样模块，用于采集设定时间范围内的车速数据；将设定时间范围的车速数据处理成时间间隔相同的T个时长单元，得到T×N×D维数据，其中N为路网中传感器数量，D为每个传感器特征数量；D维特征包括该时长单元内传感器测得的车速，以及车速对应的时间特征和空间特征；时间特征包括周几信息和时刻信息；空间特征包括传感器ID以及传感器ID所在的经度信息和纬度信息；
预处理模块，用于对数据进行归一化处理得到预处理后的数据信息；
静态图模块，用于利用空间特征生成基于欧几里得距离的静态图；
动态图模块，用于将两个具有可学习参数的节点嵌入到字典并输入图学习模块；图学习模块自动捕获空间中隐藏的依赖关系，生成自适应邻接矩阵，以生成动态图；
时间卷积模块，用于将数据信息进行门控三分支时间卷积来学习车速与时间特征之间的依赖关系；
图卷积模块，用于将数据信息分别与静态图和动态图加权混淆来共同学习潜在空间特征；时间卷积模块和图卷积模块间隔布设；
以及输出模块，用于将预处理后的数据信息、各层时间卷积模块的输出信息以及最后一层图卷积模块的输出信息进行并列连接，之后将并列连接的特征进行车速预测，得到后续时段T×N维的车速预测结果。
一种存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述基于图神经网络的车速预测方法。
一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现上述基于图神经网络的车速预测方法。
本发明首先添加除了车速以外的其他影响因素(如时间、方位等)辅助预测。由于某一时刻某一路段车辆的速度既与其他路段的车辆速度相关，又与本路段的历史车速相关，具有明显的时空关联，因此本发明采用时间卷积模块和图卷积模块分别对空间依赖和时间依赖进行捕获。由于路网呈现非欧几里得结构，因此空间依赖的提取采用图卷积，将道路属性融入到图信号，基于图卷积网络学习道路属性对交通流的影响。从基于图的角度来看，本模型将时序数据中每一时刻全路段所有传感器位置视为图中的节点并使用图邻接矩阵来描述节点之间的关系。其中图邻接矩阵由两部分构成，一部分是由原始数据生成的静态图，另一部分是由图学习模块学习得到的动态图。将图卷积网络学习的结果输送给时间卷积模块，学习捕获时间依赖性，两个模块交替作用，从而进一步实现对时间、空间和时空关系的可控性捕捉。期间采用残差连接模块解决深度神经网络的退化问题，最后利用输出模块对多步预测结果进行输出，减小了单步输出造成的累积误差。
与现有技术相比，本发明具有如下优点与有益效果：
1、本发明对原始输入数据进行了数据预处理工作，增加了辅助信息，有助于提升预测精度。同时，生成静态图供后续二分支图卷积模块利用，有利于更好地捕获空间依赖；
2、本发明利用基于欧几里得距离的静态图与经由图学习模块生成的动态图加权混淆构成二分支图卷积层，共同学习空间特征，能够捕获更多有用的路网空间特征；
3、本发明提出的门控三分支时间卷积模块能够有效地控制时序卷积层之间的信息流动，消除弱连接，学习最重要的时间特性，有助于捕获长期依赖以便于提供更精确的预测结果。
附图说明
图1是本发明基于图神经网络的车速预测方法的流程框图；
图2是本发明基于图神经网络的车速预测方法的数据输入示意图；
图3是本发明基于图神经网络的车速预测方法中时间卷积模块的示意图；
图4是本发明基于图神经网络的车速预测方法中时间卷积模块的扩张初始层的示意图；
图5是本发明基于图神经网络的车速预测方法中图卷积模块的示意图；
图6是本发明基于图神经网络的车速预测方法中输入数据的示意图；
图7是本发明基于图神经网络的车速预测方法中输出数据的示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
实施例一
交通速度预测就是在给定历史交通速度和基础路网约束的情况下，预测未来的交通速度。做好多尺度交通速度预测将为交通规划提供很大的便利。准确及适时地预测多尺度交通情况，对道路使用者和管理机构也至关重要。然而车速预测具有非常大的挑战性，一方面，真实世界中的路网具有复杂的空间结构，道路交通流是非欧几里得的；另一方面，道路交通流随时间的变化是非平稳的，具有很强的时间依赖性，比如早晚高峰、节假日或者无法预知的交通事故都会对道路交通速度产生影响。
本实施例一种基于图神经网络的车速预测方法，如图1所示，包括下列步骤：
S1、采集设定时间范围内的车速数据；将设定时间范围的车速数据处理成时间间隔相同的T个时长单元，得到T×N×D维数据，其中N为路网中传感器数量，D为每个传感器特征数量；D个特征包括该时长单元内传感器测得的车速，以及车速对应的时间特征和空间特征；时间特征包括周几信息和时刻信息；空间特征包括传感器ID以及传感器ID所在的经度信息和纬度信息；对数据进行归一化处理得到预处理后的数据信息；
本实施例中，D为12，其中车速、时刻信息(一天中的哪个小时)，共计2个维度；周几信息(一周中的哪一天)，用one hot向量表示，共计7个维度；传感器ID、经度信息和纬度信息，共计3个维度；因此，共包含12个维度信息。
对数据进行归一化处理是指：
Figure BDA0003524604000000071
其中，x表示原始车速值，xμ表示车速的平均值，xσ表示车速的标准差，xs表示处理后的数据。经过Z-score数据标准化以后，原始数据被映射到标准正态分布空间，不易受离群值影响。
S2、利用空间特征生成基于欧几里得距离的静态图；
静态图中，传感器vi与传感器vj之间的权重AS ij为：
Figure BDA0003524604000000072
其中，dist(i,j)代表传感器vi与传感器vj之间的路网距离，σ是路网距离的标准差，μ是预定义的阈值。
S3、将两个具有可学习参数的节点嵌入到字典并输入图学习模块；图学习模块自动捕获空间中隐藏的依赖关系，生成自适应邻接矩阵，以生成动态图；
考虑到上游路段的拥堵会影响下游，而下游路段的拥堵长期也会不可避免地反作用于上游，路网中各个路段的车速之间会相互影响。因此，本发明提出的图学习模块生成双向图来建立两个节点之间的关系。
动态图的生成方法为：
设定路网中每个传感器对应两个节点E1、E2；E1、E2代表节点处潜在的特征，一开始是随机初始化的，这时它并不能表示潜在特征，因为是随意的；然后根据公式：
M1＝tanh(αE1Θ1)
M2＝tanh(αE2Θ2)
Figure BDA0003524604000000081
for i＝1,2,...,N
idx＝argtopk(AD[i,:])
AD[i,-idx]＝0
其中，E1、E2在训练中更新学习，Θ1、Θ2是模型参数，α是控制激活函数饱和率的超参数；argtok(·)返回向量最大的k个值的索引。该方式能够使邻接矩阵变为稀疏矩阵以降低后续图卷积的计算成本。对每一个节点，选择最近的k个节点作为邻居，保持节点间权重，其余权重设置为0；上述操作可以降低运算复杂度，减少训练时长。
生成的AD为动态图。
动态图用在了图卷积模块中，后续通过图卷积模块反向传播，AD的值会改变，之后继续反向传播，E1、E2节点也会变；训练后E1、E2的值就能代表节点潜在的特征。
S4、将预处理后的数据信息依次输入多层间隔布设的时间卷积模块和图卷积模块；时间卷积模块将数据信息进行门控三分支时间卷积层来学习车速与时间特征之间的依赖关系；图卷积模块将数据信息分别与静态图和动态图加权混淆以共同学习潜在空间特征；
如图3所示，时间卷积模块的输出hTC为：
hTC＝(z⊙g(θ1χTC+b)+(1-z)⊙γ(θ2χTc+c))⊙σ(θ3χTC+d)
其中，θ1、θ2、θ3、b、c、d为时间卷积模块的模型参数，⊙为元素层面的乘法，γ(·)指ReLU激活函数，可以消除弱连接，g(·)指tanh激活函数，z控制两个分支混淆的比例，σ指sigmod激活函数，决定传递到下一层信息的比率，xT是指来自上一层的输入，hTC指转换后输出，包含学习到的时间依赖。
为了处理很长的多元时序数据，本文提出的三分支时间卷积模块内部采用扩张初始层来捕获多元时序数据内部潜在的不同范围的时间序列模式。扩张初始层结合了两种卷积神经网络广泛采用的策略：使用多种尺寸的过滤器与使用扩张卷积，其内部结构如图4所示。
如图5所示，图卷积模块的输出hGC为：
hGC＝r·(fconv1(Θ1；xGC,AD)+fconv2(Θ2；xGC,(AD)T)+(1-r)·fconv3(Θ3；xGC；AS)
其中，fconv1,fconv2,fconv3分别代表图卷积模块的三个Mix-hop传播层，Θ1,Θ2,Θ3代表图卷积模块的模型参数，AD代表动态图，AS代表静态图，r控制动态图和静态图提取到的特征的混淆比例，·为元素层面的乘法，xGC代表自上一层的输入，hGC为输出的特征映射，包含捕获到的空间信息。
每个分支内部都利用Mix-Hop传播层来处理相关节点间的信息流。其中，动态图信息流分支由两个Mix-Hop传播层组成，分别处理通过每个节点的流入、流出信息，净流入信息等于两个Mix-Hop传播层的输出之和。
S5、将预处理后的数据信息、各层时间卷积模块的输出信息以及最后一层图卷积模块的输出信息进行并列连接，之后将并列连接的特征输入预测输出模块进行车速预测，得到后续时段T×N维的车速预测结果。
静态图、动态图、时间卷积模块、图卷积模块和输出模块共同构成预测模型；对预测模型进行训练；预测模型训练目标设定为最小化车辆实际车速与预测车速之间的绝对误差。具体步骤如下：
实验过程中将数据集按照7:1:2的比例划分为训练集、验证集和测试集，利用测试集对训练集进行验证以确保模型在训练集和验证集上的表现一致，采用early stop策略以获得最优模型。
预测模型训练过程中采用平均绝对误差损失函数，采用端到端的训练方式，通过反向传播更新网络权重和偏置，损失函数定义如下：
Figure BDA0003524604000000101
其中，
Figure BDA0003524604000000102
为预测结果，
Figure BDA0003524604000000103
为真实值，T表示预测时长，N表示传感器数量，D表示特征数量，Θ为模型训练参数。
将模型在METR-LA和PEMS-BAY数据集上进行测试，短期预测(15min)、中期预测(30min)、长期预测(60min)均取得了优秀的效果。
本发明首先添加除了车速以外的其他影响因素(如时间、方位等)辅助预测。由于某一时刻某一路段车辆的速度既与其他路段的车辆速度相关，又与本路段的历史车速相关，具有明显的时空关联，因此本发明采用时间卷积模块和图卷积模块分别对空间依赖和时间依赖进行捕获。由于路网呈现非欧几里得结构，因此空间依赖的提取采用图卷积，将道路属性融入到图信号，基于图卷积网络学习道路属性对交通流的影响。从基于图的角度来看，本模型将时序数据中每一时刻全路段所有传感器位置视为图中的节点并使用图邻接矩阵来描述节点之间的关系。其中图邻接矩阵由两部分构成，一部分是由原始数据生成的静态图，另一部分是由图学习模块学习得到的动态图。将图卷积网络学习的结果输送给时间卷积模块，学习补货时间依赖性，两个模块交替作用，从而进一步实现对时间、空间和时空关系的可控性捕捉。期间采用残差连接模块解决深度神经网络的退化问题，最后利用输出模块对多步预测结果进行输出，减小了单步输出造成的累积误差。
下面结合一个具体例子进行说明：
由传感器收集到的过去1小时内的信息，经过数据预处理后作为维数据输入，最终输出维数据，表示预测得的未来1小时内N个路段的车速。维数据，表示未来1小时内N个路段的车速。假设一个有三个传感器的路网区域，传感器记录的车速处理为五分钟内的平均车速。
输入数据如图6所示，输出数据如图7所示。
为实现实施例一所述的基于图神经网络的车速预测方法，本实施例提供一种基于图神经网络的车速预测装置，包括：
采样模块，用于采集设定时间范围内的车速数据；将设定时间范围的车速数据处理成时间间隔相同的T个时长单元，得到T×N×D维数据，其中N为路网中传感器数量，D为每个传感器特征数量；D维特征包括该时长单元内传感器测得的车速，以及车速对应的时间特征和空间特征；时间特征包括周几信息和时刻信息；空间特征包括传感器ID以及传感器ID所在的经度信息和纬度信息；
预处理模块，用于对数据进行归一化处理得到预处理后的数据信息；
静态图模块，用于利用空间特征生成基于欧几里得距离的静态图；
动态图模块，用于将两个具有可学习参数的节点嵌入到字典并输入图学习模块；图学习模块自动捕获空间中隐藏的依赖关系，生成自适应邻接矩阵，以生成动态图；
时间卷积模块，用于将数据信息进行门控三分支时间卷积来学习车速与时间特征之间的依赖关系；
图卷积模块，用于将数据信息分别与静态图和动态图加权混淆来共同学习潜在空间特征；时间卷积模块和图卷积模块间隔布设；
以及输出模块，用于将预处理后的数据信息、各层时间卷积模块的输出信息以及最后一层图卷积模块的输出信息进行并列连接，之后将并列连接的特征进行车速预测，得到后续时段T×N维的车速预测结果。
实施例二
本实施例一种存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行实施例一所述的基于图神经网络的车速预测方法。
实施例三
本实施例一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现实施例一所述的基于图神经网络的车速预测方法。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于图神经网络的车速预测方法，其特征在于：包括下列步骤：
S1、采集设定时间范围内的车速数据；将设定时间范围的车速数据处理成时间间隔相同的T个时长单元，得到T×N×D维数据，其中N为路网中传感器数量，D为每个传感器特征数量；D维特征包括该时长单元内传感器测得的车速，以及车速对应的时间特征和空间特征；时间特征包括周几信息和时刻信息；空间特征包括传感器ID以及传感器ID所在的经度信息和纬度信息；对数据进行归一化处理得到预处理后的数据信息；
S2、利用空间特征生成基于欧几里得距离的静态图；
S3、将两个具有可学习参数的节点嵌入到字典并输入图学习模块；图学习模块自动捕获空间中隐藏的依赖关系，生成自适应邻接矩阵，以生成动态图；
S4、将预处理后的数据信息依次输入多层间隔布设的时间卷积模块和图卷积模块；时间卷积模块将数据信息进行门控三分支时间卷积来学习车速与时间特征之间的依赖关系；图卷积模块将数据信息分别与静态图和动态图加权混淆来共同学习潜在空间特征；
S5、将预处理后的数据信息、各层时间卷积模块的输出信息以及最后一层图卷积模块的输出信息进行并列连接，之后将并列连接的特征输入预测输出模块进行车速预测，得到后续时段T×N维的车速预测结果。
2.根据权利要求1所述的基于图神经网络的车速预测方法，其特征在于：所述步骤S1中，对数据进行归一化处理是指：
Figure FDA0003524603990000011
其中，x表示原始车速值，xμ表示车速的平均值，xσ表示车速的标准差，xs表示处理后的数据。
3.根据权利要求1所述的基于图神经网络的车速预测方法，其特征在于：所述步骤S2中，静态图中，传感器vi与传感器vj之间的权重AS ij为：
Figure FDA0003524603990000021
其中，dist(i,j)代表传感器vi与传感器vj之间的路网距离，σ是路网距离的标准差，μ是预定义的阈值。
4.根据权利要求1所述的基于图神经网络的车速预测方法，其特征在于：所述步骤S3中，动态图的生成方法为：设定路网中每个传感器对应两个节点E1、E2；E1、E2代表节点处潜在的特征，一开始是随机初始化的，然后根据公式：
M1＝tanh(αE1Θ1)
M2＝tanh(αE2Θ2)
Figure FDA0003524603990000022
for i＝1,2,...,N
idx＝argtopk(AD[i,:])
AD[i,-idx]＝0
其中，E1、E2在训练中更新学习，Θ1、Θ2是模型参数，α是控制激活函数饱和率的超参数；argtok(·)返回向量最大的k个值的索引；
生成的AD为动态图。
5.根据权利要求1所述的基于图神经网络的车速预测方法，其特征在于：所述步骤S4中，时间卷积模块的输出hTC为：
hTC＝(z⊙g(θ1χTC+b)+(1-z)⊙γ(θ2χTC+c))⊙σ(θ3χTC+d)
其中，θ1、θ2、θ3、b、c、d为时间卷积模块的模型参数，⊙为元素层面的乘法，γ(·)指ReLU激活函数，可以消除弱连接，g(·)指tanh激活函数，z控制两个分支混淆的比例，σ指sigmod激活函数，决定传递到下一层信息的比率，χTC是指来自上一层的输入。
6.根据权利要求1所述的基于图神经网络的车速预测方法，其特征在于：所述步骤S4中，图卷积模块的输出hGC为：
hGC＝r·(fconv1(Θ1；xGC,AD)+fconv2(Θ2；xGC,(AD)T)+(1-r)·fconv3(Θ3；xGC；AS)
其中，fconv1,fconv2,fconv3分别代表图卷积模块的三个Mix-hop传播层，Θ1,Θ2,Θ3代表图卷积模块的模型参数，AD代表动态图，AS代表静态图，r控制动态图和静态图提取到的特征的混淆比例，·为元素层面的乘法，xGC代表自上一层的输入。
7.根据权利要求1所述的基于图神经网络的车速预测方法，其特征在于：所述静态图、动态图、时间卷积模块、图卷积模块和输出模块共同构成预测模型；对预测模型进行训练；预测模型训练目标设定为最小化车辆实际车速与预测车速之间的绝对误差；
预测模型训练过程中采用平均绝对误差损失函数，采用端到端的训练方式，通过反向传播更新网络权重和偏置，损失函数定义如下：
Figure FDA0003524603990000031
其中，
Figure FDA0003524603990000032
为预测结果，
Figure FDA0003524603990000033
为真实值，T表示预测时长，N表示传感器数量，D表示特征数量，Θ为模型训练参数。
8.一种基于图神经网络的车速预测装置，其特征在于，包括：
采样模块，用于采集设定时间范围内的车速数据；将设定时间范围的车速数据处理成时间间隔相同的T个时长单元，得到T×N×D维数据，其中N为路网中传感器数量，D为每个传感器特征数量；D维特征包括该时长单元内传感器测得的车速，以及车速对应的时间特征和空间特征；时间特征包括周几信息和时刻信息；空间特征包括传感器ID以及传感器ID所在的经度信息和纬度信息；
预处理模块，用于对数据进行归一化处理得到预处理后的数据信息；
静态图模块，用于利用空间特征生成基于欧几里得距离的静态图；
动态图模块，用于将两个具有可学习参数的节点嵌入到字典并输入图学习模块；图学习模块自动捕获空间中隐藏的依赖关系，生成自适应邻接矩阵，以生成动态图；
时间卷积模块，用于将数据信息进行门控三分支时间卷积来学习车速与时间特征之间的依赖关系；
图卷积模块，用于将数据信息分别与静态图和动态图加权混淆来共同学习潜在空间特征；时间卷积模块和图卷积模块间隔布设；
以及输出模块，用于将预处理后的数据信息、各层时间卷积模块的输出信息以及最后一层图卷积模块的输出信息进行并列连接，之后将并列连接的特征进行车速预测，得到后续时段T×N维的车速预测结果。
9.一种存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-7中任一项所述的基于图神经网络的车速预测方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-7中任一项所述的基于图神经网络的车速预测方法。
CN202210191590.5A 2022-02-28 2022-02-28 一种基于图神经网络的车速预测方法、装置、介质及设备 Active CN114572229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210191590.5A CN114572229B (zh) 2022-02-28 2022-02-28 一种基于图神经网络的车速预测方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210191590.5A CN114572229B (zh) 2022-02-28 2022-02-28 一种基于图神经网络的车速预测方法、装置、介质及设备

Publications (2)

Publication Number Publication Date
CN114572229A true CN114572229A (zh) 2022-06-03
CN114572229B CN114572229B (zh) 2024-06-11

Family

ID=81777032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210191590.5A Active CN114572229B (zh) 2022-02-28 2022-02-28 一种基于图神经网络的车速预测方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN114572229B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512545A (zh) * 2022-09-30 2022-12-23 浙江财经大学 一种基于时空动态图卷积网络的交通速度预测方法
CN116443031A (zh) * 2023-03-24 2023-07-18 凯晟动力技术（嘉兴）有限公司 车身电子稳定性控制***的轮速处理***及其方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209939A1 (en) * 2020-12-08 2021-07-08 Harbin Engineering University Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
仝宗和;袁立宁;王洋;: "图卷积神经网络理论与应用", 信息技术与信息化, no. 02, 28 February 2020 (2020-02-28) *
周明;卓为;郭志鹏;: "基于时空信息的交通流预测", 工业控制计算机, no. 04, 25 April 2020 (2020-04-25) *
李昊天;盛益强;: "单时序特征图卷积网络融合预测方法", 计算机与现代化, no. 09, 15 September 2020 (2020-09-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512545A (zh) * 2022-09-30 2022-12-23 浙江财经大学 一种基于时空动态图卷积网络的交通速度预测方法
CN115512545B (zh) * 2022-09-30 2023-06-27 浙江财经大学 一种基于时空动态图卷积网络的交通速度预测方法
CN116443031A (zh) * 2023-03-24 2023-07-18 凯晟动力技术（嘉兴）有限公司 车身电子稳定性控制***的轮速处理***及其方法
CN116443031B (zh) * 2023-03-24 2023-10-20 凯晟动力技术（嘉兴）有限公司 车身电子稳定性控制***的轮速处理***及其方法

Also Published As

Publication number Publication date
CN114572229B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN110223517B (zh) 基于时空相关性的短时交通流量预测方法
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及***
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
Bae et al. Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique
CN110991713A (zh) 基于多图卷积和gru的不规则区域流量预测方法
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、***及存储介质
CN111612243A (zh) 交通速度预测方法、***及存储介质
CN114572229B (zh) 一种基于图神经网络的车速预测方法、装置、介质及设备
CN112819136A (zh) 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及***
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
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***
El-Shafie et al. Generalized versus non-generalized neural network model for multi-lead inflow forecasting at Aswan High Dam
Ou et al. Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms
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
CN108091166A (zh) 可用停车位数目变化的预测方法、装置、设备及存储介质
CN113538910A (zh) 一种自适应的全链条城市区域网络信号控制优化方法
CN112766600B (zh) 一种城市区域人群流量预测方法及***
CN116595356B (zh) 时序信号预测方法、装置、电子设备及存储介质
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
CN114925836A (zh) 基于动态多视图图神经网络的城市交通车流量推理方法
Zou et al. Short-term traffic flow prediction based on PCC-BiLSTM
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
CN115376317A (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
Gao et al. A multifactorial framework for short-term load forecasting system as well as the jinan’s case study

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