CN115063972B - 基于图卷积和门控循环单元的交通速度预测方法和*** - Google Patents
基于图卷积和门控循环单元的交通速度预测方法和*** Download PDFInfo
- Publication number
- CN115063972B CN115063972B CN202210563146.1A CN202210563146A CN115063972B CN 115063972 B CN115063972 B CN 115063972B CN 202210563146 A CN202210563146 A CN 202210563146A CN 115063972 B CN115063972 B CN 115063972B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- traffic speed
- graph
- gating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000005096 rolling process Methods 0.000 claims abstract description 36
- 230000003068 static effect Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012732 spatial analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 7
- 230000002123 temporal effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
基于图卷积和门控循环单元的交通速度预测方法,包括:(1)数据采集;(2)数据处理;(3)交通速度预测;(4)误差分析;(5)结果展示。同时,包括实施本发明的基于图卷积和门控循环单元的交通速度预测方法的***。本发明采用了图卷积和门控循环单元,融合了交通流量数据,设计和实现了交通速度预测模型和***。模型采用图卷积来捕获空间特征,采用多个门控循环单元来提取时间特征。同时,采用了注意力机制,在时间层面实现了交通速度和交通流量的数据融合,设计了应用于图卷积操作的复合邻接矩阵,综合分析了静态和动态的空间相关性,在空间层面实现了交通流量和交通速度的数据融合。
Description
技术领域
本发明涉及智能交通的交通速度预测方法和***,可以预测未来一段时间的交通速度。本发明的交通速度预测方法可以用于信号控制、路径规划和交通诱导,适合于城市交通路网和高速交通路网。
背景技术
交通速度是智能交通领域最重要的特征参数之一,往往可以直观地反映道路的交通状态和城市路网的交通态势。交通速度预测可以优化交通控制,提高道路的通行效率,是智能交通***的重要组成部分。交通管理者可以根据交通速度预测的结果对未来的交通进行优化,从而提高整个路网的通行能力。
解决交通速度预测问题的方法主要有三类。较早的一类的方法,是基于统计学的预测模型,如历史平均法(Historical Average,HA)、向量自回归(Vector Auto-Regressive,VAR)和自回归差分移动平均模型(Auto-Regressive Integrated MovingAverage Model,ARIMA)等。这类方法是运用统计学的方法对交通数据进行分析,如平均、回归、拟合等。这类方法以统计结果来预测,不能适用复杂的交通场景,预测准确性不高。第二类方法是基于机器学习的方法,包括K邻近算法(KNN)、支持向量机(Support VectorMachine,SVM)和支持向量回归(Support Vector Regressive,SVR)等。这类方法可以较好地预测未来短时的交通速度,但由于不能对空间路网进行建模,从而影响了最终的预测性能。第三类是基于神经网络的方法,主要有递归神经网络(Recurrent Neural Network,RNN)、长短期神经网络(Long Short-Term Memory,LSTM)、卷积神经网络(ConvolutionalNeural Network,CNN)和图卷积网络(Graphic Convolutional Network,GCN)等。这类方法是顺应大数据和人工智能技术的发展而产生的预测方法,方法具有一定的先进性,但具体应用时,也存在不少问题。RNN和LSTM等迭代类神经网络方法,计算耗时,不能提取空间特征,预测精度有限。CNN方法采用卷积方式提取空间特征,但只适用于二维网格数据,不适用于复杂的交通路网。GCN方法可以捕获交通路网的空间特性,提升了交通速度预测能力,但只能提取静态的空间特征。不仅如此,所有的神经网络方法都只使用历史的交通速度数据来预测未来的交通速度,而原始的交通速度数据存在着采集误差,这也影响了交通速度预测的准确性。
目前,现有的交通速度预测方法存在以下主要问题:1)多数方法只考虑各个路段数据的时间关联性,没有考虑各个路段之间存在的空间关联性,不符合实际的交通路网;2)部分方法只考虑了空间关系的静态特征,没有考虑空间关系的动态特征;3)绝大多数方法都只使用了历史的交通速度数据,没有考虑交通速度数据存在的采集误差,影响了预测精度。
发明内容
本发明要克服现有技术的上述不足之处,提供一种基于图卷积和门控循环单元的交通速度预测方法和***,适用于城市路网和高速路网。
本发明采用了图卷积和门控循环单元,融合了交通流量数据,设计和实现了交通速度预测模型。模型采用图卷积来捕获空间特征,采用多个门控循环单元来提取时间特征。同时,采用了注意力机制,在时间层面实现了交通速度和交通流量的数据融合,设计了应用于图卷积操作的复合邻接矩阵,综合分析了静态和动态的空间相关性,在空间层面实现了交通流量和交通速度的数据融合。本发明综合采用了卷积结构和循环迭代结构,实现了模型训练耗时和预测精度之间的平衡,而且在时间和空间层面融合了交通流量数据,提高了预测精度,可以适用于城市路网和高速路网。
本发明是通过以下技术方案来达到上述目的:即基于图卷积和门控循环单元的交通速度预测方法,具体的实施步骤如下:
(1)数据采集。采集原始的历史交通数据,生成5分钟时间间隔的平均数据,形成历史的交通流量和交通速度数据。
(2)数据处理。数据处理主要包含异常数据识别、缺失值填补与数据归一化。对于直接采集得到的原始数据,通常包含缺失值、异常数据和噪声数据等,为提高预测精度,需要对缺失值进行填补,对异常数据和噪声数据进行处理。采用Z-Score方法对数据进行归一化处理,使得原始数据的均值为0,方差为1。
(3)交通速度预测。包括交通速度预测模型的设计、数据集的生成、预测模型的训练和未来交通速度的预测。交通速度预测模型采用编码器-解码器框架,由多个门控循环单元和图卷积网络组成,其中,门控循环单元对输入的历史交通速度数据进行时间性分析,图卷积网络进行空间性分析。考虑交通流量与交通速度之间的相关性以及交通流量数据的准确性,模型采用了注意力机制,在时间层面实现了交通流量和交通速度的数据融合,设计了应用于图卷积操作的复合邻接矩阵,综合分析了静态和动态的空间相关性,在空间层面实现了交通流量和交通速度的数据融合。完成预测模型的设计后,拆分基于步骤(2)所得的交通数据,生成训练数据集、验证数据集和测试数据集,训练交通速度预测模型。完成预测模型的训练后,根据实时采集的交通数据,预测未来时间段的交通速度。
模型包括多个门控循环单元,每个门控循环单元的计算为:
ht=GRU(xt,ht-1) (1)
其中,门控循环单元的输入内容为(xt,ht-1),xt表示当前时刻所有路段的交通速度数据,ht-1表示上一时刻门控循环单元输出的隐状态,ht是门控循环单元的新状态。
模型的编码器层采用了注意力机制,用于计算不同历史时刻交通流量数据的影响程度,注意力机制的内部状态变化为:
其中,注意力机制的输入为t时刻的第i路段的交通流量数据,输出Wt i为各个历史时刻的权重,是各个历史时刻交通流量数据的影响因子。
模型利用交通流量生成的影响因子与门控循环单元得到的隐状态相结合,可得到上下文向量作为编码器层的输出,具体为:
模型采用图卷积网络来提取交通数据的空间关系,通过切比雪夫多项式来实现图卷积过程,图卷积的切比雪夫多项式表达形式为:
其中,图卷积的输入x为编码器的输出he,t,θk为切比雪夫多项式系数,Tk为切比雪夫多项式,其递归定义为Tk(x)=2xTk-1(x)-Tk-2(x),且T0=1,T1=x。表示缩放至[-1,1]范围内的特征向量矩阵,λmax为拉普拉斯矩阵L的最大特征值。L表示图的拉普拉斯矩阵的规范化形式,D为图的度矩阵,A为图的邻接矩阵。
模型设计了复合邻接矩阵,应用于模型的图卷积操作。相对于传统的邻接矩阵,复合邻接矩阵融合了静态邻接矩阵和动态邻接矩阵,实现了路段之间空间关系的综合分析,在空间层次上实现了交通流量和交通速度的数据融合。具体如下:
其中,是基于指数距离的静态邻接矩阵,采用指数距离来分析路段之间的静态空间相关性。ε用于控制矩阵的稀疏性,||xi-xj||2用于计算路段i和j之间的距离,σ2表示空间衰减长度。/>是基于交通流量的动态邻接矩阵,采用协方差矩阵来计算各个路段之间交通流量的相关性,以此实现对路段空间相关性的动态分析,/>和/>是路段i和j在过去l个时间段的平均交通流量,即/> 是复合邻接矩阵,融合了静态邻接矩阵和动态邻接矩阵,可以综合分析路段之间的静态和动态空间关系。
模型解码器层的内部状态变化为:
hd,t=GRU(dt,hd,t-1) (8)
其中,对于每个门控循环单元的输入内容(dt,ht-1),dt表示当前时刻元状态输入,即通过图卷积得到的隐状态信息,ht-1表示上一时刻解码器中门控循环单元输出的隐藏状态。
模型预测输出层的内部状态变化为:
其中,W,b分别为线性函数的权重和偏置项。当预测未来交通速度时,是第一个预测值,然后/>会拼接入输入数据,重复相同过程可以预测下一时间段的交通速度不断地重复,就可以预测未来T个时间段的交通速度。
模型采用Adam优化器进行训练,使用梯度下降算法更新参数。模型的损失函数采用均方误差,具体如下:
其中,是预测值,Yi是真实值。
(4)误差分析。根据步骤(3)获得的未来交通速度预测值,根据三种不同误差评估指标(MAE/MAPE/RMSE)进行分析,其计算方法如下:
其中,N为样本个数,为预测值,Yi为真实数据。
(5)结果展示。通过折线图、柱状图等对步骤(3)获得的未来交通速度预测值和步骤(4)误差分析的结果进行可视化展示,使得用户可以直观地分析交通速度预测结果。
优选地,步骤(2)的公式(5),参数设置为σ2=100,ε=0.5。
优选地,步骤(2)中,按6:2:2的比例拆分,生成训练数据集、验证数据集和测试数据集。
实施本发明的基于图卷积和门控循环单元的交通速度预测方法的***,包括依次连接的数据采集模块、数据处理模块、交通速度预测模块、误差分析模块、结果展示模块。
本发明采用了图卷积和门控循环单元,融合了交通流量数据,设计和实现了交通速度预测模型和***。交通速度预测模型采用图卷积来捕获空间特征,采用多个门控循环单元来提取时间特征。同时,采用了注意力机制,在时间层面实现了交通速度和交通流量的数据融合,设计了应用于图卷积操作的复合邻接矩阵,综合分析了静态和动态的空间相关性,在空间层面实现了交通流量和交通速度的数据融合。本发明综合采用了卷积结构和循环迭代结构,实现了模型训练耗时和预测精度之间的平衡,而且在时间和空间层面融合了交通流量数据,提高了预测精度,可以适用于城市路网和高速路网。
本发明的有益效果在于:(1)本发明采用了图卷积和门控循环单元分别实现对交通数据的时空性分析。其中,编码器完成对时间维度信息的编码,图卷积结构把编码得到的交通数据进行处理,来提取交通数据的空间特征,最后通过解码层进一步提取节点上的时间特征;(2)本发明考虑了数据融合,采用注意力机制实现交通速度和交通流量的融合,提高了交通速度的预测精度;(3)本发明设计了复合邻接矩阵,综合考虑了静态和动态的空间关系,提高了预测精度。
附图说明
图1是本发明的交通速度预测模型结构图。
图2是本发明的***功能模块图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的基于图卷积和门控循环单元的交通速度预测方法,具体的实施步骤如下:
(1)数据采集。采集原始的历史交通数据,生成5分钟时间间隔的平均数据,形成历史的交通流量和交通速度数据。
(2)数据处理。数据处理主要包含异常数据识别、缺失值填补与数据归一化。对于直接采集得到的原始数据,通常包含缺失值、异常数据和噪声数据等,为提高预测精度,需要对缺失值进行填补,对异常数据和噪声数据进行处理。采用Z-Score方法对数据进行归一化处理,使得原始数据的均值为0,方差为1。
(3)交通速度预测。包括交通速度预测模型的设计、数据集的生成、预测模型的训练和未来交通速度的预测。交通速度预测模型采用编码器-解码器框架,由多个门控循环单元和图卷积网络组成,其中,门控循环单元对输入的历史交通速度数据进行时间性分析,图卷积网络进行空间性分析。考虑交通流量与交通速度之间的相关性以及交通流量数据的准确性,模型采用了注意力机制,在时间层面实现了交通流量和交通速度的数据融合,设计了应用于图卷积操作的复合邻接矩阵,综合分析了静态和动态的空间相关性,在空间层面实现了交通流量和交通速度的数据融合。完成预测模型的设计后,拆分基于步骤(2)所得的交通数据,按6:2:2的比例拆分,生成训练数据集、验证数据集和测试数据集,训练交通速度预测模型。完成预测模型的训练后,根据实时采集的交通数据,预测未来时间段的交通速度。
模型包括多个门控循环单元,每个门控循环单元的计算为:
ht=GRU(xt,ht-1) (1)
其中,门控循环单元的输入内容为(xt,ht-1),xt表示当前时刻所有路段的交通速度数据,ht-1表示上一时刻门控循环单元输出的隐状态,ht是门控循环单元的新状态。
模型的编码器层采用了注意力机制,用于计算不同历史时刻交通流量数据的影响程度,注意力机制的内部状态变化为:
其中,注意力机制的输入为t时刻的第i路段的交通流量数据,输出Wt i为各个历史时刻的权重,是各个历史时刻交通流量数据的影响因子。
模型利用交通流量生成的影响因子与门控循环单元得到的隐状态相结合,可得到上下文向量作为编码器层的输出,具体为:
模型采用图卷积网络来提取交通数据的空间关系,通过切比雪夫多项式来实现图卷积过程,图卷积的切比雪夫多项式表达形式为:
其中,图卷积的输入x为编码器的输出he,t,θk为切比雪夫多项式系数,Tk为切比雪夫多项式,其递归定义为Tk(x)=2xTk-1(x)-Tk-2(x),且T0=1,T1=x。表示缩放至[-1,1]范围内的特征向量矩阵,λmax为拉普拉斯矩阵L的最大特征值。L表示图的拉普拉斯矩阵的规范化形式,D为图的度矩阵,A为图的邻接矩阵。
模型设计了复合邻接矩阵,应用于模型的图卷积操作。相对于传统的邻接矩阵,复合邻接矩阵融合了静态邻接矩阵和动态邻接矩阵,实现了路段之间空间关系的综合分析,在空间层次上实现了交通流量和交通速度的数据融合。具体如下:
其中,是基于指数距离的静态邻接矩阵,采用指数距离来分析路段之间的静态空间相关性。ε用于控制矩阵的稀疏性,||xi-xj||2用于计算路段i和j之间的距离,σ2表示空间衰减长度,一般地,参数设置为σ2=100,ε=0.5。/>是基于交通流量的动态邻接矩阵,采用协方差矩阵来计算各个路段之间交通流量的相关性,以此实现对路段空间相关性的动态分析,/>和/>是路段i和j在过去l个时间段的平均交通流量,即 是复合邻接矩阵,融合了静态邻接矩阵和动态邻接矩阵,可以综合分析路段之间的静态和动态空间关系。
模型解码器层的内部状态变化为:
hd,t=GRU(dt,hd,t-1) (8)
其中,对于每个门控循环单元的输入内容(dt,ht-1),dt表示当前时刻元状态输入,即通过图卷积得到的隐状态信息,ht-1表示上一时刻解码器中门控循环单元输出的隐藏状态。
模型预测输出层的内部状态变化为:
其中,W,b分别为线性函数的权重和偏置项。当预测未来交通速度时,是第一个预测值,然后/>会拼接入输入数据,重复相同过程可以预测下一时间段的交通速度不断地重复,就可以预测未来T个时间段的交通速度。
模型采用Adam优化器进行训练,使用梯度下降算法更新参数。模型的损失函数采用均方误差,具体如下:
其中,是预测值,Yi是真实值。
(4)误差分析。根据步骤(3)获得的未来交通速度预测值,根据三种不同误差评估指标(MAE/MAPE/RMSE)进行分析,其计算方法如下:
其中,N为样本个数,为预测值,Yi为真实数据。
(5)结果展示。通过折线图、柱状图等对步骤(3)获得的未来交通速度预测值和步骤(4)误差分析的结果进行可视化展示,使得用户可以直观地分析交通速度预测结果。
如附图1,本发明的交通速度预测模型结构图。模型共有四个部分,包括编码器层、空间分析层、解码器层和预测输出层。编码器层包括两个部分,一部分是由多个门控循环单元(GRU)组成,用于处理输入的历史交通速度数据,提取其时间相关性,另一部分由注意力机制组成,用于交通流量和交通速度的数据融合。空间分析层介于编码器和解码器之间,主要采用图卷积操作提取交通数据的空间特征,其中,图卷积操作融合了动态的交通流量数据。解码器层包括多个门控循环单元,进一步提取交通数据的时间特征。预测输出层采用全连接方式实现最终预测值的输出。
如附图2,本发明的***功能模块图,包括依次连接的数据采集模块、数据处理模块、交通速度预测模块、误差分析模块、结果展示模块。数据采集模块实现原始数据的采集和整理;数据处理模块实现数据预处理,包括异常数据识别、缺失值填补和数据归一化;交通速度预测是在输入数据的基础上,根据设计的交通速度预测模型进行训练和学习,并预测未来交通速度;误差分析是实现对预测数据的误差比较和分析;结果展示是采用可视化的方式展示预测结果。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (4)
1.基于图卷积和门控循环单元的交通速度预测方法,包括如下步骤:
(1)数据采集;采集原始的历史交通数据,生成5分钟时间间隔的平均数据,形成历史的交通流量和交通速度数据;
(2)数据处理;数据处理主要包含异常数据识别、缺失值填补与数据归一化;对于直接采集得到的原始数据,通常包含缺失值、异常数据和噪声数据等,为提高预测精度,需要对缺失值进行填补,对异常数据和噪声数据进行处理;采用Z-Score方法对数据进行归一化处理,使得原始数据的均值为0,方差为1;
(3)交通速度预测;包括交通速度预测模型的设计、数据集的生成、预测模型的训练和未来交通速度的预测;交通速度预测模型采用编码器-解码器框架,由多个门控循环单元和图卷积网络组成,其中,门控循环单元对输入的历史交通速度数据进行时间性分析,图卷积网络进行空间性分析;考虑交通流量与交通速度之间的相关性以及交通流量数据的准确性,模型采用了注意力机制,在时间层面实现了交通流量和交通速度的数据融合,设计了应用于图卷积操作的复合邻接矩阵,综合分析了静态和动态的空间相关性,在空间层面实现了交通流量和交通速度的数据融合;完成预测模型的设计后,拆分基于步骤(2)所得的交通数据,生成训练数据集、验证数据集和测试数据集,训练交通速度预测模型;完成预测模型的训练后,根据实时采集的交通数据,预测未来时间段的交通速度;
模型包括多个门控循环单元,每个门控循环单元的计算为:
ht=GRU(xt,ht-1) (1)
其中,门控循环单元的输入内容为(xt,ht-1),xt表示当前时刻所有路段的交通速度数据,ht-1表示上一时刻门控循环单元输出的隐状态,ht是门控循环单元的新状态;
模型的编码器层采用了注意力机制,用于计算不同历史时刻交通流量数据的影响程度,注意力机制的内部状态变化为:
其中,注意力机制的输入为t时刻的第i路段的交通流量数据,输出/>为各个历史时刻的权重,是各个历史时刻交通流量数据的影响因子;
模型利用交通流量生成的影响因子与门控循环单元得到的隐状态相结合,可得到上下文向量作为编码器层的输出,具体为:
模型采用图卷积网络来提取交通数据的空间关系,通过切比雪夫多项式来实现图卷积过程,图卷积的切比雪夫多项式表达形式为:
其中,图卷积的输入x为编码器的输出he,t,θk为切比雪夫多项式系数,Tk为切比雪夫多项式,其递归定义为Tk(x)=2xTk-1(x)-Tk-2(x),且T0=1,T1=x;表示缩放至[-1,1]范围内的特征向量矩阵,λmax为拉普拉斯矩阵L的最大特征值;L表示图的拉普拉斯矩阵的规范化形式,D为图的度矩阵,A为图的邻接矩阵;
模型设计了复合邻接矩阵,应用于模型的图卷积操作;相对于传统的邻接矩阵,复合邻接矩阵融合了静态邻接矩阵和动态邻接矩阵,实现了路段之间空间关系的综合分析,在空间层次上实现了交通流量和交通速度的数据融合;具体如下:
其中,是基于指数距离的静态邻接矩阵,采用指数距离来分析路段之间的静态空间相关性;ε用于控制矩阵的稀疏性,||xi-xj||2用于计算路段i和j之间的距离,σ2表示空间衰减长度;/>是基于交通流量的动态邻接矩阵,采用协方差矩阵来计算各个路段之间交通流量的相关性,以此实现对路段空间相关性的动态分析,/>和/>是路段i和j在过去l个时间段的平均交通流量,即/> 是复合邻接矩阵,融合了静态邻接矩阵和动态邻接矩阵,可以综合分析路段之间的静态和动态空间关系;
模型解码器层的内部状态变化为:
hd,t=GRU(dt,hd,t-1) (8)
其中,对于每个门控循环单元的输入内容(dt,ht-1),dt表示当前时刻元状态输入,即通过图卷积得到的隐状态信息,ht-1表示上一时刻解码器中门控循环单元输出的隐藏状态;
模型预测输出层的内部状态变化为:
其中,W,b分别为线性函数的权重和偏置项;当预测未来交通速度时,是第一个预测值,然后/>会拼接入输入数据,重复相同过程可以预测下一时间段的交通速度/>不断地重复,就可以预测未来T个时间段的交通速度;
模型采用Adam优化器进行训练,使用梯度下降算法更新参数;模型的损失函数采用均方误差,具体如下:
其中,是预测值,Yi是真实值;
(4)误差分析;根据步骤(3)获得的未来交通速度预测值,根据三种不同误差评估指标(MAE/MAPE/RMSE)进行分析,其计算方法如下:
其中,N为样本个数,为预测值,Yi为真实数据;
(5)结果展示;通过折线图、柱状图等对步骤(3)获得的未来交通速度预测值和步骤(4)误差分析的结果进行可视化展示,使得用户可以直观地分析交通速度预测结果。
2.如权利要求1所述的基于图卷积和门控循环单元的交通速度预测方法,其特征在于:步骤(2)的公式(5),参数设置为σ2=100,ε=0.5。
3.如权利要求1所述的基于图卷积和门控循环单元的交通速度预测方法,其特征在于:步骤(2)中,按6:2:2的比例拆分,生成训练数据集、验证数据集和测试数据集。
4.实施权利要求1所述的基于图卷积和门控循环单元的交通速度预测方法的***,其特征在于:包括依次连接的数据采集模块、数据处理模块、交通速度预测模块、误差分析模块、结果展示模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563146.1A CN115063972B (zh) | 2022-05-18 | 2022-05-18 | 基于图卷积和门控循环单元的交通速度预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563146.1A CN115063972B (zh) | 2022-05-18 | 2022-05-18 | 基于图卷积和门控循环单元的交通速度预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063972A CN115063972A (zh) | 2022-09-16 |
CN115063972B true CN115063972B (zh) | 2024-06-11 |
Family
ID=83197770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210563146.1A Active CN115063972B (zh) | 2022-05-18 | 2022-05-18 | 基于图卷积和门控循环单元的交通速度预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063972B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通***流量短期预测方法及*** |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN113450568A (zh) * | 2021-06-30 | 2021-09-28 | 兰州理工大学 | 一种基于时空注意力机制的卷积网络交通流预测方法 |
CN113705880A (zh) * | 2021-08-25 | 2021-11-26 | 杭州远眺科技有限公司 | 基于时空注意力图卷积网络的交通速度预测方法和装置 |
CN113808396A (zh) * | 2021-09-01 | 2021-12-17 | 浙江工业大学 | 基于交通流量数据融合的交通速度预测方法和*** |
-
2022
- 2022-05-18 CN CN202210563146.1A patent/CN115063972B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通***流量短期预测方法及*** |
CN113450568A (zh) * | 2021-06-30 | 2021-09-28 | 兰州理工大学 | 一种基于时空注意力机制的卷积网络交通流预测方法 |
CN113705880A (zh) * | 2021-08-25 | 2021-11-26 | 杭州远眺科技有限公司 | 基于时空注意力图卷积网络的交通速度预测方法和装置 |
CN113808396A (zh) * | 2021-09-01 | 2021-12-17 | 浙江工业大学 | 基于交通流量数据融合的交通速度预测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN115063972A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN111612243B (zh) | 交通速度预测方法、***及存储介质 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
CN112949828B (zh) | 一种基于图学习的图卷积神经网络交通预测方法及*** | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及*** | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN113808396B (zh) | 基于交通流量数据融合的交通速度预测方法和*** | |
CN115578852A (zh) | 一种基于dstgcn的交通预测方法 | |
CN112991721A (zh) | 基于图卷积网络节点关联度的城市路网交通速度预测方法 | |
CN113505536A (zh) | 一种优化的基于时空图卷积网络的交通流预测模型 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN110990718A (zh) | 一种公司形象提升***的社会网络模型构建模块 | |
Zhang et al. | Forecast daily tourist volumes during the epidemic period using COVID-19 data, search engine data and weather data | |
CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN115063972B (zh) | 基于图卷积和门控循环单元的交通速度预测方法和*** | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
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 | |
CN114596726A (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
He et al. | Multi-feature urban traffic prediction based on unconstrained graph attention network | |
Lei et al. | Prediction of PM2. 5 concentration considering temporal and spatial features: A case study of Fushun, Liaoning Province | |
CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测*** |
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 |