CN115620512A - 基于知识图谱的交通量预测方法、装置、终端及存储介质 - Google Patents
基于知识图谱的交通量预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN115620512A CN115620512A CN202211143429.7A CN202211143429A CN115620512A CN 115620512 A CN115620512 A CN 115620512A CN 202211143429 A CN202211143429 A CN 202211143429A CN 115620512 A CN115620512 A CN 115620512A
- Authority
- CN
- China
- Prior art keywords
- traffic
- traffic prediction
- knowledge
- knowledge graph
- representation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 41
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于知识图谱的交通量预测方法、装置、终端及存储介质，方法包括：根据知识图谱表示学习算法学习知识图谱的结点和关系表示；根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；根据知识图谱的结点和关系表示以及交通量的时空序列数据，训练交通量预测模型；使用第一损失函数和基于梯度下降的优化器优化交通量预测模型，得到优化的交通量预测模型；根据知识图谱的结点和关系表示以及优化的交通量预测模型，预测未来一定时间内的交通量。本发明应用知识图谱表示学习算法学习知识图谱时空结点的知识表示，将带有知识的时空结点表示输入交通预测模型，提升交通预测模型的准确率。
Description
技术领域
本发明涉及交通量预测技术领域，尤其涉及的是基于知识图谱的交通量预测方法、装置、终端及存储介质。
背景技术
城市交通量的分析与预测是城市交通管理规划的关键环节之一，其结果的准确与否，严重地影响着交通管理规划的科学性和合理性。
传统的城市交通量预测方式大多采用神经网络模型进行预测，这些预测方式需要获取历史的交通时空序列数据，进而根据历史的交通时空序列数据对未来时刻的交通量进行预测；然而，除了历史的交通时空序列数据外，微博数据、地理知识、天气等多源多模态数据都可以为交通流量和交通需求等交通量提供预测依据，因此，传统的预测方式获取的历史数据过于单一，导致这些预测方式的准确率较低。
因此，现有技术还有待改进。
发明内容
本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种基于知识图谱的交通量预测方法、装置、终端及存储介质，以解决现有的城市交通量预测方式准确率较低的技术问题。
本发明解决技术问题所采用的技术方案如下：
第一方面，本发明提供一种基于知识图谱的交通量预测方法，包括：
根据知识图谱表示学习算法学习知识图谱的结点和关系表示；
根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；
根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型；
使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型；
根据所述知识图谱的结点和关系表示以及所述优化的交通量预测模型，预测未来一定时间内的交通量。
在一种实现方式中，所述根据知识图谱表示学习算法学习知识图谱的结点和关系表示，之前包括：
收集多源多模态的数据，并根据收集的数据构建知识图谱；
其中，所述知识图谱包括：静态路网信息、POI信息和动态的事件信息、天气信息以及交通状态中的一种或组合。
在一种实现方式中，所述根据知识图谱表示学习算法学习知识图谱的结点和关系表示，包括：
通过TransE算法将实体和关系投影至低维向量空间中；
对于每个三元组<h,r,t>，将头实体和关系的向量表示为与向量表示t接近的向量；其中，所述向量表示t为向量h+r与尾实体的向量表示t；
通过所述TransE算法优化TransE损失函数，学习得到符合期望的节点表示。
在一种实现方式中，所述TransE损失函数为：
其中，ε(h,r,t)＝||h+r-t||，ε(h,r,t)是正样本的分数，ε(h',r',t')是负样本的分数，损失函数要求正样本的分数比负样本的分数小γ。
在一种实现方式中，所述根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据，包括：
确定交通量预测的任务；
每隔所述预设周期采样一次各个路网位置的交通量数据，并根据采集的时间顺序得到所述交通量的时空序列数据。
在一种实现方式中，所述交通量预测模型为基于编码器-解码器结构的模型，所述交通量预测模型的编码器和解码器都由N层时间自注意力和空间自注意力堆叠而成。
在一种实现方式中，所述根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型，包括：
在所述交通量的时空序列数据中加入所述知识图谱的结点和关系的向量表示；
通过所述编码器对加入知识的交通量的时空序列数据进行编码，并通过所述解码器进行解码；
将所述解码器产生的特征经过线性层之后，产生对应的预测输出值。
在一种实现方式中，所述通过所述解码器进行解码，包括：
根据自注意力机制在数据的空间维度和时间维度分别应用得到时间自注意力和空间自注意力；
在每次自注意力机制后使用残差连接和层标准化。
在一种实现方式中，所述使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型，包括：
将收集到的交通量数据划分为训练集和验证集；
根据所述训练集、所述第一损失函数以及所述优化器训练所述交通量预测模型；
根据所述验证集对所述交通量预测模型进行验证。
在一种实现方式中，所述第一损失函数为MAE损失函数或MSE损失函数。
第二方面，本发明提供一种基于知识图谱的交通量预测装置，包括：
知识图谱模块，用于根据知识图谱表示学习算法学习知识图谱的结点和关系表示；
数据采集模块，用于根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；
模型训练模块，用于根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型；
模型优化模块，用于使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型；
交通量预测模块，用于根据所述知识图谱的结点和关系表示以及所述优化的交通量预测模型，预测未来一定时间内的交通量。
第三方面，本发明提供一种终端，包括：处理器以及存储器，所述存储器存储有基于知识图谱的交通量预测程序，所述基于知识图谱的交通量预测程序被所述处理器执行时用于实现如第一方面所述的基于知识图谱的交通量预测方法的操作。
第四方面，本发明还提供一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有基于知识图谱的交通量预测程序，所述基于知识图谱的交通量预测程序被处理器执行时用于实现如第一方面所述的基于知识图谱的交通量预测方法的操作。
本发明采用上述技术方案具有以下效果：
本发明提出一种基于知识图谱预测交通量的方法。通过知识图谱中的知识，融入外部知识，提高交通量预测的准确度。具体地，知识图谱中的知识是以三元组的形式存储的，而交通量预测模型处理的是时空序列数据。交通知识图谱中的知识可以辅助交通预测，却与时空序列数据具有不同的形式。本发明应用知识图谱表示学习算法学习知识图谱时空结点的知识表示，将带有知识的时空结点表示输入交通预测模型。模型采用attention机制动态计算时间结点和空间结点的关系，通过外部知识引入时间和空间结点的关系，提升交通预测模型的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明的一种实现方式中基于知识图谱的交通量预测方法的流程图。
图2是本发明的一种实现方式中基于知识图谱的交通量预测的框架图。
图3是本发明的一种实现方式中终端的功能原理图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
示例性方法
传统的城市交通量预测方式大多采用神经网络模型进行预测，这些预测方式需要获取历史的交通时空序列数据，进而根据历史的交通时空序列数据对未来时刻的交通量进行预测；除了历史的交通时空序列数据外，微博数据、地理知识、天气等多源多模态数据都可以为交通流量和交通需求等交通量提供预测依据，因此，传统的预测方式获取的历史数据过于单一，导致这些预测方式的准确率较低。
针对上述技术问题，本实施例中提供了一种基于知识图谱的交通量预测方法，本实施例中应用知识图谱表示学习算法学习知识图谱时空结点的知识表示，将带有知识的时空结点表示输入交通预测模型。模型采用attention机制动态计算时间结点和空间结点的关系，通过外部知识引入时间和空间结点的关系，提升交通预测模型的准确率。
如图1所示，本发明实施例提供一种基于知识图谱的交通量预测方法，包括以下步骤：
步骤S100，根据知识图谱表示学习算法学习知识图谱的结点和关系表示。
在本实施例中，该基于知识图谱的交通量预测方法应用于终端上，该终端包括但不限于：计算机等设备；该终端上设置有基于知识图谱的交通量预测的框架。
在本实施例中，考虑到多源多模态信息对交通量预测是至关重要的，针对这种情况，提出一种基于知识图谱信息辅助交通量预测的算法。将多源多模态数据存储在知识图谱中，通过挖掘知识图谱中的知识，辅助交通量预测，提高交通量预测的准确率；因此，在实施该基于知识图谱的交通量预测方法之前，还需要构建知识图谱。
具体地，在本实施例的一种实现方式中，步骤S100之前包括以下步骤：
步骤S001，收集多源多模态的数据，并根据收集的数据构建知识图谱。
在本实施例中，需要预先构建知识图谱，其中，所述知识图谱包括：静态路网信息、POI信息和动态的事件信息、天气信息以及交通状态中的一种或组合。
在构建知识图谱时，需要收集多源多模态的数据，其中，收集的数据来源于交通时空序列数据、微博数据、地理知识、天气等多源多模态数据；通过收集多源多模态的数据，将收集的数据存储在知识图谱中；对于不同源的数据，在存储阶段，存储的数据为对应的文字和数值。
在构建知识图谱的过程中，知识图谱中的知识是三元组的向量形式<h,r,t>，其中h是头实体，t是尾实体，r是关系，表示h和t之间有r关系。具体地，建立的知识图谱，包括静态的路网信息、POI信息和动态的事件信息、天气信息、交通状态等。知识图谱有时间结点和空间结点，结点和相应的信息有边关联。
在本实施例中，知识图谱中向量可以通过TransE算法得到，或者通过其他算法得到；TransE算法先随机初始化结点的向量表示，然后通过算法训练的过程优化向量表示，从而得到知识图谱的结点和关系表示，利用结点和关系表示即可将收集的数据存储在知识图谱中。
具体地，在本实施例的一种实现方式中，步骤S100包括以下步骤：
步骤S101，通过TransE算法将实体和关系投影至低维向量空间中；
步骤S102，对于每个三元组<h,r,t>，将头实体和关系的向量表示为与向量表示t接近的向量；其中，所述向量表示t为向量h+r与尾实体的向量表示t；
步骤S103，通过所述TransE算法优化TransE损失函数，学习得到符合期望的节点表示。
在本实施例中，使用知识图谱表示学习算法学习知识图谱的结点和关系表示，TransE将实体和关系投影至低维向量空间中。其基于翻译的假设，对于每个三元组<h,r,t>，期望头实体和关系的向量表示与h+r及尾实体的向量表示t接近。为了达到这个目标，TransE优化下面的损失函数(即所述TransE损失函数)：
其中，ε(h,r,t)＝||h+r-t||，ε(h,r,t)是正样本的分数，ε(h',r',t')是负样本的分数，损失函数要求正样本的分数比负样本的分数小γ。
在本实施例中，通过优化上面的损失函数，学习符合期望的结点表示，学习得到知识图谱的结点和关系表示。
如图1所示，在本发明实施例的一种实现方式中，基于知识图谱的交通量预测方法还包括以下步骤：
步骤S200，根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据。
在本实施例中，在构建知识图谱以及学习知识图谱的结点和关系表示后，需要收集交通量数据，进而根据收集的交通量数据得到交通量的时空序列数据；其中，收集的交通量数据可以是当前时间段收集的交通量数据，也可以是历史时间段收集的交通量数据。
具体地，在本实施例的一种实现方式中，步骤S200包括以下步骤：
步骤S201，确定交通量预测的任务；
步骤S202，每隔所述预设周期采样一次各个路网位置的交通量数据，并根据采集的时间顺序得到所述交通量的时空序列数据。
在本实施例中，交通量预测的任务可以表示为：已知N个位置结点P个时间点的历史数据，X＝(X1,X2,Λ,XP)∈RP×N×C求N个位置结点接下来Q个时间点的数据
其中，C是输入信号的通道个数。
在本实施例中，为了训练模型，需要采集需要预测的各个空间点在不同时间点的交通量数据。具体地，每隔相同的时间采样一次各个空间结点的数据。例如每隔5分钟采样一次各个路网位置的数据。交通流的采样方法包括地感线圈(loop detector)、路面布设压力管、对摄像头采集的图像进行处理等，这些方式都可以获得交通流量数据。
在本实施例中，在获得交通流量数据后，根据采样时间的先后顺序，对采集的交通流量数据进行排序，得到所述交通量的时空序列数据。
如图1所示，在本发明实施例的一种实现方式中，基于知识图谱的交通量预测方法还包括以下步骤：
步骤S300，根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型。
在本实施例中，所述交通量预测模型为基于编码器-解码器结构的模型，所述交通量预测模型的编码器和解码器都由N层时间自注意力和空间自注意力堆叠而成。
具体地，在本实施例的一种实现方式中，步骤S300包括以下步骤：
步骤S301，在所述交通量的时空序列数据中加入所述知识图谱的结点和关系的向量表示；
步骤S302，通过所述编码器对加入知识的交通量的时空序列数据进行编码，并通过所述解码器进行解码；
步骤S303，将所述解码器产生的特征经过线性层之后，产生对应的预测输出值。
在本实施例中，使用知识图谱学习的表示和交通量的时空序列数据训练交通量预测模型；如图2所示，本实施例中基于transformer结构进行预测。基于transformer模型的交通量预测模型是基于编码器-解码器(encoder-decoder)结构的模型。
在训练交通量预测模型时，首先对历史数据通过编码器(encoder)进行编码，再通过解码器(decoder)一步一步地进行解码，得到预测的数值。编码器和解码器都由N层时间自注意力(self temperal attention)和空间自注意力(self spatial attention)堆叠而成。
具体地，如图2所示，历史数据那一列的深色虚线框部分是encoder编码器部分，预测结果那一列的浅色虚线框部分是decoder解码器部分；输入层是历史数据以及上一步计算得到的结点向量；输出层是预测结果。因为，交通量预测模型是一个自回归的模型，所以输出的预测结果需要再输入模型参与预测下一个时间点的预测。例如，模型得到q时间点的预测结果，再将q输入模型，预测q+1时间点的预测结果。进一步的，将预测结果q和q+1输入模型，预测q+2时间点的预测结果。
具体地，在本实施例的一种实现方式中，步骤S302包括以下步骤：
步骤S302a，根据自注意力机制在数据的空间维度和时间维度分别应用得到时间自注意力和空间自注意力；
步骤S302b，在每次自注意力机制后使用残差连接和层标准化。
在本实施例中，在交通量预测模型的输入部分，为了区分每个空间位置和时间，添加从知识图谱学习到的空间结点的向量表示和时间结点的向量表示(其中，SpatialEmbedding是时间结点的向量表示，Temporal Embedding是空间结点的向量表示)。
本实施例在原始时空序列数据的基础上，加上基于知识图谱学习到的富含知识的向量表示(即通过知识图谱学习到的向量是具有知识的)。通过加入知识图谱学习到的向量，为预测提供额外的信息，从而提升了交通量预测模型的预测精度。
在本实施例中，采用自注意力机制时，自注意力的计算方式如下：
其中，Q∈Rn×d,K∈Rn×d,V∈Rn×d；
d是向量的维度，softmax是softmax函数。
自注意力机制在数据的空间维度和时间维度分别应用得到时间自注意力和空间自注意力。在每次自注意力机制后使用残差连接和Layer Nomalization。图2中的Add表示残差连接，Norm表示Layer Nomalization。
在本实施例中，解码器产生的特征经过线性层之后，产生对应的预测输出。
如图1所示，在本发明实施例的一种实现方式中，基于知识图谱的交通量预测方法还包括以下步骤：
步骤S400，使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型。
在本实施例中，在训练交通量预测模型的过程中，还可以使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型。
具体地，在本实施例的一种实现方式中，步骤S400包括以下步骤：
步骤S401，将收集到的交通量数据划分为训练集和验证集；
步骤S402，根据所述训练集、所述第一损失函数以及所述优化器训练所述交通量预测模型；
步骤S403，根据所述验证集对所述交通量预测模型进行验证。
在本实施例中，使用的第一损失函数可以是L1损失，L2损失等(不限于L1损失，L2损失)；
其中，L1损失是MAE(Mean Absolute Error)损失：
L2损失是MSE(Mean squared error)损失：
在本实施例中，优化器可以是ADAM、SGD等，但不限于此。具体地，将收集到的数据划分为训练集、验证集。使用训练集的数据基于损失函数和优化器训练模型，使用验证集验证模型的效果。
如图1所示，在本发明实施例的一种实现方式中，基于知识图谱的交通量预测方法还包括以下步骤：
步骤S500，根据所述知识图谱的结点和关系表示以及所述优化的交通量预测模型，预测未来一定时间内的交通量。
在本实施例中，在训练及优化交通量预测模型后，利用学习的知识图谱向量表示和训练后的模型预测交通量，得到未来一定时间内的交通量；例如，给出前6小时各个位置的交通流量，预测后6小时各个位置的交通流量；相比于现有的交通流量预测方式，本实施例中，通过在交通量预测模型中加入学习得到知识图谱的结点和关系表示，以采集的静态路网信息、POI信息和动态的事件信息、天气信息以及交通状态等多模信息，作为预测的辅助信息，并采用attention机制动态计算时间结点和空间结点的关系，通过外部知识引入时间和空间结点的关系，提升交通预测模型的准确率。
本实施例通过上述技术方案达到以下技术效果：
本实施例提出一种基于知识图谱预测交通量的方法。通过知识图谱中的知识，融入外部知识，提高交通量预测的准确度。具体地，知识图谱中的知识是以三元组的形式存储的，而交通量预测模型处理的是时空序列数据。交通知识图谱中的知识可以辅助交通预测，却与时空序列数据具有不同的形式。本实施例应用知识图谱表示学习算法学习知识图谱时空结点的知识表示，将带有知识的时空结点表示输入交通预测模型。模型采用attention机制动态计算时间结点和空间结点的关系，通过外部知识引入时间和空间结点的关系，提升交通预测模型的准确率。
示例性设备
基于上述实施例，本发明还提供一种基于知识图谱的交通量预测装置，包括：
知识图谱模块，用于根据知识图谱表示学习算法学习知识图谱的结点和关系表示；
数据采集模块，用于根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；
模型训练模块，用于根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型；
模型优化模块，用于使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型；
交通量预测模块，用于根据所述知识图谱的结点和关系表示以及所述优化的交通量预测模型，预测未来一定时间内的交通量。
基于上述实施例，本发明还提供一种终端，其原理框图可以如图3所示。
该终端包括：通过***总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储器包括存储介质以及内存储器；该存储介质存储有操作***和计算机程序；该内存储器为存储介质中的操作***和计算机程序的运行提供环境；该接口用于连接外部设备，例如，移动终端以及计算机等设备；该显示屏用于显示相应的信息；该通讯模块用于与云端服务器或移动终端进行通讯。
该计算机程序被处理器执行时用以实现一种基于知识图谱的交通量预测方法的操作。
本领域技术人员可以理解的是，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存储器存储有基于知识图谱的交通量预测程序，基于知识图谱的交通量预测程序被处理器执行时用于实现如上的基于知识图谱的交通量预测方法的操作。
在一个实施例中，提供了一种存储介质，其中，存储介质存储有基于知识图谱的交通量预测程序，基于知识图谱的交通量预测程序被处理器执行时用于实现如上的基于知识图谱的交通量预测方法的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
综上，本发明提供了一种基于知识图谱的交通量预测方法、装置、终端及存储介质，方法包括：根据知识图谱表示学习算法学习知识图谱的结点和关系表示；根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；根据知识图谱的结点和关系表示以及交通量的时空序列数据，训练交通量预测模型；使用第一损失函数和基于梯度下降的优化器优化交通量预测模型，得到优化的交通量预测模型；根据知识图谱的结点和关系表示以及优化的交通量预测模型，预测未来一定时间内的交通量。本发明应用知识图谱表示学习算法学习知识图谱时空结点的知识表示，将带有知识的时空结点表示输入交通预测模型，提升交通预测模型的准确率。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (13)
1.一种基于知识图谱的交通量预测方法，其特征在于，包括：
根据知识图谱表示学习算法学习知识图谱的结点和关系表示；
根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；
根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型；
使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型；
根据所述知识图谱的结点和关系表示以及所述优化的交通量预测模型，预测未来一定时间内的交通量。
2.根据权利要求1所述的基于知识图谱的交通量预测方法，其特征在于，所述根据知识图谱表示学习算法学习知识图谱的结点和关系表示，之前包括：
收集多源多模态的数据，并根据收集的数据构建知识图谱；
其中，所述知识图谱包括：静态路网信息、POI信息和动态的事件信息、天气信息以及交通状态中的一种或组合。
3.根据权利要求1所述的基于知识图谱的交通量预测方法，其特征在于，所述根据知识图谱表示学习算法学习知识图谱的结点和关系表示，包括：
通过TransE算法将实体和关系投影至低维向量空间中；
对于每个三元组<h,r,t>，将头实体和关系的向量表示为与向量表示t接近的向量；其中，所述向量表示t为向量h+r与尾实体的向量表示t；
通过所述TransE算法优化TransE损失函数，学习得到符合期望的节点表示。
4.根据权利要求3所述的基于知识图谱的交通量预测方法，其特征在于，所述TransE损失函数为：
其中，ε(h,r,t)＝||h+r-t||，ε(h,r,t)是正样本的分数，ε(h',r',t')是负样本的分数，损失函数要求正样本的分数比负样本的分数小γ。
5.根据权利要求1所述的基于知识图谱的交通量预测方法，其特征在于，所述根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据，包括：
确定交通量预测的任务；
每隔所述预设周期采样一次各个路网位置的交通量数据，并根据采集的时间顺序得到所述交通量的时空序列数据。
6.根据权利要求1所述的基于知识图谱的交通量预测方法，其特征在于，所述交通量预测模型为基于编码器-解码器结构的模型，所述交通量预测模型的编码器和解码器都由N层时间自注意力和空间自注意力堆叠而成。
7.根据权利要求6所述的基于知识图谱的交通量预测方法，其特征在于，所述根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型，包括：
在所述交通量的时空序列数据中加入所述知识图谱的结点和关系的向量表示；
通过所述编码器对加入知识的交通量的时空序列数据进行编码，并通过所述解码器进行解码；
将所述解码器产生的特征经过线性层之后，产生对应的预测输出值。
8.根据权利要求7所述的基于知识图谱的交通量预测方法，其特征在于，所述通过所述解码器进行解码，包括：
根据自注意力机制在数据的空间维度和时间维度分别应用得到时间自注意力和空间自注意力；
在每次自注意力机制后使用残差连接和层标准化。
9.根据权利要求1所述的基于知识图谱的交通量预测方法，其特征在于，所述使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型，包括：
将收集到的交通量数据划分为训练集和验证集；
根据所述训练集、所述第一损失函数以及所述优化器训练所述交通量预测模型；
根据所述验证集对所述交通量预测模型进行验证。
10.根据权利要求1所述的基于知识图谱的交通量预测方法，其特征在于，所述第一损失函数为MAE损失函数或MSE损失函数。
11.一种基于知识图谱的交通量预测装置，其特征在于，包括：
知识图谱模块，用于根据知识图谱表示学习算法学习知识图谱的结点和关系表示；
数据采集模块，用于根据预设周期采集需要预测的各个空间点在不同时间点的交通量数据，得到交通量的时空序列数据；
模型训练模块，用于根据所述知识图谱的结点和关系表示以及所述交通量的时空序列数据，训练交通量预测模型；
模型优化模块，用于使用第一损失函数和基于梯度下降的优化器优化所述交通量预测模型，得到优化的交通量预测模型；
交通量预测模块，用于根据所述知识图谱的结点和关系表示以及所述优化的交通量预测模型，预测未来一定时间内的交通量。
12.一种终端，其特征在于，包括：处理器以及存储器，所述存储器存储有基于知识图谱的交通量预测程序，所述基于知识图谱的交通量预测程序被所述处理器执行时用于实现如权利要求1-10中任意一项所述的基于知识图谱的交通量预测方法的操作。
13.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质存储有基于知识图谱的交通量预测程序，所述基于知识图谱的交通量预测程序被处理器执行时用于实现如权利要求1-10中任意一项所述的基于知识图谱的交通量预测方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211143429.7A CN115620512B (zh) | 2022-09-20 | 2022-09-20 | 基于知识图谱的交通量预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211143429.7A CN115620512B (zh) | 2022-09-20 | 2022-09-20 | 基于知识图谱的交通量预测方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115620512A true CN115620512A (zh) | 2023-01-17 |
| CN115620512B CN115620512B (zh) | 2024-07-02 |
Family
ID=84859317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211143429.7A Active CN115620512B (zh) | 2022-09-20 | 2022-09-20 | 基于知识图谱的交通量预测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115620512B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116069953A (zh) * | 2023-03-06 | 2023-05-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于知识图谱叠加时空属性的mdata知识表示方法 |
| CN116701663A (zh) * | 2023-08-07 | 2023-09-05 | 鹏城实验室 | 一种基于数字视网膜***构建知识图谱的方法 |
| CN117671979A (zh) * | 2023-12-25 | 2024-03-08 | 中傲智能科技（苏州）有限公司 | 一种基于知识图谱的智慧城市数据管理***与方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
| US11281969B1 (en) * | 2018-08-29 | 2022-03-22 | Amazon Technologies, Inc. | Artificial intelligence system combining state space models and neural networks for time series forecasting |
| CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及*** |
| CN114582128A (zh) * | 2022-03-10 | 2022-06-03 | 浙江大学 | 基于图离散注意力网络的交通流预测方法、介质及设备 |
| 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 |
-
2022
- 2022-09-20 CN CN202211143429.7A patent/CN115620512B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11281969B1 (en) * | 2018-08-29 | 2022-03-22 | Amazon Technologies, Inc. | Artificial intelligence system combining state space models and neural networks for time series forecasting |
| CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
| CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及*** |
| CN114582128A (zh) * | 2022-03-10 | 2022-06-03 | 浙江大学 | 基于图离散注意力网络的交通流预测方法、介质及设备 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡晓: "基于知识图谱的城市交通拥塞预测和时空传播模式挖掘研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 01, 15 January 2022 (2022-01-15), pages 034 - 1260 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116069953A (zh) * | 2023-03-06 | 2023-05-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于知识图谱叠加时空属性的mdata知识表示方法 |
| CN116069953B (zh) * | 2023-03-06 | 2023-06-02 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种基于知识图谱叠加时空属性的mdata知识表示方法 |
| CN116701663A (zh) * | 2023-08-07 | 2023-09-05 | 鹏城实验室 | 一种基于数字视网膜***构建知识图谱的方法 |
| CN116701663B (zh) * | 2023-08-07 | 2024-01-09 | 鹏城实验室 | 一种基于数字视网膜***构建知识图谱的方法 |
| CN117671979A (zh) * | 2023-12-25 | 2024-03-08 | 中傲智能科技（苏州）有限公司 | 一种基于知识图谱的智慧城市数据管理***与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115620512B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115620512A (zh) | 基于知识图谱的交通量预测方法、装置、终端及存储介质 | |
| CN113436620B (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
| CN113765928B (zh) | 物联网入侵检测方法、设备及介质 | |
| CN113902007A (zh) | 模型训练方法及装置、图像识别方法及装置、设备和介质 | |
| CN112418291A (zh) | 一种应用于bert模型的蒸馏方法、装置、设备及存储介质 | |
| CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
| CN114897160A (zh) | 模型训练方法、***及计算机存储介质 | |
| Li et al. | Stg-mamba: Spatial-temporal graph learning via selective state space model | |
| WO2022143215A1 (zh) | 一种帧间预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
| WO2024001653A9 (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN115982600A (zh) | 匹配模型训练方法、设备及介质 | |
| CN116363446A (zh) | 一种零样本图像分类方法、装置、终端及介质 | |
| CN115271207A (zh) | 一种基于门控图神经网络的序列关系预测方法以及装置 | |
| CN114648712B (zh) | 视频分类方法、装置、电子设备及计算机可读存储介质 | |
| CN114399901A (zh) | 一种控制交通***的方法和设备 | |
| CN112232126A (zh) | 一种提高多变场景定位鲁棒性的降维表达方法 | |
| AU2021103651A4 (en) | A method and system for performing weather forecast | |
| CN113031600B (zh) | 一种轨迹生成方法、装置、存储介质及电子设备 | |
| CN117540780B (zh) | 一种神经网络模型的压缩方法和相关装置 | |
| CN111274216B (zh) | 无线局域网的识别方法、识别装置、存储介质及电子设备 | |
| US11915474B2 (en) | Regional-to-local attention for vision transformers | |
| CN114936670A (zh) | 一种交通预测的方法和装置 | |
| CN116863151A (zh) | 基于边缘云架构的图像预测方法、装置、网络设备和介质 | |
| CN115830408A (zh) | 伪标签生成方法、装置、设备以及存储介质 | |
| CN115271157A (zh) | 基于Transformer的多任务交通流预测方法、装置、终端及存储介质 |
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 | ||
| GR01 | Patent grant |