CN115796030A - 一种基于图卷积的交通流量预测方法 - Google Patents
一种基于图卷积的交通流量预测方法 Download PDFInfo
- Publication number
- CN115796030A CN115796030A CN202211504231.7A CN202211504231A CN115796030A CN 115796030 A CN115796030 A CN 115796030A CN 202211504231 A CN202211504231 A CN 202211504231A CN 115796030 A CN115796030 A CN 115796030A
- Authority
- CN
- China
- Prior art keywords
- road
- traffic flow
- data
- flow data
- roads
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于图卷积的交通流量预测方法。本发明包含以下步骤:步骤1、获取城市中相连道路的连续P个时段的历史交通流量数据,根据各个道路历史交通流量数据的相似度构建道路邻接矩阵,对数据进行预处理。步骤2、基于道路邻接矩阵与各个道路的历史交通流量数据,通过图卷积神经网络(GCN)提取该道路交通流量的空间特征。步骤3、基于单个道路的历史交通流量数据,通过GRU,循环神经网络的一种,提取该道路交通流量的时间特征。步骤4、综合该道路的空间特征与时间特征,得到该道路的下一时间段的交通流量预测值。本发明充分考虑到交通流量数据之间的空间关系与时间关系,提出了一种新颖的交通流量预测方法。
Description
技术领域
本发明涉及交通信息技术领域,更具体的说涉及一种基于图卷积的交通流量预测方法。
背景技术
随着智能交通***的发展,交通预测越来越受到人们的重视。它是先进交通管理***的关键组成部分,是实现交通规划、交通管理和交通控制的重要组成部分。交通预测是分析城市道路交通状况的过程,包括流量、速度和密度,挖掘交通模式,预测道路交通趋势。交通预测不仅可以为交通管理者提前感知交通拥堵和限制车辆提供科学依据,还可以为城市旅行者选择合适的出行路线和提高出行效率提供安全保障。然而,由于其复杂的时空相关性,交通预测一直是一项具有挑战性的任务。对此本文提出一种既考虑到其时间依赖性,又考虑到空间依赖性的交通流量预测方法。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于图卷积的交通流量预测方法。
本发明解决其技术问题所采用的技术方案如下:
步骤1、获取城市中相连道路的连续P个时段的历史交通流量数据,根据各个道路历史交通流量数据的相似度构建道路邻接矩阵,对数据进行预处理。
步骤2、基于道路邻接矩阵与各个道路的历史交通流量数据,通过图卷积神经网络(GCN)提取该道路交通流量的空间特征。
步骤3、基于单个道路的历史交通流量数据,通过GRU(循环神经网络的一种),提取该道路交通流量的时间特征。
步骤4、综合该道路的空间特征与时间特征,得到该道路下一时间段的交通流量预测值。
步骤1所述的获取城市中相连道路的连续P个时段的历史交通流量数据,根据各个道路历史交通流量数据的相似度构建道路邻接矩阵,对数据进行预处理,具体操作如下:
1-1.设有n条道路,将每条道路当作节点,道路之间的关系当作边,以编号为i,j的两条道路为例,设编号为i的道路在连续P个时段的历史交通流量数据为编号为j的道路在连续P个时段的历史交通流量数据为计算出这两条道路的交通流量数据的相关系数,具体计算如下:
1-2.对任意两条道路计算出其相关系数,构造出道路邻接矩阵A。该相关系数的取值范围[-1,1],同时设置一个阈值τ,若道路i与道路j的相关系数大于阈值τ,则A[i][j]=1,否则A[i][j]=0。
1-3.对每条道路的交通流量数据进行归一化:
其中,x*为该道路归一化预处理后的数据,min为该道路历史交通流量数据中样本数据最小值,max为该道路历史交通流量数据样本数据的最大值,x为待归一化预处理的该道路的交通流量数据,对每条道路的数据都进行这样的预处理。
1-4.将经过归一化预处理后的单个道路的交通流量数据按照时间顺序划分为训练数据集和测试数据集,比例为8:2。对于每条道路的交通流量数据,都进行这样的划分。
进一步的,步骤2所述的基于道路邻接矩阵与各个道路的历史交通流量数据,通过图卷积神经网络(GCN)提取该道路交通流量的空间特征,具体操作如下:
2-2.将步骤1得出的道路邻接矩阵A与训练数据集输入到GCN中。每一层的图卷积公式如下:
进一步的,步骤3所述的基于单个道路的历史交通流量数据,通过GRU提取该道路交通流量的时间特征,具体操作如下:
3-1.将训练数据集的数据输入到GRU中。GRU使用梯度下降的方式训练数据,其前向传播的公式如下:
zt=σ(W(z)xt+U(z)ht-1)
rt=σ(W(r)xt+U(r)ht-1)
其中,xt为t时刻的输入;ht为t时刻的输出;ht-1为t-1时刻的输出;W(z)、W(r)、W为输入xt的权重矩阵;U(z)、U(r)、U为ht-1的权重矩阵;σ为激活函数sigmoid(·);tanh(·)为激活函数。
进一步的,步骤4所述的综合该道路的空间特征与时间特征,得到该道路的下一时间段的交通流量预测值,其具体操作如下:
4-1.对于每一个时刻t,将当前时刻的道路交通流量数据与道路邻接矩阵A输入到步骤2所述的GCN中,得到当前时刻t所有道路的交通流量数据的空间特征。
4-2.将单个道路不同时刻的流量数据输入到步骤3所述的GRU中,得到单个道路交通流量数据的时间特征。
4-3.将t时刻的当前时刻交通流量数据的时间特征与空间特征进行拼接合并,然后通过一个全连接层以获得t+1时刻交通流量的预测结果。
4-4.将t+1时刻交通流量的预测结果与实际数据进行比较,利用RMSE(均方误差)对比较结果进行衡量,将均方误差的衡量结果作为评价指标,通过反向传播对模型参数进行调整,以提高模型的预测效果。
与现有方法相比,本发明具有以下有益效果:
1、使用道路交通流量数据的相关系数生成道路邻接矩阵,可以使GCN网络更好的提取道路交通流量数据的空间特征。
2、使用拼接合并的方式结合道路交通流量数据的空间特征与时间特征,以得到更好的预测精确度。
3、本发明仅使用道路交通流量数据作为数据输入,对其他特征如天气、新闻等有很好的可拓展性。
附图说明
图1为本发明交通流量预测方法的流程图。
图2为本发明交通流量预测方法中网络的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,一种基于图卷积的交通流量预测方法,包含以下步骤:
步骤1、获取城市中相连道路的连续P个时段的历史交通流量数据,根据各个道路历史交通流量数据的相似度构建道路邻接矩阵,对数据进行预处理。
步骤2、基于道路邻接矩阵与各个道路的历史交通流量数据,通过图卷积神经网络(GCN)提取该道路交通流量的空间特征。
步骤3、基于单个道路的历史交通流量数据,通过GRU(循环神经网络的一种),提取该道路交通流量的时间特征。
步骤4、综合该道路的空间特征与时间特征,得到该道路的下一时间段的交通流量预测值。
步骤1所述的获取城市中相连道路的连续P个时段的历史交通流量数据,根据各个道路历史交通流量数据的相似度构建道路邻接矩阵,对数据进行预处理,具体操作如下:
1-1.设有n条道路,将每条道路当作节点,道路之间的关系当作边,以编号为i,j的两条道路为例,编号为i的道路在连续P个时段的历史交通流量数据为编号为j的道路在连续P个时段的历史交通流量数据为计算出这两条道路的交通流量数据的相关系数,
1-2.通过对每两条道路计算出其相关系数,构造出道路邻接矩阵A。该相关系数的取值范围[-1,1],同时设置一个阈值τ,若道路i与道路j的相关系数大于阈值τ,则A[i][j]=1,否则A[i][j]=0。
1-3.对每条道路的交通流量数据进行归一化:
其中x*为该道路归一化预处理后的数据,min为该道路样本数据最小值,max为该道路样本数据的最大值,x为待归一化预处理的该道路的交通流量数据。我们对每条道路的数据都进行这样的预处理。
1-4.将经过归一化后的单个道路的交通流量数据按照时间顺序划分为训练数据集和测试数据集,比例为8:2。对于每条道路的交通流量数据,都进行这样的划分。
步骤2所述的基于道路邻接矩阵与各个道路的历史交通流量数据,通过图卷积神经网络(GCN)提取该道路交通流量的空间特征,具体操作如下:
2-2.将步骤1得出的道路邻接矩阵A与训练数据集输入到GCN中。每一层的图卷积公式如下:
步骤3所述的基于单个道路的历史交通流量数据,通过GRU,循环神经网络的一种,提取该道路交通流量的时间特征,具体操作如下:
3-1.将训练数据集的数据输入到GRU中。GRU使用梯度下降的方式训练数据,其前向传播的公式如下:
zt=σ(W(z)xt+U(z)ht-1)
rt=σ(W(r)xt+U(r)ht-1)
其中xt为t时刻的输入;ht为t时刻的输出;ht-1为t-1时刻的输出;W(z),W(r),W为输入xt的权重矩阵;U(z),U(r),U为ht-1的权重矩阵;σ为激活函数sigmoid(·);tanh(·)为激活函数。
步骤4所述的综合该道路的空间特征与时间特征,得到该道路的下一时间段的交通流量预测值。其具体操作如下:
4-1.对于每一个时刻t,将当前时刻的道路交通流量数据与道路邻接矩阵A输入到步骤2所述的GCN中,得到当前时刻所有道路的交通流量数据的空间特征。
4-2.将单个道路不同时刻的流量数据输入到步骤3所述的GRU中,得到单个道路交通流量数据的时间特征。
4-3.将t时刻的当前时刻交通流量数据的时间特征与空间特征进行拼接合并,然后通过一个全连接层以获得t+1时刻交通流量的预测结果。
4-4.将t+1时刻交通流量的预测结果与实际数据进行比较,利用RMSE(均方误差)对比较结果进行衡量,将均方误差的衡量结果作为评价指标,通过反向传播对模型参数进行调整,以提高模型的预测效果。
Claims (5)
1.一种基于图卷积的交通流量预测方法,其特征在于包含以下步骤:
步骤1、获取城市中相连道路的连续P个时段的历史交通流量数据,根据各个道路历史交通流量数据的相似度构建道路邻接矩阵,对数据进行预处理;
步骤2、基于道路邻接矩阵与各个道路的历史交通流量数据,通过图卷积神经网络GCN提取该道路交通流量的空间特征;
步骤3、基于单个道路的历史交通流量数据,通过循环神经网络GRU提取该道路交通流量的时间特征;
步骤4、综合该道路的空间特征与时间特征,得到该道路的下一时间段的交通流量预测值。
2.根据权利要求1中所述的一种基于图卷积的交通流量预测方法,其特征在于步骤1所述的获取城市中相连道路的连续P个时段的历史交通流量数据,根据各个道路历史交通流量数据的相似度构建道路邻接矩阵,对数据进行预处理,具体操作如下:
2-1.设有n条道路,将每条道路当作节点,道路之间的关系当作边,以编号为i,j的两条道路为例,编号为i的道路在连续P个时段的历史交通流量数据为编号为j的道路在连续P个时段的历史交通流量数据为计算出这两条道路的交通流量数据的相关系数,
2-2.通过对每两条道路计算出其相关系数,构造出道路邻接矩阵A;该相关系数的取值范围[-1,1],同时设置一个阈值τ,若道路i与道路j的相关系数大于阈值τ,则A[i][j]=1,否则A[i][j]=0;
2-3.对每条道路的交通流量数据进行归一化:
其中x*为该道路归一化预处理后的数据,min为该道路样本数据最小值,max为该道路样本数据的最大值,x为待归一化预处理的该道路的交通流量数据;我们对每条道路的数据都进行这样的预处理;
2-4.将经过归一化后的单个道路的交通流量数据按照时间顺序划分为训练数据集和测试数据集,比例为8:2;对于每条道路的交通流量数据,都进行这样的划分。
5.根据权利要求3或4中所述的一种基于图卷积的交通流量预测方法,其特征在于步骤4所述的综合该道路的空间特征与时间特征,得到该道路的下一时间段的交通流量预测值;其具体操作如下:
5-1.对于每一个时刻t,将当前时刻的道路交通流量数据与道路邻接矩阵A输入到步骤2的GCN中,得到当前时刻所有道路的交通流量数据的空间特征;
5-2.将单个道路不同时刻的流量数据输入到步骤3的GRU中,得到单个道路交通流量数据的时间特征;
5-3.将t时刻的当前时刻交通流量数据的时间特征与空间特征进行拼接合并,然后通过一个全连接层以获得t+1时刻交通流量的预测结果;
5-4.将t+1时刻交通流量的预测结果与实际数据进行比较,利用RMSE对比较结果进行衡量,将均方误差的衡量结果作为评价指标,通过反向传播对模型参数进行调整,以提高模型的预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211504231.7A CN115796030A (zh) | 2022-11-28 | 2022-11-28 | 一种基于图卷积的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211504231.7A CN115796030A (zh) | 2022-11-28 | 2022-11-28 | 一种基于图卷积的交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796030A true CN115796030A (zh) | 2023-03-14 |
Family
ID=85442425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211504231.7A Pending CN115796030A (zh) | 2022-11-28 | 2022-11-28 | 一种基于图卷积的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796030A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
-
2022
- 2022-11-28 CN CN202211504231.7A patent/CN115796030A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423238A (zh) * | 2023-12-19 | 2024-01-19 | 北京华录高诚科技有限公司 | 基于卷积交换网络的交通流量一体式预测装置及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN112418547A (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
CN111126680A (zh) | 一种基于时间卷积神经网络的道路断面交通流量预测方法 | |
CN110991713A (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN108875593A (zh) | 基于卷积神经网络的可见光图像天气识别方法 | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及*** | |
CN113051811B (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及*** | |
CN113449905A (zh) | 一种基于门控循环单元神经网络的交通拥堵预警方法 | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN114973665A (zh) | 一种结合数据分解和深度学习的短时交通流预测方法 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及*** | |
CN117636183A (zh) | 一种基于自监督预训练的小样本遥感图像分类方法 | |
CN117436653A (zh) | 一种网约车出行需求的预测模型构建方法和预测方法 | |
CN116778715A (zh) | 一种多因素的高速交通流量智能预测方法 | |
CN116386020A (zh) | 多源数据融合的高速公路收费站出口流量预测方法及*** | |
XINGWEI et al. | The comparison between ARIMA and long short-term memory for highway traffic flow prediction | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及*** |
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 |