一种基于聚合时空多图卷积网络改进的交通流预测方法
- 国知局
- 2024-07-31 20:33:17
本发明属于智能交通领域,具体涉及一种基于聚合时空多图卷积网络改进的交通流预测方法。
背景技术:
1、在国内经济快速发展和城市化进程不断推动的大环境下,智慧交通的市场规模正在逐步扩大。与此同时,交通发展也正面临巨大的挑战。为有效缓解交通急速发展带来的严峻问题,智能交通系统(intelligent transportation system,简称its),搭建关于交通数据、车辆管控的系统,通过传感器捕获交通流信息,利用深度学习技术高效处理交通拥堵问题。交通流预测技术有效辅助交通管控,降低交通事故发生概率。因而,交通流预测方法是一种有效缓解交通压力的方法。
2、交通流预测方法通过学习交通路网的历史交通流数据,预测交通路网未来的交通流等数据。其关键在于单一交通图结构不能完善反映交通数据的时空关系。交通数据是一种非线性的时空网络数据,现有研究未能全面考虑到:(1)其空间依赖性随时间动态变化的时空相关性;(2)跨越时间和空间两个维度的复杂相关性和异质性;(3)交通数据这种特殊数据中包含的周期性和区域相似性等特征。
3、近年来,基于深度学习的交通流预测方法将交通图结构构建为非欧式结构,即网格结构。将计算每个网格的交通流,作为每个区域的交通流,通过传统卷积提取数据的特征,这种方法简单明晰,但由于现实路网形式与网格结构形式差别明显,缺点是忽略了交通数据的复杂相关性和异质性。当前研究将交通图结构构建为欧式结构,即图结构。一种方法基于空域,核心在于选择节点领域,对图的节点和相邻节点实现卷积过滤操作;一种方法基于频域,从信号处理的角度,利用傅里叶变换实现卷积操作。当前研究通过其中一种方法将图和卷积操作相结合,提出图卷积神经网络,输入层和输出层是图信号数据,隐藏层通过整合中心节点和邻居节点的特征和标签信息,进行图卷积操作,实现节点的聚类或节点值的预测。目前研究局限于构建单图结构去捕获某一种交通数据特征,考虑到交通数据的影响范围和程度随位置、距离、时间等因素不断变化,仅单图构建预测交通流的方法难以达到交通预测的需求。
4、可见,亟需能够挖掘复杂深层次交通数据的多图结构,提出一种构建多图结构的时空卷积网络的交通流预测方法。
5、专利cn114611383a通过构建多尺度图来挖掘交通数据中的空间相关性,忽略了交通数据在时空维度上的时空异质性以及独特的时、日周期性,对交通数据属性捕获不足,致该方法预测的精度有待提升。本发明通过补充时空融合图和模式相似图来完善对交通数据属性特征的捕获,其中,时空融合图主要考虑时空维度上的相关性和跨时空维度的异质性,通过融合在三个连续时间片上的空间图矩阵a,相关性矩阵acorr和异质性矩阵acros构建融合矩阵afus,模式相似图主要通过高斯函数和偏自相关系数构建区域相似矩阵ads和周期相似矩阵ahs。通过对交通数据各维度属性捕获,并为其构建捕获属性的模块,有效提高当前方法的预测效果。
技术实现思路
1、本发明旨在解决以上现有技术的问题。提出了一种基于聚合时空多图卷积网络改进的交通流预测方法。本发明的技术方案如下:
2、一种基于聚合时空多图卷积网络改进的交通流预测方法,其包括以下步骤:
3、步骤1,获取交通路网各个节点的历史交通流数据,并进行清洗筛选和归一化处理;
4、步骤2,表征交通流数据的时空特性,构造数据特征增强层;
5、步骤3,分析交通流数据特征,根据其特征构建相应的自适应图结构邻接矩阵、时空融合图结构邻接矩阵和模式相似图结构邻接矩阵,构造多图卷积神经网络模块;
6、步骤4,改进扩展卷积,构造多尺度时间卷积模块,与多图卷积神经网络模块组成时空卷积层;
7、步骤5,聚合时空卷积层的子层输出,分别添加自学习单元,构造自学习动态聚合层;
8、步骤6,映射聚合层输出结果为待预测值的形状,添加全连接层和全局平均池化层,构造输出层;
9、步骤7,将历史交通流数据输入数据增强层,输出进入到时空卷积层的层1和层2,时空卷积层的最终输出输入到聚合层,聚合层的输出输入到输出层,得到最终结果;
10、步骤8,迭代训练,不断更新可学习参数,并计算模型损失函数,当损失函数稳定于最小值时,模型训练完成,并用该模型对交通流数据进行最终预测。
11、进一步的,所述步骤1,获取交通路网各个节点的历史交通流数据,并进行预处理,具体包括:
12、组成交通路网图g=(v,e,a),其中,v是组成传感器的节点集合,单个传感器节点用v表示,v∈v,节点总数用n表示,n=|v|,交通路网图g的边集用e表示,用于表明节点之间是否存在连通性,是交通路网图g的邻接矩阵,表示整个交通网络的连通关系,如式(1)所示:
13、
14、传感器每隔五分钟会采集一次数据,即每个传感器每天包含288个时间片,将某节点i的一天数据表示为其中t为时间片数量,c为交通数据(流量、占有率和速度)的维度,交通路网g上的交通数据表示为通过0均值标准化预处理数据,通过线性插值法填充数据中的缺失值。
15、进一步的,所述步骤2表征交通流数据的时空特性,构造数据特征增强层,具体包括:
16、对交通数据特征维度进行升维,生成一个c维的新时空特征表征,即空间信息和时间信息的记录。为每个时间片上的交通数据构建参数化时间嵌入矩阵为每个节点通过随机初始化构建空间嵌入矩阵其数值采用随机初始化方法得到,采用广播机制得到增强后的交通数据,即:
17、
18、进一步的,所述步骤3构建相应的多图结构具体包括:
19、构建自强化的学习图ga=(v,aadp,eadp),表示空间变化性,即交通路网在空间维度上随时间不断变化的空间变化性;其中,构建自学习矩阵随机初始化两个节点嵌入矩阵e,后通过模型自训练不断更新参数,来解决固定交通路网图下不变的空间关联性;受gru中门控调节方式启发,通过α自适应调节预定义图的邻接矩阵a和自适应图的邻接矩阵aadp的影响性;构建边权矩阵wi∈(0,1),赋予节点间边的不同权重。同时,通过设置主对角线为1,其余位置为0的方式,来加强节点对下一时刻自身产生的影响,最后得到新的自适应图的邻接矩阵
20、
21、
22、进一步的,所述步骤4,将输出的序列通过多尺度门控卷积模块学习非线性的时间依赖特征,包括以下步骤:
23、提出一种多尺度时间卷积模块,从局部和全局信息出发,全面捕获时间维度上的特征;设置两个时间卷积子模块,分别包含两层tcn网络,其卷积核大小分别设置为1×2,1×4和1×5,1×7,扩张步长分别设置为1×4,1×2和1×1,1×1;计算第l层的gru输出结果公式如下:
24、
25、
26、其中,χ′g是当前模块的输入,i={1,2}表示第i个tcn网络,d是扩张步长,d={1,2,4},f是卷积核,k是卷积核大小,k={2,4,5,7},t-d·k是跳跃步长。
27、进一步的,所述步骤5构造自学习动态聚合层具体包括:
28、通过可学习的网络参数和得到在t时刻下时空卷积层的输出结果,公式如下:
29、
30、进一步的,所述步骤6构造输出层,具体包括:
31、输出层由全连接层和全局平均池化层构成,将输出映射为与预测结果形状相同的流量值公示如下:
32、
33、其中,表示全连接层的参数,表示全局平均池化层的参数,c′表示全连接层的输出特征的维数。
34、进一步的,所述步骤7使用真实数据迭代训练,不断更新可学习参数,并计算模型损失函数,当损失函数稳定于最小值时,完成模型的训练,用成熟的模型对交通路网的真实交通流数据进行预测,得出模型的预测精度,具体包括:步骤7-1,模型训练,采用adam优化算法调整参数,学习率设定为10-3,训练次数达到200轮,使用损失函数huber loss,定义如下所示:
35、
36、其中,xi是真实值,是预测值,δ是阈值,用于控制平方误差损失范围;步骤7-2,模型预测,前五十天作为训练集,后九天作为测试集。将测试集输入到训练好的模型中,得到的预测值会和真实值经过评估算法得出模型的预测精度,评估指标使用mae、mape和rmse三个指标。
37、一种电子设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如任一项所述基于聚合时空多图卷积网络改进的交通流预测方法。
38、一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如任一项所述基于聚合时空多图卷积网络改进的交通流预测方法。
39、本发明的优点及有益效果如下:
40、本发明针对现有研究对交通数据的复杂特征捕获不全面以及交通网络单一化表示的问题,本发明提出一种基于聚合时空多维的多图卷积网络的交通流预测方法,分别从时间维度、空间维度和融合时空维度出发,挖掘交通数据的动态空间关联性,时空同步性和时空异质性,周期性,并分别构建相应的自适应图结构,时空融合图结构,模式相似图结构,完善考虑交通流数据的多种时空特征,解决当前研究中交通数据性质捕获不完全的问题。
41、本发明主要创新点是基于对交通数据的潜在特征的分析,提出一种多图聚合的网络框架,分别包含不固定于先验数据,通过数据自学习生成的自适应图,空间维度受时间维度影响一直变化的时空融合图,以及存在周期性和相似性的模式相似图。
42、本发明解决了当前交通流预测方法对交通流数据特征捕获不全面和交通网络表示单一的问题,对于交通数据时空相关性、跨时空维度的异质性以及特殊的周期性和区域相似性等特征,构建了多图卷积网络的预测方法,提高了预测的准确性。
43、本发明通过自适应图、时空融合图和模式相似图来完善对交通数据属性特征的捕获,其中,自适应图通过引入门控机制结合考虑预定义图的静态关系和自学习图的动态关系,时空融合图主要考虑时空维度上的相关性和跨时空维度的异质性,通过融合在三个连续时间片上的空间图矩阵a,相关性矩阵acorr和异质性矩阵acros构建融合矩阵afus,模式相似图主要通过高斯函数和偏自相关系数构建区域相似矩阵ads和周期相似矩阵ahs。通过对交通数据各维度属性捕获,并为其构建捕获属性的模块,有效提高当前方法的预测效果。
本文地址:https://www.jishuxx.com/zhuanli/20240731/186850.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表