一种基于自适应动态时空图卷积网络的交通状态预测方法

本发明属于智能交通，特别涉及一种基于自适应动态时空图卷积网络的交通状态预测方法。

背景技术：

1、准确预测未来的交通状态已成为交通管理、引导、控制和优化的主要手段之一。近年来，人们对交通状态预测进行了广泛的研究。由于门控循环单元(gru)和长短期记忆模型(lstm)等能够通过门控机制建立时间相关性并保存记忆，然而，这些方法不能模拟道路网络的空间相关性。因此，一些研究人员将目光转向卷积神经网络(cnn)，然而，cnn本质上适用于欧几里德空间，而道路网络的结构是非欧几里德的。为了解决这个问题，大多数方法使用图卷积网络(gcn)来处理时空信息。基于深度学习的方法考虑动态时间相关性，却忽略了交通状态数据中复杂的动态空间相关性，对于路网结构的定义也往往是静态表示的，但现实复杂的交通路网结构，道路传感器节点特征的空间相关性往往是随时间不断变化的。同时，交通状态数据具有较强的非线性特征和复杂的时空依赖关系，受高度动态的时空相关性影响，交通状态预测任务在解析时空关系上面临着较大的挑战。目前，现有的路网空间连接关系表述方式对交通节点空间关系的刻画不全面，且无法反映连接强度的动态变化，忽略了路网中位置之间相关性的动态特征。此外，多数交通状态预测方法对时空依赖的利用不充分，难以挖掘交通状态数据中的深层次动态时空关联性。

2、以上种种原因，导致现有技术对交通状态预测的准确性还有待提高。

技术实现思路

1、针对现有交通状态预测方法不能充分挖掘深层次的动态时空关联性问题，本发明的目的在于提供一种基于自适应动态时空图卷积网络的交通状态预测方法，该方法从空间关联关系与时间相似关系出发，全面挖掘交通路网节点之间的多角度的空间关系，挖掘路网中微观空间结构和宏观空间相关性之间的关联关系，进而实现准确的交通状态预测。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于自适应动态时空图卷积网络的交通状态预测方法，该方法包括：首先，从宏观和微观两个角度自适应地推断图结构；其次，使用多尺度门控tcn提取时间依赖关系；再次，通过时间趋势感知自注意机制感知隐藏在交通状态数据序列中的历史变化趋势，从而实现准确的长期预测；最后，在每个时间步生成动态过滤器对节点嵌入进行过滤，生成动态图，通过结合自适应邻接矩阵捕获动态的空间依赖性。本发明能很好的挖掘交通状态数据中复杂的时空相关性，从而揭示动态交通系统潜在的时空关联。

4、进一步地，本发明基于自适应动态时空图卷积网络的交通状态预测方法的具体步骤还可以描述如下：

5、步骤1：将交通路网定义为一个图g＝(v,e,a)，图节点v表示道路传感器，图边e表示道路传感器之间的连通性，a∈rn×n为静态邻接矩阵；道路传感器所记录的历史交通状态数据作为图信号；

6、步骤2：选取图信号中的流量作为状态预测特征，预测流量的大小表示未来交通状态的拥堵情况，对图信号进行数据预处理，划分训练集、验证集和测试集；

7、步骤3：构造宏观层面图结构ama和微观层面图结构ami，将二者相加并归一化，得到自适应邻接矩阵aadp；

8、步骤4：构建特征增强模块，所述特征增强模块由通道校准块和时间校准块串联组成，所述通道校准块为一个两层的全连接网络，首先对特征映射x∈rt×n×d进行挤压操作，然后通过单个激活过程和自我阈值机制分析每个通道的影响，得到输出时间校准块以为输入，利用时间卷积层进行时间特征提取，得到重新加权的特征映射xin∈rt×n×d；

9、步骤5：构建自适应动态时空图卷积网络，网络以xin为输入，由多个时空块和一个预测块组成，所述时空块包含时间卷积模块、时间注意力模块及动态图卷积模块；

10、步骤6：对步骤5的网络进行训练，用训练结束的模型进行交通状态预测。

11、与现有技术相比，本发明的有益效果是：

12、(1)本发明充分考虑了交通路网静态空间建模的不足，通过空间地理图和功能图构建宏观邻接矩阵，宏观层面图结构描述长期复杂的空间关系；通过挖掘时序变化特征构建微观邻接矩阵，微观层面图结构描述突发的短期波动，从宏观和微观两个层面学习得到最优自适应图结构。

13、(2)本发明充分考虑了交通状态数据中特征与时间的内在影响，对交通特征进行增强，以改善特征通道和时间维度上数据的信息交互，而不是执行简单的通道升维。

14、(3)本发明充分考虑了时间序列中的局部历史变化趋势，提出了时间趋势感知自注意机制，感知隐藏在交通状态数据序列中的历史变化趋势，从而实现准确的长期预测。

15、(4)本发明充分考虑了交通状态数据中复杂的动态空间依赖性，设计了动态图卷积模块，在每个时间步生成动态过滤器对节点嵌入进行过滤，生成动态图，通过结合自适应邻接矩阵捕获动态的空间依赖性。

16、(5)本发明在两个真实的交通状态数据集上进行了广泛的实验，并与多种基线方法进行了性能评估，结果表明，本发明提出的基于动态时空图卷积网络的交通状态预测模型在三个标准评价指标上优于其他方法，具有较高的准确性和鲁棒性。

技术特征：

1.一种基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，步骤1中，将t时刻n个道路传感器收集的交通状态数据看作图g上的一个图信号，表示为xt∈rn×c，c代表交通特征的数量，交通特征包括流量、速度以及占用率；交通状态预测任务是学习一个函数f，将历史时间步长t的图信号映射到p时间步长的未来信号上，表示为：

3.根据权利要求1所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，步骤3中，ama描述全面的长期信息，由地理空间图和功能图δa构成，地理空间图利用阈值高斯核建立邻接矩阵ags，δa学习难以被预定义规则捕获的隐含因素，并将学习到的隐藏关系注入到ags中实现信息补充，其中邻接矩阵ags的表达式为：

4.根据权利要求1所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，步骤3中，ami描述突发的短期波动，计算方法如下：

5.根据权利要求1所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，步骤4中，的计算式如下：

6.根据权利要求1所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，步骤5中，xin输入至堆叠的时空块，提取动态的时空特征。

7.根据权利要求1所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，步骤5中，时间卷积模块由多个具有不同感受野的门控时间卷积层组成；时间注意力模块通过改进的多头自注意时间趋势感知机制捕捉交通状态数据中的动态关联关系，即，在多头注意力基础上加入因果卷积层，感知隐藏在交通状态数据序列中的历史变化趋势；动态图卷积模块提取节点属性中的动态特征，在每个时间步通过gcn生成动态过滤器，对节点嵌入进行过滤，生成动态图，并与自适应邻接矩阵aadp相结合捕获动态的空间依赖性；将每个时空块中动态图卷积模块的输出连接，以跳跃连接的方式输入到预测块进行输出。

8.根据权利要求1或7所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，步骤5中：

9.根据权利要求8所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，在每个时空块中加入残差连接，第l层st-layer的残差连接输出如下：

10.根据权利要求8所述基于自适应动态时空图卷积网络的交通状态预测方法，其特征在于，门控时间卷积定义如下：

技术总结本发明属于智能交通技术领域，具体涉及一种基于自适应动态时空图卷积网络的交通状态预测方法，该方法包括：首先，从宏观和微观两个角度自适应地推断图结构；其次，使用多尺度门控TCN提取时间依赖关系；再次，通过时间趋势感知自注意机制感知隐藏在交通状态数据序列中的历史变化趋势，从而实现准确的长期预测；最后，在每个时间步生成动态过滤器对节点嵌入进行过滤，生成动态图，通过结合自适应邻接矩阵捕获动态的空间依赖性。本发明能很好的挖掘交通状态数据中复杂的时空相关性，从而揭示动态交通系统潜在的时空关联。在两个真实的交通状态数据集中进行了广泛的实验，实验结果表明本发明方法达到了很好的预测水平。技术研发人员：庄旭菲,毛睿,高旭东,张海涛,王玉杰,黎子珩,杜婷,赵婵婵受保护的技术使用者：内蒙古工业大学技术研发日：技术公布日：2024/6/2