基于异质图预测未来交通流的方法及系统

本发明涉及计算机，具体涉及一种基于异质图预测未来交通流的方法、系统、电子设备及存储介质。

背景技术：

1、现有的交通预测模型可分为两大类：传统预测模型和基于机器学习方法的预测模型；交通流量通常表现出非线性和非稳态特征，难以满足传统模型的假设条件。因此，当这些模型直接应用于交通流预测任务时，在实际应用中可能表现不佳。基于机器学习方法的模型虽然可以为更复杂的数据建模，但它们在很大程度上依赖于特征工程，很难挖掘和整合交通流的时空特征。

2、图卷积作为深度学习方法的一种，近来受到了广泛的关注，图卷积法在保留交通网络的高维信息方面具有优势，因此在预测交通流量方面具有更好的性能，虽然图卷积法在提取空间相关性方面非常有效，但很难捕捉交通网络中的时间相关性，基于图卷积法的模型主要使用相对简单的关系来捕捉数据的时空相关性，但是，真实的交通网络可能存在多种关系，并表现出不同的时空相关性。

3、因此，亟需一种能够较好的提取交通数据交通网络的空间相关性和时间相关性的方法。

技术实现思路

1、本发明实施例的目的在于提供一种基于异质图预测未来交通流的方法、系统、电子设备及存储介质，用以解决现有技术中交通流量预测模型无法较好地探索交通网络的空间相关性和时间相关性的问题。

2、为实现上述目的，本发明实施例提供一种基于异质图预测未来交通流的方法，所述方法具体包括：

3、获取交通网络信息和历史交通流，提取所述交通网络信息的邻接矩阵a和节点关系集r，并对邻接矩阵a中的值进行扩展，得到一个异质信息矩阵a'，基于所述异质信息矩阵a'和所述节点关系集构建异质图；

4、构建交通流预测模型，其中，所述交通流预测模型包括两个stregcn块、一个时间块和一个输出层，通过stregcn块提取空间特征，通过所述时间块提取时间特征，通过输出层基于所述时间特征和所述空间特征对未来交通流进行预测；

5、基于所述历史交通流构建训练集，将所述训练集输入所述交通流预测模型进行训练，得到训练好的交通流预测模型；

6、基于所述训练好的交通流预测模型对待预测交通数据进行预测得到预测结果。

7、在上述技术方案的基础上，本发明还可以做如下改进：

8、进一步地，所述提取所述交通网络信息的邻接矩阵a和节点关系集r，并对邻接矩阵a中的值进行扩展，得到一个异质信息矩阵a'，基于所述异质信息矩阵a'和所述节点关系集构建异质图，包括：

9、基于道路上满足预设条件的检测器构建异质图中的点集v；

10、基于检测器之间存在的关系构建异质图中的边集e；

11、基于距离关系、道路类型关系、道路间可达性关系构建异质图中的节点关系集r；

12、基于不同的关系类型r∈r，得到异质图中不同节点之间的连通性；

13、基于异质图中不同节点之间的连通性构建异质关系信息矩阵a'。

14、进一步地，所述通过stregcn块提取空间特征，包括：

15、使用异质关系信息矩阵a'中的信息对异质图中的不同边类型进行分类，以得到多组节点的集合，同一组集合中的节点具有相同的边缘关系；

16、基于目标节点对所述目标节点对应的相邻节点进行采样，获取相邻节点的特征信息，对所述特征信息进行收敛，将每个相邻节点的特征信息与目标节点的特征信息进行融合，得到空间特征。

17、进一步地，所述通过所述时间块提取时间特征，包括：

18、通过一维因果卷积基于前一层的未知输入来获得后续各层的输出；

19、通过门控线性单元对历史交通流进行卷积和激活操作后，通过激活输出门来控制层的最终输出结果，以提取时间特征；

20、通过一维因果卷积和门控线性单元获取历史交通流的时间相关性并形成时间块。

21、进一步地，所述通过所述时间块提取时间特征，包括：

22、通过公式(1)计算时间特征；

23、

24、式中，x(l)为当前层的网络输入，h(l)为当前层的隐层信息输出，fi(x)为卷积运算，σ为sigmoid非线性激活函数，为卷积算子。

25、进一步地，所述通过输出层基于所述时间特征和所述空间特征对未来交通流进行预测，包括：

26、通过公式(2)预测未来交通流；

27、

28、式中，x(2)为经过两个stregcn块处理后的数据，γ为时间卷积核，*t为时间卷积操作，w和b分别为输出层的可学习参数和偏置项。

29、进一步地，所述基于所述历史交通流构建训练集，将所述训练集输入所述交通流预测模型进行训练，得到训练好的交通流预测模型，包括：

30、将所述历史交通流划分为训练集、验证集和测试集；

31、基于所述训练集训练所述交通流预测模型；

32、基于所述验证集对训练后的所述交通流预测模型进行性能评估，得到满足性能条件的交通流预测模型；

33、基于所述测试集评估满足性能条件的所述交通流预测模型的预测结果，得到所述交通流预测模型所对应的评价指数。

34、一种基于异质图预测未来交通流的系统，包括：

35、获取模块，用于获取交通网络信息和历史交通流，提取所述交通网络信息的邻接矩阵a和节点关系集r，并对邻接矩阵a中的值进行扩展，得到一个异质信息矩阵a'，基于所述异质信息矩阵a'和所述节点关系集构建异质图；

36、构建模块，用于构建交通流预测模型，其中，所述交通流预测模型包括两个stregcn块、一个时间块和一个输出层，通过stregcn块提取空间特征，通过所述时间块提取时间特征，通过输出层基于所述时间特征和所述空间特征对未来交通流进行预测；

37、训练模块，用于基于所述历史交通流构建训练集，将所述训练集输入所述交通流预测模型进行训练，得到训练好的交通流预测模型；

38、预测模块，用于基于所述训练好的交通流预测模型对待预测交通数据进行预测得到预测结果。

39、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。

40、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所述方法的步骤。

41、本发明实施例具有如下优点：

42、本发明中基于异质图预测未来交通流的方法，获取交通网络信息和历史交通流，提取所述交通网络信息的邻接矩阵a和节点关系集r，并对邻接矩阵a中的值进行扩展，得到一个异质信息矩阵a'，基于所述异质信息矩阵a'和所述节点关系集构建异质图；构建交通流预测模型，其中，所述交通流预测模型包括两个stregcn块、一个时间块和一个输出层，通过stregcn块提取空间特征，通过所述时间块提取时间特征，通过输出层基于所述时间特征和所述空间特征对未来交通流进行预测；基于所述历史交通流构建训练集，将所述训练集输入所述交通流预测模型进行训练，得到训练好的交通流预测模型；基于所述训练好的交通流预测模型对待预测交通数据进行预测得到预测结果；解决了现有技术中交通流量预测模型无法较好地探索交通网络的空间相关性和时间相关性的问题。