基于时变融合图卷积网络的交通流量预测方法

本发明涉及智慧交通，具体地，涉及一种基于时变融合图卷积网络的交通流量预测方法。

背景技术：

1、随着城市人口和道路车辆的急剧增长，交通状况日趋复杂，交通拥堵频繁发生，给交通部门的管理工作带来了巨大的挑战。在智慧城市建设的背景下，越来越多的传感器被安装和部署在城市道路上，用于收集实时的交通数据，包括交通流量、占用率和速度，以为交通预测提供基本的数据条件。然而，由于交通数据潜在的复杂性和非线性特征，实现精准的交通预测仍然是一个重大挑战。

2、具体的，交通数据是典型的时空数据，因为某一位置传感器的交通流量不仅受其历史时刻交通流量的影响，同时还会受到与其空间上邻接的相邻传感器交通流量的影响。具体而言，从时间维度，交通流量呈现出连续、逐渐的变化趋势，同时展现出明显的周期性。从空间维度，交通流量在相邻传感器之间进行传播和扩散。因此，实现精准交通预测的关键是充分挖掘交通数据中隐藏的复杂的时间依赖性和空间依赖性。

3、在过去的几十年里，相关人员针对交通预测问题展开了深入的研究。早期的交通流量预测模型主要依靠统计方法和经典的机器学习算法，但是这些模型无法建模交通数据中高度复杂的非线性特征。近年来，深度神经网络在处理时间序列方面表现突出。许多基于深度学习的方法已被广泛应用于处理交通预测任务。具体来说，递归神经网络(rnn)及其变体，如长短期记忆(lstm)和门控循环单元(gru)可以从交通序列数据中提取时间依赖性。然而，这些方法没有考虑到交通网络的空间依赖性。此外，卷积神经网络(cnn)可用于捕获空间相关性。例如，convlstm、dmvstnet和stdn通过联合cnn和lstm对时空依赖性进行建模。然而，这些基于cnn的方法只适用于基于网格结构的欧几里得数据，而不适用于非欧几里得多传感器数据。最近，一些研究人员尝试使用图神经网络(gnn)从非欧几里得多传感器数据中提取时空(st)依赖关系。它们大多基于反映交通传感器之间空间相关性的预定义图，该图的边的权重值一般由传感器之间的连通性或驾车距离计算。然而，由于传感器损坏和网络中断等不可预估的现象的存在，预定义的图难以捕获动态空间相关性。为了解决这个问题，一些研究引入了动态图神经网络，但它们主要关注局部和短期变化，未能捕捉长期的时空依赖关系。

技术实现思路

1、本发明的目的是提供一种基于时变融合图卷积网络的交通流量预测方法，该方法能够自适应地捕获长期动态的空间依赖关系，实现更全面的时空依赖关系整合，适用于多种不同的道路交通流量预测并大大降低了交通流量的预测误差。

2、为了实现上述目的，本发明提供了一种基于时变融合图卷积网络的交通流量预测方法，该方法包括：

3、步骤1、数据采集和数据预处理，包括采集多传感器的监测记录数据组建原始数据集，对原始数据集进行缺失值填充的数据预处理工作，将经过处理的数据集划分成多种周期模式的交通流量数据并根据成对传感器之间的连接性和驾车距离构建空间邻接矩阵；

4、步骤2、构建基于时变融合图卷积网络的交通流量预测模型tfgcn，将划分的多种周期模式的交通流量数据作为模型的输入，输送到预测模型中进行训练，得到交通流量的预测结果。

5、优选地，步骤1中的多种周期模式的交通流量数据包括近期模式、周模式和月模式；其中，近期模式代表与预测目标时间上相邻的交通流量观测记录，周模式和月模式代表与预测目标同处相同周周期和月周期的历史交通流量观测记录；近期模式、周模式和月模式的表达式分别如下：

6、

7、

8、

9、其中，t表示当前时刻，t表示历史时间窗口和预测窗口的大小，w和m分别表示一周和一个月的时间间隔，和分别表示与预测目标同期上个月和上周的交通流量，表示预测目标之前的一段历史交通流量。

10、优选地，针对近期模式，将其输送到渐进融合图卷积网络ptgcn中提取隐藏的长期动态的时空依赖关系；针对周模式和月模式，将其分别输送到周期耦合transformer网络pctn中建模周期数据的全局时间依赖信息；最后，构建多模式融合模块动态的合并ptgcn和pctn的输出，得到交通流量的预测结果。

11、优选地，ptgcn由多个堆叠的ajst块组成，每一个ajst块包括自适应时间图生成器、联合空间图生成器和残差时空卷积三个模块；

12、首先，构建自适应时间图来刻画成对时间步之间的依赖强度，表达式如下：

13、at＝softmax(tanh(uut))

14、其中，表示随机初试化的嵌入向量，u的每一行都表示一个时间步的嵌入，d表示嵌入的维度，表示成对时间步之间的动态依赖关系；利用自适应时间图，从时间维度上增强近期模式其中，是第l个ajst块的输入，特别的，

15、其次，构建联合空间图生成器，使用静态邻接矩阵和动态空间图来反映节点间固有的和动态的相关性；应用门控机制调整静态邻接矩阵和动态空间图的重要性，构建门控融合图；其中，静态邻接矩阵的计算公式如下：

16、as＝relu(tanh(eet))

17、在构建动态空间图时，配备时空位置信息，以模拟时变的时空依赖关系；具体为使用参数化的节点嵌入e来描述空间位置，然后计算日时间time-of-day和周时间day-of-week，以组成每个节点在不同时间步的时间位置；基于日时间和周时间，生成日位置嵌入和周位置嵌入，分别记为和所有时空位置信息的嵌入向量在完成训练过程后得到更新，时空位置嵌入的表达式为：

18、est＝e⊙ed⊙ew

19、其中，⊙表示逐位相乘，est描述不同节点在不同时间步独特的时空位置信息；

20、为了构建动态空间图将动态嵌入矩阵ed作为中间变量，ed是由est和经过哈达玛积运算后得到的结果；为了和est保持相同的维度，t(l)先输送到多层感知机mlp得到最终，动态空间图的计算公式如下：

21、

22、ad＝relu(tanh(ededt))

23、随后，使用门控机制动态融合静态邻接矩阵和动态空间图来有效地反映交通网络长期动态的空间依赖；门控融合图的计算公式如下：

24、u＝sigmoid(wa(ad+as))

25、af＝u⊙ad+(1-u)⊙as

26、其中，wa表示可学习的参数，af指从历史的交通流量观测数据中学习到的时变融合图；最后，使用残差st卷积整合空间和时间依赖关系，包括节点感知图卷积、突变时间卷积和残差st连接；残差st卷积通过节点感知图卷积对节点特征的空间依赖性进行建模，通过突变时间卷积捕获异常交通模式，并使用残差st连接逐步融合时空相关性；

27、节点感知图卷积利用图卷积网络从图结构的交通数据中学习知识，并提取道路网络的空间依赖关系；图卷积的整个过程使用一阶chebyshev多项式近似逼近，并推广到高维gcn，具体公式如下：

28、

29、其中，a表示交通网络的邻接矩阵，d表示度矩阵，x和z分别表示gcn的输入和输出，i表示单位矩阵，θ和b表示可训练的节点参数；

30、为了捕获不同传感器独特的变化模式，使用结点自适应参数学习napl模块进一步增强gcn；目标是得到权重矩阵该矩阵分解为节点嵌入矩阵和权重矩阵其中，d≤n，θ＝egwg；相同的过程同样运用在b上；因此，优化后的gcn的表达式为：

31、

32、给定有向图af和输入矩阵不同时间位置的图卷积操作的表达式为：

33、

34、其中，g*表示生成的时变融合图，表示可训练的参数；

35、突变时间卷积用于提取时间依赖信息，为了获取时间维度上的突变模式，突变时间卷积使用标准卷积，突变时间卷积的表达式为：

36、s(l)＝relu(φ1*(z(l)))

37、其中，φ1表示时间维度上的卷积核参数，*表示标准卷积操作；

38、为了防止时空特征退化和加快收敛速度，在每个ajst块的时间卷积后添加残差st连接以实现不同层之间的信息流动，增强ajst块的学习能力；并使得ajst块有效地对交通流的复杂依赖关系和动态特征进行建模，其具体公式为：

39、

40、其中，φ2是1×1的卷积核，表示第l个ajst块的输出。

41、优选地，pctn由时间感知位置编码和全局时间趋势信息获取组成，以实现周期数据的长期时间依赖建模；在建模时间相关性的时候，pctn只考虑建模时间依赖关系；由于自注意力机制，基于transformer的模型用于对周期序列数据进行建模，使其能够在更广泛的时间范围内有效的识别和利用其规律；pctn的具体实现过程为：

42、时间感知位置编码通过在输入特征中注入每个时间步的位置信息来增强序列预测模型性能，时间感知的位置编码的表达式为：

43、

44、

45、首先应用线性变换处理周模式将得到的结果矩阵与pe相加得到具有位置信息的周模式交通数据

46、全局时间趋势获取模块利用时间位置信息增强的历史流量序列来捕获隐藏在周期数据中的长期时间依赖性；其由多个transformer编码器组成，每个编码器有两个部分，包括时间多头注意力和前馈网络；下面描述第r个transformer编码器的具体实现过程：

47、为了全面提取长期和动态的时间依赖关系，时间多头注意力利用多头注意力线性并行投影h次输入特征，从不同方面分析时间特征；具体的公式如下：

48、m(r)＝multihead(p(r-1))

49、＝concat(head1,head2,...headh)wo

50、

51、其中，wq、wk、wv和wo表示投影矩阵，h表示多头注意力的头数，p(r-1)是多头注意力第r层的时间特征矩阵，

52、在应用时间多头注意力之后，依次结合残差连接、dropout和层归一化，以保留前一层的信息，并避免梯度消失问题；具体的表达式如下：

53、res(r)＝ln(dp(m(r))+p(r-1))

54、其中，ln(·)表示层归一化操作，dp(·)表示dropout操作；

55、随后应用前馈网络，该网络包含两个全连接层和一个relu激活函数，从时间表示矩阵中获取复杂的模式和依赖，具体的公式如下：

56、f(r)＝max(0，res(r)w1+b1)w2+b2

57、其中，w1、w2、b1和b2是前馈网络中的所有参数；

58、最终，第r层的transformer编码层的结果为：

59、p(r)＝ln(dp(f(r))+res(r))

60、其中，p(r)同时也是下一个transformer编码层的输入。

61、优选地，在多模式融合模块中，采用动态权重系数自适应合并多种模式的结果：

62、首先，使用一个全连接层来确保pctn和pfgcn的结果与预测目标的维度和形状匹配；然后，在训练过程中从历史交通观测中学习到三个不同的权重系数；最终的预测结果如下：

63、

64、根据上述技术方案，本发明提出的基于时变融合图卷积网络的交通流量预测模型结合了多类型图和多周期数据，采用门控融合图和周期耦合transformer，实现更全面地时空依赖关系整合并降低交通流量的预测误差。该模型构建的渐进融合图卷积网络结合了静态图和动态图，可以自适应的捕获长期动态的空间依赖关系，有效弥补当前动态图神经网络仅能获取短期和局部空间依赖的缺陷。同时，本发明构建的时变融合图不依赖于任何先验知识，适用于多种不同的道路交通流量预测。

65、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。