一种基于自适应动态融合图卷积网络的交通流量预测方法与流程

本申请属于交通流量预测，尤其涉及一种基于自适应动态融合图卷积网络的交通流量预测方法。

背景技术：

1、随着智能交通系统(its)的快速发展和城市交通数据的不断增加，准确的交通流量预测在现实交通网络中发挥着越来越重要的作用。为了捕获交通网络中复杂的时空依赖关系并实现准确的交通预测，到目前为止学者们提出了大量的模型。

2、传统的交通预测模型研究，利用支持向量回归(svr)、向量自回归(var)或k-近邻(knn)算法提取时间依赖关系，旨在实现可靠的短期交通流量预测。近年来，得益于计算资源和大数据分析方法的不断升级进步，深度学习(dl)技术得到了广泛应用，一些基于深度学习的模型在特征提取方面取得了巨大成功。例如，长短期记忆网络(lstm)是rnn的一种变体，它利用门控来克服特征提取过程中梯度消失的问题。时间卷积网络(tcn)是一种基于cnn的结构，它使用空洞卷积以捕获长距离的时间依赖关系。然而，上述模型都忽略了交通网络中的非欧几里德空间依赖关系。

3、由于gcn可以有效地捕获交通网络中的非欧几里得空间依赖关系，近年来有学者提出了一些基于gcn的时空模型。例如，扩散卷积递归神经网络(dcrnn)，它结合了rnn和gcn的优点，利用双向扩散图卷积提取空间依赖关系。时空图卷积网络(stgcn)，该网络利用一维门控卷积捕获时间依赖关系，并使用gcn构建空间依赖关系。然而，上述模型都利用了静态方法来捕获时空依赖关系，忽略了交通网络的动态趋势。尽管部分模型捕获了一些交通网络的动态趋势，但捕获的动态时空趋势并不完整，他们通常利用预定义图、嵌入节点向量等先验知识来构建动态趋势，这些先验知识在某种程度上是静态的，限制了交通网络中对动态趋势的实时发现。

4、到目前为止，现有技术的一些模型能够捕获交通网络中的非线性依赖关系。例如，利用随机森林模型捕获了交通流量预测的非线性时间依赖关系；利用极端梯度提升技术提取了交通网络中的短期非线性时间依赖关系；使用时间注意力机制提取了非线性时间依赖关系以提升交通速度的预测准确度；使用自注意力机制来捕获非线性时间依赖关系。然而，上述方法都忽略了非线性空间依赖关系，或者所提取到的非线性时空依赖关系都是不完整的。

5、因此，提取传感器之间的非线性依赖关系仍是一个挑战。此外，现有的大多数方法无法完全捕获交通序列的内在语义，导致模型难以提取交通网络中深层次的时空依赖关系。

技术实现思路

1、本申请的目的是提供一种基于自适应动态融合图卷积网络的交通流量预测方法。首先提出了一种新型自适应动态图生成器以自适应地捕获交通网络中的动态时空趋势。其次，提出了一种新的时空融合图模块以提取传感器之间的非线性时空依赖关系。另外，还提出了一种新的内在语义增强模块，以全面挖掘交通序列的内在时空语义，从而增强交通网络中时空依赖关系的表示能力。

2、为了实现上述目的，本申请技术方案如下：

3、一种基于自适应动态融合图卷积网络的交通流量预测方法，所述自适应动态融合图卷积网络包括自适应动态图生成器、时空融合图模块、时空块、内在语义增强模块和输出模块，所述基于自适应动态融合图卷积网络的交通流量预测方法，包括：

4、将采集的交通序列输入到自适应动态图生成器捕获交通网络的动态时间图和动态空间图；

5、通过时空融合图模块将动态时间图和动态空间图映射为表示时间和空间非线性依赖关系的非线性向量，并利用门控融合机制进行融合，以捕获交通网络的动态时空融合图；

6、将采集的交通序列和动态时空融合图输入到时空块，增强非线性依赖关系和动态趋势，得到交通序列的时空特征；

7、将采集的交通序列输入内在语义增强模块，得到语义增强后的交通序列；

8、在输出模块中，对交通序列的时空特征进行整合，然后与语义增强后的交通序列输入多层感知机，得到预测结果。

9、进一步地，所述自适应动态图生成器包括动态时间图生成器和动态空间图生成器，所述动态时间图生成器包括时间位置编码器、时间块、跳跃连接和多层感知机，所述动态时间图生成器执行如下操作：

10、时间位置编码器用于对输入的交通序列进行编码，并捕获其时间依赖关系；

11、通过堆叠的各个时间块以捕获交通网络的动态时间趋势，在每个时间块中，采用门控时间卷积网络捕获时间特征，然后，使用层正则化对捕获的时间特征进行正则化处理；

12、对正则化处理后的时间特征，进行跳跃连接后输入多层感知机，获取动态时间图；

13、所述动态空间图生成器包括自适应图模块、空间节点嵌入模块、层正则化、线性层和取值模块，所述动态空间图生成器执行如下操作：

14、采用自适应图模块来捕获交通网络中的隐含空间依赖关系；

15、在空间节点嵌入模块中，采用扩散图卷积网络来自适应地捕获动态空间特征；

16、然后，经过层正则化和线性层，并进行均值和归一化处理，最后通过取值模块取最大的k个值，得到动态空间图。

17、进一步地，所述将采集的交通序列和动态时空融合图输入到时空块，增强非线性依赖关系和动态趋势，包括：

18、在每个时空块中，对交通序列采用门控时间卷积网络来增强非线性依赖关系，然后与动态时空融合图一起通过扩散图卷积网络来增强动态趋势。

19、进一步地，所述内在语义增强模块执行如下操作：

20、采用日嵌入和周嵌入来增强交通序列的时间周期性，并采用线性层来捕获隐藏的时间特征；

21、利用扩散图卷积网络和动态时间图来捕获交通序列的空间方向性；

22、利用门控时间卷积网络来改变输入数据的维度。

23、进一步地，所述输出模块，执行如下操作：

24、对时空块输出的时空特征进行时间长度裁剪，然后进行跳跃连接；

25、跳跃连接后的特征与语义增强后的交通序列输入多层感知机，得到预测结果。

26、本申请提出的一种基于自适应动态融合图卷积网络的交通流量预测方法，提出了一种新的adgg，其包括的dtgg和dsgg分别用于实时捕获交通网络的动态时间趋势和动态空间趋势。其次，提出了一种新的stfgm，用于深度提取传感器之间的非线性时空依赖关系。第三，提出了一种新的isem，可以捕获交通序列固有的时空语义，进而增强交通网络时空相关性的表达能力。相比于基准模型，本申请所提出的模型效果更好且能够更准确地预测交通流量。

技术特征：

1.一种基于自适应动态融合图卷积网络的交通流量预测方法，其特征在于，所述自适应动态融合图卷积网络包括自适应动态图生成器、时空融合图模块、时空块、内在语义增强模块和输出模块，所述基于自适应动态融合图卷积网络的交通流量预测方法，包括：

2.根据权利要求1所述的基于自适应动态融合图卷积网络的交通流量预测方法，其特征在于，所述自适应动态图生成器包括动态时间图生成器和动态空间图生成器，所述动态时间图生成器包括时间位置编码器、时间块、跳跃连接和多层感知机，所述动态时间图生成器执行如下操作：

3.根据权利要求1所述的基于自适应动态融合图卷积网络的交通流量预测方法，其特征在于，所述将采集的交通序列和动态时空融合图输入到时空块，增强非线性依赖关系和动态趋势，包括：

4.根据权利要求1所述的基于自适应动态融合图卷积网络的交通流量预测方法，其特征在于，所述内在语义增强模块执行如下操作：

5.根据权利要求1所述的基于自适应动态融合图卷积网络的交通流量预测方法，其特征在于，所述输出模块，执行如下操作：

技术总结本发明公开了一种基于自适应动态融合图卷积网络的交通流量预测方法，在给定交通序列输入的情况下，自适应动态图生成器捕获交通网络的动态时间图和动态空间图，分别捕获动态的时间和空间趋势。然后，通过时空融合图模块捕获交通网络的动态时空融合图，将采集的交通序列和动态时空融合图输入到时空块，增强非线性依赖关系和动态趋势，得到交通序列的时空特征，并将采集的交通序列输入内在语义增强模块，得到语义增强后的交通序列，最后对交通序列的时空特征进行整合，然后与语义增强后的交通序列输入多层感知机，得到预测结果。本发明所提出的模型效果更好且能够更准确地预测交通流量。技术研发人员：张帅,余望之,李海光,查丽,彭麒帆,吴辰昊,张文宇受保护的技术使用者：芜湖达成储运有限公司技术研发日：技术公布日：2024/6/30