一种基于交互式动态扩散图卷积网络的交通流量预测方法与流程

本技术属于交通流量预测，尤其涉及一种基于交互式动态扩散图卷积网络的交通流量预测方法。

背景技术：

1、可靠的交通流预测已逐渐成为推动智能交通系统(its)快速发展的重要因素。在过去几十年中，包括传统机器学习模型和深度学习模型在内的大量模型，在交通流预测方面展现出了巨大的优越性。

2、在传统的基于机器学习的模型中，支持向量回归(svr)、向量自回归(var)和k最近邻(knn)采用了统计方法或数据挖掘方法来提取时间特征。在基于深度学习的模型中，循环神经网络(rnn)在捕捉时间特征方面取得了巨大的成功。长短期记忆网络(lstm)和门控循环单元(gru)是rnn的变种，它们利用门控机制和轻量化结构实现了时间特征的高效提取。此外，卷积神经网络(cnn)，包括时间卷积网络(tcn)也在提取时间特征方面展现出了巨大的优越性。

3、除了时间特征外，交通网络中还存在着空间特征，包括非扩散信号和扩散信号。具体来说，对于某一特定区域，非扩散信号指的是从周边区域流向该地区的车辆，可以由该地区的传感器直接检测得到。扩散信号表示从远处区域扩散到该地区的车辆，其流量会经过多个十字路口，并由该地区的传感器间接检测得到。学者们已经将图卷积网络(gcn)和cnn用于捕捉空间特征的非扩散信号。也有一些学者将扩散方法与gcn相结合以捕捉交通网络中的扩散信号。

4、此外，交通网络还具有复杂的时空相关性。例如，某一地区的道路施工和山体滑坡等交通中断事件会影响到其他地区的交通流量，这种变化在时间维度上可能是即时的，也可能是延迟的。之前的研究工作将cnn和rnn与gcn进行了结合以捕捉时空相关性。由此可见，基于深度学习的模型在交通流预测方面具有很大的优越性。

5、然而，由于以下两方面原因，要实现准确的交通流预测仍然具有挑战性：

6、一方面，虽然一部分学者使用带有gcn的扩散方法来提取交通网络中的扩散信号，但忽略了扩散信号的周期性和动态性。尽管有些学者将周期性特征作为模型的初始输入，但无法全面地捕获交通网络中扩散信号的周期性特征。此外，其它的一些学者要么简单地将交通网络视为静态结构，而忽略了交通网络中的动态特征，要么虽然用动态特征和扩散信号来表示交通网络，但忽略了扩散信号的动态性。

7、另一方面，交通数据的异质时空相关性难以捕捉。现有的大部分模型只能捕获交通序列的弱时空相关性，因为它们所使用的时间特征和空间特征通常是相互独立的。近年来一些学者设计了同步的时空结构来构建时间和空间特征之间的联系，以有效捕获交通数据的时空相关性。然而，交通网络中的异质时空相关性，包括低频和高频的时间相关性(例如，交通流量虽然在一周内保持稳定却在一天内剧烈波动)，以及复杂的空间相关性(例如，不同传感器捕获的交通流量各不相同)，尚不能被完全捕获。

技术实现思路

1、本技术的目的是提供一种基于交互式动态扩散图卷积网络的交通流量预测方法，以克服现有技术中存在的上述问题，实现准确的交通流量预测。

2、为了实现上述目的，本技术技术方案如下：

3、一种基于交互式动态扩散图卷积网络的交通流量预测方法，所述交互式动态扩散图卷积网络包括时空交互动态图生成器、堆叠的时空快、跳跃连接和多层感知器，所述基于交互式动态扩散图卷积网络的交通流量预测方法，包括：

4、将交通数据输入时空交互动态图生成器，以捕获交通数据的异质时空相关性，生成时空动态图；

5、将交通数据和时空动态图输入堆叠的时空块，以捕获交通网络中的时间和空间特征；

6、将各个时空块捕获的时间和空间特征通过跳跃连接进行汇聚，然后通过多层感知器，得到预测结果。

7、进一步地，所述时空交互动态图生成器，执行如下操作：

8、基于时间维度的奇偶索引区间，将输入交通数据分为偶数序列和奇数序列；

9、采用时间嵌入和空间嵌入来分别提取低频和高频的时间相关性和空间相关性，使用时空交互操作来提取交通数据的异质时空相关性，生成时空动态图。

10、进一步地，所述采用时间嵌入和空间嵌入来分别提取低频和高频的时间相关性和空间相关性，执行如下公式对应的操作：

11、

12、

13、所述使用时空交互操作来提取交通数据的异质时空相关性，生成时空动态图，执行如下公式对应的操作：

14、

15、

16、godd＝dropout(relu(linear(xodd)))；

17、geven＝dropout(relu(linear(xeven)))；

18、stdg＝a×godd+(1-a)×geven；

19、其中，xeven表示偶数序列，xodd表示奇数序列，tembedding和sembedding分别表示时间嵌入和空间嵌入的结果，tanh(.)表示tanh激活函数，⊙表示hadamard乘积，xodd′和xeven′分别表示经过时间和空间嵌入处理后的结果，xodd_out和xeven_out分别表示经过时空交互操作处理后的奇数序列和偶数序列的输出；表示具有挤压和激励的卷积；godd和geven表示生成的图，relu(.)表示relu激活函数，dropout(.)表示dropout函数，linear(.)表示线性层，stdg为生成的时空动态图，a表示一个可学习的参数。

20、进一步地，所述具有挤压和激励的卷积中，卷积核采用扩张卷积。

21、进一步地，所述时空块包括门控时间卷积网络和周期性动态扩散图卷积网络，对于每个时空快，其门控时间卷积网络的输出与周期性动态扩散图卷积网络的输出进行连接后，作为下一个时空快中门控时间卷积网络的输入；第一个时空快中门控时间卷积网络的输入为交通数据；

22、所述周期性动态扩散图卷积网络包括至少两个周期性动态扩散图卷积层，在每个周期性动态扩散图卷积层中，首先将周期特征嵌入到输入数据中，然后周期特征嵌入的结果与输入图通过图卷积网络捕获扩散信号，所述扩散信号作为下一层周期性动态扩散图卷积层的输入数据，再使用图生成器将图卷积网络的输出转换为扩散图，然后将输入图与扩散图融合，得到下一层周期性动态扩散图卷积层的输入图；第一层周期性动态扩散图卷积层的输入数据为门控时间卷积网络的输出，输入图为时空动态图。

23、进一步地，所有周期性动态扩散图卷积层中门控时间卷积网络的输出经过拼接和线性层的处理后，得到周期性动态扩散图卷积网络的输出。

24、进一步地，所述时空块中门控时间卷积网络的输出即为时空快捕获的时间和空间特征。

25、本技术提出了一种基于交互式动态扩散图卷积网络的交通流量预测方法，采用创新的时空交互动态图生成器(stidgg)，通过时空交互操作以生成时空动态图(stdg)，从而提取出交通序列的异质时空相关性。采用创新的周期性动态扩散图卷积网络(pddgcn)，能够在提取交通序列的空间特征时捕获到交通网络的周期性，并动态更新交通网络的图结构。本技术技术方案实现了准确的交通流量预测，且性能优于现有技术模型。