基于树形高阶图卷积的交通状态预测方法、训练方法及装置

本发明涉及智能交通，具体地涉及一种基于树形高阶图卷积的交通状态预测方法、训练方法及装置。

背景技术：

1、随着全球城市化进程的加速，城市交通网络的复杂性显著增加，尤其是在大型城市，高密度的交通流和复杂的路网结构给交通管理和规划带来了较大的挑战。

2、在实现本发明的构思的过程中，发明人发现相关技术中对交通路网中路网节点的交通状态的预测过程中数据计算量较大，且预测的准确性较低。

技术实现思路

1、有鉴于此，本发明提供了一种基于树形高阶图卷积的交通状态预测方法、模型训练方法及装置。

2、根据本发明的第一个方面，提供了一种基于树形高阶图卷积的交通状态预测方法，包括：获取在第t时段内的与目标区域的多个路网节点对应的交通状态信息，t为大于等于1的整数；对上述多个路网节点对应的交通状态信息进行分组，得到多组交通状态信息；其中，每一组交通状态信息包括交通状态相似的多个路网节点对应的交通状态信息；将每一组交通状态信息输入第一网络，输出融合特征，其中，上述融合特征表征路网节点的交通状态的时间依赖特征和空间依赖特征；其中，上述第一网络包括l1层呈树状排列的第一子网络，第l1层的第一子网络的数量为第l1+1层的第一子网络的数量的2倍；上述第一子网络包括依次级联的带扩张因子的因果卷积层、正向多层感知机和图卷积层；将上述融合特征输入第二网络，输出第t+1时段内与上述目标区域的上述多个路网节点对应的交通状态信息；其中，上述第二网络包括l2层呈树状排列的第二子网络，第l2+1层的第二子网络的数量为第l2层的第二子网络的数量的2倍；上述第二子网络包括依次级联的带扩张因子的逆向因果卷积层和逆向多层感知机；上述逆向多层感知机中各层的权重矩阵是与上述正向多层感知机的对应的各层的权重矩阵的转置矩阵；l1、l2、l1和l2均为大于1的整数，l1等于l2，l1、l2均大于等于1且小于等于l1。

3、根据本发明的实施例，上述多组交通状态信息包括l1组，l1为大于1的整数；上述将每一组交通状态信息输入第一网络，输出融合特征，包括：将第l1层的第一子网络输出的第一中间特征序列中相邻两个中间特征分为一组，得到多组中间特征；其中，上述第一中间特征序列中的每一个第一中间特征表征交通状态相似的路网节点的交通状态的时间依赖特征和空间依赖特征；上述第一中间特征序列是前l1-1层的第一子网络对上述每一组交通状态信息进行处理得到的；将上述多组中间特征输入第l1+1层的第一子网络，输出第二中间特征序列；其中，上述第二中间特征序列中的每一个第二中间特征表征交通状态存在差异的路网节点的交通状态的时间依赖特征和空间依赖特征；在确定l1小于l1-1的情况下，返回执行对中间特征序列的分组操作，并递增l1；在确定l1等于l1-1的情况下，输出上述融合特征。

4、根据本发明的实施例，上述第t时段包括k个时刻，k为大于1的整数；上述将上述多组中间特征输入第l1+1层的第一子网络，输出第二中间特征序列，包括：针对每组中间特征均执行如下操作：

5、将上述每组中间特征输入上述带扩张因子的因果卷积层，输出与多个路网节点对应的时间依赖特征，其中，上述时间依赖特征表征第k时刻之前的交通状态对第k时刻的交通状态的影响特征，k为大于等于1且小于等于k的整数；

6、将上述与多个路网节点对应的时间依赖特征输入上述正向多层感知机，输出与目标路网节点对应的时间依赖特征，其中，上述目标路网节点表征交通状态对时间依赖性大于第一预定阈值的节点；

7、将上述与目标路网节点对应的时间依赖特征输入上述图卷积层，输出第二中间特征。

8、根据本发明的实施例，上述将上述与目标路网节点对应的时间依赖特征输入上述图卷积层，输出第二中间特征，包括：

9、基于前向传播矩阵和第一权重矩阵对上述与目标路网节点对应的时间依赖特征进行处理，得到第一中间子特征，其中，上述前向传播矩阵中的元素表征第一路网节点的交通流量流向第二路网节点的交通流量的概率；

10、基于后向传播矩阵和第二权重矩阵对上述与目标路网节点对应的时间依赖特征进行处理，得到第二中间子特征，其中，上述后向传播矩阵中的元素表征上述第二路网节点的交通流量流向上述第一路网节点的交通流量的概率；上述第一路网节点与上述第二路网节点在交通路网中是相连通；

11、基于自适应邻接矩阵和第三权重矩阵对上述与目标路网节点对应的时间依赖特征进行处理，得到第三中间子特征，其中，上述自适应邻接矩阵中的元素表征第三路网节点的交通流量对上述第一路网节点的交通流量的影响概率；上述第三路网节点的交通状态与上述第一路网节点的交通状态相似且上述第一路网节点与上述第三路网节点在上述交通路网中不连通；以及

12、根据上述第一中间子特征和上述第二中间子特征和上述第三中间子特征，得到上述第二中间特征。

13、根据本发明的实施例，上述将上述融合特征输入第二网络，输出第t+1时段内与上述目标区域的上述多个路网节点对应的交通状态信息，包括：将第l2层的第二子网络输出的第三中间特征序列输入第l2+1层的第二子网络，输出第四中间特征序列；其中，上述第三中间特征序列是前l2-1层对上述融合特征进行处理得到的；上述第四中间特征序列表征基于时间维度和空间维度的重建特征；在确定l2小于l2-1的情况下，返回执行输出第四中间特征序列的操作，并递增l2；在确定l2等于l2-1的情况下，输出上述第t+1时段内与上述目标区域的上述多个路网节点对应的交通状态信息。

14、根据本发明的实施例，上述将第l2层的第二子网络输出的第三中间特征序列输入第l2+1层的第二子网络，输出第四中间特征序列，包括：针对上述第三中间特征序列中的每个第三中间特征均执行如下操作：

15、将上述第三中间特征输入带扩张因子的逆向因果卷积层，输出基于时间维度重建的中间特征；以及

16、通过将上述基于时间维度重建的中间特征输入逆向多层感知机，对上述中间特征进行空间维度的重建操作，得到上述第四中间特征。

17、本发明的第二方面提供了一种模型训练方法，上述方法包括：

18、获取在第t时段内的与样本目标区域的多个路网节点对应的样本交通状态信息，t为大于等于1的整数；

19、对上述多个路网节点对应的样本交通状态信息进行分组，得到多组样本交通状态信息；其中，每一组样本交通状态信息包括交通状态相似的多个路网节点对应的样本交通状态信息；

20、将每一组样本交通状态信息输入第一网络，输出样本融合特征，其中，上述样本融合特征表征路网节点的样本交通状态的时间依赖特征和空间依赖特征；其中，上述第一网络包括l1层呈树状排列的第一子网络，第l1层的第一子网络的数量为第l1+1层的第一子网络的数量的2倍；上述第一子网络包括依次级联的带扩张因子的因果卷积层、正向多层感知机和图卷积层；以及

21、将上述样本融合特征输入第二网络，输出第t+1时段内与上述目标区域的上述多个路网节点对应的样本交通状态信息；其中，上述第二网络包括l2层呈树状排列的第二子网络，第l2+1层的第二子网络的数量为第l2层的第二子网络的数量的2倍；上述第二子网络包括依次级联的带扩张因子的逆向因果卷积层和逆向多层感知机；上述逆向多层感知机中各层的权重矩阵是与上述正向多层感知机的对应的各层的权重矩阵的转置矩阵；l1、l2、l1和l2均为大于1的整数，l1等于l2，l1、l2均大于等于1且小于等于l1；

22、基于目标损失函数，根据上述第t+1时段内的样本交通状态标签和上述第t+1时段内的样本交通状态信息，得到损失值；以及

23、基于上述损失值，调整上述第一网络的模型参数和上述第二网络的模型参数，得到经训练的第一网络和经训练的第二网络。

24、根据本发明的实施例，上述基于目标损失函数，根据上述第t+1时段内的样本交通状态标签和上述第t+1时段内的样本交通状态信息，得到损失值，包括：确定与上述第t+1时段内的每个时刻的交通状态对应的权重；基于上述目标损失函数，根据上述第t+1时段内的样本交通状态标签、上述与上述第t+1时段内的每个时刻的交通状态对应的权重和上述第t+1时段内的样本交通状态信息，得到上述损失值。

25、本发明的第三方面提供了一种基于树形高阶图卷积的交通状态预测装置，上述装置包括第一获取模块、第一分组模块、第一特征融合模块和第一预测模块。

26、第一获取模块，用于获取在第t时段内的与目标区域的多个路网节点对应的交通状态信息，t为大于等于1的整数。

27、第一分组模块，用于对上述多个路网节点对应的交通状态信息进行分组，得到多组交通状态信息；其中，每一组交通状态信息包括交通状态相似的多个路网节点对应的交通状态信息。

28、第一特征融合模块，用于将每一组交通状态信息输入第一网络，输出融合特征，其中，上述融合特征表征路网节点的交通状态的时间依赖特征和空间依赖特征；其中，上述第一网络包括l1层呈树状排列的第一子网络，第l1层的第一子网络的数量为第l1+1层的第一子网络的数量的2倍；上述第一子网络包括依次级联的带扩张因子的因果卷积层、正向多层感知机和图卷积层。

29、第一预测模块，用于将上述融合特征输入第二网络，输出第t+1时段内与上述目标区域的上述多个路网节点对应的交通状态信息；其中，上述第二网络包括l2层呈树状排列的第二子网络，第l2+1层的第二子网络的数量为第l2层的第二子网络的数量的2倍；上述第二子网络包括依次级联的带扩张因子的逆向因果卷积层和逆向多层感知机；上述逆向多层感知机中各层的权重矩阵是与上述正向多层感知机的对应的各层的权重矩阵的转置矩阵；l1、l2、l1和l2均为大于1的整数，l1等于l2，l1、l2均大于等于1且小于等于l1。

30、本发明的第四方面提供了一种模型训练装置，上述装置包括第二获取模块、第二分组模块、第二特征融合模块、第二预测模块、损失计算模块和调整模块。

31、第二获取模块，用于获取在第t时段内的与样本目标区域的多个路网节点对应的样本交通状态信息，t为大于等于1的整数。

32、第二分组模块，用于对上述多个路网节点对应的样本交通状态信息进行分组，得到多组样本交通状态信息；其中，每一组样本交通状态信息包括交通状态相似的多个路网节点对应的样本交通状态信息。

33、第二特征融合模块，用于将每一组样本交通状态信息输入第一网络，输出样本融合特征，其中，上述样本融合特征表征路网节点的样本交通状态的时间依赖特征和空间依赖特征；其中，上述第一网络包括l1层呈树状排列的第一子网络，第l1层的第一子网络的数量为第l1+1层的第一子网络的数量的2倍；上述第一子网络包括依次级联的带扩张因子的因果卷积层、正向多层感知机和图卷积层。

34、第二预测模块，用于将上述样本融合特征输入第二网络，输出第t+1时段内与上述目标区域的上述多个路网节点对应的样本交通状态信息；其中，上述第二网络包括l2层呈树状排列的第二子网络，第l2+1层的第二子网络的数量为第l2层的第二子网络的数量的2倍；上述第二子网络包括依次级联的带扩张因子的逆向因果卷积层和逆向多层感知机；上述逆向多层感知机中各层的权重矩阵是与上述正向多层感知机的对应的各层的权重矩阵的转置矩阵；l1、l2、l1和l2均为大于1的整数，l1等于l2，l1、l2均大于等于1且小于等于l1。

35、损失计算模块，用于基于目标损失函数，根据上述第t+1时段内的样本交通状态标签和上述第t+1时段内的样本交通状态信息，得到损失值。

36、调整模块，用于基于上述损失值，调整上述第一网络的模型参数和上述第二网络的模型参数，得到经训练的第一网络和经训练的第二网络。

37、本发明的第五方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，其中，上述一个或多个处理器执行上述一个或多个计算机程序以实现上述方法的步骤。

38、本发明的第六方面还提供了一种计算机可读存储介质，其上存储有计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

39、本发明的第七方面还提供了一种计算机程序产品，包括计算机程序或指令，上述计算机程序或指令被处理器执行时实现上述方法的步骤。

40、根据本发明提供的基于树形高阶图卷积的交通状态预测方法、训练方法及装置，通过对获取的第t时段内与目标区域的多个路网节点对应的交通状态信息进行分组，可以得到多组交通状态信息，降低了与多个路网节点对应的交通状态的计算量。将每一组交通状态信息输入第一网络，输出融合特征，实现对路网节点数据量庞大的复杂路网中交通状态信息时间维度的降维，从而减少了需要处理的数据量，提高了计算效率。将融合特征输入第二网络，输出第t+1时段内与目标区域的多个路网节点对应的交通状态信息，实现了融合特征空间维度的升维，通过对交通状态信息进行时间维度和空间维度的综合处理，提高了第t+1时段内与目标区域的多个路网节点对应的交通状态信息预测的准确性。