一种基于Transformer与GCN的城市交通网络交通流预测方法与系统

本发明涉及交通预测，具体涉及城市交通网络交通流预测。

背景技术：

1、近年来，随着城市交通网络(公路网络，轨道交通网络)的不断发展和出行需求的日益复杂，城市交通系统基础设施(公路桥梁、隧道、车道、地铁站点等)的服役性能已经成为人们关注的核心问题之一。一旦由于过度超载而引发基础设施损坏或倒塌，必然造成严重损失，并容易引发城市交通网络基础设施的关联损伤。

2、统计表明近10年约10.83％的公路桥梁失效是由车辆荷载超载导致的。2015年6月19日，位于粤赣高速广东河源城南出口匝道桥突然垮塌，需要指出的是，跌落桥底的四辆货车中，每辆车的载重加上车身自重约有100吨重，已经严重超过了桥隧的设计载重；2021年12月18日，鄂州市鄂城区大广高速鄂东大桥附近桥面垮塌，事发时4辆坠落的车中有3辆大货车，其中一辆大货车重达198吨，已远远超过高速公路大桥限重49吨。

3、因此，准确预测城市交通网络中各个位置的交通特征(交通流、车辆荷载、人流量)对交通基础设施的服役性能评估以及事故预防是十分重要的。例如，准确的城市公路网络车流量预测可以帮助城市公路管理人员检查特定情况下是否存在城市公路基础设施超载破坏的风险，从而进行车流管控或道路施工维修等。准确的地铁网络人流量预测可以帮助地铁管理人员分析各个时间各个地铁站以及地铁人群密度以及人群荷载，以防发生人流密度过大而导致的人员踩踏事故或人群荷载过大导致的地铁站部分构件超载坍塌事故发生。

4、服务于城市交通网络的交通流预测算法，其目标是在给定交通网络中所有位置历史p1时步的交通状态与交通网络的情况下，来预测所有位置相邻未来p2时步的交通状态，时空交通预测示意图如图1所示。由于采集到的城市交通网络交通流数据极为复杂，所以如何解析交通流数据中蕴含的各种性质，并采用合理的方法对其进行建模，成为准确的城市交通网络交通流预测问题的核心关键。

5、城市交通网络交通流数据中必然蕴含复杂的时空相关性。这是因为在交通数据采集过程中，数据采集点静态分布于连通的交通网络中，沿着时间维度连续采集数据。时空相关性表现为某节点的交通状态不仅与其历史的交通状态相关，还与其相邻节点相关。因此，深入研究复杂的时空数据，揭示其内在的时空模式，完全提取时空相关性是提升城市交通预测准确率的关键因素之一。

6、城市交通网络交通流数据还存在时空异质性。时空异质性表现为不同时间或不同空间的交通状态存在差异，例如：不同时间(早晚高峰vs其他时间)、不同地点(商业区vs住宅区)、不同天气(晴天vs雨天)、不同道路类型(快速路vs普通道路)的交通状态分布存在差异。总而言之，时空异质性与时间、空间、天气、道路状况等时空属性直接相关。因此，合理考虑这些时空属性以考虑时空异质性是提高城市交通预测准确率的另一个关键因素。

7、城市交通网络交通系统中信息贡献度应是动态变化的。这些信息又可以分为如下两类，显示信息：指可以直接观测到的信息，如时空属性；隐式信息：无法直接观测但可以进行建模提取的信息，如时空相关性。时空属性的动态贡献度体现如下例：下雪会对交通繁忙的道路造成很大影响，而对畅通道路影响较小。在畅通时段减少一条车道不会明显改变交通状况，但在高峰时段这样做却会大大增加拥堵。时空相关性的动态贡献度体现如下例：车速较快时的某道路似乎不具备长期时间相关性，但在车速缓慢时又表现出较强的长期时间相关性。住宅区和商业区在工作日的早晚高峰时段会表现出很强的空间相关性，但在其他时间则似乎毫无关联。因此，建模动态信息贡献度是提升城市交通预测准确率的一个可行方案。

8、真实城市交通网络的拓扑应是动静结合的，这意味着完整交通网络拓扑结构是由静态拓扑结构与时变拓扑结构叠加形成的。存在静态拓扑结构是因为节点在交通网络中的位置以及连接节点对之间的实际距离是固定的。时变拓扑结构则体现在如果某条道路的通行能力因某种原因(维修，事故，堵车)而下降，则相应边的权重应降低，而具有相同功能的替代道路的权重则应增加。因此，同时建立静态拓扑结构与时变拓扑结构是提升城市交通预测准确率的另一必要举措。

9、综上，在城市交通预测问题中，为了获得更高的预测准确率，需要考虑四个关键因素：时空相关性、时空异质性、动态信息贡献度、静态和时变拓扑。

10、在过去十年中，人们提出了许多模型来解决交通网络交通流预测问题。最初，主要采用统计模型和机器学习模型。然而，这些模型不仅忽略了空间相关性，而且依赖于强有力的假设，导致模型性能不强。后来，深度学习模型在图像识别、物体检测和机器翻译等多个领域取得了重大进展。其强大的学习和预测能力也吸引了交通流预测领域研究人员的关注，因此基于深度学习提出的时空预测模型成为交通网络交通流预测的主流方法。

11、时空预测模型在处理时间相关性时，rnn模型及其变体lstm和gru因其出色的时间序列建模能力和梯度稳定性，被公认为时间相关性建模的主流方法。然而，这些模型的并行性相对较差，并表现出明显的滞后现象。其他研究人员也通过在时间维度上使用堆叠一维卷积来捕捉时间相关性。然而，这种方法难以捕捉长期时间相关性。其他研究人员使用注意力来捕捉时间相关性。这种方法具有很强的时间相关性建模能力。然而，该模型的自回归推理复杂度为o(n)，在训练过程中需要大量gpu内存。该模型甚至无法在普通配置的计算机上高效运行多节点长期预测任务。

12、时空预测模型在处理空间相关性时，最初的方法是将整个地图划分为规则的矩形块，以此构建欧几里得结构数据，并使用一维或二维卷积来捕捉空间相关性。然而，这种方法构造繁琐，无法满足实际交通网络的复杂性。此后，因为图卷积神经网络(gcn)拥有对非欧几里得结构数据的建模能力，使其迅速成为交通流预测中空间相关性建模的主流方法。研究人员逐渐发现，交通数据中存在相似性和相关性，因此仅使用物理图难以完全描述空间相关性。因此，研究者们开发了一系列预定义图(相似性图、兴趣点图等)、生成图和自适应动态图来捕捉空间依赖关系。虽然这些方法丰富了空间相关性建模的视角，但它们仍然缺乏对动态拓扑建模的手段。在此之后，结合注意力和gcn的稀疏图注意力也被应用于交通预测。事实证明，与单独的gcn相比，它有着更强的空间相关性建模方法。

13、时空预测模型还提出了许多考虑时空异质性的方法。模型astgnn通过使用周期性数据来感知时间异质性。模型agcrn通过调整节点维度的参数来感知空间异质性。模型gman与stsgcn通过融合具有时空特征的输入数据来感知时空异质性。模型mgt通过使用元学习进行时空特征驱动的注意力计算来感知时空异质性。

14、综上所述，城市交通网络交通流问题应当考虑时空相关性、时空异质性、动态信息贡献度、静态和时变拓扑。而以往的研究发明主要针对因素时空相关性、时空异质性、静态拓扑进行创新，而很少考虑动态信息贡献度以及时变拓扑结构。且在时空相关性建模问题上还存在不能同时实现的高预测精度、高并行度、低推理复杂度的问题，在时空异质性感知上还存在时空属性考虑不全与考虑方法失当的问题。

技术实现思路

1、为解决现有技术中很少考虑信息贡献的动态性和拓扑结构的动态性的问题，在时空相关性建模问题上还存在不能同时实现的高预测精度、高并行度、低推理复杂度的问题，在时空异质性感知上还存在时空属性考虑不全与考虑方法失当的问题，本发明提供如下方案：

2、一种基于transformer与gcn的城市交通网络交通流预测方法，所述方法包括：

3、步骤一、对原始交通数据进行z-score预处理操作，得到输入数据x，将所述输入数据x分为训练集和测试集，所述原始交通数据是待预测城市交通网络中的实际交通流量；

4、步骤二、收集所述城市交通网络中桥隧网络中各个桥隧对应的时间属性和空间属性，并对所述时间属性和空间属性进行编码处理，使所述时间属性和空间属性与所述输入数据x对应，所述桥隧网络是城市交通网络中的桥梁和隧道组成的网络；

5、步骤三、建立预定义图，所述预定义图包括：距离图、相似性图、相关性图和特征图；

6、步骤四、根据所述输入数据x、所述时间属性、所述空间属性和所述预定义图，建立城市交通网络交通流预测模型，所述预测模型为：

7、f(x,tc,sc,pg)＝y

8、其中，x为输入数据，tc为时间属性，sc为空间属性，pg为预定义图，y为预测的交通数据流；

9、步骤五、利用所述训练集对所述预测模型进行训练，定义损失函数，得到训练好的城市交通网络交通流预测模型，所述损失函数用于衡量预测结果与真实值之间的差异；

10、步骤六、向训练好的城市交通网络交通流预测模型输入所述测试集，预测未来交通数据流。

11、进一步，所述步骤一中，所述z-score预处理操作通过：

12、

13、进行，其中，zi代表第i个时间步的原始交通数据，xi代表对应的归一化后的数据。u为原始交通数据的均值，σ为原始交通数据的标准差，n为原始交通数据的总时间步数。

14、进一步，所述步骤二中，所述时间属性包括：时间、星期和天气；

15、所述空间属性包括：建筑类型、长度、宽度、是否弯道和坡度。

16、进一步，所述步骤三中，

17、所述距离图通过：

18、

19、获得，其中dist(i,j)表示从节点i到节点j的空间距离，σ表示空间距离的标准差；

20、所述相似性图通过：

21、

22、获得，其中，xi表示节点i的历史交通状态；

23、所述相关性图通过：

24、

25、获得，其中，count(i,j)表示从节点j扩散到节点i的交通流量总数；

26、所述特征图通过：

27、

28、l＝uλu t

29、eigenm ap＝linear(u[:,0:k])

30、获得，其中，l为归一化的拉普拉斯矩阵，d为邻接矩阵的度矩阵，a为邻接矩阵，u为特征向量构成的矩阵，λ为特征值构成的矩阵，eigen map为特征图。

31、进一步，所述步骤五中，所述损失函数为均方绝对误差。

32、进一步，所述步骤六中，具体包括以下步骤：

33、步骤601：编码器提取测试集中的空间相关性；

34、步骤602：初始化解码器输入，即令解码器输入交通特征xde＝xt，预测

35、步骤603：将替换xde，即令预测

36、步骤604：将将替换xde，即令预测

37、步骤605：按上述操作重复进行，直至达到预测长度，则预测结果为完成预测。

38、一种基于transformer与gcn的城市交通网络交通流预测系统，所述系统包括：

39、数据预处理模块，用于对原始交通数据进行z-score预处理操作，得到输入数据x，将所述输入数据x分为训练集和测试集，所述原始交通数据是待预测城市交通网络中的实际交通流量；

40、时空属性嵌入模块，用于收集所述城市交通网络中桥隧网络中各个桥隧对应的时间属性和空间属性，并对所述时间属性和空间属性进行编码处理，使所述时间属性和空间属性与所述输入数据x对应，所述桥隧网络是城市交通网络中的桥梁和隧道组成的网络；

41、拓扑结构定义模块，用于建立预定义图，所述预定义图包括：距离图、相似性图、相关性图和特征图；

42、模型建立模块，用于根据所述输入数据x、所述时间属性、所述空间属性和所述预定义图，建立城市交通网络交通流预测模型，所述预测模型为：

43、f(x,tc,sc,pg)＝y

44、其中，x为输入数据，tc为时间属性，sc为空间属性，pg为预定义图，y为预测的交通数据流；

45、模型训练模块，用于利用所述训练集对所述预测模型进行训练，定义损失函数，得到训练好的城市交通网络交通流预测模型，所述损失函数用于衡量预测结果与真实值之间的差异；

46、模型推理模块，用于向训练好的城市交通网络交通流预测模型输入所述测试集，预测未来交通数据流。

47、本发明的有益效果为：

48、1、本发明实现了端对端的训练推理模式。即在训练与推理过程中，只需输入对应的数据即可获取结果，中途无需人为干预。整个过程便捷、准确，提升了交通预测的效率与可靠性。

49、2、本发明提出的模型充分考虑了城市交通网络交通流预测中的所有问题，包括时空相关性建模、时空异质性感知以及信息贡献的动态性和拓扑结构的动态性的考虑。因此模型具有较高的表现能力。

50、3、模型具有较少假设，且在各个细节处理时(如信息整合，数据合并等)更加贴合实际，提升了模型的可信度。

51、4、本发明提出的模型具有普适性，可以适用于任何基于图结构的时空预测问题。且模型考虑全面，涵盖各类时间属性以及空间属性，使得使用者在使用期间可以根据需求选择输入类型。提高了模型的适用度。

52、5、本发明提出的方法具有低消耗与即时推理的特点，方法中涵盖的模型具有o(1)复杂度推理与低gpu内存消耗的特点，使其可以在普通配置计算机上快速完成多节点长时间的时空预测任务。因此该方法具有较低的使用门槛。

53、6、在四个真实数据集上进行的实验验证了本发明的有效性。实验表明，本发明提出的模型具有较高的预测精度以及较低的内存消耗。验证了发明的有效性以及适用性。

54、本发明在交通领域中有较好的应用，可以提高交通流量预测的准确性和可靠性，为交通管理和规划提供有力支持。