CN109887282A - 一种基于层级时序图卷积网络的路网交通流预测方法 - Google Patents

Abstract

本发明公开了一种基于层级时序图卷积网络的路网交通流预测方法，该方法包括步骤：S1、建立路网图，根据路网图构建邻接矩阵；S2、将每个节点上的流量作为此节点的信号；S3、利用图的邻接矩阵，计算拉普拉斯矩阵，针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；S4、构建聚类池化和反池化模块，提取路网中的层级信息，寻找相似结构的流量特征；S5、谱图卷积模块和聚类池化模块一起构成GRU单元，实现对流量时间特征的提取；S6、利用自编码器结构完成序列到序列的流量预测。本发明的层级时序图卷积网络，更精准预测庞大复杂的交通流量，方便城市居民规划出行路线，减少出行时间，提高出行感受，提升计算效率，不易出现内存溢出问题。

Description

一种基于层级时序图卷积网络的路网交通流预测方法

技术领域

本发明属于深度学习技术领域，尤其涉及一种基于层级时序图卷积网络的路网交通流预测方法。

背景技术

随着城市的不断发展，城市交通、便利出行越来越成为人们关注的话题，智慧城市交通也成为研究的热点，也就是智能交通系统IIS(Intelligent Transport System)。这一系统的核心问题是如何利用交通历史数据，包括交通流量和流速等，全面地提取城市交通特征，精确地预测未来短时或长时的交通状况，进而能为个人出行，政府决策给予及时合理的建议。

对交通流的预测主要可以考虑影响交通流的核心因素，提取相关特征来进一步刻画交通流量信息。目前主流的模型可以分为两类，一类是仅考虑时间因素影响的模型，如历史平均模型(HA)，使用历史的流量信息动态地预估未来的流量；差分回归滑动平均模型(ARIMA)可以将不稳定的数据进行差分处理得到较好的时序周期特征，进而更精确地预测交通流量；同时随着深度学习的不断发展，神经网络中的时序模型如LSTM等通过自我学习和多个门的控制机制，不仅能提取到短时影响还能保存长期的记忆影响，也在一定程度上提高了时间维度上预测的准确性，这些方法在使用时间方面来刻画交通流量已经达到了较好的效果，但是交通流量还有一个主要的影响因素是空间因素，这些模型都不能很好地捕捉空间属性进行建模，因此还有另一类结合时间空间属性的模型，如郑宇的深度时空残差网络，在时间上建立三个相同的模型来捕获交通流量的临近性，趋势性和周期性，在空间上使用卷积网络并加入残差网络增加卷积的层数，以更加全面的捕获更远处的空间影响。但是这一模型在使用卷积时是将交通流转化为图片的像素，用图像处理的方式提取空间影响，难以获取路网拓扑结构对交通流量的影响。之后有研究者使用有向图结构的模型来提取空间信息，主要是使用双向随机游走处理路网上的双向车流。虽然这一模型已经能较好地捕获上下游几条道路对车流的影响，但是在影响空间的因素中还包括层级结构这一重要因素未被考虑。

发明内容

本发明的目的在于提供一种基于层级时序图卷积网络的路网交通流预测方法，旨在解决上述背景技术中现有技术的不足。

为了解决上述技术问题，本发明实施例提供一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，该方法包括以下步骤：

S1、建立路网图，根据路网图构建邻接矩阵；

S2、将每个节点上的流量作为此节点的信号；

S3、利用图的邻接矩阵，计算拉普拉斯矩阵，针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；

S4、构建聚类池化和反池化模块，提取路网中的层级信息，寻找相似结构的流量特征；

S5、谱图卷积模块和聚类池化模块一起构成GRU单元，实现对流量时间特征的提取；

S6、利用自编码结构完成序列到序列的流量预测；Encoder和Decoder中的神经元均由GRU单元构成。

优选地，所述步骤S1中，根据路网图构建邻接矩阵的步骤具体包括：

将观测计算车流量的检测站或交叉路口作为图的节点；

交叉口或检测站之间的道路连通则在图上用线连接；

邻接矩阵的权重通过两个交叉口或监测站之间的实际距离计算，其中W_i，j表示v_i和v_j两个传感器之间的权重，dist()表示观测站之间的距离，σ是距离的标准差。

优选地，所述步骤S2中，每个节点上的流量用5min或0.5h时间内，经过道路上每个节点的车辆数表示。

优选地，所述步骤S3中，建立谱图卷积模块，提取路网的空间结构对流量影响的步骤包括：

根据邻接矩阵，计算拉普拉斯矩阵，

对流量信号进行谱图卷积操作，g_e＊x＝UgeU^Tx，*表示卷积乘，图的傅立叶基U∈R^{n ×n}是正则化的图拉普拉斯矩阵的特征向量矩阵。ge是L的特征值的函数，即ge(Λ)；

为了降低谱图卷积操作中矩阵运算的时间复杂度，利用切比雪夫多项式：T(x)＝2xT_k-1(x)-T_k-2(x)来近似卷积过程,其中T₀(x)＝1，T₁(x)＝x；由此而构建的近似谱图卷积模块为： 是L的标准化，即其中λ_max是最大的特征值，I_N是单位矩阵。

优选地，所述步骤S4中，构建聚类池化和反池化模块具体包括以下步骤：

聚类池化操作pooling在Encoder阶段，需要构建一个神经网络学习一个节点转换矩阵，将经过卷积操作的N个节点信息，分配到M个节点上；

反池化操作unpooling在Decoder阶段，利用一个节点转换矩阵，将经过卷积的M个节点，还原回原来的N个节点；

即节点转换矩阵是一个二维矩阵T∈R^N×M，假设它的两个维度方向是x(N行所在的方向)和y(M列所在的方向)，那么pooling阶段每一行的值是一个节点分配到M个节点上的概率，而unpooling阶段的转换矩阵是与pooling阶段对应的转换矩阵，但是这一矩阵需要将pooling阶段的节点转换矩阵在y轴做正则化，即得到M个节点还原回N个节点上的概率。

优选地，所述聚类池化操作pooling在Encoder阶段的神经网络结构具体包括以下步骤：

根据邻接矩阵建立图模型；

将图模型进行非线性转换，如ReLU方法；

经过非线性转换的结果再放入softmax方法中，求得当前层N个节点分配到下一层M个节点的概率。

优选地，所述图模型为一般的图神经网络或图卷积神经网络的任意一种。

优选地，所述步骤S5中，所述谱图卷积模块和聚类池化模块一起构成GRU单元具体包括以下步骤：

流量信号输入谱图卷积模块，得到的输出作为聚类池化模块的输入；

聚类池化或反池化阶段的输出作为整个GRU单元的输入。

优选地，所述步骤S6中，利用自编码结构完成序列到序列的流量预测，具体包括以下步骤：

Encoder部分进行输入序列的处理，每个神经元包括两个GRU单元，进行卷积和池化操作；

Decoder部分的每个神经元中包括两个GRU单元，GRU单元中进行卷积和反池化操作；

Encoder部分的隐藏层结果将作为Decoder部分的输入；

最终Decoder部分的输出作为预测序列的输出。

相比于现有技术的缺点和不足，本发明具有以下有益效果：

(1)本发明结合城市交通流所具有的时间和空间属性，提出的图层级卷积时空循环神经网络，旨在提高交通流量预测的精度。主要创新点是在空间上使用谱图卷积操作和池化操作提取临近道路节点的影响，即图1中的G-Conv模块和Pooling模块；在时间上使用多层RNN并嵌入GRU完成Seq2Seq(序列到序列)的时间序列建模，即图1中的多个GHCRNN构成的时间序列模块和GRU模块。利用对特征信息的有效提取，更加精准地预测交通流量，以方便大家规划出行路线，减少出行时间，提高出行感受；方便政府决策部门量化地提出城市道路规划解决方案。图4是本实施例的精度变化，从图中可以看到，从207个节点池化到150个最终到100个节点的模型效果最好，误差最小，说明进行池化操作是可以提升精度的。

(2)路网交通流量预测的图层级卷积时空循环神经网络模型最突出的优点是具有层级聚类模块可以处理大规模图的问题。一个城市的路网上少则几十万多则上千万个节点/边，如此大规模的图对计算机的存储和计算资源有非常高的需求，而本模型中的层级模块，不仅可以提取到图中的层级结构关系，而且由于它是一个池化操作，在一定程度上对图进行了压缩，可以提升计算效率，不易出现内存溢出问题。图5是计算效率上的提高，左右两边的四个柱形图是将此模型方法分别应用在深圳和洛杉矶的路网数据上，不同的填充格式表示所做的不同尺度的池化，星形填充的柱子表示未进行池化操作，从图中可以看出，经过池化操作，计算时间有明显的下降，而且图的规模越大效果越明显(右边207个节点的路网图的计算时间下降更快)。图6是内存使用率情况，每次进行一半节点的池化，三组柱形图表示图的规模，圆形填充的柱子表示没有聚类池化操作，斜线填充的表示进行了聚类池化操作，从图中可以看到，当图的规模太大时，未进行聚类池化操作会内存溢出(OOM)，而使用了聚类池化操作的则还可以正常运算。

附图说明

图1是本发明的层级图卷积时空循环神经网络模型图。

图2是本发明实施例中用图进行卷积池化和反池化操作的示意图。

图3是本发明实施例中时序过程中的序列到序列结构示意图。

图4是本发明实施例中提出的模型方法与其他模型的精度对比图。

图5是本发明实施例中提出的模型方法使用不同的池化参数所消耗的计算时间图表。

图6是本发明实施例中提出的模型方法在与不进行池化操作的方法在内存资源消耗上的对比图。

图7是本发明的路网交通流预测流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种基于层级时序图卷积网络的路网交通流预测方法，保证交通流量预测精度的前提下，可以大大提升计算效率。以下结合附图对实施例进行详细说明。

如图1至图7所示，一种基于层级时序图卷积网络的路网交通流预测方法，该方法包括以下步骤：

S1、建立路网图，根据路网图构建邻接矩阵；

S2、将每个节点上的流量作为此节点的信号；

S3、利用图的邻接矩阵，计算拉普拉斯矩阵，针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；

S4、构建聚类池化和反池化模块，提取路网中的层级信息，寻找相似结构的流量特征；

S5、谱图卷积模块和聚类池化模块一起构成GRU单元，实现对流量时间特征的提取；

S6、利用自编码结构完成序列到序列的流量预测；Encoder和Decoder中的神经元均由GRU单元构成。

首先是构建路网图G＝(V,E)(|V|＝N是图的节点，E是每个节点之间的边)，也就是步骤S1中所述的根据路网图构建邻接矩阵，其步骤具体包括以下点：

(1)将观测计算车流量的检测站或交叉路口作为图的节点；

(2)交叉口或检测站之间的道路连通则在图上用线连接；

(3)邻接矩阵的权重通过两个交叉口或监测站之间的实际距离计算，其中W_i，j表示v_i和v_j两个监测站之间的权重，dist()表示监测站之间的距离，σ是距离的标准差。

(4)最终得到一个带权重的邻接矩阵A，且A∈R^N×N，,a_i，j＝W_i，j

在步骤S2中，统计一段时间，如5min或0.5h内，经过道路上每个节点的车辆数，即车流量，将其作为这段时间t，这个节点i的信号

在步骤S3中，建立谱图卷积模块，提取路网的空间结构影响的步骤如下；

(1)根据邻接矩阵A，计算拉普拉斯矩阵，其中D为图的度矩阵，图的傅立叶基U是正则化的图拉普拉斯矩阵的特征向量矩阵，U∈R^n×n，Λ是特征值的对角矩阵；

(2)对流量信号进行谱图卷积操作，ge＊x＝UgeU^Tx，*表示卷积乘，ge是L的特征值的函数，即ge(Λ)；

(3)由于拉普拉斯矩阵的特征值分解较为复杂，因此利用切比雪夫多项式T(x)＝2xT_k-1(x)-T_k-2(x)来近似卷积过程,其中T₀(x)＝1，T₁(x)＝x，用这一近似构建的卷积模块是： 是L的正则化。

实施中所述构建聚类池化和反池化模块，可以参考图2，具体包括以下步骤：

聚类池化操作pooling在Encoder阶段，需要构建一个神经网络学习一个节点转换矩阵，将经过卷积操作的N个节点信息，分配到M个节点上，也就是N类聚为M类，其中某些具有相似结构或功能的节点聚为一类，在后序的操作中做为一个新的节点继续执行。图2的Encoder部分详细展示了聚类池化的操作。第一次池化时，经过神经网络的训练，实线圈起来的两个节点较为相似，双点划线圈起来的两个节点也较为相似，他们分别聚为一类，得到新的节点，即pooling操作后的实线节点和双点划线节点，而其他节点自己聚为一类，没有发生节点的融合和更新。这些节点构成一个新的更小的图，此时原图由于经过了池化操作的聚类粗化，每个节点已经包含了一定的层级信息，尤其是发生了聚类融合更新的节点。

由于经过池化相当于形成了一个新图，所以不仅需要确定图的节点个数，而且还需要知道每个节点之间的连接关系，以及包含了层级信息的每个节点的特征变化。本文中用邻接矩阵A表示节点之间的连接关系，X表示节点上的特征。经过pooling操作的邻接矩阵为A_pool，节点特征为X_pool，这一步的目的是找到一个函数Pool实现(A_pool，X_pool)＝Pool(A,X)。我们通过一个神经网络学习到一个转换矩阵T∈R^n×m，这个转换矩阵是原图中N个节点对应在新图中M个节点的概率，因此(A_pool，X_pool)＝Pool(A,X)＝(T^T*A*T,T^T*X)。这里的神经网络定义为作用在(A,X)上的一层relu和一层softmax，relu层主要是为了学习转换规律，softmax层主要是为了将学习到的转换情况用概率的形式表示。

经过卷积池化操作，图形结构变小，而为了完成对每个节点的特征提取和预测，我们需要使用反池化的操作将聚为一类的节点进行拆分，得到与原图相同的结构。反池化本质上是池化操作的逆过程，同时为了和池化操作的节点聚类情况相匹配，它使用的转换矩阵应恰好与每次池化的相同。

因池化操作得到(A_pool，X_pool)是通过(T^T*A*T,T^T*X)计算的，则这里将其反池化恢复时邻接矩阵应该使用池化操作之前的邻接矩阵，而分解出来的节点以及节点特征应该是X＝(T^T)^-1*X_pool，但是由于T是N*M，且N>M，不是一个方阵，没有逆运算，因此在这里我们利用节点分配的规律，与pooling阶段N个节点分配到M个节点相对应，unpooling阶段是将M个节点恢复为N个节点，则可以使用pooling阶段转换矩阵的转置矩阵进行此时的转换，同时在这一矩阵上使用softmax得到节点回复概率的分配。公式X＝Unpool(X_pool)＝TX_pool完成了反池化节点信息特征的转换，而邻接矩阵A则使用pooling阶段对应的邻接矩阵。

在提取时间特征的过程中，所述谱图卷积模块和池化模块一起构成GRU单元，可以参考图1中GRU单元的内部结构图，具体包括以下步骤：

(1)流量信号输入谱图卷积模块，得到的输出作为聚类池化模块的输入；

(2)池化或反池化阶段的输出作为整个GRU单元的输入；

将池化或反池化阶段的输出作为GRU单元的输入主要是为了替换GRU单元中的简单乘法，而将其转换为卷积池化的乘法。

而为了使用历史数据预测未来一段时间内的流量，本发明利用自编码结构完成序列到序列的流量预测，参见图3，具体包括以下步骤：

(1)在Encoder部分进行输入序列的处理，每个神经元包括两个GRU单元，每个GRU内部进行卷积和池化操作；

(2)Decoder部分的每个神经元中也包括两个GRU单元，这里每个GRU单元中进行的是卷积和反池化操作；

(3)Encoder部分的隐藏层结果将作为Decoder部分的输入；

最终Decoder部分的输出作为预测序列的输出，也就是预测的未来一段时间的车流量。

本发明以上显示和描述了本发明的基本原理和优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界。

Claims (9)

1.一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，该方法包括以下步骤：

S1、建立路网图，根据路网图构建邻接矩阵；

S2、将每个节点上的流量作为此节点的信号；

S3、利用图的邻接矩阵，计算拉普拉斯矩阵，针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；

S4、构建聚类池化和反池化模块，提取路网中的层级信息，寻找相似结构的流量特征；

S5、谱图卷积模块和聚类池化模块一起构成GRU单元，实现对流量时间特征的提取；

S6、利用自编码器结构完成序列到序列的流量预测；Encoder和Decoder中的神经元均由GRU单元构成。

2.根据权利要求1所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述步骤S1中，根据路网图构建邻接矩阵的步骤具体包括：

将观测计算车流量的监测站或交叉路口作为图的节点；

交叉口或检测站之间的道路连通则在图上用线连接；

邻接矩阵的权重通过两个交叉口或监测站之间的实际距离计算，其中W_i，j表示v_i和v_j两个传感器之间的权重，dist()表示观测站之间的距离，σ是距离的标准差。

3.根据权利要求1所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述步骤S2中，每个节点上的流量用5min或0.5h时间内，道路上每个节点通过的车辆数表示。

4.根据权利要求1所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述步骤S3中，为了提取路网空间结构对流量影响，建立谱图卷积模块，具体步骤包括：

根据邻接矩阵，计算拉普拉斯矩阵

对流量信号进行谱图卷积操作，g₀＊x＝U_g0U^Tx，*表示卷积乘，图的傅立叶基U∈R^n×n是正则化的图拉普拉斯矩阵的特征向量构成的矩阵。g₀是拉普拉斯矩阵L的特征值的函数，即

为了降低谱图卷积操作中矩阵运算的时间复杂度，利用切比雪夫多项式：T(x)＝2xT_k-1(x)-T_k-2(x)来近似卷积过程,其中T₀(x)＝1，T₁(x)＝x；

由此而构建的近似谱图卷积模块为： 是L的标准化，即其中λ_max是最大的特征值，I_N是单位矩阵。

5.根据权利要求1所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述步骤S4中，构建聚类池化和反池化模块具体包括以下步骤：

聚类池化操作pooling在Encoder阶段，需要构建一个神经网络学习一个节点转换矩阵，将经过卷积操作的N个节点信息，分配到M个节点上(M<N)；

反池化操作unpooling在Decoder阶段，利用一个节点转换矩阵，将经过卷积的M个节点，还原回原来的N个节点；

即节点转换矩阵是一个二维矩阵T∈R^N×M，假设它的两个维度方向是x(N行所在的方向)和y(M列所在的方向)，那么pooling阶段每一行的值是一个节点分配到M个节点上的概率，而unpooling阶段的转换矩阵是与pooling阶段对应的转换矩阵，但是这一矩阵需要将pooling阶段的节点转换矩阵在y轴做正则化，即得到M个节点还原回N个节点上的概率。

6.根据权利要求5所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述聚类池化操作pooling在Encoder阶段的神经网络结构具体包括以下步骤：

根据邻接矩阵建立图模型；

将图模型进行非线性转换，如ReLU方法；

经过非线性转换的结果再放入softmax方法中，求得当前层N个节点分配到下一层M个节点的概率。

7.根据权利要求6所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述图模型为一般的图神经网络或图卷积神经网络的任意一种。

8.根据权利要求1所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述步骤S5中，所述谱图卷积模块和聚类池化模块一起构成GRU单元具体包括以下步骤：

流量信号输入谱图卷积模块，得到的输出作为聚类池化模块的输入；

聚类池化或反池化阶段的输出作为整个GRU单元的输入。

9.根据权利要求1所述一种基于层级时序图卷积网络的路网交通流预测方法，其特征在于，所述步骤S6中，利用自编码结构完成序列到序列的流量预测，具体包括以下步骤：

Encoder部分进行输入序列的处理，每个神经元包括两个GRU单元，进行谱图卷积和聚类池化操作；

Decoder部分的每个神经元中包括两个GRU单元，GRU单元中进行谱图卷积和反池化操作；

Encoder部分的隐藏层结果将作为Decoder部分的输入；

最终Decoder部分的输出作为预测序列的输出。