CN110491129A - 基于时空图的发散卷积循环神经网络的交通流预测方法 - Google Patents

Abstract

本发明公开了提供基于时空图的发散卷积循环神经网络的交通流预测方法，基于交通网络的空间特征构建了路网的有向加权图，接着以该有向加权图为预测的基本单位，构建一个图形发散卷积循环神经网络的交通流预测模型，并通过交通网络的时空特性进行深度学习，进而来对交通路网的交通流进行时空预测，构建了最终的交通流预测模型，实现对交通流的实时预测。本方法具有预测精准、拟合程度较高的优点。

Description

基于时空图的发散卷积循环神经网络的交通流预测方法

技术领域

本发明涉及智能交通领域，具体的，涉及基于时空图的发散卷积循环神经网络的交通流预测方法。

背景技术

交通流预测在可持续发展的智能交通领域具有重要现实意义。交通流预测就是这种可持续学习和改善的典型样例之一。由于(1)不断变化的路况导致的非线性的时间动态性；(2)道路网拓扑的复杂空间依赖性；(导致这一任务具有非常大的挑战性。而随着大数据的实时处理和管理技术的飞速发展，对于海量的交通数据的即时处理和应用成为可能。因此本章将结合大数据的应用之一—深度学习方法，提出了一种图形发散卷积循环神经网络的交通流预测方法，来对复杂道路交通系统中交通流数据进行预测，为后期的动态路径选择算法提供数据支撑，实现最优路径的选取。

由于交通网络的复杂性和动态性，仅仅根据路网中的一个节点或者一处截面的交通流数据远远不能够解释真实的交通状况。目前的交通流预测方法主要存在的问题有：

①没有同时考虑交通流的时空特性(时间依赖性和空间依赖性)，仅仅从微观上考虑了某一截面的交通流数据进行预测；

②没有考虑到交通流是一个逐渐发散的流过程，即当前位置的交通流随着时间的变化，会逐渐向周围由近及远的发散。

发明内容

有鉴于此，本发明的目的是提供基于时空图的发散卷积循环神经网络的交通流预测方法，基于交通网络的空间特征构建了路网的有向加权图，接着以该有向加权图为预测的基本单位，构建一个图形发散卷积循环神经网络的交通流预测模型，并通过交通网络的时空特性进行深度学习，进而来对交通路网的交通流进行时空预测，构建了最终的交通流预测模型，实现对交通流的实时预测。

本发明的目的是通过以下技术方案实现的：

基于时空图的发散卷积循环神经网络的交通流预测方法，所述预测方法具体为：

S1：基于交通网络的空间特征构建了路网的有向加权图；

S2：构建图形发散卷积循环神经网络的交通流预测模型；

S3：获取空间依赖关系和交通流序列数据的时间依赖关系；

S4：将S2获得的图形发散卷积循环神经网络的交通流预测模型通过空间依赖关系和交通流序列数据的时间依赖关系进行深度学习，获得最终模型，进而对交通流进行实时预测。

进一步，所述S1具体为：

S11：根据交通流数据采集方式的不同对交通路网设置节点进行划分；

S12：根据车道类型，设置有向连接弧来表示节点之间的行驶方向；

S13：建立表示节点之间邻近度的权重邻接矩阵。

进一步，所述邻接矩阵为：

其中，A_i,j为节点v_i,v_j之间的边的权重；

dist(v_i,v_j)：为节点v_i→v_j的最短距离，此距离的计算需要根据地图上道路距离进行测量，并不是两点间的欧氏距离；且dist(v_i,v_j)≠dist(v_j,v_i)，因为在道路交通网络中存在单行道等因素；

σ²：为距离dist(v_i,v_j)的方差；

k：为设置的阈值，即当两个节点的距离超出阈值k的大小，即dist(v_i,v_j)＞k，则代表两节点的相关权重系数为0，无相关性。

进一步，所述图形发散卷积循环神经网络的交通流预测模型具体为：

其中：θ为模型f(·)的参数，t为时间区间，f(·)为训练函数。

进一步，所述获取空间依赖关系的具体方法为：

A1：基于有向加权图，构造一个按照概率α,α∈[0,1]和一个进行随机移动的状态转移矩阵(diag(AI))^-1A，直至收敛于一个稳定的分布

A2：在卷积层中在有向加权图的信号特征X^t _:P∈R^n×R和滤波器之间进行卷积计算；

A3：从发散卷积层的输入输出维度出发，得到滤波器参数θ所在区间内输入到输出的卷积计算结果，具体为：

其中Y_:,o为卷积层的输出，且o∈{1,2,3,...O}，代表输出层的特征维度；X_:,r为卷积层的输入，且r∈{1,2,3,...R}；f([θ])为滤波器；σ(·)为激活函数。

进一步，所述A2具体为：

A21：首先令状态转移方程D_p＝(diag(AI))^-1A，并得到反向状态转移方程D_r＝(diag(AI))^-1A^T；

A22：进行加权有向图和滤波器f(θ)的双向发散卷积计算，具体为：

其中，r∈{1,2,3,...R}；这里θ∈R^K×2为滤波器f(θ)的参数。

进一步，获取交通流序列数据的时间依赖关系的方法如下：

H^t＝(1-u^t)⊙C^t+u^t⊙H^t-1；

其中：u^t＝σ(W_u*_G[X^t,H^t-1]+b_u)；

C^t＝tanh(W_c*_G[r^t⊙H^t-1,X^t]+b_c)；

r^t＝σ(W_r*_G[X^t,H^t-1]+b_r)；

X^t为信号特征且为循环神经网络的输入，H^t为输出；W_r,W_u,W_c是对应滤波器的矩阵参数；b_r,b_u,b_c是对应滤波器的偏置；σ(·)为sigmoid激活函数。

本发明的有益效果是：

本发明基于交通网络的空间特征构建了路网的有向加权图，接着以该有向加权图为预测的基本单位，构建一个图形发散卷积循环神经网络的交通流预测模型，并通过交通网络的时空特性进行深度学习，进而来对交通路网的交通流进行时空预测，构建了最终的交通流预测模型，实现对交通流的实时预测，具有预测精准，拟合程度较高的优点。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明流程图；

图2为平稳趋势的交通流预测图；

图3为波动趋势的交通流预测图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

实施例1

本实施例提出基于时空图的发散卷积循环神经网络的交通流预测方法，通过对采集的交通流数据进行分析和挖掘，来刻画出城市道路交通状况是交通流预测的主要目的，在数据结构中，图是一种非常有用的数据结构，由一系列的节点和边类型构成,具有非常明显的局部连接属性，主要用来表示数据之间的关系，而在城市道路交通网中，错综复杂的城市道路，车辆在道路上的交汇和分离，整个交通路网是一个复杂的系统。如图1所示，预测方法具体为：

S1：针对交通网络的连接属性构建一个有向加权的交通网络图G，G＝(v,ε,A)，作为基本预测单元。其中v为图G中的预测节点，ε为图G中一组有向边，A为节点v的权重邻接矩阵，具体为：

S11：根据交通流数据采集方式的不同对交通路网设置节点进行划分；

交通流数据的采集方式按照定点和不定点可以分为两种，定点采集的方式主要指通过道路两旁的线圈或者摄像头拍摄等方式获取；不定点主要是指交通的GPS浮点数据集。为了使得交通流数据预测算法更好地适用性。对于浮点数据集，我们在路段中按照一定的间隔设定节点{v_i},i∈{0,1,2,...n}对交通路网G空间进行分割；对于道路检测器采集的交通流数据集，以检测器地理位置为节点{v_i},i∈{0,1,2,...N}对交通路网G进行分割，整个路网的节点数为|v|＝n。

S12：根据车道类型，设置有向连接弧来表示节点之间的行驶方向；

由于道路交通网的复杂性，道路可以分为双向车道和单向，因此用来表示两个不同节点之间的连接边ε，为一组有向连接弧，(v_i,v_j)代表节点v_i→v_j，(v_i,v_j)≠(v_j,v_i)，(v_j,v_i)代表节点v_j→v_i。

S13：建立表示节点之间邻近度的权重邻接矩阵。

在不同节点v_i,v_j之间距离不同，受路网复杂的结构影响，距离的度量方式也不同，为了衡量出不同节点之间的区别，需要建立一个权重的邻接矩阵A是一个n×n维的邻接矩阵，表示节点之间的临近度。这里我们利用带有阈值的高斯核来建立邻接矩阵：

其中A_i,j为节点v_i,v_j之间的边的权重；

dist(v_i,v_j)：为节点v_i→v_j的最短距离，此距离的计算需要根据地图上道路距离进行测量，并不是两点间的欧氏距离；且dist(v_i,v_j)≠dist(v_j,v_i)，因为在道路交通网络中存在单行道等因素；

σ²：为距离dist(v_i,v_j)的方差；

k：为设置的阈值，即当两个节点的距离超出阈值k的大小，即dist(v_i,v_j)＞k，则代表两节点的相关权重系数为0，无相关性。

将在时间区间t，有向加权图G上观测到的交通流表示为图形信号X^t，且其中N是图G的节点数；R代表采集到的交通流数据的特征(如流量，速度，占有率等)维数，若交通流数据特征为速度和占有率，则R＝2。

S2：构建图形发散卷积循环神经网络的交通流预测模型；

交通预测模型可以表述如下：通过学习模型f(·)，在给T'周期内加权有向图G的历史交通流数据，预测未来T周期在有向图G上的交通流数据，即：

其中θ为模型f(·)的参数。时间区间t并不是指实际的某一个时间点，而是指在数据预处理阶段，对时间进行分段划分的时间区间，假设时间区间的长度为5min，那么时间区间t＝1代表时间间断[00:00,00:05]，其他的以此类推。注意上述交通预测问题不同于单步时间序列预测问题。预测目标是一个多元数列，时间序列分布在包含空间和时间结构的加权有向图G上，能够在时间维度和空间维度上更好地刻画出交通流特征，有助于提高交通流预测精度。

S3：获取空间依赖关系和交通流序列数据的时间依赖关系；

①空间依赖关系

交通网络是一个非常复杂的系统，交通流数据不仅仅是一个时间序列数据，而且具有高度的空间相关性。某时刻某一路段的交通流数据不仅仅受到上下游道路交通流数据的影响，而且也受到隔壁反方向车道交通流数据的影响。因此在空间上，其空间相关性是一个按照一定的概率发散的流动过程，我们可以通过构造其发散的过程来获取交通流数据动态的随机性。

A1：基于有向加权图，构造一个按照概率α,α∈[0,1]和一个进行随机移动的状态转移矩阵(diag(AI))^-1A，其中I是单位矩阵，在经过多次的状态转移后，根据马尔科夫特性，可以收敛于一个稳定的分布其中χ_i,:为矩阵χ第i行其数值代表路径中设置的第i个区间划分节点，即v_i向其他节点发散的概率值其分布计算公式如下：

其中k是状态转移的步数；本实施例使用K步作为扩散过程上限并为每一步分配一个可训练的权重，而且此扩散过程也包括了方向，即可以实现现实道路中上下游双向对当前道路交通情况的影响。

A2：在卷积层中在有向加权图的信号特征和滤波器之间进行卷积计算；

A21：首先令状态转移方程D_p＝(diag(AI))^-1A，并得到反向状态转移方程D_r＝(diag(AI))^-1A^T；

A22：进行加权有向图G和滤波器f(θ)的双向发散卷积计算，具体为：

其中，r∈{1,2,3,...R}；这里θ∈R^K×2为滤波器f(θ)的参数。

A3：卷积层的输入为其输出维度记作其中O为其输出数据的特征维度，因此整个卷积神经网络则是一个N×R维的输入，N×O维的输出，因此整个网络的参数可记作[θ]＝θ_R,O,:,:，因此从发散卷积层的输入输出维度出发，得到滤波器参数θ所在区间内输入到输出的卷积计算结果，具体为：

其中o∈{1,2,3,...O}，代表输出层的特征维度，与R相对应；f([θ])为滤波器，σ(·)为激活函数，常用激活函数包括sigmoid,tanh和Relu。此卷积层主要用于学习交通流数据的结构特征，即空间依赖性。模型的训练方法主要可以通过批次梯度下降和随机梯度下降进行处理。

②获取交通流序列数据的时间依赖关系的方法

构建序列模型，采用循环神经网络(GRU，LSTM)进行构建模型。

本申请在回归神经网络框架中对时间动态进行建模。RNN的变体之一是门控循环单元(GRU)，与LSTM相比，它具有更简单的结构和竞争性能，且能够处理传统循环神经网络梯度消失等问题。其模型结构如下：

其中GRU是在LSTM模型的基础上进行更改的，LSTM主要是通过刻意的设计来避免标准循环神经网络中长期依赖的关系的。通过设置若干门控单元来控制依赖传递信息的长短。而其中GRU则是通过设置了两个门：重置门和更新门来对传递的信息进行控制。这里，本申请利用改进的GRU模型来获取交通流的时间特性。在标准的GRU中，我们主要是通过使用上文所述的发散卷积计算来替换标准GRU中的矩阵乘机计算，一个GRU单位具体计算如下：

H^t＝(1-u^t)⊙C^t+u^t⊙H^t-1；

其中：u^t＝σ(W_u*_G[X^t,H^t-1]+b_u)，为更新门；

C^t＝tanh(W_c*_G[r^t⊙H^t-1,X^t]+b_c)，为重置门；

r^t＝σ(W_r*_G[X^t,H^t-1]+b_r)；

X^t为信号特征且为循环神经网络的输入，H^t为输出；W_r,W_u,W_c是对应滤波器的矩阵参数；b_r,b_u,b_c是对应滤波器的偏置；σ(·)为sigmoid激活函数。

S4：将S2获得的图形发散卷积循环神经网络的交通流预测模型通过空间依赖关系和交通流序列数据的时间依赖关系进行深度学习，获得最终模型，进而对交通流进行实时预测。

整个基于数据驱动的图形发散卷积神经网络模型：

T'为输入数据的时间区间的长度；T为输出数据的时间区间的长度。

输入为代表为在整个加权有向图G，从时间区间t-T'+1到t的历史交通数据，其特征维度为R，如交通流数据为速度，流量，则R＝2；

输出为即通过输入数据预测得到的从时间区间t+1到t+T内的，同样R维度交通流数据。

实施例2

采用来源于洛杉矶的从2012年3月1日到6月1日，连续四个月的交通速度数据作为案例测试。划分了207预测节点，每个节点有着固定的经纬度，并将时间进行划分，每5分钟作为一个时间区间，每个道路检测节点一天288条记录。根据设置预测节点的空间位置和时间关系组件图形发散卷积循环神经网络的交通流预测模型。交通流量根据时间的变化可以分为平稳趋势和波动趋势两种交通流预测，其中14:00-16:00属于平稳趋势，8:00-10:00属于波动趋势。为了分析交通流量数据在时空上表现得相关性，选用70％的数据用来训练模型和估计参数，30％的数据作为预测的验证数据进行对比分析。图2和图3分别表示平稳趋势和波动趋势的交通流预测图。本发明提出的图形发散卷积循环神经网络的交通流预测模型与常规时间序列模型ARIMA和神经网络序列LSTM模型进行比较分析，验证交通流数据的有效性和可行性，交通流预测结果对比如表1所示。根据平均绝对误差(MAE),均方根误差(RMSE)，R2决定系数(R2-score)三种评价指标来对预测结果进行评估，验证预测精度，其计算公式如下：

1)平均绝对误差(MAE)

2)均方根误差(RMSE)

3)R2决定系数(R2-score)

其中y_i为交通速度的实际值；为交通速度的预测值。交通流预测的评价指标结果如表1所示。由表1可知，本发明提出的图形发散卷积循环神经网络的交通流预测模型(G-CRNN)在与常规时间序列模型ARIMA和神经网络序列LSTM模型的比较中，评价指标MAE，RMSE和R2-score上都取得了明显的优势，得到了一个比较满意的预测结果,其模型拟合程度达到了0.91以上，相关性较好。因此运用本案例验证了预测方法的可行性和有效性。

表1为交通流预测的评价指标结果

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.基于时空图的发散卷积循环神经网络的交通流预测方法，其特征在于：所述预测方法具体为：

S1：基于交通网络的空间特征构建了路网的有向加权图；

S2：构建图形发散卷积循环神经网络的交通流预测模型；

S3：获取空间依赖关系和交通流序列数据的时间依赖关系；

S4：将S2获得的图形发散卷积循环神经网络的交通流预测模型通过空间依赖关系和交通流序列数据的时间依赖关系进行深度学习，获得最终模型，进而对交通流进行实时预测。

2.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其特征在于：所述S1具体为：

S11：根据交通流数据采集方式的不同对交通路网设置节点进行划分；

S12：根据车道类型，设置有向连接弧来表示节点之间的行驶方向；

S13：建立表示节点之间邻近度的权重邻接矩阵。

3.根据权利要求2所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其特征在于：所述邻接矩阵为：

其中，A_i,j为节点v_i,v_j之间的边的权重；

dist(v_i,v_j)：为节点v_i→v_j的最短距离，此距离的计算需要根据地图上道路距离进行测量，并不是两点间的欧氏距离；且dist(v_i,v_j)≠dist(v_j,v_i)，因为在道路交通网络中存在单行道等因素；

σ²：为距离dist(v_i,v_j)的方差；

k：为设置的阈值，即当两个节点的距离超出阈值k的大小，即dist(v_i,v_j)＞k，则代表两节点的相关权重系数为0，无相关性。

4.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其特征在于：所述图形发散卷积循环神经网络的交通流预测模型具体为：

其中：θ为模型f(·)的参数，t为时间区间，f(·)为训练函数。

5.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其特征在于：所述获取空间依赖关系的具体方法为：

A1：基于有向加权图，构造一个按照概率α,α∈[0,1]和一个进行随机移动的状态转移矩阵(diag(AI))^-1A，直至收敛于一个稳定的分布

A2：在卷积层中在有向加权图的信号特征X^t _:P∈R^n×R和滤波器之间进行卷积计算；

A3：从发散卷积层的输入输出维度出发，得到滤波器参数θ所在区间内输入到输出的卷积计算结果，具体为：

其中Y_:,o为卷积层的输出，且o∈{1,2,3,...O}，代表输出层的特征维度；X_:,r为卷积层的输入，且r∈{1,2,3,...R}；f([θ])为滤波器；σ(·)为激活函数。

6.根据权利要求5所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其特征在于：所述A2具体为：

A21：首先令状态转移方程D_p＝(diag(AI))^-1A，并得到反向状态转移方程D_r＝(diag(AI))^-1A^T；

A22：进行加权有向图和滤波器f(θ)的双向发散卷积计算，具体为：

其中，r∈{1,2,3,...R}；这里θ∈R^K×2为滤波器f(θ)的参数。

7.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其特征在于：获取交通流序列数据的时间依赖关系的方法如下：

H^t＝(1-u^t)⊙C^t+u^t⊙H^t-1；

其中：u^t＝σ(W_u*_G[X^t,H^t-1]+b_u)；

C^t＝tanh(W_c*_G[r^t⊙H^t-1,X^t]+b_c)；

r^t＝σ(W_r*_G[X^t,H^t-1]+b_r)；

X^t为信号特征且为循环神经网络的输入，H^t为输出；W_r,W_u,W_c是对应滤波器的矩阵参数；b_r,b_u,b_c是对应滤波器的偏置；σ(·)为sigmoid激活函数。