CN110827544A - 一种基于图卷积循环神经网络的短时交通流控制方法 - Google Patents

Abstract

本发明涉及短时交通流控制领域，具体涉及一种基于图卷积循环神经网络的短时交通流控制方法；该方法包括：获取数据源；构建图结构交通流量序列；根据图结构交通流量序列在时间维的多级别性构建时空图卷积循环网络的近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；融合3个模型的结果，得到短时交通流量预测模型；根据这个模型得到预测结果；统计预测数据，将统计的结果发送给交通部门，控制该路网各卡口车流量；本发明利用时空图卷积循环神经网络同时建模交通流近期、日周期和周周期依赖性，建立基于多组件数据融合的时空图卷积循环神经网络的短时流量预测模型，从而达到精准的预测结果。

Description

一种基于图卷积循环神经网络的短时交通流控制方法

技术领域

本发明涉及短时交通流控制领域，具体涉及一种基于图卷积循环神经网络的短时交通流控制方法。

背景技术

随着社会经济持续快速发展，汽车数量不断增加，道路交通流量也随之增大，并由此带来了一系列的交通问题。在不改变当前路网的情况下，通过智能交通控制系统实现对路网短时交通流量的控制和诱导，是解决交通问题的有效途径之一。同时，准确的交通流预测信息不仅可以提高公众出行效率，而且还能够为交通部门制定管理方案、合理分配交通资源等提供参考依据。而短时交通流量预测旨在依据道路交通流量信息采用适当的方法去预测未来小段时间的交通流量状况，不同类别的交通数据内嵌于连续空间，并且随时间动态变化。如何从这些高度复杂、非线性的交通流数据中挖掘出隐含的时空模式，并提取出有价值的信息，是交通流时空数据挖掘的重要任务。目前，随着智能交通发展，许多学者在该类问题上进行了大量探究。早期基于统计学习的预测方法，如历史平均法、时间序列法等，计算复杂度低，操作简单，但模型受交通流的波动性影响较大，对具有较强随机性的非平稳流量数据预测效果不佳。随后发展起来的基于机器学习的预测方法，如支持向量法、聚类法等，虽然能够处理更为复杂、非线性的交通流数据，但不能同时有效地考虑交通流的时空关联性，并且预测效果很大依赖于特征工程。

近年来，将深度学习方法应用到交通流预测中成为了研究热点，例如专利申请号为CN201610183090.1的《一种基于卷积神经网络的短时交通流量预测方法》中提出了通过卷积神经网络建模交通流量数据二维特征信息来对短时交通流进行预测。通过卷积神经网络可以提取规则路网网格数据的时空特征用于短时流量预测，并且使预测模型学习到更多流量特征，提升了精确度。

但是基于欧氏距离的路网模型不能体现路口之间的空间连通关系，即使在网格上做卷积，也会由于数据建模的折衷，只能粗略地捕获空间局部性，在卷积神经网络建模过程中未考虑车辆经过卡口的时空特性，存在构建的模型精确度差的问题。

发明内容

为解决上述技术问题，本发明采用一种基于图卷积循环神经网络的短时交通流控制方法，其方法步骤包括：

S1：通过路边检测设备提取车辆信息，获取数据源；

S2：构建图结构交通流量序列；

S3：根据图结构交通流量序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；

S4：对时空图卷积循环网络近期组件模型的输出结果，时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合，得到短时交通流量预测模型；并得到预测数据；

S5：将预测数据发送给交通部门，控制该路网各卡口的车流量。

优选的，获取的数据包括卡口编号、车牌号、过车时间、卡口GPS位置等属性；根据这些数据整理车辆轨迹数据集，并对数据源重复数据、无效数据进行清洗。

优选的，构建路网拓扑图包括：收集车俩轨迹信息利用车辆轨迹

统计相邻卡口间的过车概率，构建有行车偏好信息的权重邻接矩阵A；从收集的数据源中得到卡口节点集合L和代表相邻节点的连通性的边集E；根据得到的权重邻接矩阵A，卡口节点集合L以及边集E构建路网拓扑图G＝(L，E，A)。

优选的，近期特性的输入序列

日周期特性输入序列

周周期特性输入序列

分别为：

优选的，构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；其中，时空图卷积循环网络近期组件模型的计算过程包括：获取路网的近期特性的输入序列根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的重置门的状态为：r(t)＝σ(θ_r*_G[X_G(t)，H(t-1)]+b_r)；根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的更新门的状态为：z(t)＝σ(θ_z*_G[X_G(t)，H(t-1)]+b_z)；得到时空图卷积循环神经网络在t时刻隐藏层的状态：H(t)＝z(t)·H(t-1)+(1-z(t))·H′(t)，其中

根据时空图卷积循环神经网络在t时刻隐藏层的状态H(t)，得到时空图卷积循环网络近期组件模型的输出结果为：

优选的，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型的计算过程相同，时空图卷积循环网络日周期组件模型的输出结果为：

时空图卷积循环网络周周期组件模型的输出结果为：

优选的，短时交通流量预测模型为：

本发明利用图卷积计算处理复杂图结构数据的能力和循环神经网络处理时序问题的能力，将空间图卷积引入时间维的循环记忆单元建立时空图卷积循环神经网络来处理路网交通流随时间演化的特性，避免了单一网络不能同时有效考虑时间和空间的局限；并且本发明利用时空图卷积循环网络同时建模交通流近期、日周期和周周期依赖性，建立基于多组件数据融合的时空图卷积循环神经网络的短时流量预测模型，从而达到精准的预测结果。

附图说明

图1为本发明的总体流程图；

图2为本发明的学习算法流程图；

图3为本发明的时空卷积循环网络单元图。

具体实施方式

为了更好的说明本发明的内容，以下参考说明书附图并举实施例，对本发明的具体实施例作进一步的阐述。

如图1所示，本发明包括：获取数据模块，路网拓扑图构建模块，模型构建模块，预测和分析模块共四大模块。

本发明为一种基于图卷积循环神经网络的短时交通流控制方法，如图2所示，该方法的具体步骤为：

S1：通过路边检测设备提取车辆信息，获取数据源；

S2：构建图结构交通流量序列；

S3：根据图结构交通流量序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；

S4：对时空图卷积循环网络近期组件模型的输出结果，时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合，得到短时交通流量预测模型；并得到预测数据；

S5：将预测数据发送给交通部门，控制该路网各卡口的车流量。

对于获取的数据源，包括：从卡口记录设备获取到的数据包括卡口记录中的卡口编号、车牌号、过车时间、卡口GPS位置等属性。根据卡口名称与位置、车牌和过车时间这整理各卡口在不同时间点的过车数据，并同时根据轨迹相关属性整理出车辆轨迹数据集。对数据源重复数据、无效数据进行清洗，有利于数据分析。

步骤S2中构建图结构交通流量序列包括：

S21：路网拓扑图的构建；由于车辆在经过卡口时被记录，其轨迹信息为卡口编号的有序集合

其中，

表示车辆编号为v，轨迹编号为k的车辆轨迹；l₁，l₂，l₃，…，l_n表示车辆v经过交通卡口的位置编号；车辆轨迹有序卡口位置编号体现了卡口间的连通关系，因而从步骤S1中获取轨迹数据，然后基于轨迹构建实际路网拓扑图G＝(L，E，A)。

G表示卡口检测器构成的拓扑网络图，其中，L为节点集，即卡口集，L＝n为节点个数；E为边集，代表节点间的连通性，A∈R^n×n为路网拓扑图G的权重邻接矩阵，代表了节点间的关联度。

权重邻接矩阵是利用车辆轨迹

统计相邻卡口间的过车概率，从而构建带有行车偏好信息的权重邻接矩阵：

的值是卡口l_i和l_j间的过车概率，

表示两个卡口在轨迹中出现的次数。偏好概率指的是当某一卡口和其中两个卡口都邻近时，车辆更偏向于走哪个卡口，从而更体现路网中卡口间实际关联性。

在交通流控制问题中全面考虑预测时刻的交通数据与自身历史时刻的交通数据之间的时间相关性。例如，对某节点10:00-10:05am的车流量进行预测，那么与预测时段直接相邻的近期历史时延内的交通数据、对应的1天前及1周前10:00-10:05am的交通数据都会对该预测问题提供有用信息。因此，同时考虑交通流量数据固有近期依赖性、日周期依赖性和周周期依赖性性作为模型的特征输入，将路网交通流的历史输入数据按各模式进行整理。

S22：获取路网G各节点历史时刻和当前时刻的交通流量序列X_G＝{X_G(t)|t＝1，2，...}。其中，X_G(t)表示在当前时刻t观察到路网所有卡口的流量值；

S23：将X_G沿着时间轴分别截取模型的近期、日周期和周周期组件的输入；其中，近期组件输入的子序列为

日周期组件输入的子序列为

周周期组件的输入的子序列为

其中，τ_s表示输入的近期时间序列长度，τ_d表示输入的日周期时间序列长度，τ_w表示输入的周周期时间序列长度，p表示日周期跨度和q表示周周期跨度。

构建时空图卷积循环神经网络。交通流量预测的核心在于如何有效捕获数据的时空维的特征及相关性。沿空间轴，图卷积计算能够直接对路网的图结构数据进行特征提取，自动挖掘交通流量数据的空间模式。沿时间轴，循环神经网络能够利用处理时序问题的优势，自动挖掘交通数据的时间模式。因而结合两者的优势，将空间维的图卷积计算引入时间维的递归网络记忆单元构建时空图卷积循环网络，直接同时捕获路网交通流数据的时空特性，有效解决交通流量预测问题。

时空图卷积循环网络近期组件模、时空图卷积循环网络的日周期组件模型型以及时空图卷积循环网络周周期组件模型的构建包括：

如图3所示，采用循环神经网络变体-门控循环神经网络GRU，并将图卷积计算引入GRU的循环记忆单元，即图卷积计算代替GRU内部单元的矩阵乘法，得到图卷积循环神经网络，通过图卷积循环神经网络同时建模交通流的多模式特性，从而构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；其中，以时空图卷积循环网络近期组件模型的为例，其计算过程包括：

步骤1：获取路网的近期特性的输入序列

步骤2：根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的重置门的状态为：r(t)＝σ(θ_r*_G[X_G(t)，H(t-1)]+b_r)；

步骤3：根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的更新门的状态为：z(t)＝σ(θ_z*_G[X_G(t)，H(t-1)]+b_z)；

步骤4：得到时空图卷积循环神经网络在t时刻隐藏层的状态：H(t)＝z(t)·H(t-1)+(1-z(t))·H′(t)，其中

步骤5：根据时空图卷积循环神经网络在t时刻隐藏层的状态H(t)，得到时空图卷积循环网络近期组件模型的输出结果为：

时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型的计算过程相同，时空图卷积循环网络日周期组件模型的输出结果为：

时空图卷积循环网络周周期组件模型的输出结果为：

其中，r(t)表示t时刻重置门状态，z(t)表示t时刻更新门状态，H(t)表示t时刻隐藏层的状态，H′(t)表示候选隐藏状态；*_G是图卷积计算，σ(·)是sigmoid函数，sigmoid函数表示神经元的非线性作用函数；

是tanh函数，tanh函数表示双曲正切函数；θ_r，θ_z，θ_H′分别是对应的图卷积核参数；

表示输出函数参数，其中i∈(s，d，w)；“*”表示矩阵乘积，“·”表示矩阵元素对应乘积；b_r表示重置门的偏置，b_z表示更新门的偏置，b_H′表示隐藏层在t-1时刻的偏置。

重置门r的主要作用是控制前一时刻的输出H(t-1)对当前输入X_G(t)的影响；更新门z的主要作用是控制当前输入X_G(t)哪些信息被保留。通过更新门和重置门，模型可以选择性存储输入模型中的图结构交通流序列的内部关联信息。与GRU相似，图卷积循环神经网络记忆单元能够用于建立循环神经网络层，并通过时间反向传播进行训练，因而构建的图卷积循环神经网络能够直接同时捕获时间序列之间的时空依赖关系，较好地应用于路网交通流的时空预测问题。

图卷积计算过程包括：选取某一时间片段上的空间图x＝X_G(t)，对x进行图卷积：

f_θ*_G x＝f_θ(L)x＝f_θ(UΛU^T)x＝Uf_θ(Λ)U^Tx

式中f_θ是图卷积核，U(傅里叶基)和Λ(对角化算子)分别为图G的拉普拉斯矩阵L的特征向量矩阵和特征值对角矩阵，x表示t时间片段上的空间图。

其中拉普拉斯矩阵定义如下：

式中A为权重邻接矩阵，I_n为单位阵，D是度矩阵；并且i和j分别表示权重邻接矩阵A的行和列；Λ＝diag([λ₀，λ₁，...，λ_n-1])∈R^n×n，diag表示对角化，λ₀，λ₁，...，λ_n-1表示对角矩阵的元素，R^n×n表示为n行n列的矩阵。图卷积计算是利用傅里叶变换来等价替代经典卷积计算(即时域卷积等于频域相乘)，因此将图信号进行卷积操作等价于先对图信号和卷积核做傅里叶变换后相乘，再做傅里叶逆变换。图信号的傅里叶变换为U^Tx，卷积核的傅里叶变换为U^T f_θ＝f_θ(Λ)。当图的规模较大时，直接对拉普拉斯矩阵进行特征值分解时间复杂度高，因此引入切比雪夫多项式近似展开求解：

式中

λ_max表示拉普拉斯矩阵的最大特征值；θ_k∈R^K是切比雪夫多项式系数，切比雪夫定义为：

T_k(x)＝2xT_k-1(x)-T_k-2(x)

其中T₀(x)＝1，T₁(x)＝x；k表示第几项多项式，用切比雪夫多项式近似求解，即对图中的每个节点利用卷积核提取以该节点为中心的周围0～K-1阶邻居信息。

步骤4中对结果进行融合包括：步骤4包括：将时空图卷积循环网络近期组件模型的输出结果

时空图卷积循环网络日周期期组件模型输出结果

时空图卷积循环网络周周期组件模型输出结垛

进行融合，得到短时交通流量预测模型：

其中，

表示矩阵元素对应乘积，W_s、W_d和W_w是模型的学习参数，反映了近期、日周期、周周期时间依赖特性对预测目标的影响程度。

本发明从交通流量预测的核心问题出发，首先利用图卷积计算从路网拓扑图的角度来捕获交通流的复杂空间依赖性；接着将该图卷积计算引入到循环神经网络记忆单元，构建图卷积循环网络记忆单元去直接同时挖掘交通流量序列的时空依赖性；并且基于图卷积循环网络同时建模交通流时间维固有的近期、日周期和周周期特性，最终建立一种基于多组件图卷积循环神经网络的短时交通流预测方法。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，所述方法包括：

S1：通过路边检测设备提取车辆信息，获取数据源；

S2：构建图结构交通流量序列；

S3：根据图结构交通流量序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；

S4：对时空图卷积循环网络近期组件模型的输出结果，时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合，得到短时交通流量预测模型；并得到预测数据；

S5：将预测数据发送给交通部门，控制该路网各卡口的车流量。

2.根据权利要求1所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，步骤S2包括：

S21：整理车辆轨迹数据，构建路网拓扑图；

S22：根据交通流时间维的多模式特性整理路网拓扑图的节点交通流量序列，得到基于不同时间特性的图结构交通流序列数据。

3.根据权利要求2所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，所述构建路网拓扑图包括：

S211：收集车俩的轨迹信息，即

S212：利用车辆轨迹

统计相邻卡口间的过车概率，构建有行车偏好信息的权重邻接矩阵A，即邻接矩阵为：

S213：从收集的数据源中得到卡口节点集合L和代表相邻节点的连通性的边集E；

S214：根据得到的权重邻接矩阵A，卡口节点集合L以及边集E构建路网拓扑图G＝(L,E,A)；

其中，

表示车辆编号为v，轨迹编号为k的车辆轨迹；l₁,l₂,l₃,…,l_n表示车辆v经过交通卡口的位置编号；

表示卡口l_i和l_j的过车概率，

表示两个卡口在轨迹中出现的次数，n表示卡口总数。

4.根据权利要求2所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，所述得到不同时间特性的图结构交通流序列包括：

S221：获取路网G各节点历史时刻和当前时刻的交通流量序列X_G＝

{X_G(t)|t＝1,2,…}；

S222：将历史数据和当前时刻数据X_G划分为近期特性输入序列

日周期特性输入序列

和周周期特性输入序列

其中，X_G表示交通流量序列，X_G(t)表示整个路网在当前时刻t的车流量。

5.根据权利要求4所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，输入的序列包括：

其中，τ_s表示输入的近期时间序列长度，τ_d表示输入的日周期时间序列长度，τ_w表示输入的周周期时间序列长度，p表示日周期跨度和q表示周周期跨度。

6.根据权利要求1所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；其中，时空图卷积循环网络近期组件模型的计算过程包括：

步骤1：获取路网的近期特性的输入序列

步骤2：根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的重置门的状态为：r(t)＝σ(θ_r*G[X_G(t),H(t-1)]+b_r)；

步骤3：根据路网t时刻的输入求取时空图卷积循环结构记忆单元中的更新门的状态为：z(t)＝σ(θ_z*G[X_G(t),H(t-1)]+b_z)；

步骤4：得到时空图卷积循环神经网络在t时刻隐藏层的状态：H(t)＝z(t)·H(t-1)+(1-z(t))·H′(t)，其中

步骤5：根据时空图卷积循环神经网络在t时刻隐藏层的状态H(t)，得到时空图卷积循环网络近期组件模型的输出结果为：

时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型的计算过程相同，时空图卷积循环网络日周期组件模型的输出结果为：时空图卷积循环网络周周期组件模型的输出结果为：

其中，r(t)表示重置门状态，z(t)表示更新门状态，H(t)表示t时刻隐藏层的状态，H′(t)表示候选隐藏状态；*_G是图卷积计算，σ(·)是sigmoid函数，sigmoid函数表示神经元的非线性作用函数；

是tanh函数，tanh函数表示双曲正切函数；θ_r，θ_z，θ_H′分别是对应的图卷积核参数；

表示输出函数参数，其中i∈(s,d,w)；“*”表示矩阵乘积，“·”表示矩阵元素对应乘积；b_r表示重置门的偏置，b_z表示更新门的偏置，b_H′表示隐藏层在t-1时刻的偏置。

7.根据权利要求1所述的一种基于图卷积循环神经网络的短时交通流控制方法，其特征在于，将得到的三个模型融合得到的融合结果包括：将时空图卷积循环网络近期组件模型的输出结果

时空图卷积循环网络日周期组件模型输出结果

时空图卷积循环网络周周期组件模型输出结果

进行融合，得到短时交通流量预测模型：

其中，

表示矩阵元素对应乘积，W_s、W_d和W_w是模型的学习参数，反映了近期、日周期、周周期时间依赖特性对预测目标的影响程度。

Images