CN111047078B - 交通特征预测方法、系统及存储介质 - Google Patents
交通特征预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111047078B CN111047078B CN201911164201.4A CN201911164201A CN111047078B CN 111047078 B CN111047078 B CN 111047078B CN 201911164201 A CN201911164201 A CN 201911164201A CN 111047078 B CN111047078 B CN 111047078B
- Authority
- CN
- China
- Prior art keywords
- gcn
- output
- deep learning
- learning model
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 230000007774 longterm Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种交通特征预测方法,基于深度学习模型GA‑GCN实现,包括以下内容:获取历史交通特征数据集;预处理所述历史交通特征数据集;将所述历史交通特征数据集按固定时间间隔进行划分;使用所述划分后的每份历史交通特征数据集对深度学习模型GA‑GCN进行训练;结束训练,使用训练好的深度学习模型GA‑GCN对测试集中的交通特征进行预测,得到预测结果。
Description
技术领域
本发明涉及智能交通技术领域,更具体地,涉及一种交通特征预测方法、系统及存储介质。
背景技术
城市公共交通系统是现代化城市交通的重要组成部分,及时准确的交通预测在城市交通的控制和引导中越来越重要,是当今社会生活中不可或缺的一部分。交通预测传统的方法不能满足中期和长期的预测任务,同时传统的方法也没有考虑时间和空间的一些依赖关系,难以准确预测。根据调查显示,2015年,美国人平均一天需要花48分钟在路上。因此,实时交通预测不论是对市民还是政府都很有必要。
为了解决交通预测问题,目前效果最好的是IJCAI-18会议Spatio-TemporalGraph Convolutional Networks:A Deep Learning Framework for TrafficForecasting提出了一个STGCN的模型,结合时间和空间信息预测交通流量。STGCN为了更有效地利用空间信息,使用图卷积的方法,捕获顶点间的拓扑信息。STGCN模型使用了2层GCN捕获空间信息,还有数层卷积层GLU捕获时间信息,该模型在训练的时候需要大量的GPU资源。STGCN模型分别对时间和空间使用深层卷积提取特征,再加上正则化策略实现交通预测,这样分别对时间和空间提取特征的架构预测短时间(30分钟内)效果好。但是迭代预测长时间(30分钟以上)的交通特征容易出现过拟合,导致预测的交通特征精确度低。
总结一下,现有方法的缺陷:(1)时序模型分析不能考虑空间中的拓扑关系;(2)RNN模型难以训练,因为计算量非常大,而且训练时间非常长;(3)多层卷积的深度学习模型迭代预测长时间的交通特征精确度低。
发明内容
本发明在于针对现有的交通特征预测方法存在的计算量大、精确度低的技术特征,提供了一种交通特征预测方法,该方法基于深度学习模型GA-GCN实现,不但能降低显存占用率,而且使用纯卷积的方法训练需要时间较短,同时预测能达到更高的精度。
本发明设计的模型图如图1所示,下面先给出相关定义以及解释每个模块的作用。
定义1(交通网络):本发明把交通网络定义为一个无向图G=(V,E,A):V表示结点集合,也就是实际中的传感器集合,|V|=N;E是边的集合,表示节点间的连通性;A∈RN*N表示图G的邻接矩阵。交通网络上的每个结点可以得到相同频率的F个特征,比如:速度,流量等特征。
定义2(交通预测):本发明用xt f,i∈R表示在时刻t的第i个节点第f个特征的值;其次,xt i∈RF表示在时刻t第i个节点所有特征的值;用Xt=(xt 1,xt 2,...,xt N)T∈RN*F表示在时刻t所有节点所有特征的值;用表示在τ个时间片段中所有节点的所有特征的值。此外,本发明用yt f,i∈R来表示预测在t时刻第i个节点第f个特征的值。
定义3(问题定义):给定有τ个时间片段的历史数据X,预测将来Tp个时间片段所有节点的交通特征Y=(y1,y2,...,yN)T∈RN*F*Tp。
定义4(谱图卷积):后面简称为“图卷积”。图卷积表示符号“*G”,作为核Θ与输入x进行卷积运算的信号。图卷积公式如下所示:
Θ*Gx=Θ(L)x=Θ(UΛUT)x=UΘ(Λ)UTx
按照这个计算公式,图卷积的计算复杂度是O(n2),为了降低计算复杂度同时保持预测的效果,已有研究提出了切比雪夫多项式近似表示图卷积,把时间复杂度降低到线性。
定义5(切比雪夫多项式近似表示图卷积):为了对滤波器进行局部化并减少参数个数,内核可近似限制为Λ的多项式θk是多项式的系数。K是图卷积的卷积核大小,决定了从中心节点卷积的最大半径。因此图卷积公式可以重新表示为
以上部分对应的是模型图中的GCN模块,接下来说明GLU模块的作用。
门控线性单元GLU包含一个1D因果卷积(casual convolution),其宽度为Kt,如图2所示。对于图中的每个节点,时间卷积在不加填充的情况下探索输入元素的Kt邻域,每次都将序列长度缩短Kt-1。1D因果卷积卷积核的数量设置为输入前特征数的2倍,输入通过1D因果卷积后输出的结果分为P,Q两部分,P是前半部分卷积核的输出,Q是后半部分卷积核的输出,因此P,Q的特征数和输入1D因果卷积前的特征数是一致的。门控线性单元在堆叠的时间卷积层之间还使用了残差连接保留了原本的一些特征,由此构成了整个用于捕捉时间信息的GLU结构。
下面介绍cosAtt模块的作用以及相关运算。这里把定义推广应用到两条道路间的相似度衡量。
定义7基于余弦值的相似度衡量方法:两个m维属性向量i和j相似度为sim(i,j),相似度通过计算这两个向量的余弦值得到。有如下计算方式:
其中,·表示两个向量间点乘,*表示标量乘法。
其中wi和wj是权重矩阵,A为注意力机制使用的运算函数。对顶点邻域的注意力系数eij进行归一化:
其中Ni是一个图中与i节点互为邻居的点集合,即i的邻域。图注意力机制Attention的结果即归一化后的注意力系数与顶点特征集合h的加权和。
为了使图注意力机制和余弦相似度适用于本问题,使用注意力机制注意两个相似性高的顶点,注意力机制中的运算函数使用余弦相似度的计算法则,并对最终结果使用sigmoid函数激活。下面是将余弦相似度和注意力机制结合本问题的定义。
aij=sigmoid(eij)
cosAtti=xi·aij
cosAtti即为一个顶点计算余弦相似度的注意力机制后的表示。
在本问题中,由于顶点多以及各个顶点的特征值范围差异较大的原因,使用一般注意力机制最常用的softmax激活函数的话很有可能会导致上溢或下溢引起程序崩溃,因此基于余弦相似度的注意力机制使用sigmoid作为激活函数。
最后一个模块是Convolution Unified Layer,经过前面若干层的模型后,得到作为本层的输入。Convolution Unified Layer综合考虑各个时间片段的信息,使用1-D宽度为τ-Kt的卷积核进行卷积运算得到输出X”=(X”1)T∈RN*F’*1。
定义10(损失函数):本模型使用L2范数作为损失函数衡量模型的性能,损失函数的表示形式如下所示:
为实现本发明的发明目的,采用的技术方案是:
交通特征预测方法,基于深度学习模型GA-GCN实现,包括以下内容:
获取历史交通特征数据集;
预处理所述历史交通特征数据集;
将所述历史交通特征数据集按固定时间间隔进行划分;
使用所述划分后的每份历史交通特征数据集对深度学习模型GA-GCN进行训练;
结束训练,使用训练好的深度学习模型GA-GCN对测试集中的交通特征进行预测,得到预测结果。
优选地,使用所述历史交通特征数据集对深度学习模型GA-GCN进行训练的具体过程如下:
判断深度学习模型GA-GCN当前的训练次数是否达到指定的训练次数,若是则结束训练,否则执行以下内容:
将所述划分后的每份历史交通特征数据集输入至深度学习模型GA-GCN的第一层GLU,得到输出A;
拷贝一份输出A得到输出A’,输出A进入深度学习模型GA-GCN的cosAtt层,输出A’进入深度学习模型GA-GCN的GCN层,GCN层输出的结果经过Sigmoid激活函数后,和cosAtt层输出的结果进行逐元素点乘,得到输出B;
输出B进入深度学习模型GA-GCN的第二层GLU,得到输出C;
输出C进入深度学习模型GA-GCN的卷积归一化层,卷积归一化层将数据整合成一个时间帧,输出结果表示为输出D;
输出D使用激活函数Sigmoid激活后,再通过深度学习模型GA-GCN的全连接层Fully Connection得到前项传播输出结果;
反向传播调整深度学习模型GA-GCN的各层参数。
优选地,所述交通特征包括速度、流量。
同时,本发明还提供了一种应用了上述方法的系统,其具体的方案如下:包括历史交通特征数据集获取模块、历史交通特征数据集预处理模块、历史交通特征数据集划分模块、深度学习模型GA-GCN训练模块和深度学习模型GA-GCN预测模块;
其中,历史交通特征数据集获取模块用于获取历史交通特征数据集;
历史交通特征数据集预处理模块用于预处理所述历史交通特征数据集;
历史交通特征数据集划分模块用于将所述历史交通特征数据集按固定时间间隔进行划分;
深度学习模型GA-GCN训练模块用于使用所述划分后的每份历史交通特征数据集对深度学习模型GA-GCN进行训练;
深度学习模型GA-GCN预测模块用于使用训练好的深度学习模型GA-GCN对测试集中的交通特征进行预测,得到预测结果。
优选地,所述深度学习模型GA-GCN训练模块使用所述划分后的每份历史交通特征数据集对深度学习模型GA-GCN进行训练的具体过程如下:
判断深度学习模型GA-GCN当前的训练次数是否达到指定的训练次数,若是则结束训练,否则执行以下内容:
将所述划分后的每份历史交通特征数据集输入至深度学习模型GA-GCN的第一层GLU,得到输出A;
拷贝一份输出A得到输出A’,输出A进入深度学习模型GA-GCN的cosAtt层,输出A’进入深度学习模型GA-GCN的GCN层,GCN层输出的结果经过Sigmoid激活函数后,和cosAtt层输出的结果进行逐元素点乘,得到输出B;
输出B进入深度学习模型GA-GCN的第二层GLU,得到输出C;
输出C进入深度学习模型GA-GCN的卷积归一化层,卷积归一化层将数据整合成一个时间帧,输出结果表示为输出D;
输出D使用激活函数Sigmoid激活后,再通过深度学习模型GA-GCN的全连接层Fully Connection得到前项传播输出结果;
反向传播调整深度学习模型GA-GCN的各层参数。
优选地,所述交通特征包括速度、流量。
另外,本发明还提供了一种存储介质,上述存储介质内存储有程序,该程序运行时执行以上方法步骤。
与现有技术相比,本发明的有益效果是:
与已有的交通预测深度学习模型相比,深度学习模型GA-GCN是一个层数比较少的模型,已有的模型中会在深层网络和过拟合中摇摆抉择:为了更好地表示特征,需要增加深度学习模型的层数,与此同时增加的层数需要使用各种正则化手段防止过拟合,以达到一种动态平衡的预测状态。这样的方法对短时间的交通预测会有很好地效果,使用迭代的方法预测长时间的交通特征会难以维持这种动态平衡,导致迭代的长时间预测中出现过拟合或欠拟合的现象,迭代的长时间预测效果不佳。因此深度学习模型GA-GCN采用较少的神经网络层数和正则化策略,这种策略能帮助模型更好地维持动态平衡。
附图说明
图1为深度学习模型GA-GCN的结构示意图。
图2为GLU层的结构示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示,图1为深度学习模型GA-GCN的结构示意图。
本发明结合具体例子来详细描述方法中的一些步骤。
步骤一:每条路间隔5分钟获得一个即时速度,因此每条道路一天有288个即时速度。
步骤二:对数据进行预处理,输入数据如果有缺失值则使用线性插值法补全,将数据按比例划分为训练集和测试集。实验数据集中,加州数据把34天作为训练集,5天作为验证集,5天作为测试集;洛杉矶数据把5天作为训练集,1天作为验证集,1天作为测试集。
步骤三:划分数据集,历史时间窗口长度取60分钟,即12个已知的即时速度被用于预测紧接着的15分钟,30分钟,45分钟的速度。本发明使用迭代预测的方式预测:已有60分钟的历史数据,本发明把这些数据作为模型的输入,可以得到紧接着第一个未来5分钟的交通特征;如果要预测未来第10分钟的交通特征,本发明会用最近历史55分钟加上新预测的5分钟作为新的历史数据,预测未来第10分钟的交通特征。如此迭代,直至预测到第45分钟的速度。因此一天可以划分出268组数据。
步骤四:若当前训练次数没到指定训练次数时,模型使用训练集数据训练,前项传播,输入数据经过第一层GLU,得到输出A;若当前训练次数达到指定训练,跳转步骤十;图2为GLU层的结构示意图;
步骤五:拷贝一份A得到A’,A进入cosAtt层,A’进入GCN层,GCN层输出的结果经过Sigmoid激活函数后,和cosAtt层输出的结果进行逐元素点乘,得到输出B;
步骤六:B进入第二层GLU,得到输出C;
步骤七:C进入卷积归一化层,将数据整合成一个时间帧,输出结果表示为D;
步骤八:D使用激活函数Sigmoid激活后,再通过一层全连接层FullyConnection得到前项传播输出结果;
步骤九:反向传播调整各参数矩阵的参数,反向传播完成后,跳转步骤四;
步骤十:结束训练,使用训练好的参数矩阵对测试集前向传播进行测试,得到最终预测结果。
迭代预测可能会导致过拟合和误差积累,为了避免误差积累,本模型经过多个时空层得到特征表示后,输出结果之前会先经过一个卷积归一化Convolution-UnifiedLayer。卷积归一化Convolution-Unified Layer的作用是为了把时间片段通过卷积整合起来,本质上是对时间片段按一定比例加权平均的操作。
实验
1、实验设置:
GPU型号:X10DRG-Q
显卡型号:NVIDIA RTX2080Ti
CPU型号:Intel(R)Xeon(R)CPU E5-2620 v4@2.10GHz
CPU核数:8核
内存大小:64GB
系统:64位ubuntu16.04系统
2、数据集:
(1)PeMSD(M):加州高速路实时数据,数据包括228个传感器收集的从2012年5月到2012年7月所有工作日总共44天的车流速度。经过数据清洗后有一些缺失的数据通过线性插值法补全。其中34天作为训练集,5天作为验证集,5天作为测试集。
(2)Los-loop:洛杉矶高速路实时数据,数据中包含207个传感器收集的从2012年5月1日到2012年5月7日的交通速度。其中有一些缺失的数据通过线性插值法补全。其中5天作为训练集,1天的数据作为验证集,1天的数据作为测试集。
3、数据预处理:
两个数据集采样的时间间隔都是5分钟,每个节点一天都有288个数据。数据输入以后会先通过Z-Score标准化。所有的测试都是用60分钟作为历史数据,预测将来15、30、45、60分钟的车流速度。本模型可以根据多种历史交通特征预测这些交通特征将来的取值,但是为了简便,在这里只以历史车流速度预测将来的车流速度。
4、评价指标:
(1)Mean Absolute Errors(MAE)平均绝对误差
(2)Mean Absolute Percentage Errors(MAPE)平均绝对百分比误差
(3)Root Mean Squared Errors(RMSE)均方差
其中,h(xi)表示预测的值,yi表示实际值。
5、实验对比算法:
(1)HA:historical average,历史平均值
(2)STGCN
(3)GA-GCN
6、实验结果:
(1)实验数据集超参数:
PeMSD(M):加州高速路实时数据:第一层GLU使用32个卷积核,第二层cosAtt和GCN使用32个卷积核,第三层GLU使用64个卷积核。初始学习率设置为0.001,一共需要60个epoch完成训练,平均一个epoch训练5秒左右。
Los-loop:洛杉矶高速路实时数据:第一层GLU使用64个卷积核,第二层cosAtt和GCN使用64个卷积核,第三层GLU使用128个卷积核。初始学习率设置为0.001,一共需要60个epoch完成训练,平均一个epoch训练1秒左右。
(2)
加州高速公路模型短期预测性能对比
加州高速公路模型长期预测性能对比
洛杉矶高速公路模型短期预测性能对比
洛杉矶高速公路模型长期预测性能对比
显存占用率对比
PeMSD(M) | Los-loop | |
STGCN | 91% | 90% |
GA-GCN | 78% | 75% |
平均每个epoch训练时间对比(单位:s)
PeMSD(M) | Los-loop | |
STGCN | 5.644 | 1.198 |
GA-GCN | 5.530 | 1.183 |
实验中可以发现STGCN模型预测60分钟的准确度不如使用历史平均值预测的结果,而GA-GCN模型预测60分钟依然有比较高的精度。因为新设计的cosAtt层对于空间信息的捕获非常强大,因此可以使用更少层数的神经网络就能充分表示空间信息的特征,预测准确度高。同时,也因为GA-GCN采用较少的神经网络层数,模型不容易出现过拟合的情况,需要的计算量更少,显存占用率更低,因此GA-GCN模型在长期的预测效果比较好。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.交通特征预测方法,其特征在于:基于深度学习模型GA-GCN实现,包括以下内容:
获取历史交通特征数据集;
预处理所述历史交通特征数据集;
将所述历史交通特征数据集按固定时间间隔进行划分;
使用所述划分后的每份历史交通特征数据集对深度学习模型GA-GCN进行训练;
结束训练,使用训练好的深度学习模型GA-GCN对测试集中的交通特征进行预测,得到预测结果;
使用所述历史交通特征数据集对深度学习模型GA-GCN进行训练的具体过程如下:
判断深度学习模型GA-GCN当前的训练次数是否达到指定的训练次数,若是则结束训练,否则执行以下内容:
将所述划分后的每份历史交通特征数据集输入至深度学习模型GA-GCN的第一层GLU,得到输出A;
拷贝一份输出A得到输出A’, 输出A进入深度学习模型GA-GCN的cosAtt层,输出A’进入深度学习模型GA-GCN的GCN层,GCN层输出的结果经过Sigmoid激活函数后,和cosAtt层输出的结果进行逐元素点乘,得到输出B;
输出B进入深度学习模型GA-GCN的第二层GLU,得到输出C;
输出C进入深度学习模型GA-GCN的卷积归一化层,卷积归一化层将数据整合成一个时间帧,输出结果表示为输出D;
输出D使用激活函数Sigmoid激活后,再通过深度学习模型GA-GCN的全连接层FullyConnection得到前项传播输出结果;
反向传播调整深度学习模型GA-GCN的各层参数;
所述交通特征包括速度、流量。
2.一种交通特征预测系统,其特征在于:包括历史交通特征数据集获取模块、历史交通特征数据集预处理模块、历史交通特征数据集划分模块、深度学习模型GA-GCN训练模块和深度学习模型GA-GCN预测模块;
其中,历史交通特征数据集获取模块用于获取历史交通特征数据集;
历史交通特征数据集预处理模块用于预处理所述历史交通特征数据集;
历史交通特征数据集划分模块用于将所述历史交通特征数据集按固定时间间隔进行划分;
深度学习模型GA-GCN训练模块用于使用所述划分后的每份历史交通特征数据集对深度学习模型GA-GCN进行训练;
深度学习模型GA-GCN预测模块用于使用训练好的深度学习模型GA-GCN对测试集中的交通特征进行预测,得到预测结果;
所述深度学习模型GA-GCN训练模块使用所述划分后的每份历史交通特征数据集对深度学习模型GA-GCN进行训练的具体过程如下:
判断深度学习模型GA-GCN当前的训练次数是否达到指定的训练次数,若是则结束训练,否则执行以下内容:
将所述划分后的每份历史交通特征数据集输入至深度学习模型GA-GCN的第一层GLU,得到输出A;
拷贝一份输出A得到输出A’, 输出A进入深度学习模型GA-GCN的cosAtt层,输出A’进入深度学习模型GA-GCN的GCN层,GCN层输出的结果经过Sigmoid激活函数后,和cosAtt层输出的结果进行逐元素点乘,得到输出B;
输出B进入深度学习模型GA-GCN的第二层GLU,得到输出C;
输出C进入深度学习模型GA-GCN的卷积归一化层,卷积归一化层将数据整合成一个时间帧,输出结果表示为输出D;
输出D使用激活函数Sigmoid激活后,再通过深度学习模型GA-GCN的全连接层FullyConnection得到前项传播输出结果;
反向传播调整深度学习模型GA-GCN的各层参数;
所述交通特征包括速度、流量。
3.一种存储介质,其内部存储有程序,其特征在于:所述程序运行时执行权利要求1所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164201.4A CN111047078B (zh) | 2019-11-25 | 2019-11-25 | 交通特征预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164201.4A CN111047078B (zh) | 2019-11-25 | 2019-11-25 | 交通特征预测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047078A CN111047078A (zh) | 2020-04-21 |
CN111047078B true CN111047078B (zh) | 2023-05-05 |
Family
ID=70233888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911164201.4A Active CN111047078B (zh) | 2019-11-25 | 2019-11-25 | 交通特征预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047078B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112242060B (zh) * | 2020-10-16 | 2022-06-21 | 深圳先进技术研究院 | 交通流量预测方法及装置、计算机设备及可读存储介质 |
CN112257920A (zh) * | 2020-10-20 | 2021-01-22 | 北京工商大学 | 一种可直接捕获时空相关性的时空数据预测方法 |
CN114267170A (zh) * | 2021-09-28 | 2022-04-01 | 浙江工业大学 | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 |
CN115759484A (zh) * | 2023-01-06 | 2023-03-07 | 南京隼眼电子科技有限公司 | 一种交通流量预测方法、电子设备及存储介质 |
CN117972317B (zh) * | 2024-03-29 | 2024-06-14 | 中国民用航空飞行学院 | 一种面向飞行员胜任能力的韧性画像方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102906650A (zh) * | 2010-05-21 | 2013-01-30 | 费希尔-罗斯蒙特系统公司 | 多阶段过程建模方法 |
CN106295568A (zh) * | 2016-08-11 | 2017-01-04 | 上海电力学院 | 基于表情和行为双模态结合的人类自然状态情感识别方法 |
-
2019
- 2019-11-25 CN CN201911164201.4A patent/CN111047078B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102906650A (zh) * | 2010-05-21 | 2013-01-30 | 费希尔-罗斯蒙特系统公司 | 多阶段过程建模方法 |
CN106295568A (zh) * | 2016-08-11 | 2017-01-04 | 上海电力学院 | 基于表情和行为双模态结合的人类自然状态情感识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111047078A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047078B (zh) | 交通特征预测方法、系统及存储介质 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN110674987A (zh) | 一种交通流量预测系统、方法及模型训练方法 | |
CN112071065A (zh) | 一种基于全局扩散卷积残差网络的交通流预测方法 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
Ge et al. | Temporal graph convolutional networks for traffic speed prediction considering external factors | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
Asadi et al. | A convolution recurrent autoencoder for spatio-temporal missing data imputation | |
CN110766942A (zh) | 一种基于卷积长短期记忆网络的交通路网拥堵预测方法 | |
Venkatesh et al. | Rainfall prediction using generative adversarial networks with convolution neural network | |
CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN113808396B (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
CN111860787A (zh) | 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置 | |
CN117116048A (zh) | 基于知识表示模型和图神经网络的知识驱动交通预测方法 | |
CN115063972A (zh) | 基于图卷积和门控循环单元的交通速度预测方法和系统 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN116432736A (zh) | 神经网络模型优化方法、装置及计算设备 | |
CN114118508A (zh) | 一种基于时空卷积网络的od市场航空客流量预测方法 | |
Son et al. | Partial convolutional LSTM for spatiotemporal prediction of incomplete data | |
CN117975710A (zh) | 一种交通流流量预测方法、装置、设备及存储介质 | |
CN116959252A (zh) | 基于r-c-r结构的时空卷积交通流预测方法及系统 | |
Yalçın | Weather parameters forecasting with time series using deep hybrid neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |