CN111223301B - 一种基于图注意力卷积网络的交通流量预测方法 - Google Patents

一种基于图注意力卷积网络的交通流量预测方法 Download PDF

Info

Publication number
CN111223301B
CN111223301B CN202010164451.4A CN202010164451A CN111223301B CN 111223301 B CN111223301 B CN 111223301B CN 202010164451 A CN202010164451 A CN 202010164451A CN 111223301 B CN111223301 B CN 111223301B
Authority
CN
China
Prior art keywords
graph
traffic flow
traffic
data
aga
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
Application number
CN202010164451.4A
Other languages
English (en)
Other versions
CN111223301A (zh
Inventor
郑宏
张思凯
刘佳谋
宿红毅
闫波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010164451.4A priority Critical patent/CN111223301B/zh
Publication of CN111223301A publication Critical patent/CN111223301A/zh
Application granted granted Critical
Publication of CN111223301B publication Critical patent/CN111223301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于图注意力卷积网络的交通流量预测方法，旨在预测中长时间交通车流量，属于城市交通规划及流量预测技术领域。包括：步骤1：对交通流量数据预处理，输出预处理完成后的数据序列；步骤2：基于预处理完成后的数据序列，提取数据序列的空间特征以及时间特征；步骤3、输入经过步骤2两个AGA块的特征提取，经过一层全连接层得到下一时刻预测结果。所述方法未使用无法并行训练的递归结构，模型的所有组件都是卷积结构，可以减少训练时间；所述方法是首次尝试结合基于频谱的图卷积网络和基于空间的卷积网络，分别提取空间特征和时间特征,在时空交通网络上算法表现出众。

Description

一种基于图注意力卷积网络的交通流量预测方法
本发明涉及一种基于图注意力卷积网络的交通流量预测方法，旨在预测中长时间交通车流量，属于城市交通规划及流量预测技术领域。
背景技术
交通预测问题长期以来一直是一个令人高度关注的问题。根据2018年的一项调查，美国司机在路上花费50.6分钟，平均每天行驶31.5英里。在这种情况下，准确的交通量预测对于人民和政府必须提前计划并缓解拥堵至关重要。路线规划和其他运输服务也严重依赖交通状况预测。通常，交通预测是城市交通控制的基础，在智能交通系统中也起着重要的作用。
交通预测的目标是使用历史交通参数，即交通速度，体积和密度，来预测未来的交通参数。流量预测是数据预测的典型时空问题。在空间维度上，不同的节点对同一节点具有不同的相互影响力；在时间维度上，两个节点在不同时间具有不同的相互影响力。
随着运输系统的发展，由于大量的摄像头和传感器被广泛使用，因此交通数据变得更易于收集。所有收集交通数据的设备构成了一个庞大的交通信息网络。该网络为交通预测任务提供了坚实的数据基础，吸引了许多研究人员来解决这些问题。流量预测可以分为两种类型，短期流量预测和中长期流量预测。与短期交通量预测相比，中长期交通量预测具有更多的研究价值和实际意义。以前关于中长期交通量预测的研究可大致分为两类：动态建模和数据驱动建模。但是，由于交通预测问题的复杂性，不稳定性和干扰性，以及动态建模中不现实的假设和简化，在中长期交通预测问题中，动态建模方法的性能要比数据驱动方法差。近年来，许多研究人员采用深度学习方法来处理时空数据，即卷积神经网络。但是，这种方法是从网格数据，例如视频和图像，中提取空间特征的，这意味着这些方法仍然会失败。同时提取时空特征而忽略交通数据的动态相关性。
发明内容
本发明的目的在于克服现有城市交通流量预测方法存在的忽略网络动态性技术缺陷，提出了一种基于图注意力卷积网络的交通流量预测方法。
所述基于图注意力卷积网络的交通流量预测方法，依托的网络结构包括一个输出层和两个注意力机制-卷积-注意力机制块，简写为AGA块。其中每个AGA块包括两个多头图注意力机制层，简写为MA和一个图形卷积层；
AGA块构造为可将图结构时间序列中的空间和时间特征联合起来；当处理更复杂或特定的情况时，可以堆叠或扩展AGA块；
每个AGA块包括两个具有相同结构的多注意层以及位于多注意层之间的GCN层；
为防止过度拟合问题，每个AGA块均使用归一化层；
AGA的输出由以下(1)定义：
xt+1＝AGA(xt)＝attd(ReLU(Θl*Gattu(xt))) (1)
其中，xt是t时刻的交通流量；attd，attu分别是AGA块内的上下多注意机制；Θl是图卷积的谱核；ReLU表示relu激活函数；Θl是第l块AGA块的图卷积核；
提出了一种新颖的门控时间图注意机制来捕获交通网络上的动态时间相关性。具有三个具有相同结构的独立注意机制，分别捕获每小时，每天和每周的依存关系。在注意力机制之后，一个完整的连接层将学习不同时间间隔对于下一次时间预测结果的重要性。
所述交通流量预测方法，包括如下步骤：
步骤1：对交通流量数据预处理，输出预处理完成后的数据序列；
其中，数据预处理包括线性插值、归一化以及依据交通网络中站点间的距离计算线路图的邻接距离；
实验使用的数据集每间隔一段时间汇总一次交通数据，因此，路线图的每个节点每天包含若干数据点；线性插值方法用于解决数据清理问题后的缺失值；另外，通过零均值方法对输入数据进行归一化，以使输入数据的平均值为0；根据交通网络中站点之间的距离来计算路线图的邻接矩阵W，由以下(2)定义：
Figure GDA0002780773430000031
其中，ωij是由dij决定的边的权重；σ和ε是控制矩阵W分布和稀疏性的阈值；
其中，dij表示节点i和j之间的距离；σ和ε是控制矩阵W分布和稀疏性的阈值，σ的取值范围为2到17；ε的取值范围为0.1到0.8；
步骤2：基于步骤1输出的预处理完成后的数据序列，提取数据序列空间特征；
其中，提取序列空间特征由基于谱的图卷积网络完成，由以下(3)定义：
x*Gθ＝F-1(F(x)⊙F(θ)) (3)
其中，x*Gθ是数据序列空间特征；F(x)是图傅里叶变换；F-1(x)是图傅里叶逆变换；θ是图卷积核；⊙是矩阵对应位置相乘；x是输入的数据序列；
步骤3：步骤2：基于步骤1输出的预处理完成后的数据序列，提取数据序列时间特征；
其中，提取数据序列时间特征由图注意力机制完成，由以下(4)定义：
att(xt)＝FC(Th||Td||Tw) (4)
Figure GDA0002780773430000032
Figure GDA0002780773430000041
Figure GDA0002780773430000042
Figure GDA0002780773430000043
Figure GDA0002780773430000044
其中，th，td，tw分别是每小时采样间隔，每日采样间隔和每周采样间隔；FC是全连接函数；exp是以e为底的指数函数；Th，Td，Tw分别是三个多头注意力机制输出的结果；σ是激活函数；
Figure GDA0002780773430000045
是i节点t时刻的数据，αi,j是i节点与j节点的相关系数；Wk是可训练参数。
步骤4、输入经过步骤2和步骤3两个AGA块的特征提取，经过一层全连接层得到下一时刻预测结果。
有益效果
本发明所述的一种基于图注意力卷积网络的交通流量预测方法，与现有的交通流量预测算法相比，具有如下有益效果：
1.所述方法未使用无法并行训练的递归结构，模型的所有组件都是卷积结构，可以减少训练时间；
2.所述方法是首次尝试结合基于频谱的图卷积网络和基于空间的卷积网络，分别提取空间特征和时间特征,在时空交通网络上算法表现出众。
附图说明
图1是本发明一种基于图注意力卷积网络的交通流量预测方法依托的图注意力卷积算法网络结构图；
图2是本发明交通流量预测方法与其他交通流量预测方法对比。
具体实施方式
下面结合附图和实施例对本发明一种基于图注意力卷积网络的交通流量预测方法做进一步说明和详细描述。
实施例1
本实施例详细阐述了本发明“一种基于图注意力卷积网络的交通流量预测方法”在中长时间的交通流量预测的完整过程。
步骤1，具体实施时，实验使用的是PeMSD7数据集，PeMSD7数据集每5分钟汇总一次交通数据，因此，路线图的每个节点每天包含288个数据点。线性插值方法用于解决数据清理问题后的缺失值。另外，通过零均值方法对输入数据进行归一化，以使输入数据的平均值为0。根据交通网络中站点之间的距离来计算路线图的邻接矩阵W，由公式(2)计算。
数据预处理时σ和ε分别赋给10和0.5。图1(a)是网络的整体架构，由图1(a)可见，输入参数为前M个时序的各个节点交通流量信息xt-M+1,…,xt，经过两个注意力机制-卷积-注意力机制块，再经过一个输出层得到预测结果
Figure GDA0002780773430000051
图1(b)是注意力机制-卷积-注意力机制块及门控时间图注意机制块的实现细节。对每个t时刻交通状态输入xt，首先经过一个门控时间图注意机制块在经过一层图卷积神经网络，最后再经过一个门控时间图注意机制块得到输出xt+1。在每一个门控时间图注意机制块中，三个多头图注意力网络分别提取输入xt中每小时与当前输入xt的相互影响，输入xt中每天与当前输入xt的相互影响及输入xt中每周与当前输入xt的相互影响。三个多头图注意力网络所得的三个输出拼接后在经过一个全连接层得到门控时间图注意机制块的输出，其中在经过全连接层时为了防止过拟合加入了残差结构。
图2是本发明(GACAN)与其他交通流量预测方法的对比，从图2可以看出，本发明相较其他方法取得了最好的预测成果且模型收敛速度较快。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (6)

1.一种基于图注意力卷积网络的交通流量预测方法，其特征在于：依托的网络结构包括一个输出层和两个注意力机制-卷积-注意力机制块，简写为AGA块；其中每个AGA块包括两个多头图注意力机制层，简写为MA和一个图形卷积层；AGA块构造为可将图结构时间序列中的空间和时间特征联合起来；当处理更复杂或特定的情况时，可以堆叠或扩展AGA块；每个AGA块包括两个具有相同结构的多注意层以及位于多注意层之间的GCN层；为防止过度拟合问题，每个AGA块均使用归一化层；AGA的输出由以下(1)定义：
xt+1＝AGA(xt)＝attd(ReLU(Θl*Gattu(xt))) (1)
其中，xt是t时刻的交通流量；attd，attu分别是AGA块内的上下多注意机制；Θl是图卷积的谱核；ReLU表示ReLU激活函数；Θl是第l块AGA块的图卷积核；
所述交通流量预测方法，包括如下步骤：
步骤1：对交通流量数据预处理，输出预处理完成后的数据序列；
步骤2：基于步骤1输出的预处理完成后的数据序列，提取数据序列空间特征；
其中，提取序列空间特征由基于谱的图卷积网络完成，由以下(3)定义：
x*Gθ＝F-1(F(x)⊙F(θ)) (3)
其中，x*Gθ是数据序列空间特征；F(x)是图傅里叶变换；F-1(x)是图傅里叶逆变换；θ是图卷积核；⊙是矩阵对应位置相乘；x是输入的数据序列；
步骤3：步骤2：基于步骤1输出的预处理完成后的数据序列，提取数据序列时间特征；
其中，提取数据序列时间特征由图注意力机制完成，由以下(4)定义：
att(xt)＝FC(Th||Td||Tw) (4)
Figure FDA0002780773420000011
Figure FDA0002780773420000021
Figure FDA0002780773420000022
Figure FDA0002780773420000023
Figure FDA0002780773420000024
其中，th，td，tw分别是每小时采样间隔，每日采样间隔和每周采样间隔；FC是全连接函数；exp是以e为底的指数函数；Th，Td，Tw分别是三个多头注意力机制输出的结果；σ是激活函数；
Figure FDA0002780773420000025
是i节点t时刻的数据，αi，j是i节点与j节点的相关系数；Wk是可训练参数；
步骤4、输入经过步骤2和步骤3两个AGA块的特征提取，经过一层全连接层得到下一时刻预测结果。
2.根据权利要求1所述的一种基于图注意力卷积网络的交通流量预测方法，其特征在于：步骤1中，数据预处理包括线性插值、归一化以及依据交通网络中站点间的距离计算线路图的邻接距离。
3.根据权利要求1所述的一种基于图注意力卷积网络的交通流量预测方法，其特征在于：步骤1中，实验使用的数据集每间隔一段时间汇总一次交通数据，因此，路线图的每个节点每天包含若干数据点。
4.根据权利要求1或2所述的一种基于图注意力卷积网络的交通流量预测方法，其特征在于：线性插值方法用于解决数据清理问题后的缺失值；另外，通过零均值方法对输入数据进行归一化，以使输入数据的平均值为0；根据交通网络中站点之间的距离来计算路线图的邻接矩阵W，由以下(2)定义：
Figure FDA0002780773420000031
其中，ωij是由dij决定的边的权重；σ和ε是控制矩阵W分布和稀疏性的阈值；
其中，dij表示节点i和j之间的距离；σ和ε是控制矩阵W分布和稀疏性的阈值。
5.根据权利要求4所述的一种基于图注意力卷积网络的交通流量预测方法，其特征在于：σ的取值范围为2到17。
6.根据权利要求4所述的一种基于图注意力卷积网络的交通流量预测方法，其特征在于：ε的取值范围为0.1到0.8。
CN202010164451.4A 2020-03-11 2020-03-11 一种基于图注意力卷积网络的交通流量预测方法 Active CN111223301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010164451.4A CN111223301B (zh) 2020-03-11 2020-03-11 一种基于图注意力卷积网络的交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010164451.4A CN111223301B (zh) 2020-03-11 2020-03-11 一种基于图注意力卷积网络的交通流量预测方法

Publications (2)

Publication Number Publication Date
CN111223301A CN111223301A (zh) 2020-06-02
CN111223301B true CN111223301B (zh) 2021-01-26

Family

ID=70826324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010164451.4A Active CN111223301B (zh) 2020-03-11 2020-03-11 一种基于图注意力卷积网络的交通流量预测方法

Country Status (1)

Country Link
CN (1) CN111223301B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111918321B (zh) * 2020-07-22 2022-08-05 湖北工业大学 一种基于时空注意卷积网络的移动流量预测方法
CN111899510B (zh) * 2020-07-28 2021-08-20 南京工程学院 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN111815956B (zh) * 2020-09-11 2021-02-09 浙江高速信息工程技术有限公司 一种高速公路交通流量预测方法
CN112071062B (zh) * 2020-09-14 2022-09-23 山东理工大学 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN112183826B (zh) * 2020-09-15 2023-08-01 湖北大学 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品
CN112071065A (zh) * 2020-09-16 2020-12-11 山东理工大学 一种基于全局扩散卷积残差网络的交通流预测方法
CN112629533B (zh) * 2020-11-11 2023-07-25 南京大学 基于路网栅格化道路车流预测的精细化路径规划方法
CN112688746B (zh) * 2020-12-14 2021-11-30 中山大学 一种基于时空数据的频谱预测方法
CN112766597B (zh) * 2021-01-29 2023-06-27 中国科学院自动化研究所 公交客流预测方法及系统
CN112910711B (zh) * 2021-02-03 2021-12-24 山东大学 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN113112795B (zh) * 2021-04-06 2022-01-21 中移(上海)信息通信科技有限公司 一种路况预测方法、装置及设备
CN113178073A (zh) * 2021-04-25 2021-07-27 南京工业大学 一种基于时间卷积网络的车流量短期预测优化应用方法
CN113689052A (zh) * 2021-09-06 2021-11-23 北京航空航天大学 一种基于张量积神经网络的出行需求预测方法
CN114038200B (zh) * 2021-11-29 2022-09-20 东北大学 基于注意力机制的时空同步图卷积网络交通流量预测方法
CN114566048B (zh) * 2022-03-03 2023-04-28 重庆邮电大学 一种基于多视角自适应时空图网络的交通控制方法
CN114944053B (zh) * 2022-03-16 2023-05-23 浙江工业大学 一种基于时空超图神经网络的交通流预测方法
CN115762147B (zh) * 2022-11-07 2023-11-21 重庆邮电大学 一种基于自适应图注意神经网络的交通流量预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902183A (zh) * 2019-02-13 2019-06-18 北京航空航天大学 一种基于多样图注意力机制的知识图谱嵌入方法
CN109919205A (zh) * 2019-02-25 2019-06-21 华南理工大学 基于多头自注意力机制的卷积回声状态网络时序分类方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263490B2 (en) * 2017-04-07 2022-03-01 Intel Corporation Methods and systems for budgeted and simplified training of deep neural networks
CN109754605B (zh) * 2019-02-27 2021-12-07 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN109887282B (zh) * 2019-03-05 2022-01-21 中南大学 一种基于层级时序图卷积网络的路网交通流预测方法
CN110458172A (zh) * 2019-08-16 2019-11-15 中国农业大学 一种基于区域对比度检测的弱监督图像语义分割方法
CN110675623B (zh) * 2019-09-06 2020-12-01 中国科学院自动化研究所 基于混合深度学习的短时交通流量预测方法、系统、装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902183A (zh) * 2019-02-13 2019-06-18 北京航空航天大学 一种基于多样图注意力机制的知识图谱嵌入方法
CN109919205A (zh) * 2019-02-25 2019-06-21 华南理工大学 基于多头自注意力机制的卷积回声状态网络时序分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于时空循环卷积网络的城市区域人口流量预测";郭晟楠;《计算机科学》;20190630;第46卷(第6期);第385-390页 *

Also Published As

Publication number Publication date
CN111223301A (zh) 2020-06-02

Similar Documents

Publication Publication Date Title
CN111223301B (zh) 一种基于图注意力卷积网络的交通流量预测方法
CN112241814B (zh) 一种基于强化时空图神经网络的交通预测方法
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
CN109887282B (zh) 一种基于层级时序图卷积网络的路网交通流预测方法
CN112257934A (zh) 一种基于时空动态神经网络的城市人流预测方法
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN114299723B (zh) 一种交通流量预测方法
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
CN114692984B (zh) 基于多步耦合图卷积网络的交通预测方法
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN113591380A (zh) 基于图高斯过程的交通流预测方法、介质及设备
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN115206092B (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN115862324A (zh) 一种智慧交通的时空同步图卷积神经网络及交通预测方法
CN115376317A (zh) 一种基于动态图卷积和时序卷积网络的交通流预测方法
CN112927507A (zh) 一种基于LSTM-Attention的交通流量预测方法
CN112528557A (zh) 基于深度学习的洪水流量预测系统和方法
CN112529270A (zh) 基于深度学习的水流量预测模型
CN114626607A (zh) 一种基于时空图小波卷积神经网络的交通流预测方法
CN111222666A (zh) 一种数据计算方法和装置
CN111242394B (zh) 空间关联特征的提取方法及系统
CN117437786B (zh) 一种基于人工智能的实时交通路网短时交通流预测方法

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