CN111696355A - 动态图卷积交通速度预测方法 - Google Patents

Abstract

本发明提供了一种动态图卷积交通速度预测方法，包括：步骤1，将车辆GPS轨迹数据匹配到城市道路网络中，获取每条路段的交通速度时间序列；步骤2，将城市道路网络的路段视为图节点，将城市道路网络的交叉口视为图的连接边，构建路网图，获取路段间的邻接矩阵；步骤3，根据每条路段的交通速度时间序列，计算邻接路段间交通速度相似性，获得实时邻接路段相似矩阵；步骤4，将每条路段的交通速度时间序列和邻接路段相似矩阵输入图卷积网络中训练，获得未来路段交通速度预测结果。本发明可以实时的学习路段间的空间依赖性和时间依赖性，捕获交通速度的变化规律，更精准的预测未来城市道路的速度，可应用于智能交通、智慧城市建设。

Description

动态图卷积交通速度预测方法

技术领域

本发明涉及交通预测技术领域，特别涉及一种动态图卷积交通速度预测方法。

背景技术

面对日益凸显的交通拥堵现象，城市居民和交通规划管理人员都需要及时获取城市道路网络的交通状态，避免出行拥堵，保障出行安全和效率。因此在城市大规模路网上实时精确的预测交通具有重大现实意义和应用价值。

目前交通流预测分为两类：模型驱动和数据驱动。模型驱动方法基于对交通流流向和驾驶员决策过程的模拟，该方法可以捕获交通网络的复杂特性，模拟真实的交通状况，前提条件是已知当前交通量。通过实时获取路段上车辆的运行速度和道路流量，分析每一辆车的活动趋势，计算通过路段的时间；若路段车辆通行时间小于划分时段，不计入统计，只计算流出量即可；若通行时间大于划分时段，表明当前流量与上一时段的流入量有关，最终流量等于上一时段流量加当前流量(交通分配量)减去流出量。模型驱动的方法对环境的先验知识依赖性高，而且模拟的交通路网系统具有固定的结构，不能迁移至其他城市。

数据驱动的方法可以进一步分为基于统计理论的方法和非线性的方法，基于统计理论的方法利用路段的历史时序交通状态记录值，拟合出模型参数用于交通预测，该方法要求数据满足正态分布，且只适用于城市小规模路网交通预测，一旦应用到大规模路网上，计算复杂度会迅速增加，无法实时预测。非线性的数据驱动方法是一种端到端的学习，让模型自动学习输入数据与输出数据间的关系，对数据本身的分布特征不做假设。常用的非参数模型有人工神经网络，支持向量回归等。深度学习通过堆叠多个隐藏层，可以有效的捕获路段交通速度的时间相关性和空间相关性；如卷积神经网络和循环神经网络组合、图卷积网络和门控循环单元组合。他们能够提取出数据中隐含的特征，对数据中潜在的、复杂的、非线性的时空相关性进行建模。针对上述分析可以发现，当前的方法未考虑路段间自然的非欧图结构和路段之间的实时动态相关性。

发明内容

本发明提供了一种动态图卷积交通速度预测方法，其目的是为了解决传统的交通预测方法忽略了路段间的非欧图结构空间关系和路段间的实时动态相关性的问题。

为了达到上述目的，本发明的实施例提供了一种动态图卷积交通速度预测方法，包括：

步骤1，将车辆GPS轨迹数据匹配到城市道路网络中，获取每条路段的交通速度时间序列；

步骤2，将城市道路网络的路段视为图节点，将城市道路网络的交叉口视为图的连接边，构建路网图，获取路段间的邻接矩阵；

步骤3，根据每条路段的交通速度时间序列，计算邻接路段间交通速度相似性，获得实时邻接路段相似矩阵；

步骤4，将每条路段的交通速度时间序列和邻接路段相似矩阵输入图卷积网络中训练，获得未来路段交通速度预测结果。

其中，所述步骤1具体包括：

将车辆GPS轨迹数据进行清洗，去除研究区域外的轨迹点和噪声轨迹点，以10分钟为一个时段，将一天划分为144个时段，截取每个时段内的轨迹点数据进行轨迹匹配。

其中，所述步骤1还包括：

计算每个轨迹点到研究区域路段的距离，将轨迹点匹配到最近的路段，聚合每条路段各个时段的轨迹点速度值，取每条路段各个时段所有轨迹点速度的平均值表示路段的速度，得到每条路段的交通速度时间序列。

其中，所述步骤1还包括：

对车辆轨迹数据进行清洗，去除错误数据和冗余数据，对于缺失数据，采用线性插值进行补全，如下所示：

其中，y₀表示当前待插值时段的上一时刻x₀时的速度值，y₁表示当前待插值时段的下一时刻x₁时的速度值，y表示经线性插值后当前时段的速度拟合值。

其中，所述步骤3具体包括：

选取历史交通速度时间序列中待预测时段之前的邻近3个时段、前1天同一时段、前一个星期同一时段的速度值构建交通速度输入序列，采用斯皮尔曼等级相关系数计算邻接路段间的交通速度输入序列相似性，获得该时段下路段间的邻接相似矩阵，如下所示：

其中，r表示两条路段X和Y之间的相关系数，N表示序列的长度，

表示路段X交通速度序列的平均值，

表示路段Y交通速度序列的平均值，X_n、Y_n表示序列中的第n个值。

其中，所述步骤4具体包括：

对公式(2)计算所得的实时动态路段邻接相似矩阵进行拉普拉斯变换，如下所示：

L＝D-A (3)

其中，A表示由实时输入的交通速度序列计算的邻接路段相似矩阵A∈R^N×N，D＝∑_jA_ij表示路段节点的度矩阵；

去除相似矩阵的量纲影响且保持拉普拉斯矩阵对称，计算时不改变特征的分布，获得更快的收敛速度，如下所示：

其中，I表示单位矩阵，

表示(A+I)的度矩阵，L^sys表示对称且归一化的拉普拉斯矩阵。

其中，所述步骤4还包括：

对输入特征X进行图卷积运算，如下所示：

其中，A表示邻接矩阵，I表示单位矩阵；

表示A+I的度矩阵，X表示输入特征，W表示每层的权重参数，σ表示激活函数。

其中，所述步骤4还包括：

对输入特征X和邻接矩阵A进行非线性映射，如下所示：

y＝f(X，A) (6)

将残差引入图卷积模型中，层与层之间的传播方式如下所示：

y＝X+f(X，A) (7)。

本发明的上述方案有如下的有益效果：

本发明的上述实施例所述的动态图卷积交通速度预测方法，在考虑路段间自然的非欧图结构的基础上，同时兼顾路段间的实时动态相关性，更全面的捕获交通流实时动态的时空依赖性，实现更高精度的交通预测结果，为避免出行拥堵，保障居民出行安全和效率提供准确的数据支撑。

附图说明

图1为本发明的流程图；

图2为本发明的的算法框架图；

图3为本发明的研究区域示意图；

图4为本发明的轨迹匹配示意图；

图5为本发明的道路网络图的构建过程示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的传交通预测方法忽略了路段间的非欧图结构空间关系和路段间的实时动态相关性的问题，提供了一种动态图卷积交通速度预测方法。

如图1至图5所示，本发明的实施例提供了一种动态图卷积交通速度预测方法，包括：步骤1，将车辆GPS轨迹数据匹配到城市道路网络中，获取每条路段的交通速度时间序列；步骤2，将城市道路网络的路段视为图节点，将城市道路网络的交叉口视为图的连接边，构建路网图，获取路段间的邻接矩阵；步骤3，根据每条路段的交通速度时间序列，计算邻接路段间交通速度相似性，获得实时邻接路段相似矩阵；步骤4，将每条路段的交通速度时间序列和邻接路段相似矩阵输入图卷积网络中训练，获得未来路段交通速度预测结果。

本发明的上述实施例所述的动态图卷积交通速度预测方法，构建的路网图以图5所示路段为例，路网图构建后，将存在11个节点，节点间是否存在边邻接，由原始路段是否通过路口连通确定。

其中，所述步骤1具体包括：将车辆GPS轨迹数据进行清洗，去除研究区域外的轨迹点和噪声轨迹点，以10分钟为一个时段，将一天划分为144个时段，截取每个时段内的轨迹点数据进行轨迹匹配。

其中，所述步骤1还包括：计算每个轨迹点到研究区域路段的距离，将轨迹点匹配到最近的路段，聚合每条路段各个时段的轨迹点速度值，取每条路段各个时段所有轨迹点速度的平均值表示路段的速度，得到每条路段的交通速度时间序列。

其中，所述步骤1还包括：对车辆轨迹数据进行清洗，去除错误数据和冗余数据，对于缺失数据，采用线性插值进行补全，如下所示：

其中，y₀表示当前待插值时段的上一时刻x₀时的速度值，y₁表示当前待插值时段的下一时刻x₁时的速度值，y表示经线性插值后当前时段的速度拟合值。

本发明的上述实施例所述的动态图卷积交通速度预测方法，对出租车轨迹数据进行清洗，去除错误数据和冗余数据；错误数据一般是由于硬件故障造成，错误数据的特征是明显偏离正常取值范围或出现明显的“离群点”，冗余数据是由于单个检测器获取数据构成集合中的重复数据或者相似数据。对于缺失数据，采用线性插值进行补全，如公式(1)所示。

本发明的上述实施例所述的动态图卷积交通速度预测方法，选取的研究数据为深圳市2016年9月1日-2016年9月28日共计28天的出租车GPS轨迹数据，共包含14276辆出租车，采样间隔每20s定位一次，平均每天2.7GB数据量，约4500万条记录值；研究区域内的路段数量为6314条，如图3所示。时间间隔取10分钟，每天144个时段，每条道路可生成4032维的交通速度时间序列，经轨迹匹配后，生成6314*4032维的交通速度矩阵，轨迹匹配示意图如图4所示。

其中，所述步骤3具体包括：选取历史交通速度时间序列中待预测时段之前的邻近3个时段、前1天同一时段、前一个星期同一时段的速度值构建交通速度输入序列，采用斯皮尔曼等级相关系数计算邻接路段间的交通速度输入序列相似性，获得该时段下路段间的邻接相似矩阵，如下所示：

其中，r表示两条路段X和Y之间的相关系数，N表示序列的长度，

表示路段X交通速度序列的平均值，

表示路段Y交通速度序列的平均值，X_n、Y_n表示序列中的第n个值。

本发明的上述实施例所述的动态图卷积交通速度预测方法，交通速度序列构建充分考虑交通流的动态时间依赖性，选取3个邻近的时段捕获交通流的突变特性，选取前一天和前一星期同一段捕获交通流变化的周期性。在这种策略下，每条路段不同的预测时段可以构建实时动态的历史时序，通过公式(2)基于该动态的时序数据计算邻接路段间的实时斯皮尔曼等级相似性，以此实现路段交通速度的时空同步动态相似性捕获，选取的邻近3个时段、前1天同一时段、前一个星期同一时段的速度值构建交通速度输入序列，是为了充分捕获道路速度变化的随机性、周期性和趋势性；另外由于不同时段的路段的交通速度动态变化，所以路段的交通速度输入序列也随时间变化；因此公式(2)计算的路段间的邻接相似矩阵随时间动态变化。

其中，所述步骤4具体包括：对公式(2)计算所得的实时动态路段邻接相似矩阵进行拉普拉斯变换，如下所示：

L＝D-A (3)

其中，A表示由实时输入的交通速度序列计算的邻接路段相似矩阵A∈R^N×N，D＝∑_jA_ij表示路段节点的度矩阵；

去除相似矩阵的量纲影响且保持拉普拉斯矩阵对称，计算时不改变特征的分布，获得更快的收敛速度，如下所示：

其中，I表示单位矩阵，

表示(A+I)的度矩阵，L^sys表示对称且归一化的拉普拉斯矩阵。

本发明的上述实施例所述的动态图卷积交通速度预测方法，输入路段交通速度历史时间序列与计算相似性的序列相同，图卷积神经网络是一种针对非欧图结构数据进行建模的图神经网络，应用到交通预测中，它能在不破坏路段原始的空间邻接关系的基础上进行卷积运算，捕获路段间的空间依赖性。所述动态图卷积交通速度预测方法在图卷积神经网络基础上，改进图卷积神经网络的输入数据构建方式，构建了包含邻接、趋势、周期三项的输入数据，可以用于网络捕获时间依赖性；同时，在每次卷积运算时，改变原始网络全局固定不变的邻接矩阵为实时动态的路段交通状态相似矩阵，实现动态空间相似性捕获；在网络的传播过程中，加入残差项，更进一步捕获每层的隐含信息并加深网络，如图2所示。

其中，所述步骤4还包括：对输入特征X进行图卷积运算，如下所示：

其中，A表示邻接矩阵，I表示单位矩阵；

表示A+I的度矩阵，X表示输入特征，W表示每层的权重参数，σ表示激活函数。

其中，所述步骤4还包括：对输入特征X和邻接矩阵A进行非线性映射，如下所示：

y＝f(X，A) (6)

将残差引入图卷积模型中，层与层之间的传播方式如下所示：

y＝X+f(X，A) (7)。

本发明的上述实施例所述的动态图卷积交通速度预测方法，相比于公式(6)，增加了输入特征X的恒等映射，在避免梯度消失以梯度爆炸的基础上，使特征得到更多层的传播。

本发明的上述实施例所述的动态图卷积交通速度预测方法，可以实时的学习路段间的空间依赖性和时间依赖性，捕获交通速度的变化规律，更精准的预测未来城市道路的速度，可应用于智能交通、智慧城市建设。在考虑路段间自然的非欧图结构的基础上，同时兼顾路段间的实时动态相关性，更全面的捕获交通流实时动态的时空依赖性，实现更高精度的交通预测结果，为避免出行拥堵，保障居民出行安全和效率提供数据支撑。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种动态图卷积交通速度预测方法，其特征在于，包括：

步骤1，将车辆GPS轨迹数据匹配到城市道路网络中，获取每条路段的交通速度时间序列；

步骤2，将城市道路网络的路段视为图节点，将城市道路网络的交叉口视为图的连接边，构建路网图，获取路段间的邻接矩阵；

步骤3，根据每条路段的交通速度时间序列，计算邻接路段间交通速度相似性，获得实时邻接路段相似矩阵；

步骤4，将每条路段的交通速度时间序列和邻接路段相似矩阵输入图卷积网络中训练，获得未来路段交通速度预测结果。

2.根据权利要求1所述的动态图卷积交通速度预测方法，其特征在于，所述步骤1具体包括：

将车辆GPS轨迹数据进行清洗，去除研究区域外的轨迹点和噪声轨迹点，以10分钟为一个时段，将一天划分为144个时段，截取每个时段内的轨迹点数据进行轨迹匹配。

3.根据权利要求2所述的动态图卷积交通速度预测方法，其特征在于，所述步骤1还包括：

计算每个轨迹点到研究区域路段的距离，将轨迹点匹配到最近的路段，聚合每条路段各个时段的轨迹点速度值，取每条路段各个时段所有轨迹点速度的平均值表示路段的速度，得到每条路段的交通速度时间序列。

4.根据权利要求3所述的动态图卷积交通速度预测方法，其特征在于，所述步骤1还包括：

对车辆轨迹数据进行清洗，去除错误数据和冗余数据，对于缺失数据，采用线性插值进行补全，如下所示：

其中，y₀表示当前待插值时段的上一时刻x₀时的速度值，y₁表示当前待插值时段的下一时刻x₁时的速度值，y表示经线性插值后当前时段的速度拟合值。

5.根据权利要求4所述的动态图卷积交通速度预测方法，其特征在于，所述步骤3具体包括：

选取历史交通速度时间序列中待预测时段之前的邻近3个时段、前1天同一时段、前一个星期同一时段的速度值构建交通速度输入序列，采用斯皮尔曼等级相关系数计算邻接路段间的交通速度输入序列相似性，获得该时段下路段间的邻接相似矩阵，如下所示：

其中，r表示两条路段X和Y之间的相关系数，N表示序列的长度，

表示路段X交通速度序列的平均值，

表示路段Y交通速度序列的平均值，X_n、Y_n表示序列中的第n个值。

6.根据权利要求5所述的动态图卷积交通速度预测方法，其特征在于，所述步骤4具体包括：

对公式(2)计算所得的实时动态路段邻接相似矩阵进行拉普拉斯变换，如下所示：

L＝D-A (3)

其中，A表示由实时输入的交通速度序列计算的邻接路段相似矩阵A∈R^N×N，D＝∑_jA_ij表示路段节点的度矩阵；

去除相似矩阵的量纲影响且保持拉普拉斯矩阵对称，计算时不改变特征的分布，获得更快的收敛速度，如下所示：

其中，I表示单位矩阵，

表示(A+I)的度矩阵，L^sys表示对称且归一化的拉普拉斯矩阵。

7.根据权利要求6所述的动态图卷积交通速度预测方法，其特征在于，所述步骤4还包括：

对输入特征X进行图卷积运算，如下所示：

其中，A表示邻接矩阵，I表示单位矩阵；

氛示A+I的度矩阵，X表示输入特征，W表示每层的权重参数，σ表示激活函数。

8.根据权利要求7所述的动态图卷积交通速度预测方法，其特征在于，所述步骤4还包括：

对输入特征X和邻接矩阵A进行非线性映射，如下所示：

y＝f(X，A) (6)

将残差引入图卷积模型中，层与层之间的传播方式如下所示：

y＝X+f(X，A) (7)。

Images