CN112183862A - 一种城市路网的交通流量预测方法及系统 - Google Patents

一种城市路网的交通流量预测方法及系统 Download PDF

Info

Publication number
CN112183862A
CN112183862A CN202011048192.5A CN202011048192A CN112183862A CN 112183862 A CN112183862 A CN 112183862A CN 202011048192 A CN202011048192 A CN 202011048192A CN 112183862 A CN112183862 A CN 112183862A
Authority
CN
China
Prior art keywords
neural network
graph
traffic flow
urban road
wavelet
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.)
Pending
Application number
CN202011048192.5A
Other languages
English (en)
Inventor
李松江
吴宁
王鹏
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.)
Changchun University of Science and Technology
Original Assignee
Changchun University of Science and Technology
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 Changchun University of Science and Technology filed Critical Changchun University of Science and Technology
Priority to CN202011048192.5A priority Critical patent/CN112183862A/zh
Publication of CN112183862A publication Critical patent/CN112183862A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种城市路网的交通流量预测方法及系统，涉及智能交通技术领域，方法包括：建立包括邻接矩阵以及时间序列向量矩阵的训练数据集；建立图小波注意力门控循环神经网络模型；该模型包括基于小波变换的图卷积神经网络以及与所述图卷积神经网络连接的门控循环神经网络；门控循环神经网络包括与各时间段一一对应的融入注意力机制的门控循环单元；利用训练数据集对图小波注意力门控循环神经网络模型进行训练和优化；将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。本发明公开的方法及系统，能够准确预测交通流量。

Description

一种城市路网的交通流量预测方法及系统
技术领域
本发明涉及智能交通技术领域，特别是涉及一种城市路网的交通流量预测方法及系统。
背景技术
交通流量预测是智能交通系统的重要组成部分，及时准确的交通流量预测有助于实现实时动态的交通灯控制和城市道路规划，缓解巨大的交通拥堵问题，提高公共交通的安全性和便利性。但是由于交通数据的复杂空间和时间依赖性，使得准确实时的交通流量预测一直富有挑战性。
空间依赖性是指交通流量的变化受城市路网的拓扑结构的限制，不仅体现在上游路段的交通状态对下游路段的传递作用，以及下游路段的交通状态对上游路段的回溯影响，而且体现在距离相隔较远的路段之间的交通状态也会相互产生间接的影响。时间依赖性是指交通流量是随时间动态变化的，某一路段上的交通流量逐渐向邻近区域扩散，即上一时刻的交通状态必然会对其下一时刻流量产生很大的影响；另外，随着时间的推移，由于受早晚高峰周期、人们每天的生活规律等因素的影响，交通流量的变化会呈现周期性和趋势性。因此，如何充分利用交通流量的时空相关性是解决预测问题的关键。
在过去的几十年里关于交通预测的研究从未停止过。早期的方法，如自回归综合移动平均(ARIMA)模型、支持向量回归机(SVR)模型、K近邻模型、贝叶斯模型，但这些方法不能有效地刻画复杂的非线性时空依赖性。近年来，通过卷积神经网络(CNN)与递归神经网络(RNN)结合，进行时空交通流量预测，该方法在捕获时空特征方面存在一定的局限性。将融入注意力机制的门控循环单元应用到交通流量预测，可以捕获交通数据的长期动态时间依赖性。通过卷积神经网络(CNN)与RNN或其变体(RNNs)结合的方法，捕捉交通数据的时空特征以预测交通流量，该方法具有一定的局限性。一方面，RNNs主要提取静态的时间相关性，适用于短期的交通预测。考虑到注意机制在依赖关系建模方面的高效率和灵活性，将注意力机制应用于交通预测来捕获时间序列的动态长期依赖性。随着图卷积网络模型(GCN)的发展，基于谱图理论，提出了用于交通预测的时空图卷积神经网络、扩散卷积递归神经网络、数据驱动图滤波的图卷积神经网络、交通图卷积递归神经网络。另一方面，传统的卷积运算只能捕捉规则网格结构的特征，无法处理复杂的城市网络拓扑结构的交通流量数据。随着图卷积网络模型(GCN)的发展，它可以捕获图网络结构的交通流量特征，为上述的问题提供了一个很好的解决方案。有研究学者通过改进图卷积网络，可以提取图中局部特征，但是缺乏灵活性。由于图卷积神经网络不能很好的提取图中的局部空间特征，在基于谱图理论提出的用于交通预测的时空图卷积神经网络、扩散卷积递归神经网络、图卷积递归神经网络这些基于图卷积的模型中，局部特征提取过程缺乏灵活性仍然是一个大问题，因此无法准确预测交通流量。
发明内容
本发明的目的是提供一种城市路网的交通流量预测方法及系统，能够准确预测交通流量。
为实现上述目的，本发明提供了如下方案：
一种城市路网的交通流量预测方法，包括：
建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔；
建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元；
利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量；
将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。
可选的，所述建立训练数据集，具体包括：
对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通；
根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻；
获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列；
根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。
可选的，所述建立图小波注意力门控循环神经网络模型，具体包括：
使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵；
使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。
可选的，所述将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，之前还包括：
对待预测的城市路网建模，得到待预测的城市路网的无向图；
根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵；
获取待预测的城市路网的时间序列向量矩阵。
可选的，所述时间间隔为5分钟。
为实现上述目的，本发明还提供了如下方案：
一种城市路网的交通流量预测系统，包括：
训练数据集建立模块，用于建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔；
图小波注意力门控循环神经网络模型建立模块，用于建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元；
训练和优化模块，用于利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量；
预测模块，用于将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。
可选的，所述训练数据集建立模块，具体包括：
城市路网建模单元，用于对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通；
邻接矩阵生成单元，用于根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻；
时间序列向量矩阵获取单元，用于获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列；
训练数据集建立单元，用于根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。
可选的，所述图小波注意力门控循环神经网络模型建立模块，具体包括：
基于小波变换的图卷积神经网络建立单元，用于使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵；
门控循环神经网络建立单元，用于使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。
可选的，还包括：
城市路网建模模块，用于对待预测的城市路网建模，得到待预测的城市路网的无向图；
邻接矩阵生成模块，用于根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵；
时间序列向量矩阵获取模块，用于获取待预测的城市路网的时间序列向量矩阵。
可选的，所述时间间隔为5分钟。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开的城市路网的交通流量预测方法及系统，一方面，为了能够处理任意图形结构的交通数据并很好地捕获城市道路的局部空间特征，利用基于小波变换的图卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征；另一方面，为了避免图小波卷积只能很好地捕获交通数据的局部空间特征，但忽略时间特征，因此不能够准确预测城市交通流量的问题，将得到的具有局部空间特征的时间序列向量和注意力机制融入到门控循环神经网络，并通过门控循环神经网络中多个门控循环单元之间的信息传递捕捉交通流的长期动态时间特征，从而能够准确预测城市交通流量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明城市路网的交通流量预测方法实施例1的流程图；
图2为本发明城市路网的交通流量预测方法实施例2的概述示意图；
图3为本发明图小波注意力门控循环神经网络模型的结构框架示意图；
图4为本发明城市路网的交通流量预测方法实施例2的流程图；
图5为本发明实施例2的预测结果与真实交通流的可视化分析示意图；
图6为本发明城市路网的交通流量预测系统实施例3的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种城市路网的交通流量预测方法及系统，能够准确预测交通流量。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
图1为本发明城市路网的交通流量预测方法实施例1的流程图。参见图1，该城市路网的交通流量预测方法包括：
步骤101：建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔。
该步骤101具体包括：
对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通。
根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；若两所述节点之间连通，则两所述节点相邻，两所述节点对应的邻接矩阵中的元素值为1，若两所述节点之间不连通，则两所述节点不相邻，两所述节点对应的邻接矩阵中的元素值为0；所述邻接矩阵表示路段之间是否相邻。
获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列。
根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。
该步骤101中，所述时间间隔为5分钟。
步骤102：建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元。
该步骤102具体包括：
使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵。
使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。
步骤103：利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量。
步骤104：将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。
该步骤104之前还包括：
对待预测的城市路网建模，得到待预测的城市路网的无向图。
根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵。
获取待预测的城市路网的时间序列向量矩阵。
实施例2：
图2为本发明城市路网的交通流量预测方法实施例2的概述示意图。参见图2，该城市路网的交通流量预测方法基于图小波注意力门控循环神经网络模型进行城市路网的交通流量预测，如图2方法概述：
首先，将城市路网建模为无向图结构，图的节点表示路段，图的边表示交叉口之间的连通性，路段的时间序列为节点的交通流的属性特征。路段的时间序列为某一段路在以5分钟为单位的时间段内的交通流量。
其次，将上述得到的图和历史交通时间序列作为输入，利用图小波注意力门控循环神经网络模型捕捉交通流的长期时间变化特征和复杂空间特征，以及包含交通数据时空特性的隐藏单元的状态。具体的捕捉方法为：将图的邻接矩阵和历史交通时间序列作为输入，通过图小波卷积网络，即基于小波变换的图卷积神经网络，得到具有空间特征的序列，结合融入注意力机制的多个门控循环单元获得交通流长期动态相关性。
然后，将上述得到的隐藏状态输入全连接层，得到所有路段上的预测结果。预测结果即每段路在以5分钟为单位的时间段内的交通流量。
最后，利用不同的评价指标对模型的预测结果与真实值进行对比评估。
进一步地，具体的建模过程如下：
步骤1：构造一个具有结构化的时序无向图G＝(V,E)来描述路网的拓扑结构，其中V是一组节点集，也称为图的顶点集，V＝{v1,v2,…,vN}，N为节点数，(vi,vj)∈E表示节点间连通性的一组边；vi表示第i节点，vj表示第j节点，E表示节点间连通性的边的集合；用邻接矩阵A表示节点间的连接性，其中Ai,j∈RN×N，Ai,j表示第i节点和第j节点间的连接性，RN×N表示邻接矩阵A所属范围，R表示实数集，如果节点i和j相邻，那么Ai,j＝1，否则Ai,j＝0；
步骤2：设空间路网G上任意节点都会产生一个时间序列向量X，时间序列向量X即为特征向量，X＝(X1,…,Xt,…XP)∈RP×N，其中Xt表示在时间戳t处任意节点的交通流信息(交通流量)，时间戳t表示第t个时间序列，时间序列为以5分钟为单位的交通流量，P表示历史时间序列的长度，RP×N表示时间序列向量X所属范围。
步骤3：定义拉普拉斯矩阵和拉普拉斯矩阵的特征向量。根据邻接矩阵A，将拉普拉斯矩阵定义为L＝D-A，其中D∈RN×N为度矩阵。标准化拉普拉斯矩阵为L＝IN-D-1/2AD-1/2，其中IN∈RN×N为单位矩阵，RN×N表示单位矩阵IN所属范围，D-1/2表示D的负二分之一次方，是通过D计算出来的。再利用拉普拉斯的特征向量矩阵U＝[u0,u1,…,uN-1]∈RN×N对角化得到L＝UΛUT，T表示转置，UT表示拉普拉斯矩阵的转置，UT是通过数学计算得到的，uN-1表示以列为单位的拉普拉斯的特征向量，L表示化简后的拉普拉斯矩阵。
步骤4：图卷积。将归一化的拉普拉斯矩阵的特征向量U作为一组基，则图G上的信号向量x∈RN的傅立叶变换可以定义为
Figure BDA0002708681510000101
RN表示信号向量x的范围。根据卷积定理，图G上的卷积算子
Figure BDA0002708681510000102
推广为：
Figure BDA0002708681510000103
其中z为卷积核，⊙是哈达马积，
Figure BDA00027086815100001013
表示z的傅立叶变换。
步骤5：与图的傅立叶变换相似，图小波变换采用一组小波作为基，定义为
Figure BDA0002708681510000104
RN×N表示图小波变换的范围，其中每个小波ψs，i对应图上节点i的扩散的范围，s是缩放参数。根据小波变换原理，数学上，ψs，i可以写成
Figure BDA0002708681510000105
其中Gs＝diag(g(sλ0)，…g(sλN-1))是放缩矩阵，且
Figure BDA0002708681510000106
表示热核，e表示指数，λi表示拉普拉斯特征矩阵所对应的对角矩阵的特征值。
步骤6：以图小波为基，将图G上信号向量x的图小波变换定义为
Figure BDA0002708681510000107
可以通过将
Figure BDA0002708681510000108
中的g(sλi)替换为与热核对应的g(-sλi)来获得
Figure BDA0002708681510000109
用图小波变换代替公式(1)中的图傅立叶变换，得到图卷积为：
Figure BDA00027086815100001010
步骤5-6即根据步骤3-4得到图小波卷积的过程，步骤3-6即使用小波变换替换图卷积中傅立叶变换的过程。
步骤7：使用GRU获得历史隐藏层状态hP-i，如公式hP-i＝GRU(yP-i-1,hP-i-1)所示，其中P-i,i∈(1,…,P)为历史时间步长，yP-i-1表示模型P-i-1层的输出，hP-i-1表示历史第P-i-1层隐层状态。利用注意力机制自适应地学习该状态与之前所有状态之间的比重，以捕获预测状态与之前状态之间的相关性。通过将具有时空特征的序列作为输入，根据该步骤，门控循环神经网络的输出中包含隐藏单元，以此来捕捉包含交通数据时空特性的隐藏单元的状态。
步骤8：将得到的隐藏状态hP-i通过多层感知机，利用归一化指数函数softmax计算每个特征的注意权重向量
Figure BDA00027086815100001011
具体表示为
Figure BDA00027086815100001012
Figure BDA0002708681510000111
其中
Figure BDA0002708681510000112
表示hP+j与hP-i之间的相似度，hP+j表示原始隐藏状态，P+j,j∈(1,…,P')为预测时间步长，P’表示预测时间长度，Wf、VT为可训练的权重矩阵和向量，VT中的T表示转置，r表示变量，与i类似，
Figure BDA0002708681510000113
表示预测序列的隐藏层状态hP+j与历史隐藏层状态hP-r之间的相似度。
步骤9：构造注意力函数，计算所有的隐藏状态hP-i与其相对应的注意权重向量
Figure BDA0002708681510000114
的加权和，获得包含长期交通流变化信息的上下文向量SP+j，表达式为
Figure BDA0002708681510000115
步骤10：由原始隐藏状态hP+j与上下文向量SP+j通过简单的级联得到注意隐藏状态
Figure BDA0002708681510000116
Figure BDA0002708681510000117
其中Wh为注意力机制层的权重参数。
步骤7-10即注意力机制融合门控循环单元的过程。
步骤11：所提出的图小波注意力门控循环神经网络模型的框架如图3所示，模型的输入是对路网建立的无向图和各路段的时间序列。首先将路网流量信息转换为向量(X1,…,XP-1,XP)作为模型的输入，捕获基于底层交通网络拓扑结构的空间特征，即路网信息。
步骤12：将获得的具有空间特征的时间序列和注意力机制融入到门控递归单元，并利用单元之间的信息传递来获得时间的动态变化，以捕获长期时空相关性。其中，具有空间特征的时间序列指的是将邻接矩阵和特征向量作为输入，通过图小波卷积网络后的输出。注意力机制是用来更新门控神经网络隐藏层状态的，如步骤8所示。
步骤13：最后通过全连接层得到预测结果。具体计算过程如下所示：
Figure BDA0002708681510000118
Figure BDA0002708681510000119
Figure BDA00027086815100001110
Figure BDA00027086815100001111
Figure BDA00027086815100001112
其中uP+1、rP+1和cP+1是更新门、重置门和输入存储单元的输出。
Figure BDA00027086815100001113
是对角线权重矩阵，它们利用图小波矩阵对到三个门和存储单元的输入xP+1进行滤波。类似地，
Figure BDA00027086815100001114
之前隐藏状态hP的对角线权重矩阵。W(·)∈RN×N是权重向量，b(·)∈RN×N是偏置向量。根据公式(2)，将形式类似于
Figure BDA0002708681510000121
的矩阵称为GW-AGRU中的图小波权重矩阵。yP+1为预测输出，σ是sigmoid的激活函数，tanh是双曲正切函数。ψs表示图的小波集合，
Figure BDA0002708681510000122
表示注意力门控神经网络隐藏层的输出，xP+1表示预测序列的输入。
步骤11-13即将处理后的无向图和各路段的时间序列输入到图小波注意力门控循环神经网络模型中，得到训练和优化后的模型的过程。
图4为本发明城市路网的交通流量预测方法实施例2的流程图。参见图4，该城市路网的交通流量预测方法包括：
(1)数据介绍，数据主要包括两部分，一是描述路段之间空间拓扑关系的邻接矩阵，矩阵中的值表示路段之间的连通关系；二是描述路段上交通流变化的特征矩阵，矩阵的行表示路段，列为路段上时间步长为5分钟的交通流量。
(2)设置参数，手动调整学习率为0.001，批量大小为32，训练迭代次数为1000，设置隐藏单元的数量为64。此外，使用Adam optimizer来优化模型。将步骤(1)中的数据输入如图3所示的交通流预测模型中，得到预测结果。
(3)评价指标，使用yi，j表示真实的交通流量，
Figure BDA0002708681510000123
表示预测的交通流量，
Figure BDA0002708681510000124
分别是
Figure BDA0002708681510000125
的集合，
Figure BDA0002708681510000126
是Y的均值。评估指标包括以下4个。
均方根误差(RMSE)：
Figure BDA0002708681510000127
平均绝对误差(MAE)：
Figure BDA0002708681510000128
准确率(Accuracy)：
Figure BDA0002708681510000129
其中，F表示误差的集合；
决定系数(R2)：
Figure BDA0002708681510000131
其中，RESM和MAE可以测量预测的误差：数值与预测效果呈负相关；Accuracy能够检测预测的精度：数值与预测效果呈正相关；R2为相关关系，用来权衡预测结果代表真实数据的水平，数值与预测效果呈正相关。
(4)将基于图小波注意力门控递归神经网络(GW-AGRU)模型(GW-AGRU模型)，即该实施例提出的图小波注意力门控循环神经网络模型的性能与以下基线方法进行比较，实验结果如下表：
表1 GW-AGRU模型性能与其他基线方法实验结果比较表
Figure BDA0002708681510000132
从表1中可以发现，相比于基准模型，GW-AGRU模型具有较高的预测性能。图5展示了2019.08.19一天交通流的可视化结果，其中横轴代表时间，纵轴代表交通流量，从图5中可以看出，使用GW-AGRU模型预测的交通流量与实际交通流量具有相似的变化模式，这有助于交通拥堵等现象的预测，进而说明GW-AGRU模型在实际的交通预测任务中的有效性。
GW-AGRU模型采用图小波作为提取空间特征的关键组成部分，图小波变换既考虑了路网的底层拓扑结构，还考虑了路网的交通状态，能够克服图卷积中不能局部化的问题，提高计算的效率。通过注意力机制对门控循环单元进行改进，首先，为了能够处理任意图形结构的交通数据并捕获城市道路的局部特征，利用图小波卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征。然后，为了捕捉交通流的长期动态时间特征，将得到的具有空间特征的序列和注意力机制融入到门控循环单元，并通过单元之间的信息传递捕获交通流特征的动态变化。最后结合全连接层预测整个路网的交通流量。基于对门控循环神经网络的改进从而能够准确预测交通流量。通过注意力机制对门控循环单元进行改进，不仅捕捉了交通流的时间依赖性，而且弥补了门控循环神经网络的短期预测的缺陷。因此，具有同时捕获交通流的时空特性的能力。通过在真实的数据集上进行实验，GW-AGRU模型获得了较好的预测效果，不仅可以用于交通预测，还能够应用在其他的时空预测方面。
本发明考虑到交通网络的局部图结构和交通数据的动态时空模式，同时采用图小波卷积和注意机制对网络结构的交通数据进行建模，提出一种基于图小波注意力门控递归神经网络(GW-AGRU)模型，捕获城市路网的时空相关性，并预测交通流量。使用基于小波变换的图卷积网络作为提取空间特征的关键组成部分；将注意力机制改进的门控递归单元用于学习交通数据的时序相关性，从而准确的预测城市路网的交通流量。该模型结合图小波卷积和注意力机制对门控循环神经网络进行改进，首先利用图小波卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征。将得到的具有空间特征的序列和注意力机制融入到门控循环单元，并通过单元之间的信息传递捕获交通流特征的动态变化。最后结合全连接层预测整个路网的交通流量。不同于传统注意力机制对GRU的作用方式，传统的方式仅仅考虑两个状态之间的情况，即端到端的链结构，而GW-AGRU是一个树型结构，利用注意力机制自适应地学习该状态与之前所有状态之间的比重，以捕获预测状态与之前状态之间的相关性。
本发明基于现有技术存在未捕获交通数据的长期动态时间相关性，以及局部空间特征提取过程缺乏灵活性的问题，为了能够处理任意图形结构的交通数据并捕获城市道路的局部特征，利用图小波卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征。虽然图小波卷积能很好的捕获交通数据的空间特征，但忽略时间特征，因此将注意力机制改进的门控递归单元用于学习交通数据的时序相关性，从而实现准确的预测城市路网的交通流量。具体的，为了捕捉交通流的长期动态时间特征，将得到的具有空间特征的序列和注意力机制融入到门控循环单元，并通过单元之间的信息传递捕获交通流特征的动态变化。由于交通流数据具有很强的时空特性，因此首先使用图小波卷积神经网络捕获交通数据的空间特征，再结合融入注意力机制的门控循环神经网络以捕获长期动态时间相关性，最后通过全连接层预测整个路网的交通流量，以实现准确的预测城市路网的交通流量。
实施例3：
图6为本发明城市路网的交通流量预测系统实施例3的结构图。参见图6，该城市路网的交通流量预测系统包括：
训练数据集建立模块601，用于建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔。
该训练数据集建立模块601中，所述时间间隔为5分钟。
该训练数据集建立模块601具体包括：
城市路网建模单元，用于对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通。
邻接矩阵生成单元，用于根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻。
时间序列向量矩阵获取单元，用于获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列。
训练数据集建立单元，用于根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。
图小波注意力门控循环神经网络模型建立模块602，用于建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元。
该图小波注意力门控循环神经网络模型建立模块602具体包括：
基于小波变换的图卷积神经网络建立单元，用于使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵。
门控循环神经网络建立单元，用于使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。
训练和优化模块603，用于利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量。
预测模块604，用于将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。
该城市路网的交通流量预测系统还包括：
城市路网建模模块，用于对待预测的城市路网建模，得到待预测的城市路网的无向图。
邻接矩阵生成模块，用于根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵。
时间序列向量矩阵获取模块，用于获取待预测的城市路网的时间序列向量矩阵。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种城市路网的交通流量预测方法，其特征在于，包括：
建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔；
建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元；
利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量；
将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。
2.根据权利要求1所述的城市路网的交通流量预测方法，其特征在于，所述建立训练数据集，具体包括：
对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通；
根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻；
获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列；
根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。
3.根据权利要求1所述的城市路网的交通流量预测方法，其特征在于，所述建立图小波注意力门控循环神经网络模型，具体包括：
使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵；
使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。
4.根据权利要求2所述的城市路网的交通流量预测方法，其特征在于，所述将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，之前还包括：
对待预测的城市路网建模，得到待预测的城市路网的无向图；
根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵；
获取待预测的城市路网的时间序列向量矩阵。
5.根据权利要求1所述的城市路网的交通流量预测方法，其特征在于，所述时间间隔为5分钟。
6.一种城市路网的交通流量预测系统，其特征在于，包括：
训练数据集建立模块，用于建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔；
图小波注意力门控循环神经网络模型建立模块，用于建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元；
训练和优化模块，用于利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量；
预测模块，用于将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。
7.根据权利要求6所述的城市路网的交通流量预测系统，其特征在于，所述训练数据集建立模块，具体包括：
城市路网建模单元，用于对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通；
邻接矩阵生成单元，用于根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻；
时间序列向量矩阵获取单元，用于获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列；
训练数据集建立单元，用于根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。
8.根据权利要求6所述的城市路网的交通流量预测系统，其特征在于，所述图小波注意力门控循环神经网络模型建立模块，具体包括：
基于小波变换的图卷积神经网络建立单元，用于使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵；
门控循环神经网络建立单元，用于使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。
9.根据权利要求7所述的城市路网的交通流量预测系统，其特征在于，还包括：
城市路网建模模块，用于对待预测的城市路网建模，得到待预测的城市路网的无向图；
邻接矩阵生成模块，用于根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵；
时间序列向量矩阵获取模块，用于获取待预测的城市路网的时间序列向量矩阵。
10.根据权利要求6所述的城市路网的交通流量预测系统，其特征在于，所述时间间隔为5分钟。
CN202011048192.5A 2020-09-29 2020-09-29 一种城市路网的交通流量预测方法及系统 Pending CN112183862A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011048192.5A CN112183862A (zh) 2020-09-29 2020-09-29 一种城市路网的交通流量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011048192.5A CN112183862A (zh) 2020-09-29 2020-09-29 一种城市路网的交通流量预测方法及系统

Publications (1)

Publication Number Publication Date
CN112183862A true CN112183862A (zh) 2021-01-05

Family

ID=73945740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011048192.5A Pending CN112183862A (zh) 2020-09-29 2020-09-29 一种城市路网的交通流量预测方法及系统

Country Status (1)

Country Link
CN (1) CN112183862A (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766603A (zh) * 2021-02-01 2021-05-07 湖南大学 一种交通流量预测方法、系统、计算机设备及存储介质
CN112801377A (zh) * 2021-01-29 2021-05-14 腾讯大地通途（北京）科技有限公司 一种对象估计方法、装置、设备及存储介质
CN112910881A (zh) * 2021-01-28 2021-06-04 武汉市博畅软件开发有限公司 一种基于通信协议的数据监控方法及系统
CN112927510A (zh) * 2021-02-08 2021-06-08 湖南大学 一种交通流量预测方法
CN112989539A (zh) * 2021-04-07 2021-06-18 上海交通大学 一种基于交叉路口转移计算的交通预测方法
CN113051474A (zh) * 2021-03-24 2021-06-29 武汉大学 一种融合多平台多终端搜索指数的客流预测方法及系统
CN113112004A (zh) * 2021-04-21 2021-07-13 上海电力大学 一种基于霍克斯过程与图神经网络的时空预测方法
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
CN113192325A (zh) * 2021-04-19 2021-07-30 银江股份有限公司 一种交通事件相关性分析方法及系统
CN113205684A (zh) * 2021-04-29 2021-08-03 上海应用技术大学 交通流量预测方法及系统
CN113420414A (zh) * 2021-05-27 2021-09-21 四川大学 一种基于动态时空分析的短时交通流预测模型
CN113435658A (zh) * 2021-07-09 2021-09-24 江南大学 一种基于时空融合相关性和注意力机制的交通流预测方法
CN113450568A (zh) * 2021-06-30 2021-09-28 兰州理工大学 一种基于时空注意力机制的卷积网络交通流预测方法
CN113487856A (zh) * 2021-06-04 2021-10-08 兰州理工大学 基于图卷积网络及注意力机制的交通流组合预测模型
CN113487066A (zh) * 2021-06-18 2021-10-08 山西云时代智慧城市技术发展有限公司 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113505536A (zh) * 2021-07-09 2021-10-15 兰州理工大学 一种优化的基于时空图卷积网络的交通流预测模型
CN113642379A (zh) * 2021-05-18 2021-11-12 北京航空航天大学 基于注意力机制融合多流图的人体姿态预测方法及系统
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置
CN113762595A (zh) * 2021-07-26 2021-12-07 清华大学 通行时间预测模型训练方法、通行时间预测方法及设备
CN113852492A (zh) * 2021-09-01 2021-12-28 南京信息工程大学 基于注意力机制和图卷积神经网络的网络流量预测方法
CN114493014A (zh) * 2022-01-28 2022-05-13 湖南大学 多元时间序列预测方法、系统及计算机产品、存储介质
CN114743375A (zh) * 2022-04-08 2022-07-12 杭州电子科技大学 一种基于机器视觉融合路网时空信息的交通流预测方法
CN114860715A (zh) * 2022-03-18 2022-08-05 浙江大学 一种流量实时预测的Lanczos时空网络方法
CN115049022A (zh) * 2022-08-12 2022-09-13 天津大学 基于时间差分的数据处理方法及装置
CN115376318A (zh) * 2022-08-22 2022-11-22 重庆邮电大学 一种基于多属性融合神经网络的交通数据补偿方法
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN115526382A (zh) * 2022-09-09 2022-12-27 扬州大学 一种路网级交通流预测模型可解释性分析方法
CN115938112A (zh) * 2022-11-23 2023-04-07 华侨大学 交通需求预测方法、系统、电子设备及计算机存储介质
CN116050672A (zh) * 2023-03-31 2023-05-02 山东银河建筑科技有限公司 基于人工智能的城市管理方法及系统
CN116758744A (zh) * 2023-06-21 2023-09-15 山东宜鑫致远信息科技有限公司 基于人工智能的智慧城市运维管理方法、系统及存储介质
CN117133129A (zh) * 2023-10-26 2023-11-28 山东科技大学 一种基于多分量注意力图神经网络的交通速度预测方法
CN117218604A (zh) * 2023-11-07 2023-12-12 北京城建智控科技股份有限公司 缺失客流量信息的补全方法、装置、电子设备和存储介质
CN117649769A (zh) * 2024-01-29 2024-03-05 南京邮电大学 一种基于时空关联特征矩阵的未来交通流量智能预测方法
CN117912238A (zh) * 2023-12-25 2024-04-19 广州市启宏普浩企业管理服务有限公司 一种车辆增援态势感知方法及系统
CN117935561A (zh) * 2024-03-20 2024-04-26 山东万博科技股份有限公司 一种基于北斗数据的智能交通流分析方法
CN118503651A (zh) * 2024-07-10 2024-08-16 天津大学 基于树形高阶图卷积的交通状态预测方法、训练方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205889A (zh) * 2017-12-29 2018-06-26 长春理工大学 基于卷积神经网络的高速公路交通流预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205889A (zh) * 2017-12-29 2018-06-26 长春理工大学 基于卷积神经网络的高速公路交通流预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHIYONG CUI;RUIMIN KE;ZIYUAN PU;XIAOLEI MA;YINHAI WANG: "Learning traffic as a graph: A gated graph wavelet recurrent neural network for network-scale traffic prediction", 《TRANSPORTATION RESEARCH PART C》 *

Cited By (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112910881A (zh) * 2021-01-28 2021-06-04 武汉市博畅软件开发有限公司 一种基于通信协议的数据监控方法及系统
CN112801377A (zh) * 2021-01-29 2021-05-14 腾讯大地通途（北京）科技有限公司 一种对象估计方法、装置、设备及存储介质
CN112801377B (zh) * 2021-01-29 2023-08-22 腾讯大地通途（北京）科技有限公司 一种对象估计方法、装置、设备及存储介质
CN112766603A (zh) * 2021-02-01 2021-05-07 湖南大学 一种交通流量预测方法、系统、计算机设备及存储介质
CN112927510B (zh) * 2021-02-08 2021-12-17 湖南大学 一种交通流量预测方法
CN112927510A (zh) * 2021-02-08 2021-06-08 湖南大学 一种交通流量预测方法
CN113051474B (zh) * 2021-03-24 2023-09-15 武汉大学 一种融合多平台多终端搜索指数的客流预测方法及系统
CN113051474A (zh) * 2021-03-24 2021-06-29 武汉大学 一种融合多平台多终端搜索指数的客流预测方法及系统
CN112989539A (zh) * 2021-04-07 2021-06-18 上海交通大学 一种基于交叉路口转移计算的交通预测方法
CN113192325A (zh) * 2021-04-19 2021-07-30 银江股份有限公司 一种交通事件相关性分析方法及系统
CN113192325B (zh) * 2021-04-19 2022-06-24 银江技术股份有限公司 一种交通事件相关性分析方法及系统
CN113112004A (zh) * 2021-04-21 2021-07-13 上海电力大学 一种基于霍克斯过程与图神经网络的时空预测方法
CN113112004B (zh) * 2021-04-21 2022-12-06 上海电力大学 一种基于霍克斯过程与图神经网络的时空预测方法
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
CN113205684A (zh) * 2021-04-29 2021-08-03 上海应用技术大学 交通流量预测方法及系统
CN113642379A (zh) * 2021-05-18 2021-11-12 北京航空航天大学 基于注意力机制融合多流图的人体姿态预测方法及系统
CN113642379B (zh) * 2021-05-18 2024-03-01 北京航空航天大学 基于注意力机制融合多流图的人体姿态预测方法及系统
CN113420414A (zh) * 2021-05-27 2021-09-21 四川大学 一种基于动态时空分析的短时交通流预测模型
CN113420414B (zh) * 2021-05-27 2022-08-30 四川大学 一种基于动态时空分析的短时交通流预测模型
CN113487856A (zh) * 2021-06-04 2021-10-08 兰州理工大学 基于图卷积网络及注意力机制的交通流组合预测模型
CN113487066A (zh) * 2021-06-18 2021-10-08 山西云时代智慧城市技术发展有限公司 基于多属性增强图卷积-Informer模型的长时序货运量预测方法
CN113450568A (zh) * 2021-06-30 2021-09-28 兰州理工大学 一种基于时空注意力机制的卷积网络交通流预测方法
CN113435658A (zh) * 2021-07-09 2021-09-24 江南大学 一种基于时空融合相关性和注意力机制的交通流预测方法
CN113435658B (zh) * 2021-07-09 2024-04-30 江南大学 一种基于时空融合相关性和注意力机制的交通流预测方法
CN113505536A (zh) * 2021-07-09 2021-10-15 兰州理工大学 一种优化的基于时空图卷积网络的交通流预测模型
CN113762595A (zh) * 2021-07-26 2021-12-07 清华大学 通行时间预测模型训练方法、通行时间预测方法及设备
CN113762595B (zh) * 2021-07-26 2022-11-15 清华大学 通行时间预测模型训练方法、通行时间预测方法及设备
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置
CN113852492A (zh) * 2021-09-01 2021-12-28 南京信息工程大学 基于注意力机制和图卷积神经网络的网络流量预测方法
CN114493014B (zh) * 2022-01-28 2024-08-20 湖南大学 多元时间序列预测方法、系统及计算机产品、存储介质
CN114493014A (zh) * 2022-01-28 2022-05-13 湖南大学 多元时间序列预测方法、系统及计算机产品、存储介质
CN114860715A (zh) * 2022-03-18 2022-08-05 浙江大学 一种流量实时预测的Lanczos时空网络方法
CN114743375A (zh) * 2022-04-08 2022-07-12 杭州电子科技大学 一种基于机器视觉融合路网时空信息的交通流预测方法
CN114743375B (zh) * 2022-04-08 2023-09-15 杭州电子科技大学 一种基于机器视觉融合路网时空信息的交通流预测方法
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN115482656B (zh) * 2022-05-23 2023-09-26 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN115049022B (zh) * 2022-08-12 2022-10-21 天津大学 基于时间差分的数据处理方法及装置
CN115049022A (zh) * 2022-08-12 2022-09-13 天津大学 基于时间差分的数据处理方法及装置
CN115376318A (zh) * 2022-08-22 2022-11-22 重庆邮电大学 一种基于多属性融合神经网络的交通数据补偿方法
CN115376318B (zh) * 2022-08-22 2023-12-29 中交投资(湖北)运营管理有限公司 一种基于多属性融合神经网络的交通数据补偿方法
CN115526382A (zh) * 2022-09-09 2022-12-27 扬州大学 一种路网级交通流预测模型可解释性分析方法
CN115938112B (zh) * 2022-11-23 2024-08-23 华侨大学 交通需求预测方法、系统、电子设备及计算机存储介质
CN115938112A (zh) * 2022-11-23 2023-04-07 华侨大学 交通需求预测方法、系统、电子设备及计算机存储介质
CN116050672A (zh) * 2023-03-31 2023-05-02 山东银河建筑科技有限公司 基于人工智能的城市管理方法及系统
CN116758744A (zh) * 2023-06-21 2023-09-15 山东宜鑫致远信息科技有限公司 基于人工智能的智慧城市运维管理方法、系统及存储介质
CN116758744B (zh) * 2023-06-21 2024-06-11 丁璐 基于人工智能的智慧城市运维管理方法、系统及存储介质
CN117133129B (zh) * 2023-10-26 2024-01-30 山东科技大学 一种基于多分量注意力图神经网络的交通速度预测方法
CN117133129A (zh) * 2023-10-26 2023-11-28 山东科技大学 一种基于多分量注意力图神经网络的交通速度预测方法
CN117218604B (zh) * 2023-11-07 2024-04-12 北京城建智控科技股份有限公司 缺失客流量信息的补全方法、装置、电子设备和存储介质
CN117218604A (zh) * 2023-11-07 2023-12-12 北京城建智控科技股份有限公司 缺失客流量信息的补全方法、装置、电子设备和存储介质
CN117912238A (zh) * 2023-12-25 2024-04-19 广州市启宏普浩企业管理服务有限公司 一种车辆增援态势感知方法及系统
CN117649769A (zh) * 2024-01-29 2024-03-05 南京邮电大学 一种基于时空关联特征矩阵的未来交通流量智能预测方法
CN117649769B (zh) * 2024-01-29 2024-04-16 南京邮电大学 一种基于时空关联特征矩阵的未来交通流量智能预测方法
CN117935561B (zh) * 2024-03-20 2024-05-31 山东万博科技股份有限公司 一种基于北斗数据的智能交通流分析方法
CN117935561A (zh) * 2024-03-20 2024-04-26 山东万博科技股份有限公司 一种基于北斗数据的智能交通流分析方法
CN118503651A (zh) * 2024-07-10 2024-08-16 天津大学 基于树形高阶图卷积的交通状态预测方法、训练方法及装置

Similar Documents

Publication Publication Date Title
CN112183862A (zh) 一种城市路网的交通流量预测方法及系统
CN111899510B (zh) 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
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
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN112988723B (zh) 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法
CN113053115B (zh) 一种基于多尺度图卷积网络模型的交通预测方法
CN114944053B (zh) 一种基于时空超图神经网络的交通流预测方法
CN110851782A (zh) 一种基于轻量级时空深度学习模型的网络流量预测方法
CN112071065A (zh) 一种基于全局扩散卷积残差网络的交通流预测方法
CN115578851B (zh) 一种基于mgcn的交通预测方法
CN112232543B (zh) 一种基于图卷积网络的多站点预测方法
CN109583565A (zh) 基于注意力模型长短时记忆网络的洪水预测方法
CN116543554B (zh) 基于动态相关性的时空Transformer交通流预测方法
Ouyang et al. Spatial-temporal dynamic graph convolution neural network for air quality prediction
CN113112791A (zh) 一种基于滑动窗口长短时记忆网络的交通流量预测方法
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
CN113808396A (zh) 基于交通流量数据融合的交通速度预测方法和系统
CN115759461A (zh) 一种面向物联网的多元时间序列预测方法及系统
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
CN118298618A (zh) 一种基于交互空间增强图卷积模型的交通流预测方法
CN118013881A (zh) 基于计算网格数据的非定常流场单步预测方法、系统及存储介质
CN117671952A (zh) 基于时空同步动态图注意力网络的交通流预测方法及系统
Fei et al. Orthogonal spatial-temporal graph convolutional networks for traffic flow forecasting
CN116975642A (zh) 一种使用动态多图融合进行交通流量预测的方法
CN116630113A (zh) 一种基于scc-rce预测单元的预测网络及网格化pm2.5浓度预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210105