CN112382082A - 一种拥堵区域交通运行状态预测方法及系统 - Google Patents

Abstract

本发明涉及交通预测技术领域，具体涉及一种拥堵区域交通运行状态预测方法及系统。其方法包括步骤：S1.获取区域交通数据信息；S2.根据区域交通数据信息生成多个拥堵子区；S3.按照预测时段对每一个拥堵子区中的各路段进行路段速度预测，以得到相应预测时段的路段预测速度；S4.根据得到的路段的预测速度进行OD预测，以得到OD预测参数；S5.以拥堵子区的路段预测速度和OD预测参数对区域交通运行状态进行仿真，以对区域交通运行状态进行预测。本发明通过构建拥堵子区保留了路段关联关系的动态特征，解决了以往交通仿真区域固定的问题，并且利用元学习模型的泛化性能，解决了数据缺失下的仿真流量参数校准问题，可以更好的对拥堵区域的交通运行状态进行预测。

Description

一种拥堵区域交通运行状态预测方法及系统

技术领域

本发明涉及交通预测技术领域，具体涉及一种拥堵区域交通运行状态预测方法及系统。

背景技术

随着城市的快速发展，交通拥堵问题日益常态化，交通管理控制面临着重大挑战。由于有限的道路资源与人们日益增长的出行需求之间的矛盾，城市道路网常常出现过载现象，由此带来的交通拥堵、交通污染和交通安全问题已经成为城市发展的基础性问题。

城市智慧交通中，人们通过城市交通基础数据获取、城市交通运行状态提取和城市交通运行状态分析与预测三个阶段实现对城市交通的管控，前两个阶段都是为交通运行状态分析与预测做准备，在第三阶段，为满足交通管控的智能化要求，交通仿真技术逐渐成为技术热点。交通仿真可以模拟交通环境，对指定区域的交通运行情状进行模拟，从而预测未来交通运行状态，指导交通管控策略。

当前的交通状态的仿真预测存在两点不足，第一，交通仿真往往是针对指定区域的，不能根据交通状态的变化而动态改变。由于交通状态的时变性，路段之间的关联关系也在时刻变化，指定区域的仿真预测可能忽略重要的关联路段，造成运行状态的误判；第二，交通仿真预测或是依赖高准确率的数据基础，特别是断面流量，对于交通检测设备故障或部分缺失的道路网无法进行仿真，或是依赖于巨量参数训练，耗时长，适用性能差。无法满足城市道路网智慧管控的需求。许多大城市在交通管控时效性和智慧化方面的要求越来越高，交通治堵仍是城市交通管理的关键问题，因此交通运行状态预测格外重要。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种拥堵区域交通运行状态预测方法，包括步骤：

S1.获取区域交通数据信息；

S2.根据区域交通数据信息生成多个拥堵子区；

S3.按照预测时段对每一个拥堵子区中的各路段进行路段速度预测，以得到相应预测时段的路段预测速度；

S4.根据得到的路段的预测速度进行OD预测，以得到OD预测参数；

S5.以拥堵子区的路段预测速度和OD预测参数对区域交通运行状态进行仿真，以对区域交通运行状态进行预测。

作为优选方案，步骤S2中，拥堵子区为基于图神经网络的链路预测模型得到，具体步骤包括：

S2.1.根据区域交通数据信息获取该区域中的拥堵关键路口，并以拥堵关键路口作为拥堵节点，该拥堵关键路口的周边路口作为周边节点，以构造拥堵节点h步之内的封闭子图；

S2.2.基于图神经网络的链路预测模型预测封闭子图中周边节点与拥堵节点关联关系存在的可能性值；

S2.3.将关联关系存在的可能性值大于阈值λ的周边节点与拥堵节点构成拥堵子区。

作为优选方案，步骤S3中，拥堵子区中各路段的预测速度为基于图波网的时空图卷积网络模型得到，所述基于图波网的时空图卷积网络模型由输入层、输出层以及堆叠的K个时空层组成，时空层由门控时间卷积层以及图卷积层组成，门控时间卷积层由两个并行的时间卷积层组成，输入层与每个时空层连接，每个时空层中都有残差连接，且每个时空层跳跃连接到输出层。

作为优选方案，所述基于图波网的时空图卷积网络模型，在输入层和时空层之间增加聚类层、线性层，剔除输入层传输的冗余信息；在时空层和输出层之间增加线性层，提取信息传输到输出层。

作为优选方案，步骤S3中，对每一个拥堵子区进行路段速度预测具体包括以下步骤：

S3.1.构造速度信息矩阵；

S3.2.将路段作为节点，路段间的连接关系作为边，以S时间步的速度信息矩阵作为输入信息输入到基于图波网的时空卷积网络模型，并输出预测时段的路段预测速度。

作为优选方案，速度信息矩阵包括速度值快线、速度值慢线、速度变化值快线、速度变化值慢线和差离值。

作为优选方案，步骤S4中，具体包括如下步骤：

S4.1.构建OD预测基础模型；

S4.2.对拥堵子区中的每个路口设置不同OD类别进行仿真；

S4.3.将仿真得到的速度分布集和类别标签一起作为小样本数据集，输入OD预测基础模型；

S4.4.利用梯度下降法进行模型参数微调，以得到指定路口的OD仿真参数预测模型；

S4.5.将路段预测速度输入指定路口OD仿真参数预测模型，以得到OD预测参数。

作为优选方案，步骤S4.1中，通过MAML模型训练以构建OD预测基础模型。

作为优选方案，步骤S5具体为：将拥堵子区的路段预测速度和OD预测参数作为仿真参数，对拥堵子区中的每个路口进行仿真建模，得到交通运行状态指标值，获取拥堵子区未来的演变特征，从而对区域交通运行状态进行预测。

本发明还提供了一种拥堵区域交通运行状态预测系统，包括信息获取模块、拥堵子区生成模块、速度预测模块、OD预测模块、交通状态预测模块；

信息获取模块，用于获取区域交通数据信息；

拥堵子区生成模块，用于根据区域交通数据信息生成多个拥堵子区；

速度预测模块，用于按照预测时段对每一个拥堵子区中的各路段进行路段速度预测，以得到路段预测速度；

OD预测模块，用于根据得到的路段的预测速度进行OD预测，以得到OD预测参数；

交通状态预测模块，用于以拥堵子区的路段预测速度和OD预测参数对区域交通运行状态进行仿真，以对区域交通运行状态进行预测。

本发明与现有技术相比，有益效果是：根据拥堵关键路口生成拥堵子区，基于时空图卷积网络在拥堵子区区域进行速度预测，将速度预测传入MAML模型(元学习模型的一种)进行OD预测，以OD预测参数和拥堵子区中的交通数据信息作为为仿真参数构建仿真模型，从而对区域交通运行状态进行预测。通过构建拥堵子区保留了路段关联关系的动态特征，解决了以往交通仿真区域固定的问题，而元学习模型具有很好的泛化性能，通过小样本的真实交通环境信息即可进行模型调参配适不同路口，得到OD预测参数，解决了数据缺失下的仿真流量参数校准问题，以OD预测参数和拥堵子区中的交通数据信息作为为仿真参数构建仿真模型，进而对拥堵子区的交通状态进行预测，获取交通状态演化特征和车辆延误等指标特征，指导实时交通管控策略。

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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。

图1为一种拥堵区域交通运行状态预测方法的整体结构框架图；

图2为(Node1,Node2)在1步之内的封闭子图

图3为

节点标签标记图；

图4为深度图卷积网络结构；

图5基于图波网的时空图卷积网络模型结构图；

图6为OD预测基础模型构建流程图；

图7为基于MAML的仿真基础模型训练流程图；

图8为单路口OD预测流程图；

图9为一种拥堵区域交通运行状态预测系统的结构图。

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

实施例一：

参照图1，本实施例提供了一种拥堵区域交通运行状态预测方法，包括步骤：

S1.获取区域交通数据信息；

S2.根据区域交通数据信息生成多个拥堵子区；

S3.按照预测时段对每一个拥堵子区中的各路段进行路段速度预测，以得到相应预测时段的路段预测速度；

S4.根据得到的路段的预测速度进行OD预测，以得到OD预测参数；

S5.以拥堵子区的路段预测速度和OD预测参数对区域交通运行状态进行仿真，以对区域交通运行状态进行预测。

数据获取：

从各类交通设备设施采集交通数据，其中区域交通数据信息包括三个主要部分：交通状态数据，动态信号控制数据和路段GIS信息。其中交通状态数据主要为历史和实时的路段速度数据；动态信号控制数据主要为信号灯信息，信号灯信息包括信号灯所属路口编号、开启时间、相位相序、周期和相位绿灯时长等信息；路段GIS信息主要为路段地理位置信息和邻接关系。

拥堵子区生成：

步骤S2中，拥堵子区为基于图神经网络的链路预测模型得到，具体步骤包括：

S2.1.根据区域交通数据信息获取该区域中的拥堵关键路口，并以拥堵关键路口作为拥堵节点，该拥堵关键路口的周边路口作为周边节点，以构造拥堵节点h步之内的封闭子图；拥堵关键路口可以为预设的路口，也可以是满足拥堵关键路口条件的路口，拥堵关键路口条件如：主干道与主干道相交的道路，某一统计时间段的车流量大于拥堵关键车流量阈值，与路口相连的路段数大于拥堵关键路段数阈值等。

S2.2.基于图神经网络的链路预测模型预测封闭子图中周边节点与拥堵节点关联关系存在的可能性值；

S2.3.将关联关系存在的可能性值大于阈值λ的周边节点与拥堵节点构成拥堵子区。

基于图神经网络的链路预测框架：

基于图神经网络的链路预测定义为在一个局部封闭的子图中通过学习一般的图结构特点进行链路预测，强调从子图、节点嵌入和节点属性三个方面进行链路预测。为使图数据具有更好的特征学习能力，采用图神经网络进行特征学习。

基于图神经网络的链路预测包含三个主要步骤：1.封闭子图提取；2.构建节点信息矩阵；3.图神经网络(GNN)学习，在封闭的子图上训练一个图神经网络，将链接周围的局部封闭子图作为输入，输出目标节点关联关系存在的可能性。

封闭子图的提取：

定义一个封闭子图：定义G＝(V,E)为一个无向量图，其中V为图中节点，即拥堵关键路口与周边路口，

为可观察到的节点连接，1表示连接，0表示不连接，对于一个图G＝(V,E)的其中两个节点p,q∈V，定义(p,q)在h步之内的封闭子图为

即

为包括在G中满足{b|d(b,p)≤hord(b,q)≤h}的全部节点集，b为V中节点节点，其中d为两点之间的连接的路段个数。参照图2为(Node1,Node2)在1步之内的封闭子图，p为Node1，q为Node2，h为1，

为Node1、Node2、…、Node8的节点集，可表示为

提取一组抽样的正链接(观察到的)和一组抽样的负链接(未观察到的)作为封闭子图，构成训练数据。参照图2，

的节点集为观察到的一组正链接封闭子图，作为正样本训练数据，Node9不在

内，node9、…、node16与node1和node2没有直接的关联关系，Node9、Node10、…、Node15、Node16为一组负链接封闭子图，作为负样本训练数据。这里观察到的，是指，在实际交通运行中，观察到拥堵关键路口node1和拥堵关键路口node2周边1步范围内的拥堵关联现象可以描述为封闭子区为

而Node9、…、node16未观察到与node1和node2相关联的拥堵现象，因此Node9、Node10、…、Node15、Node16这组节点集为负链接，一组正链接和一组负链接构成的完整的训练封闭子图。

构建节点信息矩阵：

GNN的典型输入为(A,D)，其中A是输入子图的邻接矩阵，当(i,j)∈E时A_i,j＝1，i，j表示为邻接矩阵中第i个节点与第j个节点的邻接关系，A_i,j＝1表示第i个节点和第j个节点相联，其他情况下A_i,j＝0，D是节点信息矩阵，每一行对应一个节点的特征向量。节点信息矩阵由三个部分组成：结构节点标签、节点嵌入和节点属性。

参照图2，封闭子图

包括Node1、Node2、…、Node8节点，该子图的邻接矩阵A如下所示：

D为：

X₁表示Node1的特征向量，X_a1表示Node1的结构节点标签特征向量，X_b1表示Node1的节点嵌入特征向量，X_c1表示Node1的表示Node1的特征向量。

结构节点标签特征向量Xa：

节点标签即节点的结构标签，节点标签函数为f_node-label:V→N，V为图中节点，N为节点标签，将一个整数标记f_node-label(i)赋给封闭子图中的每一个节点i。标记节点标签的作用为定位目标节点p和q，并通过标签体现与目标节点相对位置以表征不同节点对链路结构方面不同的重要性。

节点标记规则；

(1)两个目标节点p和q始终具有唯一的标记“1”。

(2)如果节点i和j同时符合d(i,p)＝d(j,p)和d(i,q)＝d(j,q)，则节点i和j有相同的标签。

直观地说，一个节点i在一个封闭子图中的拓扑位置可以用它相对于两个中心节点(d(i,p)，d(i,p))的半径来描述。因此，我们让同一轨道上的节点具有相同的标签，这样节点标签可以反映节点在子图中的相对位置和结构重要性。基于上述规则，采用双半径节点标记法进行节点标记。

双半径节点标记法满足哈希函数：

f_node-label(i)＝1+min(d_p,d_q)+(d/2)[(d/2)+(d％2)-1] (1)

式中，d_p＝d(i,p)，d_q＝d(i,q)，d＝d_p+d_q，(d/2)和(d％2)分别表示d除以2的整数值和余数。

对于d_p＝∞或d_q＝∞的节点标记为0。

利用此方法对图2所示封闭子图进行标记后的节点对应标签如图3所示。目标节点p、q分别为Node1、Node2，节点标签标记为1，节点i取Node3时，d(Node3，Node1)＝1，d(Node3，Node2)＝1，d＝2，d/2＝1，d％2＝0

f_node-label(Node3)＝1+min(d_p,d_q)+(d/2)[(d/2)+(d％2)-1]＝1+1+1*[1+0-1]＝2。Node3的节点标签标记为2。

节点标签标记完成后，采用独热编码向量进行节点信息矩阵D的构造。

独热编码即One-Hot编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候，其中只有一位有效。可以这样理解，对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征(如成绩这个特征有好，中，差变成one-hot就是100,010,001)。

节点属性特征向量Xc：显式特征通常为节点属性，描述单个节点的各个方面的信息,如交通状态信息。例如节点属性特征描述交通速度，分为五类：慢、较慢、一般、较快、快，则采用独热编码后为分别为(1,0,0,0,0)、(0,1,0,0,0)、(0,0,1,0,0)、(0,0,0,1,0)、(0,0,0,0,1)。

节点嵌入特征向量Xb：

为了提升GNN学习的泛化性能，在节点嵌入生成中，采用负注射的方式：定义G＝(V,E)为一个无向量图，其中V为图中节点，

为可观察到的节点连接，A为邻接矩阵。一组正训练链接采样E_P，

负训练链接采样E_n，

将E_n加入E中，在G'＝(V,E∪E_n)上生成节点嵌入。节点嵌入信息获取方法可以采用随机游走采样方法，随机游走的采样分为深度优先游走(Depth-firstSampling，DFS)和广度优先游走(Breadth-firstSampling，BFS)，BFS倾向于在初始节点的周围游走，可以反映出一个节点的邻居的微观特性；而DFS一般会跑的离初始节点越来越远，可以反映出一个节点邻居的宏观特性。对于交通拥堵子区而言，呈现的是聚集性特征，因此随机游走采样方法并不十分贴合，本发明设计采用深度优先游走方法。采用Deepwalk对图网络中的矩阵进行隐式因式分解，从而学习每个节点的低维潜在嵌入/表现。定义DeepWalk(G,width,deepth,γ,walk_dis)，其中图G(V,E)，width为窗口尺寸，deepth为输出维度，γ为每个节点开始的随机游走路径数量，walk_dis为每条路径的长度(即包含的节点数)。

定义映射函数Φ：v∈V→R^|v|×deepth,将顶点映射成向量，映射函数将网络中每一个节点映射成deepth维向量，即一个有|v|×deepth个参数的矩阵。这些参数就是需要学习的。映射函数表示了顶点之间隐式特征，隐式特征即将节点和边的相关性息转化为张量。

将顶点随机排列，对每个节点做γ次随机游走，之后打乱网络中的节点，以每个节点为根节点生成长度为walk_dis的随机游走，然后根据生成的随机游走按照公式(2)、(3)、(4)使用skip-gram模型利用梯度的方法对参数进行更新。输出隐含信息表示矩阵Φ∈R^|v|×deepth。从而得到图的隐性特征。首先随机初始化Φ。

利用随机游走算法从图中提取一些顶点序列，定义

为节点v_i的随机游走，即对于图中的顶点v_i，随机选择一个邻居节点，然后将其作为出发点，再随机选择邻居节点，重复至包含walk_dis个节点。

对于该随机游走中的每个节点v_ii，对于在

范围内节点vv_u计算目标函数，该函数中Probability计算的概率为，给定顶点v_ii时，出现在它窗口walk_dis范围内顶点的概率：

J(Φ)＝-logProbability(vv_u|Φ(v_ii) (3)

最后进行梯度更新，αα为学习率：

GNN学习：

上述获取了正负样本封闭子图，以及子图的节点信息矩阵(A，D)，以此来训练GNN网络。

图神经网络(Graph neural network,GNN)是一种学习图的神经网络，通常包括两个部分：1.提取单个节点局部子结构特征的图卷积层；2.将节点级特征汇集成图级特征向量的图汇聚层。多个图数据卷积层可以统一为一个消息传递框架。这里采用的GNN为深度图卷积神经网络。

深度图卷积神经网络有三个顺序阶段1.图卷积层提取顶点的局部子结构特征，定义一致的顶点排序；2.分类池化层按照之前定义的顺序对顶点特征进行排序，统一输入大小；3.传统的卷积和全连接层读取排序后的图表示并进行预测。整体结构参照图4所示，首先将封闭子图通过多个图卷积层传递，其中节点信息在相邻节点之间传播。然后用分类池化层对顶点特征进行排序和合并，最后传递给传统的CNN结构学习一个预测模型。整个过程特征被可视化为颜色。

GNN为深度图卷积神经网络结构包括输入层、图卷积层、分类池化层、一维卷积层、稠密层、输出层。将链接周围的局部封闭子图作为输入，输出目标节点关联关系存在的可能性。

将关联关系存在的可能性值大于阈值的周边节点与拥堵节点构成拥堵子区。

基于图波网的时空图卷积网络的速度预测：

步骤S3中，对每一个拥堵子区进行路段速度预测具体包括以下步骤：

S3.1.构造速度信息矩阵；

S3.2.将路段作为节点，路段间的连接关系作为边，以S时间步的速度信息矩阵作为输入信息输入到基于图波网的时空卷积网络模型，并输出预测时段的路段预测速度。

通常时空图建模都是利用节点的历史信息及其邻居信息来推断节点的未来信息，以往将图卷积网络集成到循环神经网络或卷积神经网络时，通常存在两个主要缺陷：1.数据的图结构不能反映节点之间真正的依赖关系；2.需要通过多卷积层来捕获长序列的时间依赖性，并随着层数的增加循环神经网络存在梯度爆炸、消失等问题。基于图波网的时空图卷积模型开发了一种自适应依赖矩阵，通过节点嵌入学习，可以准确地捕捉数据中隐藏的空间依赖。图波网的接受场随扩张一维卷积层数的叠加呈指数增加，从而使图波网能够处理非常长的序列。

参照图5，图中示出了基于图波网的时空图卷积网络模型结构图，可见基于图波网的时空图卷积网络模型包括图中上部堆叠的K个时空层和图中下部的输出层，还包括与每个时空层连接的输入层，时空层由门控时间卷积层以及图卷积层组成，门控时间卷积层由两个并行的时间卷积层组成，输入信息首先通过聚类层和线性层剔除冗余信息同时减少计算量，之后传递到门控时间卷积层，然后是图卷积层，每个时空层都有残差连接，并跳跃连接到输出层。通过多个时空节点的叠加，图波网能够处理不同时空层次的空间相关性。例如，在底层，图卷积接收短期信息，而在顶层，图卷积处理长期的时间信息。

速度预测模型定义：

给定有向图

其中V为图中节点，

为可观察到的节点连接。其历史S步的速度信息为X^(t-S):t，目标为预测下一个T步速度信息的函数f^{speed_predict}，映射关系表示如下式：

其中，X^(t-S):t∈R^N×S,X^(t+1):(t+T)∈R^N×T，N为节点个数。

f^{speed_predict}函数通过基于图波网的时空卷积模型描述。

基于图波网的时空卷积模型包括输入层、聚类层、线性层、K个时空层、激活函数ReLU、线性层、输出层。时空层包括门控时间卷积层、图卷积层。门控时间卷积层由一组时间卷积层和激活函数tanh，一组时间卷积层和激活函数sigmoid组成。

(1)聚类层：

将区域T_period天的历史数据按照时段划分进行时间序列聚类，采用K-means算法，得到每个时段速度特征的cls个种类及对应种类下每个时刻θ的速度均值

通过DTW取出与输入最相似的特征类片段，替代输入。

k-means算法：

按照历史速度均值变化趋势的极值点进行时段划分，得到s个划分时段,每个时段有σ个时间序列速度数据组Speed^s _σ。对于一个时段，进行时间序列聚类的方式如下：

Ⅰ)输入样本集

聚类簇数cls，最大迭代次数N

Ⅱ)从数据集Data_s中随机选择cls个样本作为初始的cls个质心向量：{ω₁,ω₂,…,ω_cls}

Ⅲ)对于n＝1,2,..,N

a)将簇划分C初始化为

cls'＝1,2,…,cls

b)对于σ'＝1,2,…,σ,计算样本

和各个质心向量ω_cls'(cls'＝1,2,…,cls)的距离：

将

标记最小的为distance_σ'cls'所对应的类别λ_σ'。此时更新

c)对于cls'＝1,2,…,cls，对C_cls'中所有的样本开始重新计算新的质心

d)如果所有的cls个质心向量都没有发生变化，则跳转Ⅳ

Ⅳ)输出簇划分

每个

即为Speed_mean^cls'

DTW速度特征匹配：

输入X^(t-S):t，将其与所属时段的各特征类进行比较，对于跨两个时段的输入，属类为时间占比较大的时段。采用DTW(动态时间规整)进行输入与特征类的比较，得到特征类中与输入S时段最相似的特征输入X'^(t-S):t，用X'^(t-S):t替代输入进行后续计算。

DTW(Dynamic Time Warping，动态时间归整)算法。

假设两个时间序列X^(t-S):t和X^(t-S'):t，他们的长度分别是S和S'。

1)构造一个S×S'的矩阵网格DD，矩阵元素(i,j)表示

和

两个点的距离

(也就是序列X^(t-S):t的每一个点和X^(t-S'):t的每一个点之间的相似度，距离越小则相似度越高。一般采用欧式距离或欧几里得距离。)

2)在矩阵网格DD中搜索从d11到dSS’的最短路径；

3)将d11到dSS’的最短路径作为X^(t-S):t和X^(t-S'):t的相似度；

4)相似度满足相似度阈值的时间序列作为最相似的特征类片段。

通过聚类层，可以剔除速度数据中的冗余信息，强化特征。

(2)图卷积层：由扩散图卷积和自适应邻接矩阵两部分组成。图卷积部分采用扩散图卷积，为使模型能够从节点特征中学到节点之间的关系，在图卷积中增加了一个自学习的自适应邻接矩阵。

扩散图卷积：

用K个有限步来模拟速度信息的扩散过程，定义扩散卷积层为式6的形式：

其中P^k为转移矩阵的幂级数，X为速度信息矩阵，W为模型参数矩阵，对于有向图，扩散过程有两个方向，正向转移矩阵

反向转移矩阵

其中A为正则化的邻接矩阵，rowsum为行和，用正向转移矩阵和反向转移矩阵将扩散图卷积写成式(7)：

自适应邻接矩阵：

定义一种自适应邻接矩阵，该自适应邻接矩阵不需要任何的先验知识，通过随机梯度下降进行端到端的学习，从而让模型自己发现隐藏的空间依赖关系。随机初始化两个具有可学习参数EE1、EE2的节点嵌入，将EE1定义为源节点嵌入，EE2定义为目标节点嵌入。利用EE1和EE2相乘，得到源节点和目标节点之间的空间依赖权值。使用ReLU激活函数来消除弱连接，最后采用SoftMax函数对自适应邻接矩阵进行归一化，如式(8)所示：

因此，归一化自适应邻接矩阵可以看作是一个隐扩散过程的转移矩阵。

图卷积层定义：

通过结合预定义的空间依赖关系和自学习的隐藏图依赖关系，图卷积层可以表示为式(9)：

式中

为第k步的自适应邻接矩阵。

(3)门控时间卷积层：采用扩张因果卷积作为时间卷积层去捕获节点的时间趋势。

扩张因果卷积：

扩张因果卷积神经网络允许通过增加层的深度来获得一个指数级的感受野。扩张因果卷积通过将0填充到输入中保存时间因果顺序，使得在当前时间步长上进行的预测仅涉及历史信息。作为标准一维卷积的特殊情况，扩张因果卷积按一定的步长跳过一定的值在输入上滑动，给定一个一维输入序列x∈R^T,即速度信息矩阵经过聚类层、线性层后获得的一维特征，卷积核f∈R^K，K为膨胀系数，每隔K步选取数输入，并对选取的输入进行标准一维卷积，x与f在时间t处的扩张因果卷积运算表示为式(10)：

d为扩张因子，控制着跳过的步数。通过将扩张因果卷积层按扩张因子d递增的顺序堆叠，模型的感受野呈指数级增长。因此空洞因果卷积神经网络能够用更少的层捕获长序列，有效节约计算资源。

门控时间卷积：

门控(Gating)机制对时间卷积网络的层间信息流具有很强的控制作用，给定输入X∈R^(N×S)，门控时间卷积的表现形式如式(11)：

h＝g(Θ₁*X+b)⊙σ(Θ₂*X+c) (11)

其中Θ₁、Θ₂、b、c是模型参数，⊙为元素间的乘积，g为激活函数，采用双曲正切函数tanh；σ为sigmoid函数，用于控制传递给下一层的信息比率。

速度预测：

1)构造速度信息矩阵：

为了动态捕捉速度变化特征，构建包含速度值快线、速度值慢线、速度变化值快线、速度变化值慢线和差离值的速度信息矩阵。

以速度值和速度变化值两个指标的快线和慢线为基础进行速度特征表达。其中快线是以T_{current_speed}为时间粒度的值，慢线则是对指标值进行T_{rolling_speed}时间窗移动平均后的值，即对于一组指标数据对x_i前T_{rolling_speed}时间窗的数据{x_i-T_{rolling_speed},x_i-T_{rolling_speed}+T_{current_speed},…,x_i}求平均值代替x_i。

在速度信息矩阵中除了速度值和速度变化值的快线和慢线四个特征指标，本方法中还定义了差离值(DIF)作为特征指标。

DIF＝x_{current_speed}-x_{rolling_speed} (12)

如式(12)所示，差离值为快线和慢线的差值，一定程度反应速度变化的快慢，速度变化越急剧，差离值的绝对值愈大；速度变化越平缓，差离值的绝对值愈小。

通过在速度信息矩阵中加入速度变化值和差离值等指标，捕捉更多的速度特性，从而提高预测准确率。

图波网主要优化了时空建模的空间特性挖掘，本方法通过构造时间特性更为全面的速度信息矩阵使时间特性挖掘更为便捷。

2)将路段作为节点，路段间的连接关系(邻接矩阵)作为边，输入S时间步的速度信息矩阵，基于图波网的时空卷积模型即可输出预测时段T的预测速度X^(t+1):(t+T)。

步骤S4.根据得到的路段的预测速度进行OD预测，以得到OD预测参数。

4.1)仿真参数OD预测基础模型：

交通运行状态的仿真预测采用SUMO交通系统仿真软件，SUMO是一个微观的，空间上连续时间上离散的交通仿真软件，根据路网和车流OD参数即可搭建交通环境进行仿真。参照图6，图中示处了OD预测基础模型的构建流程。流程如下：

4.1.1)OD类别划分，利用SUMO仿真软件生成OD类别下的仿真速度分布矩阵，构建OD分类问题分布集；

4.1.2)以配置初始参数的MAML模型为基础，利用OD分类问题分布集训练MAML模型，训练后获得OD预测基础模型。

数据集生成：

根据区域中存在的历史流量数据确定阈值范围，在阈值范围内进行OD类别划分，每个类别下随机生成OD仿真数据，将所有OD仿真数据与不同形状的路口随机搭配作为参数输入SUMO仿真软件，对不同SUMO仿真输出得到与OD类别a对应的仿真速度分布矩阵

并根据OD类别与对应的仿真速度分布矩阵构建仿真分类问题训练数据集。

构建OD分类问题分布集：

对于L-way,V-shot的仿真分类问题，即数据集总的类别数为Lall，每个类别中有Vall个样本，每次选出L种OD流量分布类别a，其中每种类别随机取V个仿真速度分布矩阵

作为一个分类任务的支持组(support set)，每种类别取Q个仿真速度分布矩阵

作为对应的验证组(query set)。两者共同构成了一个分类问题的数据集

其中H＝V+Q，通过每次选取Lall中不同的L，每个L下选取不同的V和Q可以得到多个不同的

多个不同的

构成了分类问题分布集

MAML模型训练：

Model-AgnosticMeta-Learning(MAML)是元学习模型的一种，该算法模型的优点在于不会对模型做出任何假设，因此可以很好地嵌入分类识别模型，并且MAML擅长解决小样本学习问题，即通过预先训练可以得到一个很好的基础模型，随后利用小样本目标数集微调便可得到对应目标的配适模型。MAML模型训练流程参照图7所示。

超参数设置：

设置MAML分类模型参数，L-way,V-shot分类问题的类别个数L，每类所取的支持组样本数V，每次参数的优化计算从pp(M)提取GG个任务构成数据集，梯度计算步长α和元步长β。

初始化模型参数，提取训练样本：

设置卷积神经网络参数：卷积层大小c×c，过滤器数量M，大小[height,width,in_channels,out_channels],步长和填充算法类型；池化层中池化窗口大小，步长和填充算法类型；随机初始化模型参数η，从pp(M)中提取GG个

作为训练样本集

向前传播进行第一次参数更新：

每一个L类下的V个样本的仿真速度分布

输入为xx^(l*v),对应的仿真OD类别a_l为yy^(l*v)，取ψ中一个

用卷积神经网络对获得的支持组输入对组D_vv＝{xx^(z),yy^(z)}(vv＝1,2…GG；z＝1,2,…,l*v,…,L*V),进行损失

计算，

表示输入对组{xx^(z),yy^(z)}属于

f考虑为一个将观察到的xx^(z)映射到yy^(z)的神经网络模型，利用公式(13)计算交叉熵损失：

对模型参数η进行基于

的一次梯度更新：

该过程根据ψ中

的个数进行多次循环参数优化，直至取完GG个

进行第二次模型更新：

模型参数二次更新的计算数据集为ψ中全部

的验证组，类似地有D'_vv＝{xx^(z),yy^(z)}(vv＝1,2…G；z＝1,2,…,L*Q),用公式(13)计算损失总和，得到OD预测基础模型，此时计算中的参数η为第一次参数更新后的参数，通过随机梯度下降(SGD)进行跨

的元优化：

其中，

为对应M_e的支持组计算的损失函数；β为元计算步长。

单路口OD参数预测：

参照图8，图中示出了单路口OD预测流程，具体包括如下步骤：

S4.1.基于上述方法，构建OD预测基础模型；

S4.2.对拥堵子区中的每个路口设置不同OD类别进行仿真；

S4.3.将仿真得到的速度分布集和类别标签一起作为小样本数据集，输入OD预测基础模型；

S4.4.利用梯度下降法进行模型参数微调，以得到指定路口的OD仿真参数预测模型；

S4.5.将路段预测速度输入指定路口OD仿真参数预测模型，以得到OD预测参数。

最后进行步骤S5，具体为：将拥堵子区的路段预测速度和OD预测参数作为仿真参数，对拥堵子区中的每个路口进行仿真建模，得到交通运行状态指标值，获取拥堵子区未来的演变特征，从而对区域交通运行状态进行预测。

实施例二：

参照图9，本实施例公开了一种拥堵区域交通运行状态预测系统，包括信息获取模块、拥堵子区生成模块、速度预测模块、OD预测模块、交通状态预测模块；

信息获取模块，用于获取区域交通数据信息；

拥堵子区生成模块，用于根据区域交通数据信息生成多个拥堵子区；

速度预测模块，用于按照预测时段对每一个拥堵子区中的各路段进行路段速度预测，以得到路段预测速度；

OD预测模块，用于根据得到的路段的预测速度进行OD预测，以得到OD预测参数；

交通状态预测模块，用于以拥堵子区的路段预测速度和OD预测参数对区域交通运行状态进行仿真，以对区域交通运行状态进行预测。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

Claims (10)

1.一种拥堵区域交通运行状态预测方法，其特征在于，包括步骤：

S1.获取区域交通数据信息；

S2.根据区域交通数据信息生成多个拥堵子区；

S3.按照预测时段对每一个拥堵子区中的各路段进行路段速度预测，以得到相应预测时段的路段预测速度；

S4.根据得到的路段的预测速度进行OD预测，以得到OD预测参数；

S5.以拥堵子区的路段预测速度和OD预测参数对区域交通运行状态进行仿真，以对区域交通运行状态进行预测。

2.根据权利要求1所述的一种拥堵区域交通运行状态预测方法，其特征在于，步骤S2中，拥堵子区为基于图神经网络的链路预测模型得到，具体步骤包括：

S2.1.根据区域交通数据信息获取该区域中的拥堵关键路口，并以拥堵关键路口作为拥堵节点，该拥堵关键路口的周边路口作为周边节点，以构造拥堵节点h步之内的封闭子图；

S2.2.基于图神经网络的链路预测模型预测封闭子图中周边节点与拥堵节点关联关系存在的可能性值；

S2.3.将关联关系存在的可能性值大于阈值λ的周边节点与拥堵节点构成拥堵子区。

3.根据权利要求2所述的一种拥堵区域交通运行状态预测方法，其特征在于，步骤S3中，拥堵子区中各路段的预测速度为基于图波网的时空图卷积网络模型得到，所述基于图波网的时空图卷积网络模型由输入层、输出层以及堆叠的K个时空层组成，时空层由门控时间卷积层以及图卷积层组成，门控时间卷积层由两个并行的时间卷积层组成，输入层与每个时空层连接，每个时空层中都有残差连接，且每个时空层跳跃连接到输出层。

4.根据权利要求3所述的一种拥堵区域交通运行状态预测方法，其特征在于，所述基于图波网的时空图卷积网络模型，在输入层和时空层之间增加聚类层、线性层，剔除输入层传输的冗余信息；在时空层和输出层之间增加线性层，提取信息传输到输出层。

5.根据权利要求4所述的一种拥堵区域交通运行状态预测方法，其特征在于，步骤S3中，对每一个拥堵子区进行路段速度预测具体包括以下步骤：

S3.1.构造速度信息矩阵；

S3.2.将路段作为节点，路段间的连接关系作为边，以S时间步的速度信息矩阵作为输入信息输入到基于图波网的时空卷积网络模型，并输出预测时段的路段预测速度。

6.根据权利要求5所述的一种拥堵区域交通运行状态预测方法，其特征在于，速度信息矩阵包括速度值快线、速度值慢线、速度变化值快线、速度变化值慢线和差离值。

7.根据权利要求2所述的一种拥堵区域交通运行状态预测方法，其特征在于，步骤S4中，具体包括如下步骤：

S4.1.构建OD预测基础模型；

S4.2.对拥堵子区中的每个路口设置不同OD类别进行仿真；

S4.3.将仿真得到的速度分布集和类别标签一起作为小样本数据集，输入OD预测基础模型；

S4.4.利用梯度下降法进行模型参数微调，以得到指定路口的OD仿真参数预测模型；

S4.5.将路段预测速度输入指定路口OD仿真参数预测模型，以得到OD预测参数。

8.根据权利要求7所述的一种拥堵区域交通运行状态预测方法，其特征在于，步骤S4.1中，通过MAML模型训练以构建OD预测基础模型。

9.根据权利要求2所述的一种拥堵区域交通运行状态预测方法，其特征在于，步骤S5具体为：将拥堵子区的路段预测速度和OD预测参数作为仿真参数，对拥堵子区中的每个路口进行仿真建模，得到交通运行状态指标值，获取拥堵子区未来的演变特征，从而对区域交通运行状态进行预测。

10.一种拥堵区域交通运行状态预测系统，其特征在于，包括信息获取模块、拥堵子区生成模块、速度预测模块、OD预测模块、交通状态预测模块；

信息获取模块，用于获取区域交通数据信息；

拥堵子区生成模块，用于根据区域交通数据信息生成多个拥堵子区；

速度预测模块，用于按照预测时段对每一个拥堵子区中的各路段进行路段速度预测，以得到路段预测速度；

OD预测模块，用于根据得到的路段的预测速度进行OD预测，以得到OD预测参数；

交通状态预测模块，用于以拥堵子区的路段预测速度和OD预测参数对区域交通运行状态进行仿真，以对区域交通运行状态进行预测。

Images