CN112419718A - 一种基于时空图卷积神经网络的交通拥塞传播预测方法 - Google Patents

一种基于时空图卷积神经网络的交通拥塞传播预测方法 Download PDF

Info

Publication number
CN112419718A
CN112419718A CN202011285404.1A CN202011285404A CN112419718A CN 112419718 A CN112419718 A CN 112419718A CN 202011285404 A CN202011285404 A CN 202011285404A CN 112419718 A CN112419718 A CN 112419718A
Authority
CN
China
Prior art keywords
traffic
congestion
time
road section
adjacent
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.)
Granted
Application number
CN202011285404.1A
Other languages
English (en)
Other versions
CN112419718B (zh
Inventor
郭戈
刘金沅
高振宇
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN202011285404.1A priority Critical patent/CN112419718B/zh
Publication of CN112419718A publication Critical patent/CN112419718A/zh
Application granted granted Critical
Publication of CN112419718B publication Critical patent/CN112419718B/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
    • 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
    • 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
    • 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
    • G08G1/0125—Traffic data processing

Landscapes

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

Abstract

本发明提供一种基于时空图卷积神经网络的交通拥塞传播预测方法，涉及交通大数据挖掘与分析技术领域。本发明通过获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据，采用数据驱动的方式，引入时空图卷积神经网络，提升目标路段交通速度预测精度。将速度预测模块引入拥塞传播模型框架中，提升交通拥塞预测精度，准确表征交通拥塞传播过程，解决了现有的交通拥塞传播预测方案在空间特征提取不佳所导致的预测精度低、算法运算耗时等问题，预测拥塞发生路段在未来时间段里对其临近交通道路的传播情况。

Description

一种基于时空图卷积神经网络的交通拥塞传播预测方法
技术领域
本发明涉及交通大数据挖掘与分析技术领域，尤其涉及一种基于时空图卷积神经网络的交通拥塞传播预测方法。
背景技术
在当今社会中，许多大型城市将交通拥塞视为急需解决的问题之一。当交通拥塞发生在交通路网的一个区域中时，这个拥塞区域会影响附近道路的车流状况，甚至会导致附近子道路产生拥塞。因此，有必要创造出一种有效的模型预先预测拥塞的传播，以预测拥塞源的相邻路段何时在不久的将来受到影响。针对以上问题，本发明提出一种基于时空图卷积神经网络的交通拥塞传播预测方法，具有重要的研究价值和现实意义。
交通拥塞传播预测主要采用模型驱动和数据驱动方法。模型驱动的方法基于数学建模来捕获交通拥塞动态。例如，WP.Fei等在冲击波理论的启发下对交通拥塞进行了建模，H.Nguyen等采用构建交通拥塞传播树方式对拥塞传播建模。但是，使用标准数学或统计方法很难对复杂系统(例如交通网络)的动态行为进行准确建模。而数据驱动的方式可以通过研究大量数据而无需依赖任何标准和固定的统计关系来了解几个影响因素之间的复杂功能关系。S.Basak等提出使用长短期记忆网络来预测交通拥塞传播情况，然而这种方法没能考虑交通速度的空间特征，并且长短期记忆网络迭代训练机制十分的耗时。
CK.Liu等采用车流密度聚类算法识别拥塞区域，并发现拥塞区域之间的影响。Z.Liu等采用网格结构识别拥塞区域，根据网格中车辆密集地区判断拥塞。以上方法未能捕捉交通路网道路之间的空间关联性，未能准确预测路网中交通拥塞情况。XL.Ma等构建深度卷积神经网络预测短期交通流速度，但难以准确捕捉时域中交通信息。YP.Liu等提出了卷积长短期记忆网络用于同时捕获交通速度的时空特征预测道路交通速度，但是这种模型只能提取网格型的交通数据。但是传感器网络依托于路网并非标准网格结构，因此这种预测模型性能不佳。在实际的交通预测场景中，由于数据量巨大，交通路网十分复杂，交通速度在时间空间上的动态变化规律难以捕捉，导致现有的拥塞传播模型预测性能不佳。
发明内容
针对现有技术的不足，本发明提供一种基于时空图卷积神经网络的交通拥塞传播预测方法，采用数据驱动的方式，引入时空图卷积神经网络，提升目标路段交通速度预测精度。将速度预测模块引入拥塞传播模型框架中，提升交通拥塞预测精度，准确表征交通拥塞传播过程。为解决上述技术问题，本发明所采取的技术方案是：
一种基于时空图卷积神经网络的交通拥塞传播预测方法，包括以下步骤：
步骤1：获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据；
步骤1.1：从网络上下载交通数据集；所述交通数据集包含交通路网上速度传感器的位置信息和传感器检测到的交通速度数据；将交通速度数据划分为训练数据集以及验证数据集；
步骤1.2：根据交通数据集中n个传感器在交通路网中的连接关系构建传感器网络的邻接矩阵Wij＝1的表示如下：
Figure BDA0002782158930000021
若Wij＝1，表示第i个传感器和第j个传感器在路网上连接，反之Wij＝0；
步骤2：选取图卷积神经网络和时间卷积神经网络作为基础模块，构建时空图卷积神经网络交通预测模块；
所述图卷积神经网络获取交通速度数据的空间特征；
所述时间卷积神经网络获取交通速度数据的时间特征，时间卷积网络卷积核的尺寸是超参数；
步骤3：采用传感器历史数据与邻接矩阵数据对时空图卷积交通预测模块进行训练；
步骤3.1：将时间卷积神经网络，图卷积神经网络以时间卷积-图卷积-时间卷积的结构融合为一个时空特征提取层；
步骤3.2：堆叠N个时空特征提取层，获取高阶邻居特征，时空特征提取层之间的信息传递公式如下：
FLAYER(i+1)＝σ(F′LAYER(i))
其中FL′AYER(i)为第i个时空特征提取层的输出，FLAYER(i+1)为第i+1个时空特征提取层的输入。σ为RELU激活函数；
步骤3.3：引入全连接层，对数据特征进行分类，使模型训练具有可控性；
步骤3.4：训练数据集中交通速度数据用于时空图卷积交通预测模块训练，验证数据集用于测试时空图卷积交通预测模块训练效果；
步骤4：设计损失函数，利用验证数据集测试训练集速度预测性能指标；
所述损失函数的定义如下：
Figure BDA0002782158930000031
y表示标签值，
Figure BDA0002782158930000032
表示网络预测值，T表示整个测试集样本总和。yi表示第i个样本；
步骤5：识别交通拥塞路段，并确定目标路段第一相邻路段，第二相邻路段，第三相邻路段；
步骤5.1：根据传感器实时反馈的道路车辆速度信息，检测已经产生拥塞的路段；
所述拥塞的标准选用百分之六十最大流通速度标准。其中，最大流通速度为道路传感器检测到的最大车流速度值。当传感器检测事时车辆速度小于拥塞标准时，则判定道路产生拥塞；
步骤5.2：根据传感器网络邻接矩阵数据反映出的道路路网相关性，确定拥塞路段的第一流出相邻路段；交通拥塞在路网中传播的方向与车流行进方向相反。交通拥塞流出相邻路段是车流流入相邻路段；
所述第一流出相邻路段是目标路段连接的车流流入相邻路段，根据第一流出相邻路段查找第二流出相邻路段，然后确定拥塞道路的第三流出相邻路段；
步骤6：识别拥塞源高拥塞传播可能性的传入相邻路段找出拥塞从源道路传播到目标道路的可能性，确定目标道路路段的具有更高的拥塞传播可能性的传入相邻路段；
步骤6.1：设置在任何目标道路上出现速度下降的现象为事件1(ev1)，在目标道路拥塞的开始时间范围内，其任何流入相邻路段处出现速度下降为事件2(ev2)；
步骤6.2：针对拥塞源道路的每个相邻路段，检查事件ev1和ev2发生的次数，判定当拥塞源道路产生的拥塞传播到相应邻居的次数的比例ev1/ev2＞0.5时，将该道路记录为拥塞高概率路段，即在拥塞源路段处产生的拥塞传播到相邻路段的次数的比例；
步骤7：预测未来连续间隔时间点第一、第二、第三流出相邻道路的拥塞情况；
步骤7.1：交通数据集中传感器的采样时间为t分钟，未来连续时间间隔采用5分钟，预测在拥塞发生时间戳n后的5分钟的时刻戳n+1，第一流出相邻路段的交通拥塞情况，拥塞传播过程中目标路段拥塞标准如下：
所述传感器的所在位置选用下式为标准：
(n-1)时刻预测速度-n时刻预测速度＞＝0.1×(n-1)时刻预测速度
其中，n为拥塞发生时刻，n-1为拥塞发生前5分钟时刻。
步骤7.2：满足目标路段拥塞标准视为目标路段拥塞即n时刻拥塞的路段已经将拥塞的车流传递给第一流出相邻路段，预测第一、第二、第三流出相邻路段的拥塞情况与拥塞时间；
步骤8：选取拥塞事件对拥塞传播框架进行测试，完成对交通路网交通拥塞传播的预测。
采用上述技术方案所产生的有益效果在于：
本发明提出了一种基于时空图卷积神经网络的交通拥塞传播预测方法，本发明解决了现有的交通拥塞传播预测方案在空间特征提取不佳所导致的预测精度低、算法运算耗时等问题，预测拥塞发生路段在未来时间段里对其临近交通道路的传播情况。本发明提出的交通拥塞传播预测方法应用于智能交通系统，为预防和清除交通拥塞、交通车辆轨迹规划、城市交通网络规划提供支持。
附图说明
图1为本发明实施例交通路网交通拥塞传播预测方法流程图；
图2为本发明实施例交通路网与相应连接的时空图卷积网络示意图；
图3为本发明实施例时空图卷积交通速度预测模块示意图；
图4为本发明实施例目标路段及流入流出相邻路段示意图；
图5为本发明实施例捕获到的传感器节点之间相关性图图；
图6为本发明实施例相邻路段数量、预测精确率和召回率示意图；
其中图(a)-第一相邻路段数量、预测精确率和召回率示意图；图(b)-第二相邻路段数量、预测精确率和召回率示意图；图(c)-第三相邻路段数量、预测精确率和召回率示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种基于时空图卷积神经网络的交通拥塞传播预测方法，如图1所示，包括以下步骤：
步骤1：获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据；
步骤1.1：从网络上下载美国某州绩效评估系统(PeMS)交通数据集；所述交通数据集包含交通路网上速度传感器的位置信息和传感器检测到的交通速度数据；将交通速度数据划分为训练数据集以及验证数据集；
本实施例中数据集选取地点为美国交通局提供的某地区2012年3月到9月的交通数据集。在本实例中训练集的样本数目为36481，测试集的数目为15634；
步骤1.2：捕捉传感器节点之间相关性图，如附图5所示。根据交通数据集中n个传感器在交通路网中的连接关系构建传感器网络的邻接矩阵Wij＝1的表示如下：
Figure BDA0002782158930000051
若Wij＝1，表示第i个传感器和第j个传感器在路网上连接，反之Wij＝0；
本实施例中n＝207；
步骤2：选取图卷积神经网络和时间卷积神经网络作为基础模块，构建时空图卷积神经网络交通预测模块，如图2所示；
所述图卷积神经网络获取交通速度数据的空间特征，图卷积神经网络摆脱了卷积神经网络对欧几里得空间的依赖，可以捕捉交通路网这类非欧几里得结构拓扑图中临近节点信息；图卷积网络捕捉非欧几里得空间中相邻点的空间结构；
本发明利用Chebyshev多项式代替卷积核；其中图卷积形式如下：
y＝σ(Ugθ(Λ)UTx)
其中，U是由拉普拉斯矩阵的特征向量构建的矩阵，Λ是特征值构成的对角矩阵，gθ(Λ)是卷积核，x是输入特征，σ(·)是激活函数。利用Chebyshev多项式代替卷积核，就可以得到下式：
Figure BDA0002782158930000052
其中，Tk(·)是k阶的Chebyshev多项式，βk模型训练中迭代更新的参数)。
Figure BDA0002782158930000053
是被再次缩放的特征值对角矩阵；
所述时间卷积神经网络获取交通速度数据的时间特征，时间卷积网络卷积核的尺寸是K为超参数；，本实例中卷积核尺寸选择5，时间卷积公式如下：
X′＝f*X∈R(N-K+1)×(C′)
X是时间卷积网络的输入，尺寸是N×C，N是输入多少个时间步的交通速度数据，本实例中为12；f是卷积核；X′是卷积过后的输出，维度为(N-K+1)×(C′)，长度减少(K-1)；
步骤3：采用传感器历史数据与邻接矩阵数据对时空图卷积交通预测模块进行训练；
步骤3.1：将时间卷积神经网络，图卷积神经网络以时间卷积-图卷积-时间卷积的结构融合为一个时空特征提取层，如附图3所示；
步骤3.2：堆叠N个时空特征提取层，获取高阶邻居特征，时空特征提取层之间的信息传递公式如下：
FLAYER(i+1)＝σ(F′LAYER(i))
其中FL′AYER(i)为第i个时空特征提取层的输出，FLAYER(i+1)为第i+1个时空特征提取层的输入。σ为RELU激活函数；
步骤3.3：引入全连接层，对数据特征进行分类，使模型训练具有可控性；
步骤3.4：训练数据集中交通速度数据用于时空图卷积交通预测模块训练，验证数据集用于测试时空图卷积交通预测模块训练效果；
步骤4：设计损失函数，利用验证数据集测试训练集速度预测性能指标；
所述损失函数的定义如下：
Figure BDA0002782158930000061
y表示标签值，
Figure BDA0002782158930000062
表示网络预测值，T表示整个测试集样本总和。yi表示第i个样本；
利用验证数据集测试网络性能指标，并与其他基准交通速度预测网络做性能对比，性能对比结果见表1；
表1验证数据集测试网络性能指标对比表
Figure BDA0002782158930000063
指标公式定义如下：
Figure BDA0002782158930000071
Figure BDA0002782158930000072
Figure BDA0002782158930000073
步骤5：识别交通拥塞路段，并确定目标路段第一相邻路段，第二相邻路段，第三相邻路段；
步骤5.1：根据传感器实时反馈的道路车辆速度信息，检测已经产生拥塞的路段；
所述拥塞的标准选用百分之六十最大流通速度标准。其中，最大流通速度为道路传感器检测到的最大车流速度值。当传感器检测事时车辆速度小于拥塞标准时，则判定道路产生拥塞；
步骤5.2：根据传感器网络邻接矩阵数据反映出的道路路网相关性，确定拥塞路段的第一流出相邻路段；交通拥塞在路网中传播的方向与车流行进方向相反。交通拥塞流出相邻路段是车流流入相邻路段；
所述第一流出相邻路段是目标路段连接的车流流入相邻路段，根据第一流出相邻路段查找第二流出相邻路段，然后确定拥塞道路的第三流出相邻路段，如附图4所示；
步骤6：识别拥塞源高拥塞传播可能性的传入相邻路段找出拥塞从源道路传播到目标道路的可能性，确定目标道路路段的具有更高的拥塞传播可能性的传入相邻路段；
步骤6.1：设置在任何目标道路上出现速度下降的现象为事件1(ev1)，在目标道路拥塞的开始时间范围内，其任何流入相邻路段处出现速度下降为事件2(ev2)；
步骤6.2：针对拥塞源道路的每个相邻路段，检查事件ev1和ev2发生的次数，判定当拥塞源道路产生的拥塞传播到相应邻居的次数的比例ev1/ev2＞0.5时，将该道路记录为拥塞高概率路段，即在拥塞源路段处产生的拥塞传播到相邻路段的次数的比例。针对给定历史数据集下的每个高拥塞传播概率路段的相邻路段进行拥塞测试，而不是对每个流入邻近路段进行拥塞测试，来减少步骤7的执行时间；
步骤7：预测未来连续间隔时间点第一、第二、第三流出相邻道路的拥塞情况；
步骤7.1：交通数据集中传感器的采样时间为t分钟，未来连续时间间隔采用5分钟，预测在拥塞发生时间戳n后的5分钟的时刻戳n+1，第一流出相邻路段的交通拥塞情况，拥塞传播过程中目标路段拥塞标准如下：
拥塞传播会使第一流出相邻路段车流速度产生突然降低的现象，所述传感器的所在位置选用下式为标准：
(n-1)时刻预测速度-n时刻预测速度＞＝0.1×(n-1)时刻预测速度
其中，n为拥塞发生时刻，n-1为拥塞发生前5分钟时刻。
步骤7.2：满足目标路段拥塞标准视为目标路段拥塞即n时刻拥塞的路段已经将拥塞的车流传递给第一流出相邻路段，预测第一、第二、第三流出相邻路段的拥塞情况与拥塞时间；
步骤8：选取拥塞事件对拥塞传播框架进行测试，完成对交通路网交通拥塞传播的预测。
选取路网中的拥塞事件对拥塞传播模型框架进行验证。首先，确定拥塞路段，识别拥塞路段对应传感器的编码。其次，读取拥塞产生的日期、时间。然后，将信息输入到拥塞框架中，预测未来连续三个时间间隔产生拥塞道路及拥塞时间；
选取预测精确率和召回率评价交通拥塞传播预测框架性能指标。预测精确度(precision)＝预测道路拥塞正确(预测的道路拥塞发生时间＝实际的道路拥塞发生时间)的总数/预测道路拥塞的总数。召回率(recall)＝预测道路拥塞正确的总数/实际道路拥塞总数目。本部分选取十个拥塞事件对模型进行验证；
附图6(a)表示十个拥塞事件各自的第一相邻道路数量、预测精确率和召回率。平均预测精确度＝1，平均召回率＝0.995833。附图6(b)表示十个拥塞事件各自的第二相邻道路数量、预测精确率和召回率。平均预测精确度＝0.97869，平均召回率＝0.998。附图6(c)表示十个拥塞事件各自的第二相邻道路数量、预测精确率和召回率。平均预测精确度＝0.954062，平均召回率＝0.9830。测试结果中预测精确率和召回率均高于0.95，表明本发明对交通拥塞传播具有极高的预测能力。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (5)

1.一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于：包括以下步骤:
步骤1：获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据；
步骤1.1：从网络上下载交通数据集；所述交通数据集包含交通路网上速度传感器的位置信息和传感器检测到的交通速度数据；将交通速度数据划分为训练数据集以及验证数据集；
步骤1.2：根据交通数据集中n个传感器在交通路网中的连接关系构建传感器网络的邻接矩阵，邻接矩阵Wij＝1的表示如下：
Figure FDA0002782158920000011
若Wij＝1，表示第i个传感器和第j个传感器在路网上连接，反之Wij＝0；
步骤2：选取图卷积神经网络和时间卷积神经网络作为基础模块，构建时空图卷积神经网络交通预测模块；
步骤3：采用传感器历史数据与邻接矩阵数据对时空图卷积交通预测模块进行训练；
步骤3.1：将时间卷积神经网络，图卷积神经网络以时间卷积-图卷积-时间卷积的结构融合为一个时空特征提取层；
步骤3.2：堆叠N个时空特征提取层，获取高阶邻居特征，时空特征提取层之间的信息传递公式如下：
FLAYER(i+1)＝σ(F′LAYER(i))
其中F′LAYER(i)为第i个时空特征提取层的输出，FLAYER(i+1)为第i+1个时空特征提取层的输入；σ为RELU激活函数；
步骤3.3：引入全连接层，对数据特征进行分类，使模型训练具有可控性；
步骤3.4：训练数据集中交通速度数据用于时空图卷积交通预测模块训练，验证数据集用于测试时空图卷积交通预测模块训练效果；
步骤4：设计损失函数，利用验证数据集测试训练集速度预测性能指标；
所述损失函数的定义如下：
Figure FDA0002782158920000012
y表示标签值，
Figure FDA0002782158920000021
表示网络预测值，T表示整个测试集样本总和，yi表示第i个样本；
步骤5：识别交通拥塞路段，并确定目标路段第一相邻路段，第二相邻路段，第三相邻路段；
步骤6：识别拥塞源高拥塞传播可能性的传入相邻路段找出拥塞从源道路传播到目标道路的可能性，确定目标道路路段的具有更高的拥塞传播可能性的传入相邻路段；
步骤7：预测未来连续间隔时间点第一、第二、第三流出相邻道路的拥塞情况；
步骤8：选取拥塞事件对拥塞传播框架进行测试，完成对交通路网交通拥塞传播的预测。
2.根据权利要求1所述的一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于，步骤2中：所述图卷积神经网络获取交通速度数据的空间特征；所述时间卷积神经网络获取交通速度数据的时间特征，时间卷积网络卷积核的尺寸是超参数。
3.根据权利要求1所述的一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于，所述步骤5具体包括以下步骤：
步骤5.1：根据传感器实时反馈的道路车辆速度信息，检测已经产生拥塞的路段；
所述拥塞的标准选用百分之六十最大流通速度标准；其中，最大流通速度为道路传感器检测到的最大车流速度值，当传感器检测事时车辆速度小于拥塞标准时，则判定道路产生拥塞；
步骤5.2：根据传感器网络邻接矩阵数据反映出的道路路网相关性，确定拥塞路段的第一流出相邻路段；交通拥塞在路网中传播的方向与车流行进方向相反，交通拥塞流出相邻路段是车流流入相邻路段；
所述第一流出相邻路段是目标路段连接的车流流入相邻路段，根据第一流出相邻路段查找第二流出相邻路段，然后确定拥塞道路的第三流出相邻路段。
4.根据权利要求1所述的一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于，所述步骤6具体包括以下步骤：
步骤6.1：设置在任何目标道路上出现速度下降的现象为事件1(ev1)，在目标道路拥塞的开始时间范围内，其任何流入相邻路段处出现速度下降为事件2(ev2)；
步骤6.2：针对拥塞源道路的每个相邻路段，检查事件ev1和ev2发生的次数，判定当拥塞源道路产生的拥塞传播到相应邻居的次数的比例ev1/ev2＞0.5时，将该道路记录为拥塞高概率路段，即在拥塞源路段处产生的拥塞传播到相邻路段的次数的比例。
5.根据权利要求1所述的一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于，所述步骤7具体包括以下步骤：
步骤7.1：交通数据集中传感器的采样时间为t分钟，未来连续时间间隔采用5分钟，预测在拥塞发生时间戳n后的5分钟的时刻戳n+1，第一流出相邻路段的交通拥塞情况，拥塞传播过程中目标路段拥塞标准如下：
所述传感器的所在位置选用下式为标准：
(n-1)时刻预测速度-n时刻预测速度＞＝0.1×(n-1)时刻预测速度；
其中，n为拥塞发生时刻，n-1为拥塞发生前5分钟时刻；
步骤7.2：满足目标路段拥塞标准视为目标路段拥塞即n时刻拥塞的路段已经将拥塞的车流传递给第一流出相邻路段，预测第一、第二、第三流出相邻路段的拥塞情况与拥塞时间。
CN202011285404.1A 2020-11-17 2020-11-17 一种基于时空图卷积神经网络的交通拥塞传播预测方法 Active CN112419718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011285404.1A CN112419718B (zh) 2020-11-17 2020-11-17 一种基于时空图卷积神经网络的交通拥塞传播预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011285404.1A CN112419718B (zh) 2020-11-17 2020-11-17 一种基于时空图卷积神经网络的交通拥塞传播预测方法

Publications (2)

Publication Number Publication Date
CN112419718A true CN112419718A (zh) 2021-02-26
CN112419718B CN112419718B (zh) 2022-02-01

Family

ID=74831528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011285404.1A Active CN112419718B (zh) 2020-11-17 2020-11-17 一种基于时空图卷积神经网络的交通拥塞传播预测方法

Country Status (1)

Country Link
CN (1) CN112419718B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949828A (zh) * 2021-03-04 2021-06-11 湖南大学 一种基于图学习的图卷积神经网络交通预测方法及系统
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
CN113379156A (zh) * 2021-06-30 2021-09-10 南方科技大学 速度预测方法、装置、设备及存储介质
CN113380025A (zh) * 2021-05-28 2021-09-10 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN113936462A (zh) * 2021-10-18 2022-01-14 广州交信投科技股份有限公司 一种基于astgcn算法的公交路况预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120331226A1 (en) * 2009-04-29 2012-12-27 Guhan Krishnan Hierarchical memory arbitration technique for disparate sources
CN108428369A (zh) * 2018-03-22 2018-08-21 大连海事大学 一种车辆信息处理系统
CN110827546A (zh) * 2019-11-21 2020-02-21 银江股份有限公司 一种信号交叉口路段短期速度预测方法
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120331226A1 (en) * 2009-04-29 2012-12-27 Guhan Krishnan Hierarchical memory arbitration technique for disparate sources
CN108428369A (zh) * 2018-03-22 2018-08-21 大连海事大学 一种车辆信息处理系统
CN110827546A (zh) * 2019-11-21 2020-02-21 银江股份有限公司 一种信号交叉口路段短期速度预测方法
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警系统及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949828A (zh) * 2021-03-04 2021-06-11 湖南大学 一种基于图学习的图卷积神经网络交通预测方法及系统
CN112949828B (zh) * 2021-03-04 2023-08-04 湖南大学 一种基于图学习的图卷积神经网络交通预测方法及系统
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
CN113380025A (zh) * 2021-05-28 2021-09-10 长安大学 一种车辆出行量预测模型构建方法及预测方法和系统
CN113379156A (zh) * 2021-06-30 2021-09-10 南方科技大学 速度预测方法、装置、设备及存储介质
CN113936462A (zh) * 2021-10-18 2022-01-14 广州交信投科技股份有限公司 一种基于astgcn算法的公交路况预测方法及系统

Also Published As

Publication number Publication date
CN112419718B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN112419718B (zh) 一种基于时空图卷积神经网络的交通拥塞传播预测方法
Yan et al. Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its
Ghanim et al. Estimating turning movements at signalized intersections using artificial neural networks
CN111126680A (zh) 一种基于时间卷积神经网络的道路断面交通流量预测方法
CN112149898B (zh) 故障率预测模型的训练、故障率预测方法及相关装置
US11195412B2 (en) Predicting short-term traffic flow congestion on urban motorway networks
Sheikh et al. A complex network analysis approach for estimation and detection of traffic incidents based on independent component analysis
CN115148019A (zh) 一种基于节假日拥堵预测算法的预警方法及系统
Basak et al. Analyzing the cascading effect of traffic congestion using LSTM networks
James Citywide estimation of travel time distributions with Bayesian deep graph learning
CN116434569A (zh) 基于stnr模型的交通流量预测方法及系统
Gomes et al. A survey on traffic flow prediction and classification
Tran et al. MSGNN: A Multi-structured Graph Neural Network model for real-time incident prediction in large traffic networks
Liu et al. Highway traffic congestion detection and evaluation based on deep learning techniques
Lei et al. Prediction of PM2. 5 concentration considering temporal and spatial features: A case study of Fushun, Liaoning Province
He et al. Link dynamic vehicle count estimation based on travel time distribution using license plate recognition data
Chen et al. Dynamic path flow estimation using automatic vehicle identification and probe vehicle trajectory data: A 3D convolutional neural network model
CN112466401A (zh) 利用人工智能ai模型组分析多类数据的方法及装置
CN115858763A (zh) 多模态数据融合的城管事件分析方法及其应用
Xing et al. GRU‐CNN Neural Network Method for Regional Traffic Congestion Prediction Serving Traffic Diversion Demand
Liu et al. A similarity-based data-driven car-following model considering driver heterogeneity
Sun et al. A Spatiotemporal Probabilistic Graphical Model Based on Adaptive Expectation-Maximization Attention for Individual Trajectory Reconstruction Considering Incomplete Observations
AU2021100003A4 (en) A deep transportation model to predict the human mobility for autonomous vehicle
CN118468208B (zh) 轻量化电推进系统的故障诊断方法及系统
CN118736847B (zh) 边缘计算网关数据处理方法及网关

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