CN112488185B - 包含时空特性的车辆运行参数预测方法和系统 - Google Patents
包含时空特性的车辆运行参数预测方法和系统 Download PDFInfo
- Publication number
- CN112488185B CN112488185B CN202011365027.2A CN202011365027A CN112488185B CN 112488185 B CN112488185 B CN 112488185B CN 202011365027 A CN202011365027 A CN 202011365027A CN 112488185 B CN112488185 B CN 112488185B
- Authority
- CN
- China
- Prior art keywords
- aoi
- space
- network
- time
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 72
- 238000011160 research Methods 0.000 claims abstract description 63
- 238000003860 storage Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000005096 rolling process Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 239000004576 sand Substances 0.000 description 11
- 208000013715 atelosteogenesis type I Diseases 0.000 description 10
- 230000007704 transition Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008846 dynamic interplay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质,所述方法包括:S1:构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量;S2:将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC‑AN网络提取出时空特征;其中,历史数据为研究时段内各个AOI区域的历史车辆运行参数;S3:利用时空特征转换出研究时段内各个AOI区域的车辆运行参数预测结果。本发明通过图结构构建多视角时空图,再利用MGC‑AN网络提取多视角时空图以及历史数据中的时空特征,以一种全新的手段来实现车辆运行参数预测,尤其是可应用于私家车出行流量预测。
Description
技术领域
本发明属于智能交通技术领域,具体涉及一种包含时空特性的车辆运行参数预测方法,系统,电子设备及可读存储介质。
背景技术
随着世界城市化进程的快速推进,越来越多的人生活在城市中。联合国最新报告指出,目前世界上约有55%的人生活在城市中,在2050年该比例将达到68%。城市中的私家车(私人小微型载客汽车)作为人们出行的主要交通工具,其保有量也急剧增加。以中国为例,截至2019年底,私家车保有量高达2.07亿辆,占汽车总量的81.4%。私家车近五年年均增长1966万辆,其保有量的迅猛增长与城市空间资源之间的矛盾日益加剧,为城市带来停车困难、交通拥堵等问题。
私家车出行流量预测作为智能交通领域的研究热点,旨在利用现有车出行流量预测未来车出行流量,具体可应用到智慧停车、风险预警和城市规划等领域。一方面,随着全球定位系统(GPS,global positioning system)、车载自诊断系统(OBD,on-boarddiagnostics)和基于位置服务等技术的高速发展,为实时收集海量的私家车轨迹数据提供了支持。另一方面,与其他交通工具相比,私家车能够直接对应固定用户长期的出行需求,其轨迹数据从不同的粒度、层面和视角准确记录人们的出行行为。在日常生活中,私家车用户通常到达一个地点,停留一段时间以完成出行需求,再离开前往下一个地点。持续的停留行为,不仅包含了出行行为,其中的停留时长也体现了用户对地点的偏好。
现有的城市车出行流量的预测研究分为两类:基于张量建模的方法和基于图建模的方法。在基于张量建模的相关工作中,研究人员通常将城市区域划分为规则的网格区域。然而,此类基于网格划分的张量建模方法受到理想的欧几里得空间建模的限制,城市区域本是不规则的形状,各区域之间的关联也存在于非欧几里得空间。通过规则的网格划分,不仅破坏了城市区域本身的完整性,且划分后的区域缺少明确的语义信息。同时,长短期记忆网络等序列模型仅将交通数据视为序列数据,仅能捕获时间相关性,而难以捕获空间相关性;卷积神经网络方法仅能处理欧几里得空间的张量结构。
近年来,图结构被研究人员们证明其在建模非欧式空间数据的有效性研究人员通常将交通数据建模为时空图,使用图神经网络提取地理位置的空间相关性,并使用循环神经网络等提取序列时间相关性。如同私家车的流量,不少车辆运行参数都具有时间和空间特性,相似区域以及相近时段的运行参数具有一定相关性,譬如,出行时间,速度以及其他类型车辆的流量等,如何以图结构的方式从宏观的角度来预测目标区域内这些具有时空特性的参数是亟需进一步研究的。
发明内容
本发明的目的是提供了一种全新的手段来实现车辆运行参数预测,利用了图结构构建多视角时空图,然后利用MGC-AN网络提取多视角时空图以及历史数据中的时空特征,进而利用时空特征得到预测结果。
一方面,本发明提供了一种包含时空特性的车辆运行参数预测方法,包括如下步骤:
S1:构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量;
S2:将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征;
其中,历史数据为研究时段内各个AOI区域的历史车辆运行参数;
S3:利用时空特征转换得到研究时段内各个AOI区域的车辆运行参数预测结果。
本发明研究AOI区域的区域特征量以及研究历史数据,利用MGC-AN网络将其两者进行融合提取出时空特征,进而利用时空特征得到预测结果,因此,预测结果是融入了历史数据特征以及区域特征,包含了时间和空间上的特性,进而提高了预测结果的准确性。
应当理解,在实际应用时,MGC-AN网络等是基于历史数据以及预测日期的关系已经训练好了,进而在实际应用中,同样利用历史数据可以的对应预测日期的预测结果。
可选地,所述MGC-AN网络包含了多图卷积网络以及多图卷积门循环网络,其中,步骤S2的执行过程如下:
将所述多视角时空图的信息以及研究时段的历史数据输入多图卷积网络提取全局空间特征,所述多图卷积网络的公式如下:
将上述公式以如下形式表示:
Am=fa(A;θi)
Xl+1=σ(∪fg(Am,Xl))
式中,Xl+1,Xl为第l+1层,第l层的输入特征矩阵,第一层的输入特征矩阵由研究时段内各个AOI区域的历史车辆运行参数直接构成,Wl为第l层网络的权重矩阵,σ为多图卷积网络的激活函数,为度矩阵,/>为所述多视角时空图的邻接矩阵,所述邻接矩阵表示多视角时空图中每两个AOI区域之间的区域特征量,Am为所述多视角时空图中所有邻接矩阵的结合结果,θi为每个顶点i学习到的权重,∪为聚合函数,fg、fa均为公式转换过程得到的函数;
将最后一层网络得到的输入特征矩阵作为全局空间特征,再将所述全局空间特征输入所述多图卷积门循环网络提取时间特征,所述多图卷积门循环网络的公式如下:
其中,bu、br、bc均为多图卷积门循环网络偏置项,σu和σr分别为激活函数,ut、rt、ct、Wu、Uu、Wr、Ur、Wc、Uc均为多图卷积门循环网络学习到的参数,表示研究时段t各个AOI区域对应的多图卷积结果,/>Ht[i,:]分别表示研究时段t-1、t内各个AOI区域对应的隐藏神经元、多图卷积门循环网络输出,且满足如下:
式中,Xt[i,:]为所述全局空间特征中研究时段t内各个AOI区域对应的空间特征,t=1时,Ht-1[i,:]表示初始值,其为预设参数值;
其中,各个研究时段对应的多图卷积门循环网络输出构成所述时空特征。
可选地,所述车辆运行参数与车辆在区域内的停留时间相关时,步骤S3的过程为:利用停留时间对时空特征进行加权处理,再利用加权处理后的时空特征转换出研究时段内各个AOI区域的车辆运行参数,加权处理过程如下:
ei=(Wi,stHt[i])Tu
其中,Wi,st表示前τ个研究时段内第i个AOI区域内车辆的平均停留时长,τ为当前研究时段t之前的研究时段个数,Ht[i]为研究时段t内各个AOI区域对应多图卷积门循环网络输出结果Ht[i,:]中第i个AOI区域对应的数据,u为权重向量、ei为顶点i的注意力向量、ai为顶点i对应的注意力网络的权重向量,k为AOI区域总数,为加权后的研究时段t内各个AOI区域对应的时空特征,T为转置矩阵符号。
可选地,若所述车辆运行参数与气候或节日或公共事件的外部因素相关时,现将外部因素转换为外部特征,然后将所述时空特征与所述外部特征进行融合,最后将融合后的特征转换为车辆运行参数。
外部特征有时间、有空间或者有时空信息均可以嵌入,外部特征矩阵以满足公式计算的大小来设置。
可选地,所述多视角时空图包括:距离图、相似度图、功能图和转移图中的任意一个或多个的组合,其中,所述距离图中的区域特征量为两个AOI区域的地理距离,所述相似度图中的区域特征量表征两个AOI区域的相似度,所述功能图中的区域特征量表征两个AOI区域的POI类别的相似度,所述转移图中的区域特征量表征两个AOI区域的车辆运行参数交互情况。
可选地,所述车辆运行参数为私家车的出行流量。
可选地,训练阶段,按照步骤S1-S3的方式得到研究时段内各个AOI区域的历史车辆运行参数,并以得到的车辆运行参数与实际车辆运行参数之间的误差最小为训练目标进行训练。
第三方面,本发明提供的一种包含时空特征的车辆运行参数预测系统,包括:
多视角时空图构建模块:用于构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量;
MGC-AN网络构建模块:用于构建MGC-AN网络;
时空特征提取模块,用于将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征;
转换模块:用于利用时空特征转换出研究时段内各个AOI区域的车辆运行参数的预测结果。
第四方面,一种电子设备,包括存储器和处理器,所述存储器存储了计算机程序,所述处理器调用所述计算机程序以执行上述方法的步骤。
第五方面,一种可读存储介质,存储了计算机程序,所述计算机程序被处理器调用以执行上述方法的步骤。
有益效果
本发明提供的所述车辆运行参数预测方法,其将图结构引入到车辆运行参数预测技术中,充分利用图结构自身优势,且利用MGC-AN网络同时提取出了时间和空间的特性,充分考虑了车辆运行参数的时空特性,进而提高了预测结果,为后续智能交通领域的发展奠定了一定的基础。
附图说明
图1为本发明提供的私家车出行流量预测框架的基本结构;
图2为本发明提供的多图卷积-注意力网络(multiple graph convolution-attention network,MGC-AN)的具体结构;
图3为基于长沙数据集,MGC-AN在不同隐藏神经元个数下的RMSE;
图4为基于长沙数据集,MGC-AN在不同隐藏神经元个数下的MAPE;
图5为基于深圳数据集,MGC-AN在不同隐藏神经元个数下的RMSE;
图6为基于长沙数据集,MGC-AN在不同隐藏神经元个数下的MAPE;
图7为基于长沙数据集,随机选择一个AOI进行实验,模型的预测值与真实值;
图8为基于深圳数据集,随机选择一个AOI进行实验,模型的预测值与真实值。
具体实施方式
本发明提供的所述包含时空特性的车辆运行参数预测方法是以宏观的角度来进行交通运行参数预测,其中,交通运行参数具有时间以及空间特性,即不同时段下交通运行参数具有一定的显著特征,如,早高峰,中午等时段与其他时段存在显著差异的特性;空间特性是指不同区域下交通运行参数具有一定显著特征,譬如,高校区域,中小学区域,商圈区域等存在显著的空间特性会影响到交通运行参数。为了更加直观地阐述本发明利用图结构进行交通运行参数预测的技术方案,下文将以私家车的车流量预测为例进行具体描述,进而对本发明做进一步的说明,应当理解,本发明并不限于私家车的车流量预测。
实施例1:
城市私家车出行流量由车进入、停留和离开城市区域的总数组成。其出行受到区域功能和区域间出行流量动态交互的影响,例如,白天办公区域的出行流量通常比住宅区域的出行流量多;早高峰从住宅区前往工作区的私家车出行流量相对其他时间段的出行流量多。区域之间私家车出行流量的动态交互也反映了私家车的出行规律以及区域之间的关联。如何提取私家车出行的时空特征是首先面临的挑战。进而,本实施例中针对私家车的出行流量预测,包括如下步骤:
步骤1:构建研究区域的多视角时空图
其中,将私家车出行和城市区域之间的动态关联建模为多视角时空图,具体包括距离图、相似度图、功能图和转移图。图的顶点为城市的各个AOI(Area of Interest,兴趣区域),边分别为AOI之间的区域特征量,如距离、各AOI历史出行流量的相似度、POI功能(Point of Interest,兴趣点))和AOI之间出行流量的动态转移量。
关于距离图:
“地理学第一定律”认为:任何事物都是与其他事物相关的,相近的事物关联更紧密。受此定律的启发,本实施例将各AOI之间的地理距离定义距离图,计算公式如下:
AD,ij=dist(vi,vj) (3)
其中,dist(vi,vj)两个站点之间的Haversine距离,vi=(loni,lati)和vj=(lonj,latj)分布为第i个、第j个AOI的中心点坐标,e=6371.004为地球的近似半径,loni为第i个AOI的中心点坐标的经度,lati为第i个AOI的中心点坐标的纬度;lonj为第j个AOI的中心点坐标的经度,latj为第j个AOI的中心点坐标的纬度。AD为距离图的邻接矩阵,矩阵的行和列均为城市中的AOI,矩阵中的每一个元素AD,ij为第i个和第j个AOI之间的距离。ε是便于公式表达而自定义参数。
关于相似度图
历史车出行流量相似的AOI在未来时刻极大可能共享相似的车出行流量模式。本发明基于AOI之间的历史出行流量的相似度量化它们之间的相关性,相似度选择尔逊相关系数进行度量,如下公式(4):
式中,Xm和Ym均为时间序列的流量向量,其中Xm为第i个AOI区域X的m个时间段的私家车流量,按时间序列排序;Ym为第j个AOI区域Y的m个时间段的私家车流量,按时间序列排序。和/>分别为Xm和Ym的平均值,AS为相似度图的邻接矩阵,矩阵的行和列均为城市中的AOI,矩阵中的每一个元素AS,ij为第i个和第j个AOI之间的流量相似度系数。
关于功能图
POI类别反映了AOI的功能,具有相似功能的AOI共享相似的出行流量模式,POI功能相似度满足:
其中,为第i个AOI区域的POI类别向量,/>为第j个AOI区域的POI类别向量,ai.c、aj.c分别表示i个AOI区域、第j个AOI区域的功能类别,由于功能类别可能存在混合情况,因此,存在多个功能类别构成POI类别向量,AF为功能图的邻接矩阵,矩阵的行和列均为城市中的AOI,矩阵中的每一个元素AF,ij为第i个和第j个AOI之间的POI功能相似度。其中,若一个顶点存在多个功能类别时,上述公式5中对应的条件为每个功能类别均需满足对应条件。
关于转移图
与以上三种类型的时空图不同,转移图是有向图,图的边是不同时间段的AOI之间的出行流量转移。在时间段内,vi和vj的转移出行流量的总和的计算如公式(6):
AT,ij=Transij,t∈[0,∞) (6)
其中,Transij,t表示在时间段内第i个和第j个AOI区域的转移总流量,AT为所有时段的转移图的邻接矩阵,AT,t为/>时间段内转移图的邻接矩阵,矩阵的行和列均为城市中的AOI,矩阵中的每一个元素AT,ij为从第i个AOI区域到第j个AOI区域转移的车流量。应当理解,从第i个AOI区域到第j个AOI区域转移的车流量需要减去反向转移的车流量。
其中,除了转移图在不同时段存在差异,其余距离图、相似度图、功能图在不同时段并无差别。
应当理解,本实施例1中为了达到最佳效果,构建的多视角时空图同时包含了距离图、相似度图、功能图和转移图,其他可选的实施例中,可以是其任意组合或者加入其他视角的时空图,不同视角的时空图的组合会带来效果的差异,但是并不影响本发明的核心思想,故本发明对此组合方式不进行具体的限定。
步骤2:将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征。其中,包含了两个部分:利用多图卷积网络提取全局空间特征;利用多图卷积门循环网络提取时间特征;
关于多图卷积网络提取全局空间特征
在单个的图神经网络中,图中来自邻居的信息被汇总并用于逐步更新顶点的隐藏状态,其中该信息通过动态过渡网络进行传播。利用堆叠的卷积,顶点会捕获来自较大邻域的信息。
单个空间图上的卷积如公式(7)
其中,在公式(7)的基础上代入公式(1)至(6),如公式(8)和(9):
Am=fa(A;θi) (8)
Xl+1=σ(∪fg(Am,Xl)) (9)
式中,Xl+1,Xl为第l+1层,第l层的输入特征矩阵,第一层的输入特征矩阵由研究时段内各个AOI区域的历史车辆运行参数直接构成,矩阵的行为所有AOI,列为时间序列的切片(研究的各个时段);Wl为第l层网络的权重矩阵,σ为多图卷积网络的激活函数,为度矩阵,/>为所述多视角时空图的邻接矩阵,所述邻接矩阵表示多视角时空图中每两个AOI区域的区域特征量,本实施例中,A∈{AD,AF,AS,AT},Am为多图的结合结果,θi为每个顶点i学习到的权重,∪为聚合函数,fg、fa均为公式转换过程得到的函数。
从上述公式可知,由历史数据构建第一层的输入特征矩阵,再通过上述迭代公式可以计算出顶层的输入特征矩阵,其包含了历史数据的数据特征,同时也引入了时空图的区域特征量,最终将其作为全局空间特征,包含的内容是各个时段的各个AOI区域的数据。
关于多图卷积门循环网络提取时间特征
本发明将多图卷积与门循环网络相结合,以同时捕获时空特征,多图卷积门循环网络的公式如下:
将公式(10)和(11)输入到多图卷积门循环网络中以提取序列时间特征,如公式(12)至(15):
式中,bu、br、bc均为多图卷积门循环网络偏置项,σu和σr分别为激活函数,ut、rt、ct、Wu、Uu、Wr、Ur、Wc、Uc均为多图卷积门循环网络学习到的参数,Ht[i,:]分别表示研究时段t-1、t各个AOI区域对应的隐藏神经元、多图卷积门循环网络输出,Xt[i,:]为所述全局空间特征中研究时段t各个AOI区域对应的空间特征,t=1时,Ht-1[i,:]表示初始值,其为预设参数值。
其中,最终输出的各个研究时段对应的时间特征构成了时空特征,其引入了全局空间特征,因此,得到的时空特征是包含了历史数据以及区域之间的时间以及空间的特性。
步骤3:利用时空特征转换得到预测结果,即研究时段内各个AOI区域的车辆运行参数。
其中,转换过程是常规手段可以实现的,需要一个简单的全连接网络即可实现将其转为对应的车辆运行参数,而不需要满足什么特定要求。
实施例2:
考虑到私家车的停留时间体现了区域对用户的吸引程度,例如,用户停留时间越长,区域对该用户的吸引力越大。如何充分利用私家车用户的停留时间特征为第二个挑战。为此,在实施例1的基础上,利用停留时间对时空特征进行加权处理,对于时空图中的任意顶点vi,多图卷积门循环网络的输出序列H1[i],...,Ht[i]...,HT[i],T为时段总数,公式如下:
ei=(Wi,stHt[i])Tu (16)
其中,Wi,st表示前τ个研究时段内第i个AOI区域内车辆的平均停留时长,τ为当前研究时段t之前的研究时段个数,u为权重向量、ei为顶点i的注意力向量、ai为顶点i对应的注意力网络的权重向量,k为AOI区域总数,Ht[i]为研究时段t内各个AOI区域对应多图卷积门循环网络输出结果Ht[i,:]中第i个AOI区域对应的数据,为加权后的研究时段t内各个AOI区域对应的时空特征。
利用加权后的时空特征转换得到预测结果,即研究时段内各个AOI区域的车辆运行参数。其中,相较于实施例1,本实施例2的预测结果考虑了停留时间,进而更加全面考虑了影像私家车流量的因素,最终可以提高预测结果的准确性。
实施例3:
在实际生活中,天气、节假日和事件等其他外部因素也会影响私家车出行流量的分布,这些因素使得预测问题变得更加困难。因此,在实施例1或实施例2的基础上,本实施例3还考虑加入外部因素对应的外部特征,将外部特征与时空特征进行融合作为联合预测的输入,再转换得到预测结果,即研究时段内各个AOI区域的车辆运行参数。
本实施例中选择如下全连接网络的转换公式:
其中,Et为外部特征,W为学习到的权重,σ为激活函数,譬如Sigmoid函数,b为偏置项。
应当理解,在实际应用之前,需要对模型进行训练,本发明根据上述步骤1-步骤3的方式进行训练得到预测结果后,将其与实际出行流量进行误差计算,以最小化误差为优化目标,其中,选择如下损失函数loss进行训练:
其中,为预测结果,Ft为实际数据,λLreg是L2正则化项,有助于解决模型的过拟合问题。
需要说明的是,上述实施例1-3均是以私家车的流量预测进行举例说明,其他可行的方式中,本发明所述方法还可以应用于其他类型车辆的出行流量预测,出行时间预测,平均速度等,其中,若是车辆运行参数与停留时间有关,可以选择实施例2所述的方式进行处理,若是车辆运行参数与天气等因素有关,可以选择实施例3所述的方式进行处理,只需将其数据进行相应替换。
在一些可行的方式中,本发明还提供一种包含时空特征的车辆运行参数预测系统,包括:
多视角时空图构建模块:用于构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量。其中,多视角时空图的具体内容请参照前文阐述。
MGC-AN网络构建模块:用于构建MGC-AN网络。
时空特征提取模块,用于将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征;
转换模块:用于利用时空特征转换出研究时段内各个AOI区域的车辆运行参数。
训练模块:用于训练模型。
其中,时空特征提取过程也请参照前文描述,根据其实施例1-3所述的内容,可以选择性对时空特征进行停留时间处理、外部特征处理等。
可选地,所述系统还包括:评估模块,用于对模型进行评估。
应当理解,上述单元模块的具体实现过程参照方法内容,本发明在此不进行具体的赘述,且上述功能模块单元的划分仅仅是一种逻辑功能的划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。同时,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
在一些可行的方式中,本发明还提供一种电子设备,包括存储器和处理器,所述存储器存储了计算机程序,所述处理器调用所述计算机程序以执行:
构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量;
将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征;其中,历史数据为研究时段内各个AOI区域的历史车辆运行参数;
利用时空特征转换出研究时段内各个AOI区域的车辆运行参数。
其中,各个步骤的具体实现过程请参照前文方法内容的描述。
在一些可行的方式中,本发明还提供一种可读存储介质,存储了计算机程序,所述计算机程序被处理器调用以执行:
构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量;
将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征;其中,历史数据为研究时段内各个AOI区域的历史车辆运行参数;
利用时空特征转换出研究时段内各个AOI区域的车辆运行参数。
其中,各个步骤的具体实现过程请参照前文方法内容的描述。
应当理解,在本发明实施例中,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
所述可读存储介质为计算机可读存储介质,其可以是前述任一实施例所述的控制器的内部存储单元,例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备,例如所述控制器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
数据验证:
本发明选择在长沙市和深圳市采集到的数据进行实验。实验数据的前80%的数据作为训练集,后20%作为测试集;Adam算法作为模型的优化器;设置学习率的初始值为0.0015,模型每迭代1000次自动衰减初始的90%;模型训练的批大小为64;实验设置了早停策略,当测试集的损失等于训练集的损失时,模型训练达到最优,即停止训练,防止模型过拟合。实验选用RMSE(root mean square error,均方根误差)和MAPE(mean absolutepercentage error,平均绝对百分比误差)两个评价指标对实验结果进行评估:
其中,为预测的流量,Fi为真实的流量,n为模型训练的次数。
RMSE和MAPE能够很好的表示我们的保护框架所提供的保护的误差,以及稳定性。
表1为MGC-AN在长沙数据集上,与LASSO,SVR,Multi-GCN,Stack-GRU,T-GCN,DCRNN的误差比较。表2为MGC-AN在深圳数据集上,与LASSO,SVR,Multi-GCN,Stack-GRU,T-GCN,DCRNN的误差比较,如图所示:
表1
表2
隐藏神经元的个数对模型性能的影响非常大,本发明分别基于不同范围的神经元数目对MGC-AN进行实验。如图3为长沙数据集上验证不同神经元数目对RMSE指标的影响;图4为长沙数据集上验证不同神经元数目对MAPE指标的影响。如图5为长沙数据集上验证不同神经元数目对RMSE指标的影响;图6为长沙数据集上验证不同神经元数目对MAPE指标的影响。实验结果表示,在长沙数据集上,32个隐藏神经元模型性能最佳;在深圳数据集上,64个隐藏神经元模型性能最佳。
最后,可视化单个AOI的预测结果。本发明在在2018年9月28日至30日期间随机选择两个AOI的分析和预测结果进行可视化。在图7为长沙市国际金融中心的私家车出行流量的预测值和真实值图,由于国际金融中心是集生活娱乐和办公于一体的场所,因此白天的车出行流量也多于晚上。其周末(9月29和9月30日)的车出行流量也多于工作日(9月28日)。图8为深圳绿景公馆1866北区馆的私家车出行流量的预测值和真实值图,由于绿景公馆是公寓类别的场所,因此工作日的车出行流量明显少于周末,白天的车出行流量也少于晚上。
需要强调的是,本发明所述的实例是说明性的,而不是限定性的,因此本发明不限于具体实施方式中所述的实例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,不脱离本发明宗旨和范围的,不论是修改还是替换,同样属于本发明的保护范围。
Claims (9)
1.一种包含时空特性的车辆运行参数预测方法,其特征在于:包括如下步骤:
S1:构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量;
S2:将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征;
其中,历史数据为研究时段内各个AOI区域的历史车辆运行参数;
S3:利用时空特征转换得到研究时段内各个AOI区域的车辆运行参数预测结果;
所述MGC-AN网络包含了多图卷积网络以及多图卷积门循环网络,其中,步骤S2的执行过程如下:
将所述多视角时空图的信息以及研究时段的历史数据输入多图卷积网络提取全局空间特征,所述多图卷积网络的公式如下:
将上述公式以如下形式表示:
Am=fa(A;θi)
Xl+1=σ(∪fg(Am,Xl))
式中,Xl+1,Xl为第l+1层,第l层的输入特征矩阵,第一层的输入特征矩阵由研究时段内各个AOI区域的历史车辆运行参数直接构成,Wl为第l层网络的权重矩阵,σ为多图卷积网络的激活函数,为度矩阵,/>为所述多视角时空图的邻接矩阵,所述邻接矩阵表示多视角时空图中每两个AOI区域之间的区域特征量,Am为所述多视角时空图中所有邻接矩阵的结合结果,θi为每个顶点i学习到的权重,∪为聚合函数,fg、fa均为公式转换过程得到的函数;
将最后一层网络得到的输入特征矩阵作为全局空间特征,再将所述全局空间特征输入所述多图卷积门循环网络提取时间特征,所述多图卷积门循环网络的公式如下:
其中,bu、br、bc均为多图卷积门循环网络偏置项,σu和σr分别为激活函数,ut、rt、ct、Wu、Uu、Wr、Ur、Wc、Uc均为多图卷积门循环网络学习到的参数,表示研究时段t各个AOI区域对应的多图卷积结果,/>Ht[i,:]分别表示t-1、t内研究时段各个AOI区域对应的隐藏神经元、多图卷积门循环网络输出,且满足如下:
式中,Xt[i,:]为所述全局空间特征中研究时段t内各个AOI区域对应的空间特征,t=1时,Ht-1[i,:]表示初始值,其为预设参数值;
其中,各个研究时段对应的多图卷积门循环网络输出构成所述时空特征。
2.根据权利要求1所述的方法,其特征在于:所述车辆运行参数与车辆在区域内的停留时间相关时,步骤S3的过程为:利用停留时间对时空特征进行加权处理,再利用加权处理后的时空特征转换出研究时段内各个AOI区域的车辆运行参数,加权处理过程如下:
其中,Wi,st表示前τ个研究时段内第i个AOI区域内车辆的平均停留时长,τ为当前研究时段t之前的研究时段个数,Ht[i]为研究时段t内各个AOI区域对应多图卷积门循环网络输出结果Ht[i,:]中第i个AOI区域对应的数据,u为权重向量、ei为顶点i的注意力向量、ai为顶点i对应的注意力网络的权重向量,k为AOI区域总数,为加权后的研究时段t内各个AOI区域对应的时空特征,T为转置矩阵符号。
3.根据权利要求1所述的方法,其特征在于:若所述车辆运行参数与气候或节日或公共事件的外部因素相关时,现将外部因素转换为外部特征,然后将所述时空特征与所述外部特征进行融合,最后将融合后的特征转换为车辆运行参数。
4.根据权利要求1所述的方法,其特征在于:所述多视角时空图包括:距离图、相似度图、功能图和转移图中的任意一个或多个的组合,其中,所述距离图中的区域特征量为两个AOI区域的地理距离,所述相似度图中的区域特征量表征两个AOI区域的相似度,所述功能图中的区域特征量表征两个AOI区域的POI类别的相似度,所述转移图中的区域特征量表征两个AOI区域的车辆运行参数交互情况。
5.根据权利要求1所述的方法,其特征在于:所述车辆运行参数为私家车的出行流量。
6.根据权利要求1所述的方法,其特征在于:训练阶段,按照步骤S1-S3的方式得到研究时段内各个AOI区域的历史车辆运行参数,并以得到的车辆运行参数与实际车辆运行参数之间的误差最小为训练目标进行训练。
7.一种包含时空特征的车辆运行参数预测系统,其特征在于:包括:
多视角时空图构建模块:用于构建研究区域的多视角时空图,其中,以研究区域内的AOI区域为顶点,边为两个AOI区域的区域特征量;
MGC-AN网络构建模块:用于构建MGC-AN网络;
时空特征提取模块,用于将所述多视角时空图的信息以及研究时段的历史数据输入构建的MGC-AN网络提取出时空特征;
所述MGC-AN网络包含了多图卷积网络以及多图卷积门循环网络,其中,步骤S2的执行过程如下:
将所述多视角时空图的信息以及研究时段的历史数据输入多图卷积网络提取全局空间特征,所述多图卷积网络的公式如下:
将上述公式以如下形式表示:
Am=fa(A;θi)
Xl+1=σ(∪fg(Am,Xl))
式中,Xl+1,Xl为第l+1层,第l层的输入特征矩阵,第一层的输入特征矩阵由研究时段内各个AOI区域的历史车辆运行参数直接构成,Wl为第l层网络的权重矩阵,σ为多图卷积网络的激活函数,为度矩阵,/>为所述多视角时空图的邻接矩阵,所述邻接矩阵表示多视角时空图中每两个AOI区域之间的区域特征量,Am为所述多视角时空图中所有邻接矩阵的结合结果,θi为每个顶点i学习到的权重,∪为聚合函数,fg、fa均为公式转换过程得到的函数;
将最后一层网络得到的输入特征矩阵作为全局空间特征,再将所述全局空间特征输入所述多图卷积门循环网络提取时间特征,所述多图卷积门循环网络的公式如下:
其中,bu、br、bc均为多图卷积门循环网络偏置项,σu和σr分别为激活函数,ut、rt、ct、Wu、Uu、Wr、Ur、Wc、Uc均为多图卷积门循环网络学习到的参数,表示研究时段t各个AOI区域对应的多图卷积结果,/>Ht[i,:]分别表示t-1、t内研究时段各个AOI区域对应的隐藏神经元、多图卷积门循环网络输出,且满足如下:
式中,Xt[i,:]为所述全局空间特征中研究时段t内各个AOI区域对应的空间特征,t=1时,Ht-1[i,:]表示初始值,其为预设参数值;
其中,各个研究时段对应的多图卷积门循环网络输出构成所述时空特征;
转换模块:用于利用时空特征转换出研究时段内各个AOI区域的车辆运行参数。
8.一种电子设备,其特征在于:包括存储器和处理器,所述存储器存储了计算机程序,所述处理器调用所述计算机程序以执行权利要求1-6任一项所述方法的步骤。
9.一种可读存储介质,其特征在于:存储了计算机程序,所述计算机程序被处理器调用以执行权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011365027.2A CN112488185B (zh) | 2020-11-27 | 2020-11-27 | 包含时空特性的车辆运行参数预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011365027.2A CN112488185B (zh) | 2020-11-27 | 2020-11-27 | 包含时空特性的车辆运行参数预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488185A CN112488185A (zh) | 2021-03-12 |
CN112488185B true CN112488185B (zh) | 2024-04-26 |
Family
ID=74936615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011365027.2A Active CN112488185B (zh) | 2020-11-27 | 2020-11-27 | 包含时空特性的车辆运行参数预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488185B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724504B (zh) * | 2021-08-06 | 2023-04-07 | 之江实验室 | 一种面向车辆轨迹大数据的城市区域流量预测系统及方法 |
CN114444794B (zh) * | 2022-01-22 | 2024-05-14 | 重庆大学 | 基于双注意力图嵌入网络的出行意图预测方法 |
CN114327840B (zh) * | 2022-03-11 | 2022-06-10 | 北京骑胜科技有限公司 | 数据处理方法和数据处理装置 |
CN114912529A (zh) * | 2022-05-17 | 2022-08-16 | 中山大学 | 一种基于张量图卷积网络的节点分类方法及系统 |
CN117852730A (zh) * | 2024-03-08 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆流转预测方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119703A (zh) * | 2019-05-07 | 2019-08-13 | 福州大学 | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111489013A (zh) * | 2020-03-11 | 2020-08-04 | 北京交通大学 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10497259B2 (en) * | 2017-04-07 | 2019-12-03 | The Regents Of The University Of Michigan | Traffic signal control using vehicle trajectory data |
US11853903B2 (en) * | 2017-09-28 | 2023-12-26 | Siemens Aktiengesellschaft | SGCNN: structural graph convolutional neural network |
-
2020
- 2020-11-27 CN CN202011365027.2A patent/CN112488185B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119703A (zh) * | 2019-05-07 | 2019-08-13 | 福州大学 | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN111489013A (zh) * | 2020-03-11 | 2020-08-04 | 北京交通大学 | 一种基于时空多图卷积网络的交通站点流量预测方法 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
董伟 ; 张磊磊 ; 金子恒 ; 孙伟 ; 高俊波 ; .基于多特征时空图卷积网络的水运通航密度预测.物联网学报.(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112488185A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488185B (zh) | 包含时空特性的车辆运行参数预测方法和系统 | |
Du et al. | Deep irregular convolutional residual LSTM for urban traffic passenger flows prediction | |
Yao et al. | Short‐term traffic speed prediction for an urban corridor | |
CN112200351A (zh) | 一种基于手机信令数据的城市区域客流量预测方法 | |
CN114897444B (zh) | 一种城市分区域内服务设施需求识别方法及系统 | |
CN110503104B (zh) | 一种基于卷积神经网络的短时剩余车位数量预测方法 | |
CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
Wang et al. | Trajectory analysis for on-demand services: A survey focusing on spatial-temporal demand and supply patterns | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN108986453A (zh) | 一种基于情境信息的交通状况预测方法、系统及装置 | |
CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
US20240054321A1 (en) | Traffic prediction | |
CN113298319B (zh) | 一种基于跳跃图注意力门控循环网络的交通速度预测方法 | |
CN111639791A (zh) | 交通流预测方法、系统、存储介质及终端 | |
CN113327417B (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
CN112862177A (zh) | 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质 | |
Liu et al. | Exploiting spatiotemporal correlations of arrive-stay-leave behaviors for private car flow prediction | |
Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
Kong et al. | Mobility trajectory generation: a survey | |
Pramanik et al. | Post-liberal urban dynamics in India–The case of Gurugram, the ‘Millennium City’ | |
US20230153742A1 (en) | Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
Song et al. | Sparse trip demand prediction for shared E-scooter using spatio-temporal graph neural networks |
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 |