CN112766551B - 一种交通预测方法、智能终端及计算机可读存储介质 - Google Patents
一种交通预测方法、智能终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112766551B CN112766551B CN202110023335.5A CN202110023335A CN112766551B CN 112766551 B CN112766551 B CN 112766551B CN 202110023335 A CN202110023335 A CN 202110023335A CN 112766551 B CN112766551 B CN 112766551B
- Authority
- CN
- China
- Prior art keywords
- time
- convolution
- matrix
- adjacency matrix
- road network
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通预测方法、智能终端及计算机可读存储介质,所述方法包括:获取路网数据,其中,所述路网数据包括路网节点,以及各个路网节点之间的物理距离;根据预设的静态邻接矩阵规则,构建与所述路网数据对应的静态邻接矩阵;当获取历史交通数据时,根据预设的动态邻接矩阵规则,构建与所述历史交通数据对应的动态邻接矩阵;根据所述历史交通数据,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,生成与所述历史交通数据对应的预测结果。本发明在图卷积网络中所使用了基于自注意力机制产生的动态邻接矩阵表示了路网节点交通状态之间的动态空间关系,从而提高了交通预测的准确性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种交通预测方法、智能终端及计算机可读存储介质。
背景技术
交通预测在城市交通管理中具有重要的作用。准确的交通预测可以帮助交通部门进行交通管理,为市民出行提供高效的路径规划和导航。在智能交通系统中,用已有交通数据准确、实时预测未来短期交通流量,对城市交通规划、交通管理和控制过程中扮演重要角色。交通流量预测方法可分为三类:统计方法模型、传统机器学习模型和深度学习模型。
目前大多数交通预测方法仅将路网数据作为固定不便的邻接矩阵,再根据历史交通数据进行预测处理,但并未关注路网数据中的路网节点之间随着时间变化,其对应的交通特征,例如流速、例如车流量变化之间的关联性,因此,目前的交通预测在预测的准确性上仍存在不足。
发明内容
本发明的主要目的在于提供一种交通预测方法、智能终端及计算机可读存储介质,旨在解决现有技术中交通预测准确性的问题。
为实现上述目的,本发明提供一种交通预测方法,所述交通预测方法包括如下步骤:
获取路网数据,其中,所述路网数据包括路网节点,以及各个路网节点之间的物理距离;
根据预设的静态邻接矩阵规则,构建与所述路网数据对应的静态邻接矩阵;
当获取历史交通数据时,根据预设的动态邻接矩阵规则,构建与所述历史交通数据对应的动态邻接矩阵;
根据所述历史交通数据,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,生成与所述历史交通数据对应的预测结果。
可选地,所述的交通预测方法,其中,所述静态邻接矩阵包括前向邻接矩阵和后向邻接矩阵;所述根据预设的静态邻接矩阵规则,构建与所述路网数据对应的静态邻接矩阵,具体包括:
根据预设的邻接矩阵构建公式,构建与所述路网数据对应的初始邻接矩阵;
基于扩散卷积,构建与所述初始邻接矩阵对应的前向邻接矩阵和后向邻接矩阵。
可选地,所述的交通预测方法,其中,所述邻接矩阵构建公式为其中,Ai,j为所述初始邻接矩阵中路网节点i和路网节点j对应的边,σ为预设的标准差,∈为预设的稀疏度值,di,j为路网节点i和路网节点j之间的物理距离,D为预设的物理距离阈值。
可选地,所述的交通预测方法,其中,所述当获取历史交通数据时,根据所述历史交通数据与预设的动态邻接矩阵规则,构建与所述路网数据对应的动态邻接矩阵之前,还包括:
基于node2vec模型,对所述路网数据进行图嵌入,构建与所述路网节点对应的嵌入向量。
可选地,所述的交通预测方法,其中,所述历史交通数据包括时间步的数量、以及各个所述时间步对应的交通特征;所述动态邻接矩阵由各个时间步对应的时间步邻接矩阵组成;所述根据所述历史交通数据与预设的动态邻接矩阵规则,构建与所述路网数据对应的动态邻接矩阵,具体包括:
将所述历史交通数据输入预设的时间线性层,并控制所述时间线性层对所述历史交通数据进行卷积,生成中间交通数据;
针对第m个时间步,将所述中间交通数据中与该时间步对应的交通数据作为待处理数据,并将所述待处理数据与所述嵌入向量进行拼接,得到与该时间步对应的初始时空特征,m为小于等于所述时间步的数量的正整数;
将所述初始时空特征分别输入预设的第一处理线性层和第二处理线性层,并控制所述第一处理线性层和所述第二处理线性层对所述初始时空特征进行运算,得到该时间步对应的第一目标时空特征和第二目标时空特征;
根据所述第一目标时间特征、所述第二目标时间特征和预设的时间步邻接矩阵公式,计算该时间步对应的时间步邻接矩阵。
可选地,所述的交通预测方法,其中,所述时间步邻接矩阵公式为:
可选地,所述的交通预测方法,其中,所述根据所述历史交通数据,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,生成所述历史交通数据对应的预测结果,具体包括:
将Hl输入已训练的时间注意力网络,并控制所述时间注意力网络提取Hl的时域特征,得到第l+1时域特征,其中,l为小于L的自然数,L为预设的迭代次数,当l=0时,H0为所述历史交通数据;
将所述第l+1时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积模块中,并控制所述图卷积模块根据第l+1时域特征对所述动态邻接矩阵和所述静态邻接矩阵进行卷积处理,生成对应的图卷积值;
将所述图卷积值和Hl进行融合处理,生成Hl1+;
迭代执行上述时域特征提取、卷积处理和融合处理,直至l+1=L,得到第一时域特征至第L时域特征;
将所述第一时域特征至所述第L时域特征进行特征融合,得到预测结果并输出。
可选地,所述的交通预测方法,其中,所述时间注意力网络包括若干个时间卷积层以及各个所述时间卷积层对应的激活函数;所述将Hl输入已训练的时间注意力网络,并控制所述时间注意力网络提取Hl的时域特征,得到第l+1时域特征,具体包括:
针对每一个时间卷积层,将Hl输入该卷积层,并控制该时间卷积层对Hl进行时域卷积,生成初始特征;
根据该时间卷积层对应的激活函数,计算所述初始特征对应的激活值;
基于预设的融合函数,将所有所述激活值进行融合,得到与Hl对应的第l+1时域特征。
可选地,所述的交通预测方法,其中,所述图卷积模块包括第一图卷积网络和第二图卷积网络;所述将所述第l+1时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积模块中,并控制所述图卷积模块根据第l+1时域特征对所述动态邻接矩阵和所述静态邻接矩阵进行卷积处理,生成Hl+1,具体包括:
将所述第l+1时域特征输入和所述动态邻接矩阵输入第一图卷积网络,并控制所述第一图卷积网络根据所述第l+1时域特征对所述动态邻接矩阵进行卷积处理,得到第一卷积值;
将所述第l+1时域特征输入和所述静态邻接矩阵输入第二图卷积网络,并控制所述第二图卷积网络根据所述第l+1时域特征对所述静态邻接矩阵进行卷积处理,得到第二卷积值;
将所述第一卷积值和所述第二卷积值进行融合,生成对应的图卷积值。
可选地,所述的交通预测方法,其中,所述第一卷积值等于其中,为所述动态邻接矩阵,I为所述第l+1时域特征,Ws1为所述第一图卷积网络的参数矩阵;所述第二卷积值等于其中,S为预设的幂级数的最高项级数,为所述静态邻接矩阵的幂级数,Ws2为所述第二图卷积网络的参数矩阵。
可选地,所述的交通预测方法,其中,所述第二图卷积网络中的参数矩阵包括前向参数矩阵和后向参数矩阵,所述第二卷积值等于其中,为所述前向邻接矩阵的幂级数,为所述后向邻接矩阵的幂级数,Ws21和Ws22分别表示所述前向参数和所述后向参数。
可选地,所述的交通预测方法,其中,所述将所述第一时域特征至所述第L时域特征进行特征融合,得到预测结果并输出,具体包括:
针对每一个第l+1时域特征,将该第l+1时域特征输入预设的中间线性层,并控制所述中间线性层计算该第l+1时域特征对应的第l+1输出值;
计算第一输出值至第L输出值之和,得到预测结果并输出。
此外,为实现上述目的,本发明还提供一种智能终端,其中,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通预测程序,所述交通预测程序被所述处理器执行时实现如上所述的交通预测方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有交通预测程序,所述交通预测程序被处理器执行时实现如上所述的交通预测方法的步骤。
本发明针对交通预测提出一种预测方法,具体包括使用时间局部注意力网络聚合历史交通数据中的时间特征,图卷积网络可提取历史交通数据中的空间特征。将时间局部注意力网络和图卷积网络串联起来融合时空特征进行预测。特别地,在图卷积网络中所使用了基于自注意力机制产生的动态邻接矩阵表示了路网节点交通状态之间的动态空间关系,因此图卷积网络所提取的特征具有动态性,从而提高交通预测结果的准确性。
附图说明
图1是本发明交通预测方法提供的较佳实施例的流程图;
图2是本发明交通预测方法提供的较佳实施例中根据历史交通数据得到预测结果的流程图;
图3是本发明交通预测方法提供的较佳实施例中基于动态注意力图时空网络模块得到Hl+1的流程图;
图4为本发明智能终端的较佳实施例的运行环境示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明较佳实施例所述的交通预测方法,如图1所示,所述交通预测方法包括以下步骤:
步骤S100,获取路网数据。
具体地,路网数据可通过路网平台、路网地图等数据获取。所述路网数据包括路网节点,以及各个路网节点之间的物理距离。路网节点也就是道路节点,指街道拐点、十字路口等节点。物理距离并非指路网节点之间的直线距离,而是指基于路网,从某一路网节点到另一路网节点之间的距离。
步骤S200,根据预设的静态邻接矩阵规则,构建与所述路网数据对应的静态邻接矩阵。
具体地,基于图论的观点,以图表示数据之间的关系,可用顶点和边进行表示,而为了便于处理这种图数据,一般用邻接矩阵来描述。一个顶点表示一个对象,例如本实施例中,一个顶点表示一个路网节点,而路网节点之间的关系,可用边进行表示,若两个路网节点,例如路网节点i和路网节点j,之间无法通过路网联系,则路网节点i和路网节点j之间不存在边,则在邻接矩阵中,Ei,j=0;若路网节点i和路网节点j之间存在边,则在邻接矩阵中,Ei,j等于1或其它非零的值。因此,获得路网数据后,可构建用于表示该路网中各个路网节点关系的邻接矩阵。由于该邻接矩阵仅与路网数据固定不便的路网状况有关,为将该邻接矩阵与后文中可描述路网交通动态变换的邻接矩阵进行区分,本实施例中,将基于路网数据构建的邻接矩阵命名为静态邻接矩阵。此外,由于道路有单向道和双向道,为精确表明路网节点之间的关系,各个路网节点对应的边可为有向边。
进一步的,本实施例中基于扩散卷积,静态邻接矩阵中包括前向邻接矩阵和后向邻接矩阵;构建静态邻接矩阵的过程具体为:
根据预设的邻接矩阵构建公式,构建与所述路网数据对应的初始邻接矩阵;
基于扩散卷积,构建与所述初始邻接矩阵对应的前向邻接矩阵和后向邻接矩阵。
具体的,先预设一邻接矩阵的公式,即邻接矩阵构建公式,构建与获取的路网数据对应的初始邻接矩阵。该邻接矩阵构建公式可为常规的邻接矩阵构建公式,若路网节点之间存在连接关系,则边为1;若无关系,则边为0。也可为根据各种约束条件调整的邻接矩阵构建公式。本实施例中优选的构建公式为:其中,Ai,j为所述初始邻接矩阵中路网节点i和路网节点j对应的边,σ为预设的标准差,∈为预设的稀疏度值,用于控制控制初始邻接矩阵A的稀疏程度。di,j为路网节点i和路网节点j之间的物理距离,D为预设的物理距离阈值。
然后使用扩散图卷积的方法对初始邻接矩阵A进行转换,生成前向邻接矩阵和后向邻接矩阵其中,前向邻接矩阵中路网节点i和路网节点j对应的边的值为后向邻接矩阵中路网节点i和路网节点j对应的边的值为其中,T为倒置标志,N为路网节点的数量。
步骤S300,当获取历史交通数据时,根据所述历史交通数据与预设的动态邻接矩阵规则,构建与所述路网数据对应的动态邻接矩阵。
具体地,历史交通数据是指在一定时间范围内,在获取的路网数据对应的路网上的交通变化的数据,历史交通数据包括截取的数据的时间段,交通变化可包括各个路网节点的车辆数量、车辆流速等。这些交通变化数据可基于车辆上安装有导航软件的终端采集的数据库获取。本实施例中,历史交通数据还包括采集该数据所对应的时间,该时间可为某一日、某一周或某一月,亦或自定义的时间。本实施例中,以获取的某一日的历史交通数据为例,进行实施过程的说明。
本实施例提出了动态注意力图(Dynamic Attention Graph,DAG)模块,获取历史交通数据后,由于历史交通数据中包含有某一个时间范围内交通变化的数据,因此,可基于历史交通数据构建其动态邻接矩阵,动态邻接矩阵是指表示一段时间内交通变化的邻接矩阵,可以以各个路网节点为顶点,该时间内各个时刻对应的车辆数量、车辆流速作为该路网节点的特征,由于车辆数量是存在一定的流向性,例如路网节点i和路网节点j之间存在路网连接,且路网节点j与路网节点i单向连接,a时刻,路网节点j的车辆数量较多,则在a时刻之后的下一个时间步,路网节点j中至少部分车辆会到达路网节点i。路网节点i和路网节点j之间存在相似度。根据路网节点i和路网节点j之间的相似度,因此,可根据路由节点或路由节点嵌入之间的相似度作为节点之间的空间关系的表示,从而得到与该历史移动数据对应的动态邻接矩阵。
进一步的,图嵌入是指将高维稠密的矩阵映射为低微稠密向量的过程,从而提高机器学习的效率。本实施例中,在构建动态邻接矩阵过程中,为将高纬的路网节点之间的关系映射为低维数据,从而减少计算量。在具体进行图嵌入,得到该路网数据对应的嵌入向量时,本实施例优选采用的模型为node2vec模型,从而对各个路网节点进行编码,实现对所述路网数据进行图嵌入,构建与所述路网节点对应的嵌入向量。
进一步的,本实施例中,历史交通数据可为X∈RP×N×C,其中,P是时间步的个数,N是路网节点的个数,C是输入信号的通道个数,记为各个路网节点在不同的时间步对应的交通特征。假设历史交通数据采样间隔是5分钟一次,则时间步为5分钟,一个小时具有12个时间步,因此,可以以时间步的次序代表采集时刻。例如初始时间为凌晨零点,时间步为5分钟,则第一个时间步所对应的时刻记为零时五分,第12个时间步即为凌晨一点。基于该历史交通数据,本实施例中,构架动态邻接矩阵的过程为:
A10、将所述历史交通数据输入预设的时间线性层,并控制所述时间线性层对所述历史交通数据进行卷积,生成中间交通数据。
具体地,参阅图2,预设一时间线性层(T-Linear),在时间维度上对输入时间线性层的数据做卷积操作,使得路网节点的表示具有该路网节点的时间上下文的特征,生成中间交通数据。该过程可用公式表示为:H*=fT(H);其中,H是时间线性层的输入,H*是时间线性层的输出,C*是输出的通道个数。值得注意的是,由于输入的数据和输出的数据在维度上可能存在较大差异,为使后续输入的数据标准化,本实施例中,在将历史交通数据输入时间线性层之前,优选将其输入预设的输入线性层,即图2中最下方的Linear,输入线性层对历史交通数据进行增维提取特征。用公式表示为:Hb=fb(X),其中,f(·)表示卷积函数,是输入线性层的输出,Cb是输出的通道个数,从而将输入时间线性层的数据进行维度统一化。
A20、针对第m个时间步,将所述中间交通数据中与该时间步对应的交通数据作为待处理数据,并将所述待处理数据与所述嵌入向量进行拼接,得到与该时间步对应的初始时空特征。
具体的,使用上述的T-Linear线性层的输出H*和嵌入向量Gemb作为DAG模块的输入,首先将H*和Gemb拼接起来,得到路网节点的初始时空特征HST,该过程可用公式表示为:其中,m用于表示不同的时间步,1≤m≤P,例如第一个时间步,则m=1;表示H*中的第m个时间步的节点嵌入; Cg是嵌入向量Gemb的通道数;||表示的是拼接操作。
A30、将所述初始时空特征分别输入预设的第一处理线性层和第二处理线性层,并控制所述第一处理线性层和所述第二处理线性层对所述初始时空特征进行运算,得到该时间步对应的第一目标时空特征和第二目标时空特征。
具体的,预设两个处理线性层,该处理线性层用于根据输入的初始时空特征,计算输出值,并将该输出值作为目标时空特征。进一步的,处理线性层可为两个个线性层,也可为三个、甚至三个以上的线性层的组合。本实施例中采用了两个处理线性层,分别为fq(x)和fk(x),将x=HST,m,输入这两个处理线性层,分别命名为第一处理线性层和第二处理线性层,控制第一处理线性层和第二处理线性层对所述初始时空特征进行运算,分别得到该时间步对应的第一目标时空特征和第二目标时空特征,即Qm和Km,Cqk为第一处理线性层和第二处理线性层的通道数量。
A40、根据所述第一目标时间特征、所述第二目标时间特征和预设的时间步邻接矩阵公式,计算该时间步对应的时间步邻接矩阵,其中,所述时间步邻接矩阵公式为 m为小于等于所述时间步的数量的正整数,Qm为第m个时间步对应的第一目标时空特征,Km为第m个时间步对应的第二目标时空特征;表示的是矩阵乘法。
具体的,由于本实施例中所采用的处理线性层的数量为2,得到的目标时空特征分别为Qm和Km。因此,使用矩阵乘法计算第一目标时空特征和第二目标时空特征之间的相似度作为路由节点之间的空间关系的表示。最后使用softmax函数对目标时空特征Qm和Km的每行进行归一化,得到第m个时间步对应的时间步邻接矩阵。
值得注意的是,本实施例中处理线性层的数量为2,但在实际过程中,由于是将不同初始时空特征之间的相似度作为空间关系的表示,处理线性层的数量可不局限于2。
步骤S400,根据所述历史交通数据的时域特征,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,生成与所述历史交通数据对应的预测结果。
具体地,获取所述动态邻接矩阵和所述静态邻接矩阵后,将所述历史交通数据、动态邻接矩阵和静态邻接矩阵作为待处理数据,输入已训练的图卷积网络,该图卷积网络对历史交通数据中进行时域特征提取,并根据该时域特征,对动态邻接矩阵和静态邻接矩阵进行卷积,最后将卷积的结果进行拼接,生成与该历史交通数据对应的预测结果。
进一步的,参见附图3,本实施例中,提出了一种基于动态注意力图时空网络模块的交通流预测模型,用于根据根据所述历史交通数据的时域特征,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,具体过程如下:
B10、将Hl输入已训练的时间注意力网络,并控制所述时间注意力网络提取Hl的时域特征,得到第l+1时域特征。
具体地,动态注意力图时空网络模块包括时间注意力网络(Time LocalAttention Network,TLA),TLA用于提取历史交通数据在时间维度的特征。本实施例中,TLA的输入值为Hl,l为小于L的自然数,L为预设的迭代次数,当l=0时,H0为所述历史交通数据。值得注意的是,上述提到在构建动态邻接矩阵过程中,为避免输入和输出的维度相差较大,现将历史交通数据输入输入线性层,以对历史交通数据进行增维提取特征,得到Hb,在本实施例的一种优选的实施方式中,H0为增维提取后的历史交通数据,即H0=Hb。
以l=0时为例进行本实施例实施过程的说明,时间注意力网络中包含有时间卷积核,该时间卷积核对H0进行卷积,提取其时域特征,从而得到第一时域特征。
进一步的,本实施例中,时间注意力网络有若干个时间卷积层(TimeConvolution,TC),各个时间卷积层有其对应的激活函数;得到第l+1时域特征的具体过程为:
针对每一个时间卷积层,将Hl输入该卷积层,并控制该时间卷积层对Hl进行时域卷积,生成初始特征;
根据该时间卷积层对应的激活函数,计算所述初始特征对应的激活值;
基于预设的融合函数,将所有所述激活值进行融合,得到与Hl对应的第l+1时域特征。
具体地,针对每一个时间卷积层,将Hl输入该卷积层,本实施例中,以两个时间卷积层为例,分别为TC1和TC2。TC1和TC2分别对输入的Hl进行时域卷积,得到初始特征。然后将初始特征分别输入对应的激活函数中,其中TC1的激活函数为δ(x),TC1的激活函数为δ(x),TC2的激活函数为γ(x)。然后预设一个用于融合激活值的融合函数,将所有的激活值进行融合,从而得到第l+1时域特征,该过程可用公式表示为Ol+1=δ(TC1(Hl))⊙γ(TC1(Hl)),其中,Ol+1是时间局部注意力网络的输出。本实施例中,δ优选为sigmoid的激活函数。γ优选为正切双曲线tanh激活函数。经过δ激活的输出可以看做是γ激活输出信号的权重,从而对输出的Ol+1进行过滤,保留重要的信息,降低无用的噪音。考虑到本实施例针对的是短时期的交通流预测,时域卷积采用局部卷积的方式,可利用3x3的卷积核建模邻域内的时间相关性。
B20、将所述第l+1时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积模块中,并控制所述图卷积模块根据第l+1时域特征对所述动态邻接矩阵和所述静态邻接矩阵进行卷积处理,生成对应的图卷积值。
具体地,将所述第l+1时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积网络中,图卷积模块为由图卷积网络构成的卷积模块,图卷积网络是指以图,也就是邻接矩阵,为对象的卷积网络,也被成为图卷积神经网络(Graph ConvolutionalNetwork,GCN)。图卷积网络根据以训练的参数,将图中各个顶点及其特征进行卷积和拼接,最后得到各个顶点对应的结果并输出。本实施例中,图卷积网络的对象为动态邻接矩阵和静态邻接矩阵,由于之前提取到的第l+1时域特征与动态邻接矩阵和静态邻接矩阵之间关联,因此将第l+1时域特征分别与动态邻接矩阵和静态邻接矩阵进行卷积处理,生成图卷积值。将第一时域特征、动态邻接矩阵和静态邻接矩阵输入图卷积网络中,输出对应的图卷积值Z。
进一步地,本实施例的第一种实施方式中,图卷积模块包含包括第一图卷积网络和第二图卷积网络,将所述第l+1时域特征输入和所述动态邻接矩阵输入第一图卷积网络,并控制所述第一图卷积网络根据所述第l+1时域特征对所述动态邻接矩阵进行卷积处理,得到第一卷积值;将所述第l+1时域特征输入和所述静态邻接矩阵输入第二图卷积网络,并控制所述第二图卷积网络根据所述第l+1时域特征对所述静态邻接矩阵进行卷积处理,得到第二卷积值;将所述第一卷积值和所述第二卷积值进行融合,生成图卷积值。由于对邻接矩阵的卷积处理技术较为成熟,采用何种卷积处理技术对本实施例的实施并未有影响,故在此不再具体描述。
若第一卷积网络的参数矩阵为Ws1,则第一卷积值为其中,为所述动态邻接矩阵,I为所述第l+1时域特征;若第二卷积网络的参数矩阵为Ws2,则第二卷积值为其中,S为预设的幂级数的最高项级数,为所述静态邻接矩阵的幂级数,Ws2为所述第二图卷积网络的参数矩阵。因此,最后输出的的图卷积值
进一步地,由于本实施例中,静态邻接矩阵包括前向邻接矩阵和后向邻接矩阵,因此在第二图卷积网络中,参数矩阵包括前向参数矩阵和后向参数矩阵。所述第二卷积值等于其中,为所述前向邻接矩阵的幂级数,为所述后向邻接矩阵的幂级数,Ws21和Ws22分别表示所述前向参数和所述后向参数。
值得注意的是,除上述方案外,本实施例中的第二种实施方式中,所述图卷积模块包含包括第一图卷积网络、第二图卷积网络和第三卷积网络,即如附图3所示,包含三个GCN,前向邻接矩阵和第l+1时域特征输入第一图卷积网络;后向邻接矩阵和第l+1时域特征输入第二图卷积网络;动态邻接矩阵和第l+1时域特征输入第三图卷积网络,从而分别得到和
B30、将所述图卷积值和Hl进行融合处理,生成Hl+1。
具体地,然后通过加法等融合方法,将图卷积值和Hl进行融合处理,生成Hl+1。
B40、迭代执行上述时域特征提取和卷积处理,直至l+1=L,得到第一时域特征至第L时域特征。
具体地,迭代重复上述的卷积处理,即将H2输入时间注意力网络,得到第二时域特征;将第二时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积网络中,得到H3,直至l+1=L。例如预设的迭代次数为3,则最后得到第三时域特征即结束。此外,除设置迭代次数外,还可如图2所示,通过设置与迭代次数相同数量的动态注意力图时空网络模块,上一个动态注意力图时空网络模块的输出的Hl即下一个动态注意力图时空网络模块的输入。
B50、将所述第一时域特征至所述第L时域特征进行特征融合,得到预测结果并输出。
具体地,将所述第一时域特征至所述第L时域特征进行特征融合,得到预测结果并输出。特征融合的方式可采用累加、累成、基于权重累加等方式。
进一步地,本实施例中,将第一时域特征至所述第L时域特征进行特征融合过程中,为减少噪声信号的累计,先通过线性层进行处理;本实施例中的特征融合过程为:
针对每一个第l+1时域特征,将该第l+1时域特征输入预设的中间线性层,并控制所述中间线性层计算该第l+1时域特征对应的第l+1输出值;
计算第一输出值至第L输出值之和,得到预测结果并输出。
具体地,中间线性层是指位于时间局部注意力网络之后的线性输出层。中间线性层依赖于时间局部注意力网络的输出结果Ol+1。由Ol+1经过该中间线性层,得到对应的输出值,即outl+1,可用公式表示为outl+1=fskip(Ol+1),其中,fskip(x)为中间线性层的线性函数。然后将所有中间线性层的输出值,即第一输出值至第L输出值,求和,得到预测结果,其公式为其中,Y∈RJ×N×D,J表示预测的时间步的数量,D表示预测结果的通道数,其中,D与输入的历史交通数据的C对应,由于时间步的次数可用于表示发生的时刻,因此该输出结果可预测某一个未来次数的时间步对应的各个路网节点的交通特征,若输入的交通特征为车辆流速,则预测的是各个路网节点的交通特征。例如本实施例中,输入的历史交通数据的时间步的数量为12,也就是说历史交通数据获取的是从凌晨零时到凌晨一点之间的交通数据,而预测的的时间步的次序为12及以后,例如想要预测凌晨一点到两点的交通状况,则预测的时间步的次序为12到24,从而得到凌晨一点到两点之间的交通变化。
进一步地,如图4所示,基于上述交通预测方法,本发明还相应提供了一种智能终端,所述智能终端包括处理器10、存储器20及显示器30。图4仅示出了智能终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述智能终端的内部存储单元,例如智能终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述智能终端的外部存储设备,例如所述智能终端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,所述存储器20还可以既包括所述智能终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述智能终端的应用软件及各类数据,例如所述安装智能终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有交通预测程序40,该交通预测程序40可被处理器10所执行,从而实现本申请中交通预测方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述交通预测方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述智能终端的信息以及用于显示可视化的用户界面。所述智能终端的部件10-30通过系统总线相互通信。
在一实施例中,当处理器10执行所述存储器20中交通预测程序40时实现以下步骤:
获取路网数据,其中,所述路网数据包括路网节点,以及各个路网节点之间的物理距离;根据预设的静态邻接矩阵规则,构建与所述路网数据对应的静态邻接矩阵;当获取历史交通数据时,根据预设的动态邻接矩阵规则,构建与所述历史交通数据对应的动态邻接矩阵;根据所述历史交通数据,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,生成与所述历史交通数据对应的预测结果。本发明在图卷积网络中所使用了基于自注意力机制产生的动态邻接矩阵表示了路网节点交通状态之间的动态空间关系,从而提高了交通预测的准确性。
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有交通预测程序,所述交通预测程序被处理器执行时实现如上所述的交通预测方法的步骤。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种交通预测方法,其特征在于,所述交通预测方法包括:
获取路网数据,其中,所述路网数据包括路网节点,以及各个路网节点之间的物理距离;
根据预设的静态邻接矩阵规则,构建与所述路网数据对应的静态邻接矩阵;
所述静态邻接矩阵包括前向邻接矩阵和后向邻接矩阵;所述根据预设的静态邻接矩阵规则,构建与所述路网数据对应的静态邻接矩阵,具体包括:
根据预设的邻接矩阵构建公式,构建与所述路网数据对应的初始邻接矩阵;
基于扩散卷积,构建与所述初始邻接矩阵对应的前向邻接矩阵和后向邻接矩阵;
当获取历史交通数据时,根据所述历史交通数据与预设的动态邻接矩阵规则,构建与所述路网数据对应的动态邻接矩阵;
所述当获取历史交通数据时,根据所述历史交通数据与预设的动态邻接矩阵规则,构建与所述路网数据对应的动态邻接矩阵之前,还包括:
基于node2vec模型,对所述路网数据进行图嵌入,构建与所述路网节点对应的嵌入向量;
所述历史交通数据包括时间步的数量、以及各个所述时间步对应的交通特征;所述动态邻接矩阵由各个时间步对应的时间步邻接矩阵组成;根据所述历史交通数据与预设的动态邻接矩阵规则,构建与所述路网数据对应的动态邻接矩阵,具体包括:
将所述历史交通数据输入预设的时间线性层,并控制所述时间线性层对所述历史交通数据进行卷积,生成中间交通数据;
针对第m个时间步,将所述中间交通数据中与该时间步对应的交通数据作为待处理数据,并将所述待处理数据与所述嵌入向量进行拼接,得到与该时间步对应的初始时空特征,m为小于等于所述时间步的数量的正整数;
将所述初始时空特征分别输入预设的第一处理线性层和第二处理线性层,并控制所述第一处理线性层和所述第二处理线性层对所述初始时空特征进行运算,得到该时间步对应的第一目标时空特征和第二目标时空特征;
根据所述第一目标时空 特征、所述第二目标时空 特征和预设的时间步邻接矩阵公式,计算该时间步对应的时间步邻接矩阵;
根据所述历史交通数据,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,生成与所述历史交通数据对应的预测结果。
3.根据权利要求1所述的交通预测方法,其特征在于,所述根据所述历史交通数据,对所述动态邻接矩阵和所述静态邻接矩阵进行图卷积处理,生成与所述历史交通数据对应的预测结果,具体包括:
将Hl输入已训练的时间注意力网络,并控制所述时间注意力网络提取Hl的时域特征,得到第l+1时域特征,其中,l为小于L的自然数,L为预设的迭代次数,当l=0时,H0为所述历史交通数据;
将所述第l+1时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积模块中,并控制所述图卷积模块根据第l+1时域特征对所述动态邻接矩阵和所述静态邻接矩阵进行卷积处理,生成对应的图卷积值;
将所述图卷积值和Hl进行融合处理,生成Hl+1;
迭代执行上述时域特征提取、卷积处理和融合处理,直至l+1=L,得到第一时域特征至第L时域特征;
将所述第一时域特征至所述第L时域特征进行特征融合,得到预测结果并输出。
4.根据权利要求3所述的交通预测方法,其特征在于,所述时间注意力网络包括若干个时间卷积层以及各个所述时间卷积层对应的激活函数;所述将Hl输入已训练的时间注意力网络,并控制所述时间注意力网络提取Hl的时域特征,得到第l+1时域特征,具体包括:
针对每一个时间卷积层,将Hl输入该卷积层,并控制该时间卷积层对Hl进行时域卷积,生成初始特征;
根据该时间卷积层对应的激活函数,计算所述初始特征对应的激活值;
基于预设的融合函数,将所有所述激活值进行融合,得到与Hl对应的第l+1时域特征。
5.根据权利要求3所述的交通预测方法,其特征在于,所述图卷积模块包括第一图卷积网络和第二图卷积网络;所述将所述第l+1时域特征、所述动态邻接矩阵和所述静态邻接矩阵输入已训练的图卷积模块中,并控制所述图卷积模块根据第l+1时域特征对所述动态邻接矩阵和所述静态邻接矩阵进行卷积处理,生成对应的图卷积值,具体包括:
将所述第l+1时域特征和所述动态邻接矩阵输入第一图卷积网络,并控制所述第一图卷积网络根据所述第l+1时域特征对所述动态邻接矩阵进行卷积处理,得到第一卷积值;
将所述第l+1时域特征和所述静态邻接矩阵输入第二图卷积网络,并控制所述第二图卷积网络根据所述第l+1时域特征对所述静态邻接矩阵进行卷积处理,得到第二卷积值;
将所述第一卷积值和所述第二卷积值进行融合,生成对应的图卷积值。
8.根据权利要求3所述的交通预测方法,其特征在于,所述将所述第一时域特征至所述第L时域特征进行特征融合,得到预测结果并输出,具体包括:
针对每一个第l+1时域特征,将该第l+1时域特征输入预设的中间线性层,并控制所述中间线性层计算该第l+1时域特征对应的第l+1输出值;
计算第一输出值至第L输出值之和,得到预测结果并输出。
9.一种智能终端,其特征在于,所述智能终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通预测程序,所述交通预测程序被所述处理器执行时实现如权利要求1-8任一项所述的交通预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有交通预测程序,所述交通预测程序被处理器执行时实现如权利要求1-8任一项所述的交通预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023335.5A CN112766551B (zh) | 2021-01-08 | 2021-01-08 | 一种交通预测方法、智能终端及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023335.5A CN112766551B (zh) | 2021-01-08 | 2021-01-08 | 一种交通预测方法、智能终端及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766551A CN112766551A (zh) | 2021-05-07 |
CN112766551B true CN112766551B (zh) | 2022-05-17 |
Family
ID=75701000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110023335.5A Active CN112766551B (zh) | 2021-01-08 | 2021-01-08 | 一种交通预测方法、智能终端及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766551B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801404B (zh) * | 2021-02-14 | 2024-03-22 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
CN113705959B (zh) * | 2021-05-11 | 2023-08-15 | 北京邮电大学 | 网络资源分配方法及电子设备 |
CN113780662B (zh) * | 2021-09-14 | 2024-04-23 | 北京航空航天大学 | 一种流量预测方法、装置、设备和介质 |
CN113807457A (zh) * | 2021-09-26 | 2021-12-17 | 北京市商汤科技开发有限公司 | 确定路网表征信息的方法、装置、设备及存储介质 |
CN114419878B (zh) * | 2021-12-22 | 2023-04-07 | 银江技术股份有限公司 | 城市路网全域交通状态预测的方法、电子装置和存储介质 |
CN114299728B (zh) * | 2021-12-29 | 2023-04-21 | 杭州电子科技大学 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
CN114360254B (zh) * | 2022-03-17 | 2022-06-21 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
CN114694379B (zh) * | 2022-03-29 | 2024-05-03 | 中山大学 | 一种基于自适应动态图卷积的交通流预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
CN111612243A (zh) * | 2020-05-18 | 2020-09-01 | 湖南大学 | 交通速度预测方法、系统及存储介质 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN112071065A (zh) * | 2020-09-16 | 2020-12-11 | 山东理工大学 | 一种基于全局扩散卷积残差网络的交通流预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8103435B2 (en) * | 2007-07-27 | 2012-01-24 | George Mason Intellectual Properties, Inc. | Near real-time traffic routing |
CN109740785A (zh) * | 2018-10-22 | 2019-05-10 | 北京师范大学 | 基于图卷积神经网络的节点状态预测的方法 |
CN111669373B (zh) * | 2020-05-25 | 2022-04-01 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及系统 |
-
2021
- 2021-01-08 CN CN202110023335.5A patent/CN112766551B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
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 |
CN111612243A (zh) * | 2020-05-18 | 2020-09-01 | 湖南大学 | 交通速度预测方法、系统及存储介质 |
CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
CN112071065A (zh) * | 2020-09-16 | 2020-12-11 | 山东理工大学 | 一种基于全局扩散卷积残差网络的交通流预测方法 |
Non-Patent Citations (1)
Title |
---|
Spatial temporal incidence dynamic graph neural networks;Hao Peng et al;《Information Sciences》;20200120;第277-290页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112766551A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766551B (zh) | 一种交通预测方法、智能终端及计算机可读存储介质 | |
US11556777B2 (en) | Continuous convolution and fusion in neural networks | |
CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
US11189171B2 (en) | Traffic prediction with reparameterized pushforward policy for autonomous vehicles | |
CN110991713A (zh) | 基于多图卷积和gru的不规则区域流量预测方法 | |
Ren et al. | Mtrajrec: Map-constrained trajectory recovery via seq2seq multi-task learning | |
Klischat et al. | Scenario factory: Creating safety-critical traffic scenarios for automated vehicles | |
US20220326664A1 (en) | Improved machine learning for technical systems | |
CN112071062B (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
CN109726676B (zh) | 自动驾驶系统的规划方法 | |
CN111310987B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN110942211A (zh) | 一种基于深度神经网络的预估达到时间预测方法及装置 | |
US20240054321A1 (en) | Traffic prediction | |
WO2021025075A1 (ja) | 訓練装置、推定装置、訓練方法、推定方法、プログラム及びコンピュータ読み取り可能な非一時的記憶媒体 | |
CN115311860A (zh) | 一种交通流量预测模型的在线联邦学习方法 | |
CN117133129B (zh) | 一种基于多分量注意力图神经网络的交通速度预测方法 | |
US20230281826A1 (en) | Panoptic segmentation with multi-database training using mixed embedding | |
CN114566048B (zh) | 一种基于多视角自适应时空图网络的交通控制方法 | |
CN113119996B (zh) | 一种轨迹预测方法、装置、电子设备及存储介质 | |
CN112820111B (zh) | 一种异常车辆识别方法、装置和电子设备 | |
CN112686457B (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 | |
CN114662009A (zh) | 一种基于图卷积的工业互联网工厂协同推荐算法 | |
CN114372627B (zh) | 基于混合深度学习框架的城市车辆旅行时间估计方法 | |
CN116662815B (zh) | 时间预测模型的训练方法以及相关设备 |
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 |