CN112989539A - 一种基于交叉路口转移计算的交通预测方法 - Google Patents

Abstract

本发明公开了一种基于交叉路口转移计算的交通预测方法，涉及交通预测领域，通过包含了路段和路口的地理信息以及路网的拓扑数据的路网属性图学习转移矩阵，根据交通历史数据，通过堆叠的包含了门控时序卷积网络和交叉路口转移图卷积网络的时空特征挖掘模块对未来的交通进行预测。本发明将图卷积神经网络应用到交通预测领域，提供了一种精准的交通预测方法，不仅能够作为政府部门的决策依据，帮助政府实行更科学有效的交通管控，也可以给市民提供更充足的路况信息，帮助驾驶员做出更优的路径选择。

Description

一种基于交叉路口转移计算的交通预测方法

技术领域

本发明涉及交通预测领域，尤其涉及一种基于交叉路口转移计算的交通预测方法。

背景技术

城市交通和我们每个人的生活息息相关，随着城市交通基础设施的建设，信息化程度不断增强，数据驱动的智慧交通应用如雨后春笋快速地发展起来，成为了学术界和工业界共同关注的领域，城市交通预测便是其中一个重要的分支。城市交通预测是利用城市历史交通状况和城市的地理，天气等辅助信息预测城市未来交通状况的任务。准确高效的交通预测系统在城市交通管理，公共安全和市民出行等方面具有极其重要的价值。有序的交通一方面能够节省居民的通行效率，避免时间的浪费，另一方面可以减少机动车油气能源的消耗及尾气污染排放，有利于生态环境。

现有的城市交通预测系统从方法上大概可以分为基于统计学习的系统和基于深度学习的系统。其中基于深度学习的系统通常具有更高的预测精度。近年来，一些前沿的工作将图神经网络应用于城市交通预测任务，由于图神经网络非常适合城市道路之间空间相关性建模，基于图神经网络的交通预测系统是现有技术中准确度最高的。

城市路网中，多个路段之间在交叉路口连接汇合，一条路段上的车辆经过交叉路口转移到另一条相邻的路段。根据连接路段的条数，交叉路口可以分为十字路口，丁字路口，直行路口等不同的种类。不同种类的路口上的交通模式也有差别，直行路口规定车辆只能向一条路段转移，路段之间也没有交互和冲突，因此交通模式相对简单直接。十字路口的交通规则比较复杂，一条路段可以驶向不同的方向，各个路段的车辆在路口有一些冲突点，通行过程中需要路段之间的配合。因为交叉路口对城市交通的影响，在做城市交通预测的任务时应当将交叉路口考虑进去。之前的基于图神经网络的城市交通预测工作在建图的工程中将路段作为图的节点，路段之间的距离或连接关系作为图的边。这种做法忽略了路网结构中重要的交叉路口的作用，具有局限性。

因此，本领域的技术人员致力于开发一种基于交叉路口转移计算的交通预测方法，不仅能够作为政府部门的决策依据，实行更科学有效的交通管控，也可以给市民提供更充足的路况信息，帮助驾驶员做出更优的路径选择。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是对交叉路口进行建模，基于历史交通数据，采用机器学习的方法，对未来的交通路况进行预测。

为实现上述目的，本发明提供了一种基于交叉路口转移计算的交通预测方法，包括以下步骤：

步骤1：将多个时空特征挖掘模块堆叠；时空特征挖掘模块的直接输出连接到后一个时空特征挖掘模块；时空特征挖掘模块还包括跳跃连接；全部时空特征挖掘模块的跳跃连接收集到一个全连接网络；

步骤2：将路网属性图，以及过去N_in个时间片的交通历史数据输入到第一个时空特征挖掘模块；路网属性图为

其中，边集合

代表路网中所有路段，点集合

代表路网中所有的交叉路口；交通历史数据为一个张量

其中N_t是交通数据的时间片总数，N_r是路网中路段的总数，D是数据的维度；

步骤3：全连接网络输出未来N_out个时间片的交通预测结果

进一步地，时空特征挖掘模块包括级联的门控时序卷积网络和交叉路口转移图卷积网络，时空特征挖掘模块的输入连接至门控时序卷积网络，门控时序卷积网络的输出连接至交叉路口转移图卷积网络和跳跃连接，交叉路口转移图卷积网络的输出连接至时空特征挖掘模块的输出。

进一步地，交通历史数据先经过线性层的编码，然后输出至时空特征挖掘模块，线性层的计算公式为：

其中

是编码后的隐状态张量，W_l和b_l是线性层的参数。

进一步地，门控时序卷积网络包括两个时序卷积网络，门控时序卷积网络的计算公式为：

其中，Θ₁，b_t1和Θ₂，b_t2分别是两个时序卷积网络的可训练参数，⊙是元素间乘法，σ函数将卷积神经网络输出张量中的元素映射到(0,1)之间，tanh函数将卷积神经网络输出张量中的元素映射到(-1,1)之间。

进一步地，交叉路口转移图卷积网络采用幂级数形式的转移矩阵。

进一步地，交叉路口转移图卷积网络在计算之前，转移矩阵学习器生成D_A个转移矩阵

传递到交叉路口转移图卷积网络中，其中，

代表其中第i个转移矩阵，D_A代表转移矩阵的个数。

进一步地，交叉路口转移图卷积网络的计算公式为：

其中，K>0是扩散步数，W_nk是可学习参数，隐状态张量

为门控时序卷积网络的输出。

进一步地，转移矩阵学习器的学习流程包括生成边嵌入、生成节点嵌入、更新边嵌入、计算转移矩阵。

进一步地，全连接网络的计算公式为：

其中，W_FC1、b_FC1、W_FC2、b_FC2是最终的全连接网络的参数。

进一步地，多个时空特征挖掘模块堆叠的个数为9。

本发明通过转移矩阵学习器挖掘路网的结构和属性知识，克服了以往的交通预测系统中忽略路网中交叉路口的存在带来的影响，在实际路网中进行测试，取得了良好的预测结果。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的交通预测方案图；

图2是本发明一个较佳实施例的系统框架图；

图3是本发明生成边嵌入示意图；

图4是本发明生成节点嵌入示意图；

图5是本发明更新边嵌入示意图；

图6是一个路口示意图。

具体实施方式

以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。

在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。

如图1所示，本发明提出一种基于交叉路口转移计算的城市交通预测系统框架IT-TrafficNet(Intersection Transition Traffic Network)。

本发明的方案思路可以分为纵向和横向两条线。纵向是系统的输入输出流程，系统输入城市历史的交通数据，即城市路网上所有路段在之前一段时间以内的交通速度，输出所有路段在未来一段时间的交通速度预测值；横向是转移矩阵的生成流程，对基于图卷积网络的系统来说，转移矩阵代表了数据中实体之间的相互关系。在城市交通预测领域中，路网上所有路段之间的关系需要用转移矩阵来表示，因此合理的转移矩阵是城市交通预测的关键。本发明通过城市路网属性图来学习转移矩阵，具体的，城市路网属性图包含了路段和路口的地理信息，以及路网的拓扑数据。横向流程分为两步，第一步是通过城市路网属性图生成路段和路口的嵌入，第二步是通过路段和路口的嵌入学习转移矩阵，从而为预测系统使用。

为了详细表示本发明的技术方法，在这里做一个问题定义，其中用到的重要符号如下：

定义1(城市交通数据)：定义城市交通数据为一个张量

其中N_t是城市交通数据的时间片总数，N_r是城市路网中路段的总数，D是城市数据的维度。我们用索引(i,j,k)来表示第i个时间片段下，第j个路段中的第k维交通数值。

定义2(属性图)：定义属性图

其中，边集合

代表路网中所有路段，点集合

代表路网中所有的交叉路口。

定义3(城市交通预测)：定义城市交通预测任务为，给定一个时刻t,输入时刻t之前N_in个时间片的城市交通数据

以及属性图

得到未来M_out个时间片的城市交通预测结果

IT-TrafficNet的系统框架概况如图2所示：

首先，过去N_in个时间片的城市交通历史数据

经过线性层，将输入数据从维度D_t映射到维度D_in。从城市交通数据的定义中可以看出，城市交通数据含有时间维度和空间维度，具备高度的时空相关性。为了建模城市交通数据中复杂的时空相关性，本发明提出一种时空特征挖掘模块(Spatial Temporal Block，简称ST Block)，ST Block由两个子模块组成：

一、门控时序卷积网络(Gated Temporal Convolution Network，简称Gated TCN)是ST Block的第一个子模块。

Gated TCN有两个一维的卷积神经网络(Convolution Neural Network，简称CNN)及两个激活函数构成，其用途是对输入数据的时间相关性建模。

二、交叉路口转移图卷积网络(Intersection Transition Graph ConvolutionNetwork，简称ITGCN)是ST Block的第二个子模块。

如图2所示，本发明提出了一个转移矩阵学习器(Transition Matrix Learner)，通过挖掘城市路网的结构和属性知识，学习出一系列适应城市交通预测任务的转移矩阵。ITGCN中包含一个图卷积神经网络(Graph Convolution Network，简称GCN)和一个线性网络，图卷积网络使用转移矩阵学习器学习到的转移矩阵进行运算，对输入数据中的空间相关性建模。

从数据流动的角度看，每个ST Block有两个输出，分别是位于Gated TCN与ITGCN之间的跳跃连接(Skip Connection)以及位于ITGCN之后的直接输出(Direct Output)。

另外，ST Block在Gated TCN之前和ITGCN之后引入快捷连接(ShortcutConnection)，提升系统的训练性能。为了提升系统对城市交通数据中高阶非线性的时空相关性的建模能力，IT-TrafficNet将多个ST Block堆叠起来，Block的输入来自线性层的输出，第i个ST Block的输入来自第i-1个ST Block的直接输出，其中i>1，第一个ST Block的输入来自线性层的输出。

所有ST Block的跳跃连接被收集到一个全连接网络。经过数据合并、映射最终输出未来N_out个时间片的城市交通预测数据

经验证，ST Block的堆叠数量为9时较好，可以兼顾训练的效果和训练时间。

IT-TrafficNet的输入数据首先经过线性层的编码，然后输出至ST Block中。线性层的计算公式为：

其中

是城市交通数据，

是编码后的隐状态张量，W_l和b_l是线性层的参数。

在城市中，一条路段当前时刻的交通状态受到该路段之前一段时间交通状态的影响。因此，有效建模城市交通的时间相关性非常重要。我们引入门控时序卷积网络(GatedTCN)作为ST Block中的时间相关性建模模块。Gated TCN中使用一维卷积神经网络(1DCNN)实现对输入数据的时间相关性建模。在IT-TrafficNet中，每个ST Block的输入数据在时间维度上有所差别，一般的，设时序卷积层的输入为隐状态张量

时序卷积层的输出为隐状态张量

我们引入门控机制在时序卷积网络中控制层间信息流。如图2所示，每个Gated TCN中包含两个时序卷积神经网络，Gated TCN的计算公式可表示如下：

其中，Θ₁，b_t1和Θ₂，b_t2分别是Gated TCN中两个时序卷积网络的可训练参数，⊙是元素间乘法。σ函数即sigmoid函数，其公式如下：

σ函数将卷积神经网络输出张量中的元素映射到(0,1)之间，tanh函数的公式如下：

tanh函数将卷积神经网络输出张量中的元素映射到(-1,1)之间。Gated TCN中的两个时序卷积网络分别连接σ函数与tanh函数，σ函数的输出在(0,1)之间，与tanh函数的输出元素间相乘，控制tanh函数的输出元素的保留程度(1为全部保留，0为全部舍弃)，这就是门控的含义。数据经过门控时序卷积网络的编码，学习到复杂的时间相关性依赖，之后，门控时序卷积网络输出的隐状态分为两个流向，一个流向跳跃连接，另一个流向路口转移图卷积网络。

在城市中，一条路段上的交通状态受到周围路段交通状态的影响。因此，有效地建模城市交通的空间相关性同样是必不可少的。路口转移图卷积网络是ST Block中的空间相关性建模模块。

图卷积神经网络具有对非网格化数据建模的能力，适合应对城市路网的不规则结构。图卷积神经网络有许多种变体，主要分为基于空间的图卷积网络(spatial based GCN)和基于谱的图卷积网络(spectrum based GCN)，不同种类的图卷积网络各有特点，分别适用于不同的场景，我们采用幂级数形式的转移矩阵代替被广泛使用的单一转移矩阵。

如图2所示，ITGCN的输入数据来自同一ST Block中Gated TCN的输出。在ITGCN计算之前，转移矩阵学习器通过挖掘城市路网的结构和属性知识，生成一系列适应城市交通预测任务的转移矩阵。这一系列转移矩阵可以表示为一个三维张量

其中，

代表其中第i个转移矩阵，D_A代表转移矩阵的个数。转移矩阵学习器的实现细节将在下一小节介绍，总之，转移矩阵学习器将学习到的一系列的转移矩阵传递到ITGCN中，供图卷积神经网络使用，具体的，设GCN的输入为隐状态张量

输出为隐状态张量

GCN的计算公式可表示如下：

其中，K>0是扩散步数，W_nk是可学习参数。GCN计算建立起了城市路网中一个路段的隐状态与其周围路段隐状态之间的关系。

如图3-2所示，IT-TrafficNet由若干个ST Block堆叠组成，ITGCN是ST Block中的一个模块，负责建模城市交通数据的空间相关性。为了避免系统过于复杂而导致的过拟合问题，我们在ITGCN中采用Dropout操作，位于GCN操作之后。

ITGCN是ST Block中的空间建模模块，与时间建模模块Gated TCN共同完成对城市交通数据中时空相关性的挖掘，除了最后一个ST Block之外，ITGCN的输出将作为之后一个ST Block的输入。

路口转移图卷积网络用到的一系列转移矩阵是由转移矩阵学习器(TransitionMatrix Learner)通过挖掘城市路网的结构和属性知识从而生成的，这里我们详细介绍转移矩阵学习器。

转移矩阵的学习流程包括4个步骤：生成边嵌入、生成节点嵌入、更新边嵌入和计算转移矩阵。4个步骤的细节如下：

如图3所示，生成边嵌入。在城市路网中，路段的特征属性(如长度，位置等)会影响路段上的交通状态。生成边嵌入，是转移矩阵学习流程的第一步，目的是提取路段的特征属性中的知识，学习到有语义的嵌入。对任意两个相邻节点n_i和n_j，将它们之间的连边记为e_ij，设边e_ij的属性特征表示为一个向量x_ij。边嵌入由以下公式计算：

Emb(e_ij)＝ReLU(x_ijW_E+b_E)

其中，Emb(e_ij)是学习到的边嵌入,W_E和b_E是全连接层的参数，ReLU是激活函数，可表示如下：

ReLU(x)＝max(0,x)

边嵌入由边特征通过全连接层编码得到，对于所有的边，共用同一套参数。

如图4所示，生成节点嵌入。以往的城市交通预测系统忽略了城市路网中交叉路口的存在与影响，事实上，交叉路口对城市交通的影响是不可忽视的，因此，第二步学习节点嵌入。交叉路口的属性和与之相连的路段的属性有关，因此，首先收集每个节点相邻边的嵌入。对于任意一个节点n_i，将与之相连的边的嵌入传递到该节点的邮箱中：

其中，MB(n_i)是节点n_i的邮箱，邮箱是一个抽象的数据结构，MB(n_i)作用是保存所有连接在节点n_i的边的嵌入。Neibor(n_i)代表所有与节点n_i之间存在连边的节点的集合。城市中有不同种类的交叉路口，如直行路口，丁字路口，十字路口等，它们的区别在于连接路段数量的不同。与之对应，节点相连的边的数量各有不同，节点的邮箱中的边嵌入数量也不同。为了处理不同数量的边嵌入，同时保证每个节点学习到的嵌入提取到了与之相连的所有边的知识，我们引入平均池化操作，对任意节点n_i，平均池化操作由以下公式表示：

其中，MP(n_i)是节点邮箱MB(n_i)平均池化后的结果，x是MB(n_i)中的嵌入向量。所有的节点邮箱经过平均池化后成为了维度相同的向量，为了保留交叉路口的连接路段数量信息，将节点的连边数量拼接到平均池化后的向量上：

CAT(n_i)＝MP(n_i)|DG(n_i)

其中，CAT(n_i)代表节点n_i拼接操作之后得到的向量，DG(n_i)代表节点n_i的连边数量，|代表向量拼接操作。最后，通过一个全连接层得到节点嵌入：

Emb(n_i)＝ReLU(CAT(n_i)W_N+b_N)

其中，Emb(n_i)是节点n_i的嵌入，W_N和b_N是该全连接层的参数。

如图5所示，更新边嵌入。在第一步，学习到了一套边嵌入，这一套边嵌入仅包含了边的属性知识。为了得到更高阶、包含更丰富语义的边嵌入，我们在这一步对边嵌入进行更新。在第二步学习到的节点嵌入包含了与之相邻节点的信息。首先，对任意两个相邻的节点n_i和n_j，将两个节点的嵌入传播到节点之间的连边e_ij的邮箱中：

MB(e_ij)＝{Emb(n_i)，Emb(n_j)}

经过传递操作，每条边的邮箱中都有两个相邻节点的嵌入，接下来，再次引入平均池化操作，对任意一条边e_ij，平均池化操作由以下公式表示：

接下来，再次用一个全连接层得到最终的边嵌入：

Emb(e_ij)＝ReLU(MP(e_ij)W_U+b_U)

其中，Emb(e_ij)是更新后的边嵌入，W_U和b_U是该全连接层的参数。经过边嵌入更新后，每条边的嵌入不仅包含自身的属性信息，而且包含了相邻节点和边的信息，具有更丰富的知识。目前为止，我们得到了节点嵌入和边嵌入，接下来，利用这些嵌入计算一系列转移矩阵。

计算转移矩阵。首先，建立路段到序号的索引，边e_ij表示节点n_i到节点n_j的连边，方向由n_i指向n_j。规定Id(e_ij)代表边e_ij的序号。设e_ij和e_jk为任意两条相连的路段，路段e_ij是路段e_jk的上游，路段e_jk是路段e_ij的下游，车辆由路段e_ij驶向路段e_jk。在城市交通中，上游路段对下游路段的影响与下游路段到上游路段的影响不同，例如，一条路段的拥堵状况往往会传递到上游路段而不是下游路段。因此，对上游和下游路段的影响分开建模。假设我们共学习D_A个转移矩阵，则上游路段对下游路段的影响由如下公式计算：

其中，A_m代表第m个转移矩阵。在计算上游路段对下游路段的影响时，将两个路段的嵌入及两个路段之间的交叉路口的嵌入拼接起来，通过线性层映射到一个数值。这样设计的目的是在计算路段之间的影响时，同时挖掘路段的信息以及路段之间交叉路口的信息。类似的，下游路段对上游路段的影响由以下公式计算：

对所有连接的路段对皆做如上操作，转移矩阵中其他的元素由0填充。最后，用softmax函数规范化转移矩阵中所有元素的数值：

经过以上四个步骤，转移矩阵学习器生成了D_A个转移矩阵，将其传递到ITGCN中，供图卷积网络计算使用。

如图2所示，在每个ST Block中，Gated TCN的输出通过跳跃连接汇集，最终输入到全连接网络。汇集后的矩阵中包含了各个阶段的高阶数据信息。汇集后的矩阵H_C通过全连接网络，最终得到城市交通预测值：

其中，W_FC1、b_FC1、W_FC2、b_FC2是最终的全连接层的参数。

本系统在某市实际路网车速数据中进行了验证。

如图6所示，为一个路口的示意图，这里展示了一个节点(交叉路口)和3条边(路段)。

作为示例，我们输入过去10个时间片的车速数据(每个时间片间隔4分钟)，预测未来10个时间片的车速，车速单位是(km/h)。历史数据如下：

系统预测结果如下：

经与该路段实际交通数据对比：

可见，本发明基于交叉路口转移计算的交通预测方法，对路网交叉路口建模，通过转移矩阵计算，有效地将城市交通预测和图卷积网络结合起来，取得了良好的技术效果。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于交叉路口转移计算的交通预测方法，其特征在于，包括以下步骤：

步骤1：将多个时空特征挖掘模块堆叠；所述时空特征挖掘模块的直接输出连接到后一个所述时空特征挖掘模块；所述时空特征挖掘模块还包括跳跃连接；全部所述时空特征挖掘模块的所述跳跃连接收集到一个全连接网络；

步骤2：将路网属性图，以及过去N_in个时间片的交通历史数据输入到第一个所述时空特征挖掘模块；所述路网属性图为

其中，边集合

代表路网中所有路段，点集合

代表路网中所有的交叉路口；所述交通历史数据为一个张量

其中N_t是交通数据的时间片总数，N_r是路网中路段的总数，D是数据的维度；

步骤3：所述全连接网络输出未来N_out个时间片的交通预测结果

2.如权利要求1所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述时空特征挖掘模块包括级联的门控时序卷积网络和交叉路口转移图卷积网络，所述时空特征挖掘模块的输入连接至所述门控时序卷积网络，所述门控时序卷积网络的输出连接至所述交叉路口转移图卷积网络和所述跳跃连接，所述交叉路口转移图卷积网络的输出连接至所述时空特征挖掘模块的输出。

3.如权利要求2所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交通历史数据先经过线性层的编码，然后输出至所述时空特征挖掘模块，所述线性层的计算公式为：

其中

是编码后的隐状态张量，W_l和b_l是线性层的参数。

4.如权利要求3所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述门控时序卷积网络包括两个时序卷积网络，所述门控时序卷积网络的计算公式为：

其中，Θ₁，b_t1和Θ₂，b_t2分别是所述两个时序卷积网络的可训练参数，⊙是元素间乘法，σ函数将卷积神经网络输出张量中的元素映射到(0，1)之间，tanh函数将卷积神经网络输出张量中的元素映射到(-1，1)之间。

5.如权利要求4所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交叉路口转移图卷积网络采用幂级数形式的转移矩阵。

6.如权利要求5所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交叉路口转移图卷积网络在计算之前，转移矩阵学习器生成D_A个转移矩阵

传递到所述交叉路口转移图卷积网络中，其中，

代表其中第i个转移矩阵，D_A代表转移矩阵的个数。

7.如权利要求6所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述交叉路口转移图卷积网络的计算公式为：

其中，K＞0是扩散步数，W_nk是可学习参数，隐状态张量

为所述门控时序卷积网络的输出。

8.如权利要求7所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述转移矩阵学习器的学习流程包括生成边嵌入、生成节点嵌入、更新边嵌入、计算转移矩阵。

9.如权利要求8所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述全连接网络的计算公式为：

其中，W_FC1、b_FC1、W_FC2、b_FC2是最终的全连接网络的参数。

10.如权利要求9所述的基于交叉路口转移计算的交通预测方法，其特征在于，所述多个时空特征挖掘模块堆叠的个数为9。

Images