CN113053115A - 一种基于多尺度图卷积网络模型的交通预测方法 - Google Patents

Abstract

本发明公布了一种基于多尺度图卷积网络模型的交通预测方法，采用多尺度图卷积网络和门控循环单元GRU，通过同时捕获交通路网的时间依赖性即交通流的局部时间变化趋势和空间依赖性即拓扑空间结构，通过历史时间步的交通流量预测未来时间步的各个路段的交通流量，由此准确预测道路网络的交通流。本发明方法能够有效预测交通流的时空变化特征和规律，预测精度高，提升了交通流预测效果。

Description

一种基于多尺度图卷积网络模型的交通预测方法

技术领域

本发明属于智能交通技术领域，涉及交通预测技术，具体涉及一种基于多尺度图卷积网络模型的交通预测方法。

背景技术

随着智能交通系统的迅速发展，交通预测越来越受到人们的关注，它是交通管理系统的重要组成部分，是实现交通规划、交通管理和交通控制的重要组成部分。交通预测不仅可以为交通管理者提前感知交通拥堵、限制车辆提供科学依据，还可以帮助出行者选择合适的出行路线，从而提高出行效率。然而道路网络中复杂的时空依赖性使交通预测变得复杂。空间依赖性指交通流的变化受限于城市道路网络的拓扑结构，主要体现在上游路段的交通状态对下游路段的传递作用，以及下游路段的交通状态对上游路段的回溯影响。时间依赖性指交通流是随时间动态变化的，主要体现在周期性和趋势性上。如何同时学习路网的空间拓扑特征和复杂的时间特征，是实现准确交通预测的关键。

目前已有很多交通预测模型，比如时间序列模型、线性回归模型、支持向量机回归模型和神经网络模型。其中，神经网络模型，尤其是循环神经网络(RNN)及其变体长短期记忆模型(LSTM)和门控循环单元(GRU)由于能够利用自循环机制，学习时间依赖性，取得了较好的预测效果。但是，现有采用以上这些模型进行交通预测的方法仅考虑交通流的时间依赖性，却忽略了其空间依赖性，导致预测结果无法体现交通数据变化受城市道路网络的实际约束情况，因此，现有模型方法难以准确预测路网的交通状态，预测效果不佳。

发明内容

为克服上述现有技术的不足，本发明提出一种基于多尺度图卷积网络模型的交通预测方法。该方法可以通过同时捕获城市交通路网的时间依赖性和空间依赖性以提高交通预测精度。

本发明采用多尺度图卷积网络和门控循环单元(GRU)，提出一种基于多尺度图卷积网络模型的交通预测方法，通过捕捉城市道路网络的拓扑空间结构和交通流的局部时间变化趋势，准确预测城市道路网络的交通流。

本发明提供一种基于多尺度图卷积网络模型的交通预测方法，包括如下步骤：

1)构建城市路网的拓扑结构，并将各个路段的交通流量描述为交通网络结构图中的节点属性特征；

针对城市交通网络的连接属性构建一个交通网络结构图G，G＝(V,E,A)，将每条路段看作图中的一个节点，V＝{v₁,v₂,...,v_n}表示路段节点的集合，n表示路段节点个数，E表示边的集合，路段之间的连接情况由邻接矩阵A表示，为n行n列的二维矩阵，A∈R^n×n，邻接矩阵A由0和1组成，0表示两条路段之间不相连，1表示两条路段之间相连。比如，A_ij＝1表示路段v_i和v_j是相连的，A_ij＝0，则表示路段v_i和v_j不相连。将城市路网的交通流量看作是路段节点的属性特征，在时间步t处的交通状况由X_t∈R^n×c，其中c表示特征维数，输入的特征矩阵由X∈R^p×n×c表示，X＝{X₁,X₂,...X_p}表示给定的p个历史时间步的交通流量，本发明提供一种基于多尺度图卷积网络的交通预测方法，旨在通过给定的p个历史时间步的交通流量来预测未来q个时间步的各个路段的交通流量。

2)构建多尺度图卷积网络模型，捕获路段之间的空间依赖关系，得到带有空间依赖性的特征矩阵

将步骤1)得到的邻接矩阵A和特征矩阵X输入给多尺度图卷积网络模型，通过多尺度图卷积网络模型来捕获各个路段之间的空间依赖性(即空间相关性)。该多尺度图卷积网络可以通过学习邻接矩阵的1次到K次幂，为每个路段节点获取来自多阶邻域路段的特征信息，即通过聚合多阶邻域路段的特征信息，为每个路段生成节点，生成节点嵌入到相应路段中；具体表示为：

公式(1)中，

为空间依赖性特征矩阵；

表示标准化的邻接矩阵，

并且

I是一个单位矩阵，

表示给路网中每个路段节点添加一个自环，可以在更新路段节点特征时保留一部分路段节点本身的特征信息。

是一个对角度矩阵，除对角线上的元素外，其他元素都为0。

中每一行对角线上的元素等于

中对应行的元素和。θ表示可训练的权重矩阵，用于学习路段节点的特征信息，σ表示Relu非线性激活函数。式(1)中，

能够为每个中心路段获取多尺度邻域特征，其中，

能为每个路段节点获取来自1阶邻域的特征信息，

能为每个路段节点获取来自K阶邻域的特征信息。

可以为每个路段节点保留更多自身的特征信息。相比先前的图卷积模型，这种多尺度图卷积模型能够为每个路段节点获取更多的邻域信息。

3)获取交通流序列数据的时间依赖性(即时间相关性)：

将步骤2)中得到的带有空间依赖性的特征矩阵

输入给门控循环单元，通过门控循环单元之间的传递，获取交通流的时间依赖关系，以及相应的包含交通流时空特征的输出状态H，具体计算过程如下所示：

公式(2)中，H_t-1为t-1时刻的输出状态；

为当前时刻的交通流量；r_t为重置门，控制前一时刻有多少信息被写入到当前状态，重置门越小，前一时刻的信息被写入的越少；z_t为更新门，用于控制前一时刻的状态信息被带入当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越多；c_t是记忆单元，表示当前时刻存储的记忆内容；H_t为当前时刻的输出状态，σ表示sigmoid激活函数，W_z、W_r、W_c和b_z、b_r、b_c分别表示更新门、重置门和记忆单元在训练过程中的权重和偏置。H是各个时刻输出状态组成特征矩阵，H＝{H₁,...,H_t,...}即输出状态。

4)进行线性转化生成交通流量预测值：对步骤3)中得到的带有时空依赖性的输出状态H进行线性转化，得到各个路段的交通流量预测结果

表示为：

公式(3)中，

为最终生成的交通流量预测值；Θ₁和Θ₂分别表示第一个线性转化层和第二个线性转化层的权重矩阵，Relu表示非线性激活函数，Relu(x)＝max{0,x}，Relu激活的作用就是增加了神经网络各层之间的非线性关系，减少参数的相互依存关系，缓解过拟合问题的发生，以提高模型的泛化能力。

本发明与现有技术相比的有益技术效果：

本发明提出了一种新的多尺度图卷积网络模型，为每个路段节点获取足够的空间依赖关系，然后通过门控神经网络获取交通流的时间依赖关系，为各个路段生成具有时空相关性的交通流预测结果。与现有技术相比，本发明方法充分考虑了交通流的时空特征，不仅能够获取交通流的时间依赖关系，还能获取中心路段与多阶邻域路段的空间依赖关系，因此，本发明方法能够有效预测交通流的时空变化特征和规律，预测精度高，提升了交通流预测效果。

附图说明

图1是本发明方法的流程框图。

图2是多尺度图卷积网络模型的结构框图。

图3是本发明提供的基于多尺度图卷积网络交通预测模型的结构框图。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

如附图1所示，本发明提供的基于多尺度图卷积网络模型的交通预测方法的流程包括：

1)对采集到的原始交通数据进行预处理；

2)针对城市交通网络的连接属性构建一个交通网络拓扑结构图；

3)对邻接矩阵进行标准化处理；

4)通过多尺度图卷积网络获取路网的空间依赖性；

5)通过门控循环单元获取路网的时间依赖性；

6)通过线性转化层生成交通流量预测；

7)计算实际交通流量与预测值的损失；

8)进行模型评估；

本发明具体实施采用某城区高速公路上七天时间段的交通流量数据，采用基于多尺度图卷积网络模型的交通预测方法进行交通流预测，具体实施步骤如下：

1)对采集到的原始交通数据进行预处理，将预处理后的数据集中的交通信息作为节点的属性特征，用X表示交通网络的特征矩阵。

2)针对城市交通网络的连接属性构建一个交通网络拓扑结构图G，G＝(V,E,A)，将每条路段看作图中的一个节点，V表示路段节点的集合，E表示边的集合，路段之间的连通情况由邻接矩阵

表示，邻接矩阵A由0和1组成，0表示两条路段之间不相连，1表示两条路段之间相连，A_ij＝1表示路段v_i和v_j是相连的，A_ij＝0，则表示路段v_i和v_j不相连。具体表示为：

3)对邻接矩阵A进行标准化处理，具体计算如下：

其中，I是单位矩阵，

是对角度矩阵,除对角线上的元素外，其他元素均为0,n表示路段节点的个数。对邻接矩阵进行标准化可以提升预测精度以及模型的收敛速度。

4)通过多尺度图卷积网络获取路网的空间依赖性，提取路网的空间相关性特征，具体计算如下：

其中，

是步骤3中标准化的邻接矩阵，X是交通网络的特征矩阵，由各个路段的交通流特征组成，θ表示可训练的参数矩阵，σ表示Relu非线性激活函数。

I是单位矩阵，

表示邻接矩阵

的1次到K次幂，

表示在路网拓扑结构图中的不同比例的特征传播，能够为每个路段获取来自多阶邻域路段的特征信息，即获取每个路段与其多阶邻域路段的空间依赖性。

是对不同比例特征传播的输出进行均值运算，使用均值运算聚合不同比例特征传播的输出得到具有多尺度空间相关性的特征矩阵

先前的图卷积模型是浅层的单尺度聚合模型，只能为每个图节点获取来自一阶和二阶邻域的特征信息，因此，无法为每个图节点获取足够的邻域信息。本发明提出的多尺度图卷积网络能够为每个图节点获取来自多阶邻域的特征信息，并且特征传播中不要求额外的参数参与训练，仅需较少的训练参数便可以获取到足够的邻域信息。多尺度图卷积网络的结构如图2所示，首先使用可训练的参数矩阵θ对表示各个路段交通流量的特征矩阵X进行特征学习和非线性激活得到隐藏特征X_h，再对隐藏特征X_h进行多尺度特征传播，为每个路段节点获取来自多阶邻域路段的特征信息，最后使用均值运算(mean)聚合多尺度特征传播的输出，得到具有多尺度空间依赖性的特征矩阵

5)通过门控循环单元(GRU)获取交通流的时间依赖性：

GRU是在LSTM模型的基础上进行更改的，LSTM主要是通过设置若干门控单元来控制依赖传递信息的长短。而其中GRU则是通过设置了两个门：重置门和更新门来对传递的信息进行控制。由于LSTM结构复杂，训练时间较长，而GRU模型结构相对简单，参数较少，训练能力较快。因此，本发明选择了利用GRU模型从交通数据中获取时间相关性，具体计算过程如下：

H_t＝(1-z_t)*c_t+z_t*H_t-1

其中，H_t-1为t-1时刻的输出状态，

为当前时刻具有空间相关性的交通流量，由步骤4计算得到，r_t为重置门，控制前一时刻有多少信息被写入到当前状态，重置门越小，前一时刻的信息被写入的越少，z_t为更新门，用于控制前一时刻的状态信息被带入当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越多，c_t是记忆单元，表示当前时刻存储的记忆内容，H_t为当前时刻的输出状态，σ表示sigmoid激活函数，W_z、W_r、W_c和b_z、b_r、b_c分别表示更新门、重置门和记忆单元在训练过程中的权重和偏置。

6)进行线性转化生成交通流量预测：

对步骤5中得到的带有时空依赖性的各个时刻的输出状态H进行线性转化得到各个路段的预测结果：

其中，Θ₁和Θ₂分别表示第一个线性层和第二个线性层的权重矩阵，Relu表示非线性激活函数，Relu(x)＝max{0,x}，Relu激活的作用就是增加了神经网络各层之间的非线性关系，Relu函数会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生，可以提高模型的泛化能力。

7)计算实际交通流量与预测值的损失：

在训练过程中，目标是使路段上实际交通流量与预测值之间的误差最小。分别使用Y和

表示实际交通流量和预测流量，模型的损失函数具体计算如下：

其中，第一个项

用于最小化实际交通流量与预测值之间的误差。第二项L_reg是有助于避免过度拟合问题的L2正则化，

λ是正则化系数。通过对损失函数进行反向传播和梯度下降来更新模型中的权重(参数)矩阵。

8)进行模型评估：

为了进一步验证本发明方法的可行性和有效性，进行实验。使用基于python的深度学习库tensorflow1.2搭建交通预测模型。

本发明使用某城区高速公路上七天的交通流量作为实验数据，该数据集是通过环形探测器在城区高速公路上实时采集的，实验选取207条主要路段作为研究对象，每隔5分钟计算一次交通流量，一共采集了2016个时间点的交通流量。实验数据主要分为两个部分：一是描述城市路网拓扑结构的邻接矩阵，矩阵中的数值表示路段之间的连接关系；二是描述路段上交通流量的特征矩阵。在具体实验中，训练集占总数据的80％，测试集占总数据的20％。

将数据输入到图3所示的交通预测模型中，得到各个路段的预测结果，然后将预测结果与传统方法进行对比。使用平均绝对误差(MAE)，均方根误差(RMSE)，R2决定系数对预测结果进行评估，验证预测精度，具体计算如下：

(1)平均绝对误差(MAE):

(2)均方根误差(RMSE):

(3)R2决定系数:

其中，Y和

分别表示实际交通流量和预测流量，R2的值越大模型预测效果越好，平均绝对误差(MAE)和均方根误差(RMSE)的值越小模型预测效果越好。

实验结果如表1所示，符号↓表示该指标越小性能越好，↑表示该指标越大性能越好，加粗表示在同一行中对应参数下性能最好的算法。

表1本发明方法与传统方法的预测结果对比

从表1中可以看出，本发明提出的基于多尺度图卷积网络的交通预测模型在与历史平均模型(HA)、时间序列模型(ARIMA)、支持向量机回归模型(SVR)以及门控循环单元(GRU)的比较中，评价指标MAE，RMSE和R2都取得了明显的优势，取得了一个比较满意的预测结果。实验对比综合说明本发明提出的基于多尺度图卷积网络交通预测方法的科学性和精确性。

本发明基于多尺度图卷积网络的交通预测模型，它能够对道路网络的空间相关性和时间相关性进行建模，根据道路网络的连接关系将整个路网构建成一个拓扑结构图，通过多尺度图卷积网络来捕获路网的空间依赖性，提取路网的空间相关特征，再将带有空间相关特征的时间序列输入到门控循环单元中捕获路网的时间相关性。最后，通过线性转化生成各个路段的交通预测结果。在具体实施中，将所提模型与历史平均模型(HA)、时间序列模型(ARIMA)、支持向量机回归模型(SVR)以及门控循环单元(GRU)进行了实验对比，实验结果表明本发明所提出的基于多尺度图卷积网络的交通预测方法在交通流的预测中取得了明显的优势。

最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (10)

1.一种基于多尺度图卷积网络模型的交通预测方法，采用多尺度图卷积网络和门控循环单元GRU，通过同时捕获交通路网的时间依赖性即交通流的局部时间变化趋势和空间依赖性即拓扑空间结构，通过历史时间步的交通流量预测未来时间步的各个路段的交通流量，由此准确预测道路网络的交通流；包括如下步骤：

1)构建路网的拓扑结构，生成交通网络结构图；将各个路段的交通流量描述为交通网络结构图中的节点属性特征；

对交通道路网络构建得到交通网络结构图G，G＝(V,E,A)，将每条路段表示为图G中的一个节点；V＝{v₁,v₂,…,v_n}表示路段节点的集合，n表示路段节点个数；E表示边的集合，路段之间的连接由邻接矩阵A表示，A∈R^n×n，邻接矩阵A由0和1组成，0表示两条路段之间不相连，1表示两条路段之间相连；将路网的交通流量表示为是路段节点的属性特征，在时间步t处的交通状况由X_t∈R^n×c，其中c表示特征维数，输入的特征矩阵由X∈R^p×n×c表示，X＝{X₁,X₂,…X_p}表示给定的p个历史时间步的交通流量；

2)构建多尺度图卷积网络模型，捕获路段之间的空间依赖关系即空间相关性，得到空间依赖性特征矩阵

将步骤1)得到的邻接矩阵A和特征矩阵X输入多尺度图卷积网络模型，通过多尺度图卷积网络模型捕获各个路段之间的空间依赖性，为每个路段节点获取来自多阶邻域路段的特征信息，即通过聚合多阶邻域路段的特征信息，为每个路段生成节点，生成节点可嵌入到相应路段中；

3)获取交通流序列数据的时间依赖性即时间相关性：

将步骤2)中得到的空间依赖性特征矩阵

输入门控循环单元，通过门控循环单元之间的传递，获取交通流的时间依赖关系以及相应的包含交通流时空特征的输出状态H；

4)进行线性转化生成交通流量预测值：

对步骤3)中得到的输出状态H进行线性转化，得到各个路段的交通流量预测结果

表示为：

式(3)中，

为最终生成的交通流量预测值；Θ₁和Θ₂分别表示第一个线性转化层和第二个线性转化层的权重矩阵，Relu表示非线性激活函数；

通过上述步骤，即实现基于多尺度图卷积网络模型的交通预测。

2.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，步骤2)中，构建的多尺度图卷积网络模型通过学习邻接矩阵的1次到K次幂，得到空间依赖性特征矩阵

具体表示为式(1)：

式(1)中，

为空间依赖性特征矩阵；

表示标准化的邻接矩阵，

并且

I是一个单位矩阵，

表示给路网中每个路段节点添加一个自环，在更新路段节点特征时保留一部分路段节点本身的特征信息；

是一个对角度矩阵，除对角线上的元素外，其他元素都为0；

中每一行对角线上的元素等于

中对应行的元素和；θ表示可训练的权重矩阵，用于学习路段节点的特征信息，σ表示Relu非线性激活函数；

为每个中心路段获取多尺度邻域特征，其中，

为每个路段节点获取来自1阶邻域的特征信息，

为每个路段节点获取来自K阶邻域的特征信息；

为每个路段节点保留更多自身的特征信息，由此为每个路段节点获取更多的邻域信息。

3.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，步骤3)中，门控循环单元GRU通过设置重置门和更新门对传递的信息进行控制；具体计算过程表示为式(2)：

其中，H_t-1为t-1时刻的输出状态；

为当前时刻的交通流量；r_t为重置门，控制前一时刻有多少信息被写入到当前状态，重置门越小，前一时刻的信息被写入的越少；z_t为更新门，用于控制前一时刻的状态信息被带入当前状态的程度，更新门的值越大说明前一时刻的状态信息带入越多；c_t是记忆单元，表示当前时刻存储的记忆内容；H_t为当前时刻的输出状态，σ表示sigmoid激活函数，W_z、W_r、W_c和b_z、b_r、b_c分别表示更新门、重置门和记忆单元在训练过程中的权重和偏置；各个时刻输出状态组成特征矩阵即输出状态H，H＝{H₁,...,H_t,...}。

4.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，步骤4)中，非线性激活函数Relu具体为：Relu(x)＝max{0,x}，Relu激活用于增加神经网络各层之间的非线性关系，减少参数的相互依存关系，缓解过拟合问题的发生，提高模型的泛化能力。

5.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，步骤2)构建交通网络拓扑结构图G，邻接矩阵A具体由0和1组成，0表示两条路段之间不相连，1表示两条路段之间相连，A_ij＝1表示路段v_i和v_j是相连的，A_ij＝0则表示路段v_i和v_j不相连；具体表示为：

6.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，步骤2)还对邻接矩阵A进行标准化处理，具体表示为：

其中，I是单位矩阵，

是对角度矩阵，除对角线上的元素外的元素均为0；n表示路段节点的个数。

7.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，在模型训练过程中，分别使用Y和

表示实际交通流量和预测流量，模型的损失函数具体计算如下：

其中，第一个项

用于最小化实际交通流量与预测值之间的误差；第二项L_reg是L2正则化，用于避免过度拟合，

λ是正则化系数；通过对损失函数进行反向传播和梯度下降来更新模型中的权重参数矩阵。

8.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，具体使用基于python的深度学习库tensorflow1.2构建交通预测模型，并进一步进行模型评估。

9.如权利要求1所述基于多尺度图卷积网络模型的交通预测方法，其特征是，具体使用平均绝对误差MAE、均方根误差RMSE、R2决定系数对预测结果进行评估，验证预测精度。

10.如权利要求9所述基于多尺度图卷积网络模型的交通预测方法，其特征是，具体计算如下：

平均绝对误差(MAE):

均方根误差(RMSE):

R2决定系数:

其中，Y和

分别表示实际交通流量和预测流量，R2的值越大模型预测效果越好，平均绝对误差MAE和均方根误差RMSE的值越小，模型预测效果越好。

Images