CN113129585A - 基于重构交通网络的图聚合机制的道路交通流预测方法 - Google Patents

基于重构交通网络的图聚合机制的道路交通流预测方法 Download PDF

Info

Publication number
CN113129585A
CN113129585A CN202110242725.1A CN202110242725A CN113129585A CN 113129585 A CN113129585 A CN 113129585A CN 202110242725 A CN202110242725 A CN 202110242725A CN 113129585 A CN113129585 A CN 113129585A
Authority
CN
China
Prior art keywords
node
nodes
neighborhood
traffic flow
road
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
CN202110242725.1A
Other languages
English (en)
Other versions
CN113129585B (zh
Inventor
徐东伟
周磊
魏臣臣
戴宏伟
林臻谦
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110242725.1A priority Critical patent/CN113129585B/zh
Publication of CN113129585A publication Critical patent/CN113129585A/zh
Application granted granted Critical
Publication of CN113129585B publication Critical patent/CN113129585B/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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

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

Abstract

一种基于重构交通网络的图聚合机制的道路交通流预测方法，包括以下步骤：(1)针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；(2)获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。本发明提升了模型实现长期流量预测的稳定性和准确性，实现了短时和长时的交通流量预测。

Description

基于重构交通网络的图聚合机制的道路交通流预测方法
技术领域
本发明涉及一种基于重构路网的图聚合机制的交通流预测方法，本发明属于智能交通预测领域。
背景技术
随着科技的进步和人民生活水平的提高，城市中车辆的数目不断提高，然而大多数城市中的道路条件的改变难以满足目前日渐饱和的车辆状况。交通拥堵问题是目前的首要问题，不仅大大降低了工作效率也降低了人民的生活质量。有效的交通流量预测方法可以使得管理者更加合理地分配城市道路资源，有效缓解交通拥堵问题，因此及时有效的交通流量预测方法对城市交通至关重要。
目前较为流行的交通流量预测方法主要包括：支持向量机(SVM)，卷积神经网络(CNN)，长短期记忆神经网络(LSTM)以及最近邻节点算法(KNN)等。由于这些方法难以充分挖掘城市道路交通网络中的时空依赖性，在处理高维数据时往往难以充分拟合数据，因此预测精度往往不够高。然而交通流量具有传递性，上游道路的交通状况会影响下游道路的交通状况。在道路交通网络中存在一些没有直接邻接关系的道路，会对中心节点的交通状况产生影响。
发明内容
为了克服已有技术的不足,本发明提供了一种基于重构路网的图聚合机制的交通流量预测方法。该方法(ReGA-LSTM)将车道作为节点。首先根据车道的相关系数降序排序，并根据交通邻接矩阵获得中心节点的高阶邻域节点集合，从而获得重构的道路邻接矩阵；将原始特征矩阵与重构的道路交通邻接矩阵输入图聚合器GraphSAGE聚合邻域节点的空间特征；最后将聚合到的空间特征输入LSTM实现道路交通流量的预测。ReGA-LSTM的结构图如图1所示。本发明将城市道路邻接关系以更加紧密的相关性重新构建，并通过GraphSAGE聚合空间特征，增强了模型学习时空依赖性的能力，在模型的稳定性和预测结果的准确性。
本发明解决其技术问题所采用的技术方案是：
一种基于重构交通网络的图聚合机制的道路交通流预测方法，包括以下步骤：
(1)重构道路网络：针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；
(2)基于ReGA-LSTM实现交通流量预测：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。
进一步，所述步骤(1)的过程如下：
1.1：针对各节点的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性；
将原始道路交通网络定义为
Figure BDA0002962849050000021
Figure BDA0002962849050000022
是由节点集合
Figure BDA0002962849050000023
与边集合
Figure BDA0002962849050000024
构成的有向图，
Figure BDA0002962849050000025
其中是路网中道路节点的数量。节点邻接结构由道路邻接矩阵
Figure BDA0002962849050000026
表示；如果路网中i节点和j节点相邻，那么Aij＝1；否则，Aij＝0；根据皮尔逊相关性系数得到原始路网中节点之间的时间相关性：
Figure BDA0002962849050000031
其中，pij表示i节点和j节点的相关性系数，T表示交通流量的采样时段总数，
Figure BDA0002962849050000032
和
Figure BDA0002962849050000033
分别表示i节点和j节点在l时刻的交通流量值，
Figure BDA0002962849050000034
和
Figure BDA0002962849050000035
表示i节点和j节点在采样期间的平均交通流量；
基于道路邻接矩阵A获得有连接关系的节点之间的相关性：
Figure BDA0002962849050000036
其中，
Figure BDA0002962849050000037
表示i节点和j节点之间的相关性系数，若i节点和j节点在原始道路网络的物理拓扑结构中有邻接关系，则
Figure BDA0002962849050000038
若在原始路网中无邻接关系，则
Figure BDA0002962849050000039
1.2：基于各节点有物理拓扑连接关系的邻接节点，按照其时间相关性降序排序和选择，依次获得各节点的有效邻域，基于各车道的有效邻域获得重构的道路交通网络；
将原始路网中与中心节点的有物理拓扑邻接关系的节点称为中心节点的邻接节点，即中心节点的一阶邻域节点，并将每个节点的一阶邻域节点按相关性大小降序排列；中心节点i在原始拓扑结构中的高阶邻域描述如下：
Figure BDA00029628490500000310
表示中心节点i的一阶邻域节点集合，其中，p1为
Figure BDA00029628490500000311
中的节点总数，节点i11的一阶邻域节点集合为
Figure BDA00029628490500000312
节点i12的一阶邻域节点集合为
Figure BDA00029628490500000313
以此类推，节点
Figure BDA00029628490500000314
的一阶邻域节点集合为
Figure BDA00029628490500000315
其中，s1，s2及
Figure BDA00029628490500000316
分别为
Figure BDA00029628490500000317
Figure BDA0002962849050000041
和
Figure BDA0002962849050000042
中的节点数，将
Figure BDA0002962849050000043
的一阶邻域节点集合作为中心节点i的二阶邻域节点集合，即
Figure BDA0002962849050000044
Figure BDA0002962849050000045
为节点i的二阶邻域节点集合，p2为
Figure BDA0002962849050000046
中的节点个数之和，即
Figure BDA0002962849050000047
最终，中心节点i的N阶邻域节点集合
Figure BDA0002962849050000048
其中，
Figure BDA0002962849050000049
分别为中心节点i的(N-1)阶邻域节点，
Figure BDA00029628490500000410
为节点i(N-1)1的邻域节点集合，
Figure BDA00029628490500000411
为节点i(N-1)2的邻域节点集合，
Figure BDA00029628490500000412
为节点
Figure BDA00029628490500000413
的邻域节点集合，p(N-1)为
Figure BDA00029628490500000414
中的节点个数之和，
Figure BDA00029628490500000415
为中心节点i的(N-1)阶邻域节点集合；
将中心节点i的2-N阶邻域合称为中心节点i的高阶领域
Figure BDA00029628490500000416
即
Figure BDA00029628490500000417
中心节点i的重构邻域节点的选取过程：
①设置重构邻域节点数目的阈值为K；
②选取原始拓扑结构中，中心节点i的所有一阶邻域节点，即p1个节点，若p1<K，则转至③选取
Figure BDA00029628490500000418
中的前(K-p1)个邻域节点；否则，将原始拓扑结构中，中心节点i的前K个一阶邻域节点作为中心节点i的重构的邻域节点；
③
Figure BDA00029628490500000419
集合中的每个邻域都至多选取前h个邻域节点，按照
Figure BDA00029628490500000420
至
Figure BDA00029628490500000421
的顺序依次选取前(K-p1)个邻域节点。最终得到中心节点i的K个重构邻域节点集合；
将节点i的重构邻接节点集合记为
Figure BDA00029628490500000422
获得的重构路网记作
Figure BDA00029628490500000423
其中
Figure BDA00029628490500000424
表示重构的邻接关系；
故重构邻域中节点i与节点j的邻接关系表示为：
Figure BDA0002962849050000051
再进一步，所述步骤(2)的过程如下：
2.1：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列；
基于重构的道路网络
Figure BDA0002962849050000052
采用两层均值图聚合器结构，其中Layer0表示交通流量特征的输入层，Layer1为图聚合器的中间隐藏层，Layer2表示最终得到的聚合特征层，均值图聚合器的计算公式如下所示：
Figure BDA0002962849050000053
Figure BDA0002962849050000054
其中，z(z∈[1,Z])是均值聚合器的深度，
Figure BDA0002962849050000055
表示节点i的重构邻域，ik表示重构邻域
Figure BDA0002962849050000056
中的节点，K表示在重构邻域
Figure BDA0002962849050000057
中的节点数目，
Figure BDA0002962849050000058
是输入层的节点
Figure BDA0002962849050000059
的交通流量特征，
Figure BDA00029628490500000510
表示节点i在第(z-1)层的节点聚合特征，
Figure BDA00029628490500000511
表示节点i的重构邻域节点在第z层均值聚合后的表征向量；
首先，在第(z-1)层，每个节点通过获得邻域节点的特征均值，将其邻域节点的信息
Figure BDA00029628490500000512
聚合为邻域表征向量
Figure BDA00029628490500000513
然后将节点i在第(z-1)层的当前特征向量
Figure BDA00029628490500000514
与节点i的邻域特征向量
Figure BDA00029628490500000515
拼接，并将拼接后的向量输入具有非线性激活函数σ的全连接层中，输出节点i在第(z-1)层的聚合特征
Figure BDA00029628490500000516
最后，(z-1)层的聚合特征
Figure BDA00029628490500000517
作为z层的输入向量。迭代执行操作直至z＝Z，最终得到的重构道路网络的聚合特征矩阵为
Figure BDA00029628490500000518
2.2：基于LSTM学习聚合的特征矩阵的时间序列信息，实现交通流量预测；
t时刻获取经GraphSAGE聚合后的特征矩阵
Figure BDA0002962849050000061
并将其作为LSTM模型的输入，LSTM中每个LSTM细胞都由3个门构成：输入门、遗忘门和输出门，t时刻和t－1时刻隐藏层的输出分别是ht和ht－1，Xt为输入的时间序列上的交通数据，t时刻和t－1时刻输出的隐藏状态分别为Ct和Ct－1；
LSTM的各个门计算公式如下：
Figure BDA0002962849050000062
Figure BDA0002962849050000063
Figure BDA0002962849050000064
Figure BDA0002962849050000065
Figure BDA0002962849050000066
ht＝Ot*tanh(Ct)
其中，为输入LSTM的交通数据，ht和ht－1为t时刻和t－1时刻隐藏层的输出，单元输入状态为，t时刻和t－1时刻输出的隐藏状态分别为Ct和Ct－1，输入门、遗忘门和输出门的状态分别为it、ft和Ot，权重以θ表示，偏差为b，
Figure BDA0002962849050000067
为sigmoid激活函数；
最终，得到t+1时刻的交通流量预测结果
Figure BDA0002962849050000068
Figure BDA0002962849050000069
选择均方误差MSE作为模型的损失函数：
Figure BDA00029628490500000610
真实交通流量值{yt+1,yt+2,…,yt+m}和预测的交通流量值
Figure BDA00029628490500000611
分别为Ytrue和Ypre，m为交通流量预测步长；
确定模型学习率lr，通过多次迭代计算最小化损失函数，使得模型的拟合能力最优，最终实现交通流量预测。
本发明提出一种基于重构交通网络的图聚合机制的道路交通流预测方法(ReGA-LSTM)，该方法利用道路的相关性进行排序，并按照降序选择新的邻接关系重构道路网络，采用图聚合器GraphSAGE学习重构厚德路网的空间特征，最终通过长短期记忆神经网络(LSTM)实现道路交通流的预测。
本发明的有益效果主要表现在：本发明通过原始道路邻接矩阵与相关性系数重构道路网络邻接关系，经GraphSAGE聚合空间特征后，通过LSTM实现交通流量预测，对城市道路网络中的交通流量特征的时空相关性进行了更加深度的挖掘，提升了模型实现长期流量预测的稳定性和准确性。
交通流量预测在智能交通管理方面具有至关重要的作用，本发明实现了短时和长时的交通流量预测。
附图说明
图1是ReGA-LSTM的结构图.
图2是院士路网上的高阶邻域节点示意图。
图3是重构道路网络的流程图。
图4是图聚合器GraphSAGE的结构图。
图5是LSTM的单元结构图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图5，一种基于重构交通网络的图聚合机制的道路交通流预测方法，包括以下步骤：
(1)重构道路网络：针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；过程如下：
1.1：针对各节点的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性；
将原始道路交通网络定义为
Figure BDA0002962849050000081
Figure BDA0002962849050000082
是由节点集合
Figure BDA0002962849050000083
与边集合
Figure BDA0002962849050000084
构成的有向图，
Figure BDA0002962849050000085
其中是路网中道路节点的数量。节点邻接结构由道路邻接矩阵
Figure BDA0002962849050000086
表示。如果路网中i节点和j节点相邻，那么Aij＝1；否则，Aij＝0。根据皮尔逊相关性系数得到原始路网中节点之间的时间相关性：
Figure BDA0002962849050000087
其中，pij表示i节点和j节点的相关性系数，T表示交通流量的采样时段总数，
Figure BDA0002962849050000088
和
Figure BDA0002962849050000089
分别表示i节点和j节点在l时刻的交通流量值，
Figure BDA00029628490500000810
和
Figure BDA00029628490500000811
表示i节点和j节点在采样期间的平均交通流量。
基于道路邻接矩阵A获得有连接关系的节点之间的相关性：
Figure BDA00029628490500000812
其中，
Figure BDA00029628490500000813
表示i节点和j节点之间的相关性系数。若i节点和j节点在原始道路网络的物理拓扑结构中有邻接关系，则
Figure BDA00029628490500000814
若在原始路网中无邻接关系，则
Figure BDA00029628490500000815
1.2：基于各节点有物理拓扑连接关系的邻接节点，按照其时间相关性降序排序和选择，依次获得各节点的有效邻域，基于各车道的有效邻域获得重构的道路交通网络；
将原始路网中与中心节点的有物理拓扑邻接关系的节点称为中心节点的邻接节点，即中心节点的一阶邻域节点，并将每个节点的一阶邻域节点按相关性大小降序排列。中心节点i在原始拓扑结构中的高阶邻域表示如图2所示，描述如下：
Figure BDA0002962849050000091
表示中心节点i的一阶邻域节点集合，其中，p1为
Figure BDA0002962849050000092
中的节点总数，节点i11的一阶邻域节点集合为
Figure BDA0002962849050000093
节点i12的一阶邻域节点集合为
Figure BDA0002962849050000094
以此类推，节点
Figure BDA0002962849050000095
的一阶邻域节点集合为
Figure BDA0002962849050000096
其中，s1，s2及
Figure BDA0002962849050000097
分别为
Figure BDA0002962849050000098
Figure BDA0002962849050000099
和
Figure BDA00029628490500000910
中的节点数。本发明将
Figure BDA00029628490500000911
的一阶邻域节点集合作为中心节点i的二阶邻域节点集合，即
Figure BDA00029628490500000912
Figure BDA00029628490500000913
为节点i的二阶邻域节点集合，p2为
Figure BDA00029628490500000914
中的节点个数之和，即
Figure BDA00029628490500000915
最终，中心节点i的N阶邻域节点集合
Figure BDA00029628490500000916
其中，
Figure BDA00029628490500000917
分别为中心节点i的(N-1)阶邻域节点，
Figure BDA00029628490500000918
为节点i(N-1)1的邻域节点集合，
Figure BDA00029628490500000919
为节点i(N-1)2的邻域节点集合，
Figure BDA00029628490500000920
为节点
Figure BDA00029628490500000921
的邻域节点集合，p(N-1)为
Figure BDA00029628490500000922
中的节点个数之和，
Figure BDA00029628490500000923
为中心节点i的(N-1)阶邻域节点集合。
将中心节点i的2-N阶邻域合称为中心节点i的高阶领域
Figure BDA00029628490500000924
即
Figure BDA00029628490500000925
中心节点i的重构邻域节点的选取过程：
①设置重构邻域节点数目的阈值为K；
②选取原始拓扑结构中，中心节点i的所有一阶邻域节点，即p1个节点。若p1<K，则转至③选取
Figure BDA00029628490500000926
中的前(K-p1)个邻域节点；否则，将原始拓扑结构中，中心节点i的前K个一阶邻域节点作为中心节点i的重构的邻域节点。
③
Figure BDA0002962849050000101
集合中的每个邻域都至多选取前h个邻域节点，按照
Figure BDA0002962849050000102
至
Figure BDA0002962849050000103
的顺序依次选取前(K-p1)个邻域节点。最终得到中心节点i的K个重构邻域节点集合。
中心节点i的重构邻域节点选取过程如图3所示。
综上，将节点i的重构邻接节点集合记为
Figure BDA0002962849050000104
获得的重构路网记作
Figure BDA0002962849050000105
其中
Figure BDA0002962849050000106
表示重构的邻接关系。
故重构邻域中节点i与节点j的邻接关系表示为：
Figure BDA0002962849050000107
(2)基于GA-LSTM实现交通流量预测，过程如下：
2.1：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列；
基于重构的道路网络
Figure BDA0002962849050000108
本发明采用两层均值图聚合器结构。GraphSAGE的结构如图4所示。其中Layer0表示交通流量特征的输入层，Layer1为图聚合器的中间隐藏层，Layer2表示最终得到的聚合特征层。均值图聚合器的计算公式如下所示：
Figure BDA0002962849050000109
Figure BDA00029628490500001010
其中，z(z∈[1,Z])是均值聚合器的深度，
Figure BDA00029628490500001011
表示节点i的重构邻域，ik表示重构邻域
Figure BDA00029628490500001012
中的节点，K表示在重构邻域
Figure BDA00029628490500001013
中的节点数目，
Figure BDA00029628490500001014
是输入层的节点
Figure BDA00029628490500001015
的交通流量特征，
Figure BDA00029628490500001016
表示节点i在第(z-1)层的节点聚合特征，
Figure BDA0002962849050000111
表示节点i的重构邻域节点在第z层均值聚合后的表征向量。
首先，在第(z-1)层，每个节点通过获得邻域节点的特征均值，将其邻域节点的信息
Figure BDA0002962849050000112
聚合为邻域表征向量
Figure BDA0002962849050000113
然后将节点i在第(z-1)层的当前特征向量
Figure BDA0002962849050000114
与节点i的邻域特征向量
Figure BDA0002962849050000115
拼接，并将拼接后的向量输入具有非线性激活函数σ的全连接层中，输出节点i在第(z-1)层的聚合特征
Figure BDA0002962849050000116
最后，(z-1)层的聚合特征
Figure BDA0002962849050000117
作为z层的输入向量。迭代执行操作直至z＝Z，最终得到的重构道路网络的聚合特征矩阵为
Figure BDA0002962849050000118
2.2：基于LSTM学习聚合的特征矩阵的时间序列信息，实现交通流量预测；
t时刻获取经GraphSAGE聚合后的特征矩阵
Figure BDA0002962849050000119
并将其作为LSTM模型的输入。LSTM中每个LSTM细胞都由3个门构成：输入门、遗忘门和输出门。LSTM的单元结构图如图5所示，t时刻和t－1时刻隐藏层的输出分别是ht和ht－1，Xt为输入的时间序列上的交通数据，t时刻和t－1时刻输出的隐藏状态分别为Ct和Ct－1。
LSTM的各个门计算公式如下：
Figure BDA00029628490500001110
Figure BDA00029628490500001111
Figure BDA00029628490500001112
Figure BDA00029628490500001113
Figure BDA00029628490500001114
ht＝Ot*tanh(Ct)
其中，为输入LSTM的交通数据，ht和ht－1为t时刻和t－1时刻隐藏层的输出，单元输入状态为，t时刻和t－1时刻输出的隐藏状态分别为Ct和Ct－1。输入门、遗忘门和输出门的状态分别为it、ft和Ot。权重以θ表示，偏差为b，
Figure BDA0002962849050000121
为sigmoid激活函数。
最终，得到t+1时刻的交通流量预测结果
Figure BDA0002962849050000122
Figure BDA0002962849050000123
选择均方误差(MSE)作为模型的损失函数:
Figure BDA0002962849050000124
真实交通流量值{yt+1,yt+2,…,yt+m}和预测的交通流量值
Figure BDA0002962849050000125
分别为Ytrue和Ypre，m为交通流量预测步长。
确定模型学习率lr，通过多次迭代计算最小化损失函数，使得模型的拟合能力最优，最终实现交通流量预测。
实例：实际实验中的数据，实施过程如下：
1)选取实验数据
本实验数据集来源为杭州江干区的SCATS(最优自适应交通控制)系统，实验选取74条车道的流量数据，数据采集时间范围为2017年6月1日到6月30日，采样间隔为15min。
将交通流量数据矩阵的前70％数据作为训练集数据，进行模型参数训练，交通状态矩阵剩下的30％数据作为测试集数据，进行算法验证。
2)参数确定
本发明的实验结果基于Tensorflow框架实现。GraphSAGE的激活函数选择ReLU函数，层数设置为2层，隐藏单元书分别为[64,128]；LSTM单元的隐藏层数为1层，隐藏单元数为128。模型训练迭代次数选择200，每次迭代训练批次大小为64，采用Adam优化器优化模型参数。
其中，为了选择最优重构路网的邻域节点数阈值K，分别将K设置为0到9进行交通流预测，通过比较实验结果选择最优K值。对比结果如表1所示。
Figure BDA0002962849050000131
表1模型在不同阈值K情况下的预测结果对比由表1可知，K＝4时结果最优，因此选择K＝4作为实验参数。
3)评估指标
本实验选取均方根误差(RMSE)、平均绝对误差(MAE)，精度(Accuracy)和决定系数(R2)作为交通流状态预测精度的指标，其计算公式为：
Figure BDA0002962849050000132
Figure BDA0002962849050000133
Figure BDA0002962849050000134
Figure BDA0002962849050000135
其中，T为交通流数据的采样时刻总数。
4)实验结果
本发明使用训练集数据训练模型，测试集数据测试所得模型的拟合能力。
所有试验道路交通流预测结果统计如表2所示。
Figure BDA0002962849050000141
表2所有试验道路交通流预测结果
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (3)

1.一种基于重构交通网络的图聚合机制的道路交通流预测方法，其特征在于，所述方法包括以下步骤：
(1)重构道路网络：针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；
(2)基于ReGA-LSTM实现交通流量预测：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。
2.如权利要求1所述的基于重构交通网络的图聚合机制的道路交通流预测方法，其特征在于，所述步骤(1)的过程如下：
1.1：针对各节点的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性；
将原始道路交通网络定义为
Figure FDA0002962849040000011
Figure FDA0002962849040000012
是由节点集合
Figure FDA0002962849040000013
与边集合
Figure FDA0002962849040000014
构成的有向图，
Figure FDA0002962849040000015
其中是路网中道路节点的数量。节点邻接结构由道路邻接矩阵
Figure FDA0002962849040000016
表示；如果路网中i节点和j节点相邻，那么Aij＝1；否则，Aij＝0；根据皮尔逊相关性系数得到原始路网中节点之间的时间相关性：
Figure FDA0002962849040000017
其中，pij表示i节点和j节点的相关性系数，T表示交通流量的采样时段总数，
Figure FDA0002962849040000018
和
Figure FDA0002962849040000019
分别表示i节点和j节点在l时刻的交通流量值，
Figure FDA00029628490400000110
和
Figure FDA00029628490400000111
表示i节点和j节点在采样期间的平均交通流量；
基于道路邻接矩阵A获得有连接关系的节点之间的相关性：
Figure FDA00029628490400000112
其中，
Figure FDA00029628490400000113
表示i节点和j节点之间的相关性系数，若i节点和j节点在原始道路网络的物理拓扑结构中有邻接关系，则
Figure FDA00029628490400000114
若在原始路网中无邻接关系，则
Figure FDA00029628490400000115
1.2：基于各节点有物理拓扑连接关系的邻接节点，按照其时间相关性降序排序和选择，依次获得各节点的有效邻域，基于各车道的有效邻域获得重构的道路交通网络；
将原始路网中与中心节点的有物理拓扑邻接关系的节点称为中心节点的邻接节点，即中心节点的一阶邻域节点，并将每个节点的一阶邻域节点按相关性大小降序排列；中心节点i在原始拓扑结构中的高阶邻域描述如下：
Figure FDA0002962849040000021
表示中心节点i的一阶邻域节点集合，其中，p1为
Figure FDA0002962849040000022
中的节点总数，节点i11的一阶邻域节点集合为
Figure FDA0002962849040000023
节点i12的一阶邻域节点集合为
Figure FDA0002962849040000024
以此类推，节点
Figure FDA0002962849040000025
的一阶邻域节点集合为
Figure FDA0002962849040000026
其中，s1，s2及
Figure FDA00029628490400000232
分别为
Figure FDA0002962849040000027
Figure FDA0002962849040000028
和
Figure FDA0002962849040000029
中的节点数，将
Figure FDA00029628490400000210
的一阶邻域节点集合作为中心节点i的二阶邻域节点集合，即
Figure FDA00029628490400000211
Figure FDA00029628490400000212
为节点i的二阶邻域节点集合，p2为
Figure FDA00029628490400000213
中的节点个数之和，即
Figure FDA00029628490400000214
最终，中心节点i的N阶邻域节点集合
Figure FDA00029628490400000215
其中，
Figure FDA00029628490400000216
分别为中心节点i的(N-1)阶邻域节点，
Figure FDA00029628490400000217
为节点i(N-1)1的邻域节点集合，
Figure FDA00029628490400000218
为节点i(N-1)2的邻域节点集合，
Figure FDA00029628490400000219
为节点
Figure FDA00029628490400000220
的邻域节点集合，p(N-1)为
Figure FDA00029628490400000221
中的节点个数之和，
Figure FDA00029628490400000222
为中心节点i的(N-1)阶邻域节点集合；
将中心节点i的2-N阶邻域合称为中心节点i的高阶领域
Figure FDA00029628490400000223
即
Figure FDA00029628490400000224
中心节点i的重构邻域节点的选取过程：
①设置重构邻域节点数目的阈值为K；
②选取原始拓扑结构中，中心节点i的所有一阶邻域节点，即p1个节点，若p1<K，则转至③选取
Figure FDA00029628490400000225
中的前(K-p1)个邻域节点；否则，将原始拓扑结构中，中心节点i的前K个一阶邻域节点作为中心节点i的重构的邻域节点；
③
Figure FDA00029628490400000226
集合中的每个邻域都至多选取前h个邻域节点，按照
Figure FDA00029628490400000227
至
Figure FDA00029628490400000228
的顺序依次选取前(K-p1)个邻域节点。最终得到中心节点i的K个重构邻域节点集合；
将节点i的重构邻接节点集合记为
Figure FDA00029628490400000229
获得的重构路网记作
Figure FDA00029628490400000230
其中
Figure FDA00029628490400000231
表示重构的邻接关系；
故重构邻域中节点i与节点j的邻接关系表示为：
Figure FDA0002962849040000031
3.如权利要求1或2所述的基于重构交通网络的图聚合机制的道路交通流预测方法，其特征在于，所述步骤(2)的过程如下：
2.1：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列；
基于重构的道路网络
Figure FDA0002962849040000032
采用两层均值图聚合器结构，其中Layer0表示交通流量特征的输入层，Layer1为图聚合器的中间隐藏层，Layer2表示最终得到的聚合特征层，均值图聚合器的计算公式如下所示：
Figure FDA0002962849040000033
Figure FDA0002962849040000034
其中，z(z∈[1,Z])是均值聚合器的深度，
Figure FDA0002962849040000035
表示节点i的重构邻域，ik表示重构邻域
Figure FDA0002962849040000036
中的节点，K表示在重构邻域
Figure FDA0002962849040000037
中的节点数目，
Figure FDA0002962849040000038
是输入层的节点
Figure FDA0002962849040000039
的交通流量特征，
Figure FDA00029628490400000310
表示节点i在第(z-1)层的节点聚合特征，
Figure FDA00029628490400000311
表示节点i的重构邻域节点在第z层均值聚合后的表征向量；
首先，在第(z-1)层，每个节点通过获得邻域节点的特征均值，将其邻域节点的信息
Figure FDA00029628490400000312
聚合为邻域表征向量
Figure FDA00029628490400000313
然后将节点i在第(z-1)层的当前特征向量
Figure FDA00029628490400000314
与节点i的邻域特征向量
Figure FDA00029628490400000315
拼接，并将拼接后的向量输入具有非线性激活函数σ的全连接层中，输出节点i在第(z-1)层的聚合特征
Figure FDA00029628490400000316
最后，(z-1)层的聚合特征
Figure FDA00029628490400000317
作为z层的输入向量，迭代执行操作直至z＝Z，最终得到的重构道路网络的聚合特征矩阵为
Figure FDA00029628490400000318
2.2：基于LSTM学习聚合的特征矩阵的时间序列信息，实现交通流量预测；
t时刻获取经GraphSAGE聚合后的特征矩阵
Figure FDA00029628490400000319
并将其作为LSTM模型的输入，LSTM中每个LSTM细胞都由3个门构成：输入门、遗忘门和输出门，t时刻和t－1时刻隐藏层的输出分别是ht和ht－1，Xt为输入的时间序列上的交通数据，t时刻和t－1时刻输出的隐藏状态分别为Ct和Ct－1；
LSTM的各个门计算公式如下：
Figure FDA00029628490400000320
Figure FDA00029628490400000321
Figure FDA0002962849040000041
Figure FDA0002962849040000042
Figure FDA0002962849040000043
ht＝Ot*tanh(Ct)
其中，为输入LSTM的交通数据，ht和ht－1为t时刻和t－1时刻隐藏层的输出，单元输入状态为，t时刻和t－1时刻输出的隐藏状态分别为Ct和Ct－1，输入门、遗忘门和输出门的状态分别为it、ft和Ot，权重以θ表示，偏差为b，
Figure FDA0002962849040000044
为sigmoid激活函数；
最终，得到t+1时刻的交通流量预测结果
Figure FDA0002962849040000045
Figure FDA0002962849040000046
选择均方误差MSE作为模型的损失函数：
Figure FDA0002962849040000047
真实交通流量值{yt+1,yt+2,…,yt+m}和预测的交通流量值
Figure FDA0002962849040000048
分别为Ytrue和Ypre，m为交通流量预测步长；
确定模型学习率lr，通过多次迭代计算最小化损失函数，使得模型的拟合能力最优，最终实现交通流量预测。
CN202110242725.1A 2021-03-05 2021-03-05 基于重构交通网络的图聚合机制的道路交通流预测方法 Active CN113129585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110242725.1A CN113129585B (zh) 2021-03-05 2021-03-05 基于重构交通网络的图聚合机制的道路交通流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110242725.1A CN113129585B (zh) 2021-03-05 2021-03-05 基于重构交通网络的图聚合机制的道路交通流预测方法

Publications (2)

Publication Number Publication Date
CN113129585A true CN113129585A (zh) 2021-07-16
CN113129585B CN113129585B (zh) 2022-03-01

Family

ID=76772520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110242725.1A Active CN113129585B (zh) 2021-03-05 2021-03-05 基于重构交通网络的图聚合机制的道路交通流预测方法

Country Status (1)

Country Link
CN (1) CN113129585B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113903170A (zh) * 2021-08-30 2022-01-07 航天科工广信智能技术有限公司 基于结构自适应自演化深度学习的大规模路网交通流预测方法
CN114724386A (zh) * 2022-03-31 2022-07-08 温州大学 智慧交通下的短时交通流量预测方法、系统和电子设备
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN116244281A (zh) * 2022-09-28 2023-06-09 北京百度网讯科技有限公司 车道交通流量数据补全及其模型训练方法、装置
CN117292552A (zh) * 2023-11-27 2023-12-26 深圳市诚识科技有限公司 基于机器视觉的高速路况分析系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1758065A2 (de) * 2005-08-25 2007-02-28 Siemens Aktiengesellschaft Verfahren zur Prognose eines Verkehrszustandes in einem Straßennetz und Verkehrsmanagementzentrale
CA3016825A1 (en) * 2017-09-15 2019-03-15 Sergio Machado Goncalves Predictive, integrated and intelligent system for control of times in traffic lights
CN109544911A (zh) * 2018-10-30 2019-03-29 中山大学 一种基于lstm-cnn的城市路网交通状态预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CA3046221A1 (en) * 2018-06-13 2019-12-13 Royal Bank Of Canada K-lstm architecture for purchase prediction
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN111768625A (zh) * 2020-07-01 2020-10-13 中国计量大学 一种基于图嵌入的交通道路事件预测方法
CN112309112A (zh) * 2020-09-10 2021-02-02 浙江工业大学 一种基于GraphSAGE-GAN的交通路网数据修复方法
CN112330952A (zh) * 2020-09-14 2021-02-05 浙江工业大学 一种基于生成式对抗网络的交通流预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1758065A2 (de) * 2005-08-25 2007-02-28 Siemens Aktiengesellschaft Verfahren zur Prognose eines Verkehrszustandes in einem Straßennetz und Verkehrsmanagementzentrale
CA3016825A1 (en) * 2017-09-15 2019-03-15 Sergio Machado Goncalves Predictive, integrated and intelligent system for control of times in traffic lights
CA3046221A1 (en) * 2018-06-13 2019-12-13 Royal Bank Of Canada K-lstm architecture for purchase prediction
US20200135017A1 (en) * 2018-10-29 2020-04-30 Beihang University Transportation network speed foreeasting method using deep capsule networks with nested lstm models
CN109544911A (zh) * 2018-10-30 2019-03-29 中山大学 一种基于lstm-cnn的城市路网交通状态预测方法
CN110070713A (zh) * 2019-04-15 2019-07-30 浙江工业大学 一种基于双向嵌套lstm神经网络的交通流预测方法
CN111768625A (zh) * 2020-07-01 2020-10-13 中国计量大学 一种基于图嵌入的交通道路事件预测方法
CN112309112A (zh) * 2020-09-10 2021-02-02 浙江工业大学 一种基于GraphSAGE-GAN的交通路网数据修复方法
CN112330952A (zh) * 2020-09-14 2021-02-05 浙江工业大学 一种基于生成式对抗网络的交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
柏梦婷: "行程时间预测方法研究", 《软件学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113903170A (zh) * 2021-08-30 2022-01-07 航天科工广信智能技术有限公司 基于结构自适应自演化深度学习的大规模路网交通流预测方法
CN114724386A (zh) * 2022-03-31 2022-07-08 温州大学 智慧交通下的短时交通流量预测方法、系统和电子设备
CN114724386B (zh) * 2022-03-31 2023-10-27 温州大学 智慧交通下的短时交通流量预测方法、系统和电子设备
CN116244281A (zh) * 2022-09-28 2023-06-09 北京百度网讯科技有限公司 车道交通流量数据补全及其模型训练方法、装置
CN116244281B (zh) * 2022-09-28 2023-11-21 北京百度网讯科技有限公司 车道交通流量数据补全及其模型训练方法、装置
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN117292552A (zh) * 2023-11-27 2023-12-26 深圳市诚识科技有限公司 基于机器视觉的高速路况分析系统及方法
CN117292552B (zh) * 2023-11-27 2024-02-09 深圳市诚识科技有限公司 基于机器视觉的高速路况分析系统及方法

Also Published As

Publication number Publication date
CN113129585B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN113129585B (zh) 基于重构交通网络的图聚合机制的道路交通流预测方法
CN113053115B (zh) 一种基于多尺度图卷积网络模型的交通预测方法
CN110445646B (zh) 一种基于注意力机制和流量预测模型的资源预留方法
CN113905391B (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
CN112216124B (zh) 一种基于深度强化学习的交通信号控制方法
CN113158543A (zh) 一种软件定义网络性能智能预测方法
CN110599766B (zh) 一种基于sae-lstm-sad的道路交通拥堵传播预测方法
CN113268916A (zh) 一种基于时空图卷积网络的交通事故预测方法
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN112365724A (zh) 一种基于深度强化学习的连续交叉口信号协同控制方法
CN113887787A (zh) 一种基于长短时记忆网络和nsga-ii算法的洪水预报模型参数多目标优化方法
CN109583588B (zh) 一种短期风速预测方法及系统
CN110929958A (zh) 基于深度学习参数优化的短时交通流量预测方法
CN114118567A (zh) 一种基于双通路融合网络的电力业务带宽预测方法
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN112036651A (zh) 基于量子免疫优化bp神经网络算法的电价预测方法
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
CN112562312B (zh) 一种基于融合特征的GraphSAGE交通路网数据预测的方法
CN115273466A (zh) 一种基于柔性车道管控算法的监控方法与系统
CN117592593A (zh) 基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法
CN115294402B (zh) 一种基于去冗余多阶混合训练的半监督车辆分类方法
CN111524348A (zh) 一种长短期交通流预测模型及方法
CN115061444B (zh) 一种融合概率网络和强化学习的工艺参数实时优化方法
CN110768825A (zh) 一种基于网络大数据分析的业务流量预测方法

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