CN113159414A - 一种基于时序图神经网络的交通速度预测方法 - Google Patents
一种基于时序图神经网络的交通速度预测方法 Download PDFInfo
- Publication number
- CN113159414A CN113159414A CN202110417357.XA CN202110417357A CN113159414A CN 113159414 A CN113159414 A CN 113159414A CN 202110417357 A CN202110417357 A CN 202110417357A CN 113159414 A CN113159414 A CN 113159414A
- Authority
- CN
- China
- Prior art keywords
- layer
- time sequence
- time
- attention
- traffic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 title claims abstract description 13
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 44
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000009916 joint effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于时序图神经网络的交通速度预测方法,包括以下步骤:S1、收集交通速度传感器网络观测数据,构建交通图和速度观测序列;S2、编码端对原始节点特征进行特征变换;S3、节点空间特征融合;S4、基于双向时序空间编码层,建模网络中的动态时序特征;S5、解码端对原始节点特征进行特征变换;S6、基于双向GRU层学习拼接特征的编码时序特征;S7、基于时序多头注意力层,计算当前时刻的状态与编码端的若干个观测状态之间的注意力,并进行预测。本发明克服了静态拓扑的时序交通网络中时序特征和空间特征的建模问题,基于时序图神经网络,提升了交通速度预测模型对空间特征、时序依赖特性的捕捉能力,具有较好的可用性。
Description
技术领域
本发明属于交通网络信息技术领域,具体涉及一种基于时序图神经网络的交通速度预测方法。
背景技术
在很多城市,尤其是发展中国家的大城市,现有的交通运输系统在迅速扩增的私人汽车与出行需求面前,越来越不堪重负,交通拥堵、长时间通勤与交通事故严重影响了人们的生活水平与城市发展,因此,智慧交通系统的建设越来越受到重视。交通速度预测是智慧交通中的重要一环,在交通网络上面的预测有着以下挑战:
(1)复杂的空间依赖关系:交通网络中不同位置的道路有着不同的运输压力,如在一条主干道上,下游道路发生了拥堵,此时中游道路与上游道路的行驶速度和流量是相似的,而当下游道路恢复畅通之后,随着时间的发展,下游道路情况会慢慢地与上游速度较快的道路接近,最终上、中、下游道路都恢复到正常状态,此时三者地道路特征也最为相近。另外,在密集住宅区或者办公住宅区城市交通网络,会比其它地方更容易发生交通拥堵等问题。
(2)动态变化的时间依赖关系:在同一个位置,速度传感器监测到的速度值会在时间上的变化会呈现出非线性的变化,如某一位置突发交通事故,会导致这个位置的交通流量和交通速度迅速下降。此外有研究表明,对于需要预测的某一时刻目标位置,其历史上长时间内的交通状态会比短时间内的交通状态与当前时刻目标位置在时序上会呈现出更强的相关性。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提出一种基于时序图神经网络的交通速度预测方法,方法克服了节点自身的高阶空间特征建模问题和短时间内节点特征与拓扑空间结构的双重影响力学习问题,基于时序图神经网络,提升了交通速度预测模型对空间特征、时序依赖特性的捕捉能力,具有较好的可用性。
为了达到上述目的,本发明采用以下技术方案:
一种基于时序图神经网络的交通速度预测方法,包括以下步骤:
S1、收集交通速度传感器网络观测数据,构建交通图和速度观测序列;
S2、编码端对原始节点特征进行特征变换,使用一个全连接层将原始节点特征转换到高维空间;
S3、基于网络表示学习算法和图卷积神经网络实现节点空间特征融合;
S4、基于双向时序空间编码层,建模网络中的动态时序特征;
S5、解码端对原始节点特征进行特征变换;
S6、基于双向GRU层学习拼接特征的时序特征,生成多个时间点的预测结果;
S7、基于时序多头注意力层,计算当前时刻的状态与编码端的若干个观测状态之间的注意力,并进行预测。
进一步的,采用编码-解码框架对交通速度预测中的时空特征进行建模;
编码端输入层对原始节点特征进行特征变换;在空间特征融合层,针对网络中各节点的空间特征信息进行建模,利用网络表示学习算法和图卷积神经网络捕捉节点的空间特征,然后与节点的原始输入特征进行融合;特征融合之后输入到双向时序空间编码层中,捕捉网络中的时序特征信息,得到编码端的输出状态和输入到下一个时刻的隐藏状态;
解码端输入层经过全连接层将训练阶段的节点原始特征转换到高维空间;将输入层得到的特征、注意力结果和上一时刻的隐藏状态输入到双向GRU编码层,编码时序特征,生成多个时间点的预测结果;经过时序多头注意力层,计算当前时刻的中间预测结果与编码端的若干个历史观测值之间的注意力值。
进一步的,所述步骤S1具体包括:
S11、计算所有节点两两之间的欧氏距离,通过一个带阈值的高斯核函数计算得到归一化距离,在大于阈值的归一化距离所对应的两个节点构建一条边;
S12、重复步骤S11,得到一个带权的有向交通图;
S13、对于观测数据,根据相应滑动步长和滑动时间间隔的滑动窗口生成长度分别为T和T'的交通速度观测与预测序列数据,然后对原始速度特征进行归一化。
进一步的,所述步骤S3具体包括:
S31、基于图表示学习算法Node2vec对交通图进行预训练,得到每个节点的网络空间结构嵌入表示特征;
S32、基于图卷积神经网络模型GCN进一步提取交通图上节点的高阶邻域空间特征,使用tanh激活函数对输出节点的嵌入表达进行非线性变换;
S33、重复步骤S32多次,构建多层图卷积操作;
S34、与经过全连接层变换的节点特征进行加和融合,得到带有高阶邻域空间结构信息的节点特征。
进一步的,所述步骤S4具体包括:
S41、通过双向GRU学习当前时刻与上一时刻的时间依赖关系,得到当前时刻的输出状态和隐藏状态;
S42、在步骤S41获得的隐藏状态真正输入到下一个时刻的双向GRU模块之前,要经过一个带残差连接的图注意力模块,用于捕捉在时序变化的过程中,节点特征与其空间特征信息联合作用产生的动态特征;
S43、对残差图注意力模块的输出进行层归一化;
S44、重复步骤S41至S42,堆叠两层双向GRU网络;
S45、得到编码端的输出状态,供解码端的时序多头注意力层计算注意力。
进一步的,所述步骤S5具体包括:
S51、解码端的输入层仅在模型训练阶段产生作用,在模型训练阶段以一定的概率选择上一时刻的隐藏状态或者真实输入值作为当前时刻的双向GRU层的输入;
S52、而在模型预测阶段,双向GRU层每个时刻的输入直接使用前一个时刻的隐状态,其中第一个解码的时刻以全零向量作为节点的输入特征。
进一步的,所述步骤S6具体包括:
S61、将解码端输入层得到的特征、注意力结果和上一时刻的隐藏状态拼接起来,作为一个整体输入到双向GRU层中,计算得到下一时刻的隐藏状态和当前时刻的输出;
S62、对双向GRU层的输出状态进行层归一化;
S63、重复步骤S61至S62,堆叠两层双向GRU编码网络。
进一步的,所述步骤S7具体包括:
S71、计算当前时刻的交通状态与编码端所有观测状态之间的注意力值;
S72、将注意力结果、输入层节点特征以及双向GRU层的输出状态进行拼接,经过一个全连接层输出当前时刻所有节点的预测值矩阵,汇总得到长度为T'的预测结果序列。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明方法针对静态拓扑的时序交通网络中,节点自身的高阶空间特征建模问题,结合Node2vec和GCN的图卷积模块,利用Node2vec图表示学习方法预训练得到网络结构嵌入表示特征,然后再利用GCN提取更高阶的邻域结构信息,提高了模型对交通节点的高阶空间特征信息学习能力。
2、本发明方法针对静态拓扑的时序交通网络中,短时间内节点特征与拓扑空间结构的双重影响力学习问题,采用具有残差图注意力的双向时序空间编码层,通过结合双向GRU和残差图注意力模块,对当前时刻的输出节点嵌入表示进行图卷积操作,捕获短时间内的节点特征与拓扑空间结构双重作用下的节点注意力,提升了模型捕捉相邻时刻之间节点的空间特征所发生的动态特性的能力。
3、本发明方法为了提高关键时刻的交通网络状态对预测时刻的影响力,同时为了缓解模型的误差传递,利用时序多头注意力计算解码端每个预测时刻与编码端所有观测时刻的注意力值,使得模型能够更关注于时序上下文中对预测结果影响更大的交通状态,提升了解码端对长距离时间依赖特征的学习能力。
附图说明
图1是本发明方法的流程图;
图2是本发明实施例的模型编码端框架图;
图3是本发明实施例的空间特征融合层示意图;
图4是本发明实施例的双向时序空间编码层示意图;
图5是本发明实施例的模型解码端框架图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
在本实施例中,本发明方法采用编码解码框架对交通速度预测中的时空特征进行建模,编码端输入层对原始节点特征进行特征变换;在空间特征融合层,主要是针对网络中各节点的空间特征信息进行建模,利用网络表示学习算法和图卷积神经网络捕捉节点的空间特征,然后与节点的原始输入特征进行融合;特征融合之后输入到双向时序空间编码层中,捕捉网络中的时序特征信息,得到编码端的输出状态和输入到下一个时刻的隐藏状态;解码端输入层经过一个全连接层将训练阶段的节点原始特征转换到高维空间;将输入层得到的特征、注意力结果和上一时刻的隐状态输入到双向GRU编码层,编码时序特征,生成多个时间点的预测结果;经过一个时序多头注意力层,计算当前时刻的中间预测结果与编码端的若干个历史观测值之间的注意力值。
如图1所示,具体包括以下步骤:
S1、收集交通速度传感器网络观测数据,构建交通图和速度观测序列,具体为:
收集交通速度传感器网络的经度、纬度数据和速度观测数据,构建交通图和速度观测序列,计算所有节点两两之间的欧氏距离,然后通过一个带阈值k的高斯核函数计算得到归一化距离,大于阈值k=0.1的归一化距离所对应的两个节点构建一条边,最终得到一个带权的有向交通图;对于观测数据,以滑动步长为1和滑动时间间隔为5分钟的滑动窗口生成长度均为12的交通速度观测与预测序列数据,然后对原始速度特征进行归一化,使用的是z-score标准化方法。
S2、编码端对原始节点特征进行特征变换,使用一个全连接层将原始节点特征转换到高维空间;在本实施例中,特征变换后的维度设置为64;如图2所示,为编码端框架图。
S3、基于网络表示学习算法和图卷积神经网络实现节点空间特征融合,如图3所示,为空间特征融合层;
在本实施例中,步骤S3具体包括:
S31、基于图表示学习算法Node2vec对交通图进行预训练,得到每个节点的网络空间结构嵌入表示特征,参数p设置为2、q设置为1、随机游走序列长度为80、随机游走序列个数为100、输出的节点嵌入维度为64、上下文窗口大小为10,迭代训练1000次之后得到节点嵌入表示;
S32、基于图卷积神经网络模型GCN进一步提取交通图上节点的高阶邻域空间特征,输出时使用tanh激活函数对输出节点的嵌入表达进行非线性变换,隐藏层维度设置为64;
S33、重复步骤S32,构建两层图卷积网络;
S34、与经过全连接层变换的节点特征进行加和融合,得到带有高阶邻域空间结构信息的节点特征。
S4、基于双向时序空间编码层,建模网络中的动态时序特征,如图4所示,为双向时序空间编码层;
在本实施例中,步骤S4具体包括:
S41、通过双向GRU学习当前时刻与上一时刻的时间依赖关系,得到当前时刻的输出状态和隐藏状态,GRU的隐藏单元个数为64;
S42、在隐藏状态真正输入到下一个时刻的双向GRU模块之前,使用一个带残差连接的图注意力模块,用于捕捉在时序变化的过程中,节点特征与其空间特征信息联合作用产生的动态特征,其中节点特征向量和注意力值的计算都使用Dropout操作随机丢弃部分网络层输出结果,Dropout概率设置为0.5,图注意力的头数为8;
S43、对残差图注意力模块的输出进行层归一化;
S44、重复步骤S41至S42,堆叠两层双向GRU网络。
S5、解码端对原始节点特征进行特征变换,如图5所示,为解码端框架图;
在本实施例中,步骤S5具体包括:
S51、解码端的输入层仅在模型训练阶段产生作用,在模型训练阶段以0.5的概率选择上一时刻的隐藏状态或者真实输入值作为当前时刻的双向GRU层的输入;
S52、而在模型预测阶段,双向GRU层每个时刻的输入直接使用前一个时刻的隐状态,其中第一个解码的时刻以全零向量作为节点的输入特征。
S6、如图5所示,基于双向GRU层学习拼接特征的编码时序特征,生成多个时间点的预测结果,在本实施例中,具体包括:
S61、将解码端输入层得到的特征、注意力结果和上一时刻的隐藏状态拼接起来,作为一个整体输入到双向GRU层中,计算得到下一时刻的隐藏状态和当前时刻的输出,GRU的隐藏单元个数为64;
S62、对双向GRU层的输出状态进行层归一化;
S63、重复步骤S61至S62,堆叠两层双向GRU编码网络。
S7、如图5所示,基于时序多头注意力层,计算当前时刻的状态与编码端的若干个观测状态之间的注意力,并进行预测,在本实施例中,具体包括:
S71、计算当前时刻的交通状态与编码端所有观测状态之间的注意力值,多头注意力的头数为4;
S72、将注意力结果、输入层节点特征以及双向GRU层的输出状态进行拼接,经过一个全连接层输出当前时刻所有节点的预测值矩阵,汇总得到长度为12的预测结果序列。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于时序图神经网络的交通速度预测方法,其特征在于,包括以下步骤:
S1、收集交通速度传感器网络观测数据,构建交通图和速度观测序列;
S2、编码端对原始节点特征进行特征变换,使用一个全连接层将原始节点特征转换到高维空间;
S3、基于网络表示学习算法和图卷积神经网络实现节点空间特征融合;
S4、基于双向时序空间编码层,建模网络中的动态时序特征;
S5、解码端对原始节点特征进行特征变换;
S6、基于双向GRU层学习拼接特征的时序特征,生成多个时间点的预测结果;
S7、基于时序多头注意力层,计算当前时刻的状态与编码端的若干个观测状态之间的注意力,并进行预测。
2.根据权利要求1所述的一种基于时序图神经网络的交通速度预测方法,其特征在于,采用编码-解码框架对交通速度预测中的时空特征进行建模;
编码端输入层对原始节点特征进行特征变换;在空间特征融合层,针对网络中各节点的空间特征信息进行建模,利用网络表示学习算法和图卷积神经网络捕捉节点的空间特征,然后与节点的原始输入特征进行融合;特征融合之后输入到双向时序空间编码层中,捕捉网络中的时序特征信息,得到编码端的输出状态和输入到下一个时刻的隐藏状态;
解码端输入层经过全连接层将训练阶段的节点原始特征转换到高维空间;将输入层得到的特征、注意力结果和上一时刻的隐藏状态输入到双向GRU编码层,编码时序特征,生成多个时间点的预测结果;经过时序多头注意力层,计算当前时刻的中间预测结果与编码端的若干个历史观测值之间的注意力值。
3.根据权利要求1所述的一种基于时序图神经网络的交通速度预测方法,其特征在于,所述步骤S1具体包括:
S11、计算所有节点两两之间的欧氏距离,通过一个带阈值的高斯核函数计算得到归一化距离,在大于阈值的归一化距离所对应的两个节点构建一条边;
S12、重复步骤S11,得到一个带权的有向交通图;
S13、对于观测数据,根据相应滑动步长和滑动时间间隔的滑动窗口生成长度分别为T和T'的交通速度观测与预测序列数据,然后对原始速度特征进行归一化。
4.根据权利要求1所述的一种基于时序图神经网络的交通速度预测方法,其特征在于,所述步骤S3具体包括:
S31、基于图表示学习算法Node2vec对交通图进行预训练,得到每个节点的网络空间结构嵌入表示特征;
S32、基于图卷积神经网络模型GCN进一步提取交通图上节点的高阶邻域空间特征,使用tanh激活函数对输出节点的嵌入表达进行非线性变换;
S33、重复步骤S32多次,构建多层图卷积操作;
S34、与经过全连接层变换的节点特征进行加和融合,得到带有高阶邻域空间结构信息的节点特征。
5.根据权利要求1所述的一种基于时序图神经网络的交通速度预测方法,其特征在于,所述步骤S4具体包括:
S41、通过双向GRU学习当前时刻与上一时刻的时间依赖关系,得到当前时刻的输出状态和隐藏状态;
S42、在步骤S41获得的隐藏状态真正输入到下一个时刻的双向GRU模块之前,要经过一个带残差连接的图注意力模块,用于捕捉在时序变化的过程中,节点特征与其空间特征信息联合作用产生的动态特征;
S43、对残差图注意力模块的输出进行层归一化;
S44、重复步骤S41至S42,堆叠两层双向GRU网络;
S45、得到编码端的输出状态,供解码端的时序多头注意力层计算注意力。
6.根据权利要求1所述的一种基于时序图神经网络的交通速度预测方法,其特征在于,所述步骤S5具体包括:
S51、解码端的输入层仅在模型训练阶段产生作用,在模型训练阶段以一定的概率选择上一时刻的隐藏状态或者真实输入值作为当前时刻的双向GRU层的输入;
S52、而在模型预测阶段,双向GRU层每个时刻的输入直接使用前一个时刻的隐状态,其中第一个解码的时刻以全零向量作为节点的输入特征。
7.根据权利要求1所述的一种基于时序图神经网络的交通速度预测方法,其特征在于,所述步骤S6具体包括:
S61、将解码端输入层得到的特征、注意力结果和上一时刻的隐藏状态拼接起来,作为一个整体输入到双向GRU层中,计算得到下一时刻的隐藏状态和当前时刻的输出;
S62、对双向GRU层的输出状态进行层归一化;
S63、重复步骤S61至S62,堆叠两层双向GRU编码网络。
8.根据权利要求1或3所述的一种基于时序图神经网络的交通速度预测方法,其特征在于,所述步骤S7具体包括:
S71、计算当前时刻的交通状态与编码端所有观测状态之间的注意力值;
S72、将注意力结果、输入层节点特征以及双向GRU层的输出状态进行拼接,经过一个全连接层输出当前时刻所有节点的预测值矩阵,汇总得到长度为T'的预测结果序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417357.XA CN113159414B (zh) | 2021-04-19 | 2021-04-19 | 一种基于时序图神经网络的交通速度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110417357.XA CN113159414B (zh) | 2021-04-19 | 2021-04-19 | 一种基于时序图神经网络的交通速度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159414A true CN113159414A (zh) | 2021-07-23 |
CN113159414B CN113159414B (zh) | 2022-05-24 |
Family
ID=76868447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110417357.XA Active CN113159414B (zh) | 2021-04-19 | 2021-04-19 | 一种基于时序图神经网络的交通速度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159414B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627591A (zh) * | 2021-07-30 | 2021-11-09 | 马上消费金融股份有限公司 | 动态图数据的处理方法、装置、电子设备及存储介质 |
CN113794695A (zh) * | 2021-08-26 | 2021-12-14 | 浙江工业大学 | 一种基于gru的网络异常流量检测识别方法 |
CN114511767A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
CN115906928A (zh) * | 2022-11-25 | 2023-04-04 | 中国矿业大学 | 一种基于双通道自注意力的Transformer UUV三维自主避碰规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919358A (zh) * | 2019-01-31 | 2019-06-21 | 中国科学院软件研究所 | 一种基于神经网络时空注意力机制的实时站点流量预测方法 |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112667920A (zh) * | 2020-12-29 | 2021-04-16 | 复旦大学 | 基于文本感知的社交影响力预测方法、装置及设备 |
-
2021
- 2021-04-19 CN CN202110417357.XA patent/CN113159414B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919358A (zh) * | 2019-01-31 | 2019-06-21 | 中国科学院软件研究所 | 一种基于神经网络时空注意力机制的实时站点流量预测方法 |
CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
CN112667920A (zh) * | 2020-12-29 | 2021-04-16 | 复旦大学 | 基于文本感知的社交影响力预测方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
薛声军: ""基于时空图卷积网络的城市路网交通流预测研究"", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627591A (zh) * | 2021-07-30 | 2021-11-09 | 马上消费金融股份有限公司 | 动态图数据的处理方法、装置、电子设备及存储介质 |
CN113794695A (zh) * | 2021-08-26 | 2021-12-14 | 浙江工业大学 | 一种基于gru的网络异常流量检测识别方法 |
CN114511767A (zh) * | 2022-02-11 | 2022-05-17 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
CN114511767B (zh) * | 2022-02-11 | 2023-12-01 | 电子科技大学 | 一种面向时序图数据的快速的状态预测方法 |
CN115906928A (zh) * | 2022-11-25 | 2023-04-04 | 中国矿业大学 | 一种基于双通道自注意力的Transformer UUV三维自主避碰规划方法 |
CN115906928B (zh) * | 2022-11-25 | 2023-05-16 | 中国矿业大学 | 一种基于双通道自注意力的Transformer UUV三维自主避碰规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113159414B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159414B (zh) | 一种基于时序图神经网络的交通速度预测方法 | |
CN110648527B (zh) | 一种基于深度学习模型的交通速度预测方法 | |
CN112863180B (zh) | 交通速度预测方法、装置、电子设备及计算机可读介质 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN115240425A (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN115273464A (zh) | 一种基于改进的时空Transformer的交通流量预测方法 | |
CN111260919B (zh) | 交通流量预测方法 | |
CN115578851A (zh) | 一种基于mgcn的交通预测方法 | |
Rathore et al. | Exploiting real-time big data to empower smart transportation using big graphs | |
CN109284682A (zh) | 一种基于stt-lstm网络的手势识别方法及系统 | |
CN114021809A (zh) | 一种无人驾驶用交通流量预测的图层级卷积神经网络模型 | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN115936069A (zh) | 一种基于时空注意力网络的交通流预测方法 | |
CN114493034B (zh) | 一种面向区域流量预测的时空全局语义表示学习方法 | |
CN113627676A (zh) | 一种基于多注意力因果关系的交通预测方法及系统 | |
CN113821985B (zh) | 一种交通状态预测方法、装置及电子设备 | |
CN115762147A (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN115168327A (zh) | 基于多层树状长短期记忆网络的大规模数据时空预测方法 | |
CN115985086A (zh) | 一种交通数据补全方法、系统、终端以及存储介质 | |
CN116129646B (zh) | 一种基于特征交叉的图卷积神经网络的交通预测方法 | |
CN114360242A (zh) | 一种基于混合卷积lstm的城市短时交通流预测方法及系统 | |
Chen et al. | Traffic flow prediction based on cooperative vehicle infrastructure for cloud control platform | |
Li et al. | MTGCN: Multi-graph Fusion Based Temporal-Spatial Convolution for Traffic Flow Forecasting | |
CN118247953A (zh) | 结合降雨量和时空图卷积模型对交通流量的预测方法及装置 | |
CN117218868B (zh) | 一种基于几何散射图网络的交通流预测方法 |
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 |