CN113673769B - 基于多元时间序列插补的图神经网络交通流预测方法 - Google Patents
基于多元时间序列插补的图神经网络交通流预测方法 Download PDFInfo
- Publication number
- CN113673769B CN113673769B CN202110973523.4A CN202110973523A CN113673769B CN 113673769 B CN113673769 B CN 113673769B CN 202110973523 A CN202110973523 A CN 202110973523A CN 113673769 B CN113673769 B CN 113673769B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- graph
- neural network
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 230000007787 long-term memory Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 230000007774 longterm Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开基于多元时间序列插补的图神经网络交通流预测方法，用加权图来描述交通网络中站点之间的拓扑，将交通的流入和流出作为站点节点本身的特征；根据各站点流入流出情况，构建交通流图；利用图神经网络对缺失值进行插补；通过图注意力网络得到空间特征序列；时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流特征作为预测结果。本发明能够消除交通流预测中时空关系数据缺失带来的影响，克服实际应用中可能出现的数据缺失，实现对交通流量进行长期预测。
Description
技术领域
本发明属于交通流预测技术领域，特别是涉及基于多元时间序列插补的图神经网络交通流预测方法。
背景技术
随着全球定位系统(GPS)、移动设备等各种定位技术的快速发展，摄像头、传感器等信息采集设备不断完善，为数据分析积累了大量丰富的带有地理信息的交通时间序列数据,人类社会已然进入“大数据时代”，这对人类生活、社会治理等产生了重大影响，因此如何从海量数据中得到有用信息就受到了广泛关注。时空数据的挖掘对许多应用都有重要作用，包括智能交通、城市规划、公共安全、医疗保健和环境管理等。传统的数据挖掘方法已经不能满足现在的要求，近年来，随着深度学习技术的发展，利用深度神经网络模型进行交通流预测已经变得越来越重要，深度学习模型在空间和时间域中都表现强大的学习能力，现已被各种时空数据挖掘任务中广泛应用。
交通拥堵现在已经成为全球性的城市问题，交通拥堵会增加人们的出行时间，增加了车辆排放的污染物，降低了人们生活质量，甚至会造成交通事故。国内的许多城市都采用了不同的办法来缓解交通问题，虽然都取得一系列的效果，但是还远远不能满足现有的需求。所以要求我们不仅要增加交通基础设施的建设，而且更重要的是最大限度的利用现有路网，通过加强对城市交通的管理，来保证人和车辆快速、舒适、经济和安全行驶。相比于传统交通管理方法，通过人工智能和大数据技术在交通领域的应用，可以更加有效快速地管理城市交通。
交通流量的复杂性和实时性给传统的交通流量预测带来巨大挑战。在对交通流的预测中，交通流量预测的一个重要问题就是数据的完整性和准确性。在实际应用中，一些机构和组织收集的数据不是实时的，有时数据将会丢失，这将对交通流量的预测产生很大影响，使用这些数据来预测交通流量显然会造成较大的偏差。
发明内容
为了解决上述问题，本发明提出了基于多元时间序列插补的图神经网络交通流预测方法，能够消除交通流预测中时空关系数据缺失带来的影响，克服实际应用中可能出现的数据缺失，实现对交通流量进行长期预测。
为达到上述目的，本发明采用的技术方案是：基于多元时间序列插补的图神经网络交通流预测方法，包括步骤：
S10，用加权图来描述交通网络中站点之间的拓扑，将交通的流入和流出作为站点节点本身的特征；
S20，根据各站点流入流出情况，构建交通流图；
S30，利用图神经网络对缺失值进行插补；
S40，通过图注意力网络得到空间特征序列；
S50，时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流特征作为预测结果。
进一步的是，在所述步骤S10中，包括步骤：
S11，用加权图Gt＝(Vt，Et)来描述交通网络中站点之间的拓扑，其中Vt＝{v1，v2，…，vN}表示站点的节点集，N是站点数，Et是加权边集；
S12，分别统计各个站点流入和流出/>的交通流量，获取所有站点在时间t的交通流特征矩阵Xt＝[It，Ot]。
进一步的是，在所述步骤S20中，根据各站点流入流出情况，构建交通流图包括步骤：
在时间范围(t-T，t)内从站点vi到站点vj的行驶记录数，计算任意两个站点节点之间的边的权重，构建交通流图。
进一步的是，在所述步骤S30中，利用图神经网络对缺失值进行插补，包括步骤：
S31，为了对缺失值的存在进行建模，交通流图增加二进制掩码Mt∈{0，1}，其中交通流图中每行的表示/>的对应节点在Xt中可用的特征属性；
其中，意味着/>无效，相反，如果/>表示/>存储实际的传感读数，Xt为交通流特征矩阵，矩阵第i行是与第i个节点相关联的d维节点属性向量/>
S32，建立基于两个模块的架构包括时空编码器和空间解码器，时空编码器利用递归图神经网络将输入序列X[t，t+T]映射为时空表示P[t，t+T]，编码器由消息传递神经网络实现，作为时空特征提取的构建块；
S33，通过消息传递层实现门控循环；
S34，空间解码器将隐藏表示生成预测Qt，用Qt中相同位置的值替换输入Xt中缺失的值。
进一步的是，在所述步骤S40中，通过图注意力网络得到空间特征序列，包括步骤：
S41，交通流图包括流入图和流出图/>将流入图/>和流出图/>的邻接矩阵A和节点特征[Xt-n，…，Xt-1，Xt]作为图卷积神经网络的输入；
S42，在空间维度上，不同地点的交通状况相互影响，使用注意力机制自适应地捕捉空间维度中节点之间的动态相关性；
S43，通过图卷积神经网络的分别得到流入的空间特征和流出的空间特征将流入图和流出图的卷积结果结合起来，然后进行线性变换通过一个完全连接的层，再通过激活函数σ执行非线性变换，以获得聚集流入图和流出图的相邻顶点特征的空间特征/>
进一步的是，在所述步骤S50中，包括步骤：
S51，在时间维度上，不同时间段的交通状况之间存在相关性；通过图形卷积提取交通网络的空间特征后，使用关注力机制来自适应地赋予数据不同的重要性；
S52，利用长短期记忆网络提取时间特征实现交通流量的长期预测；将一定时间段内空间特征序列作为长短期记忆网络层的输入，对于不同的预测周期长度T，输出是在时间t+T交通流特征Xt+T。
S53，使用均方根误差和平均绝对误差来测量预测流量和实际流量之间的差异，模型训练的目标是最小化损失函数，得到交通流特征作为预测结果。
进一步的是，S60，采用强化学习技术对模型参数进行优化。
进一步的是，在所述步骤S60中，利用强化学习技术，收集罚系数，寻找最小训练损失的过程被形式化为马尔可夫决策过程，实现模型参数优化。
进一步的是，为了便于最佳损失系数的训练，在启动强化学习技术之前，首先通过在具有固定损失权重的小规模数据集上进行训练来获得预测流量；模型在重复训练迭代后变得稳定，将损失权重直接应用于更大的数据集。
采用本技术方案的有益效果：
本发明将交通的流入和流出作为站点节点本身的特征，通过图神经网络解决数据缺陷的问题，通过图注意力网络学习空间特征序列，时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流特征。克服实际应用中可能出现的数据缺失，对交通流量进行长期预测。
本发明提出基于多元时间序列插补的图神经网络交通流预测的方法，将交通的流入和流出作为站点节点本身的特征。当数据因缺失而不完整时，通过图神经网络解决数据缺陷的问题，设计了一个基于两个模块的架构：时空编码器和空间解码器。时空编码器利用特别设计的递归图神经网络将输入序列映射为时空表示。空间解码器由消息传递神经网络实现，减少数据缺陷对预测结果的影响。
本发明为了同时捕捉交通流的时间和空间特征，设计一个时空预测网络。这个深度学习网络结合了图注意力网络和长短期记忆网络。通过图注意力网络学习空间特征序列，得到流入的空间特征和流出的空间特征，将流入概率图和流出概率图的卷积结果结合起来得到，利用时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流特征，实现交通流量的预测。设计利用时空预测网络可以提高交通流量预测的准确性，弥补因数据缺失造成的影响。
附图说明
图1为本发明的基于多元时间序列插补的图神经网络交通流预测方法流程示意图；
图2为本发明实施例中一种时空流量预测网络模型的原理框架示意图；
图3为本发明实施例中交通流图示意图；
图4为本发明实施例中一种时空预测网络的框架示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1和图2所示，本发明提出了基于多元时间序列插补的图神经网络交通流预测方法，包括步骤：
S10，用加权图来描述交通网络中站点之间的拓扑，将交通的流入和流出作为站点节点本身的特征；
S20，根据各站点流入流出情况，构建交通流图；
S30，利用图神经网络对缺失值进行插补；
S40，通过图注意力网络得到空间特征序列；
S50，时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流特征作为预测结果。
作为上述实施例的优化方案，在所述步骤S10中，包括步骤：
S11，用加权图Gt＝(Vt，Et)来描述交通网络中站点之间的拓扑，其中Vt＝{v1，v2，…，vN}表示站点的节点集，N是站点数，Et是加权边集；
S12，分别统计各个站点流入和流出/>的交通流量，获取所有站点在时间t的交通流特征矩阵Xt＝[It，Ot]。
作为上述实施例的优化方案，如图3所示，在所述步骤S20中，根据各站点流入流出情况，构建交通流图包括步骤：
在时间范围(t-T，t)内从站点vi到站点vj的行驶记录数，计算任意两个站点节点之间的边的权重，构建交通流图。
具体计算公式为：
其中，表示站点vi到站点vj的边的权重，count()是计数函数，/>是相关机构或组织提供的车辆出现记录。
作为上述实施例的优化方案，在所述步骤S30中，利用图神经网络对缺失值进行插补，包括步骤：
S31，为了对缺失值的存在进行建模，交通流图增加二进制掩码Mt∈{0，1}，其中交通流图中每行的表示/>的对应节点在Xt中可用的特征属性；
其中，意味着/>无效，相反，如果/>表示/>存储实际的传感读数，Xt为交通流特征矩阵，矩阵第i行是与第i个节点相关联的d维节点属性向量/>
S32，建立基于两个模块的架构包括时空编码器和空间解码器，时空编码器利用递归图神经网络(GNN)将输入序列X[t，t+T]映射为时空表示P[t，t+T]，编码器由消息传递神经网络实现，作为时空特征提取的构建块；
特别是，给定节点特征向量，消息传递层为：
其中，Wt是邻接矩阵，是第i个节点的邻居集，γk和ρk是多层感知器，∑是求和，指定了如何聚合从邻居接收到的消息；MPNN消息传递神经网络；
S33，通过消息传递层实现门控循环；
在节点级别，可以通过以下计算步骤描述消息传递门控循环的元素：
其中，分别是重置门和更新门。/>是第i个节点在时间t的隐藏表示，/>是解码块在前一时间步的输出。符号⊙和||分别表示哈达玛乘积和串联运算；
S34，空间解码器将隐藏表示生成预测Qt，用Qt中相同位置的值替换输入Xt中缺失的值，计算过程如下：
Qt＝Pt-1Vh+bh；
其中，Pt-1可以被初始化为一个常数，也可以是一个可学习的嵌入Vh是一个可学习的权重矩阵，而bh是一个可学习的偏差向量。
作为上述实施例的优化方案，如图4所示，在所述步骤S40中，通过图注意力网络(GAT)得到空间特征序列，包括步骤：
S41，交通流图包括流入图和流出图/>将流入图/>和流出图/>的邻接矩阵A和节点特征[Xt-n，…，Xt-1，Xt]作为图卷积神经网络的输入；
S42，在空间维度上，不同地点的交通状况相互影响，使用注意力机制自适应地捕捉空间维度中节点之间的动态相关性；
公式如下：
S＝Vs·σ((Xtw1)W2(W3Xt)T+bs)；
其中，Xt为节点特征矩阵，W1，W2，W3是可学习的参数，σ用作激活函数，S′i，j表示节点i和节点j之间的相关强度；
S43，通过图卷积神经网络的分别得到流入的空间特征和流出的空间特征将流入图和流出图的卷积结果结合起来，然后进行线性变换通过一个完全连接的层，再通过激活函数σ执行非线性变换，以获得聚集流入图和流出图的相邻顶点特征的空间特征/>
计算过程如下：
其中，属于为加入邻接矩阵的自连接，I为单位矩阵；属于/>为At的度矩阵，即/>Xt是t时刻的交通流特征，”||”是串联运算，W4是图卷积层的参数矩阵，W5是全连通层的参数矩阵，S′表示节点之间的相关强度，激活函数σ是LeakyReLU。
作为上述实施例的优化方案，其特征在于，在所述步骤S50中，包括步骤：
S51，在时间维度上，不同时间段的交通状况之间存在相关性；通过图形卷积提取交通网络的空间特征后，使用关注力机制来自适应地赋予数据不同的重要性；
公式如下：
其中，为空间特征，Ve，be，U1，U2，U3是可学习参数，σ用作激活函数，E′i，j表示时间i和j之间的依赖关系的强度；
S52，利用长短期记忆网络(LSTM)提取时间特征实现交通流量的长期预测；将一定时间段内空间特征序列作为长短期记忆网络层的输入，对于不同的预测周期长度T，输出是在时间t+T交通流特征Xt+T。
S53，使用均方根误差和平均绝对误差来测量预测流量和实际流量之间的差异，模型训练的目标是最小化损失函数，得到交通流特征作为预测结果。计算公式如下所示：
均方根误差：
平均绝对误差：
预测流量：和：实际流量Yt＝{y1，y2，…，yN}。
作为上述实施例的优化方案，S60，采用强化学习技术对模型参数进行优化。在所述步骤S60中，利用强化学习技术，收集罚系数，寻找最小训练损失的过程被形式化为马尔可夫决策过程，实现模型参数优化。
利用强化学习技术，收集罚系数为寻找最小训练损失的过程被形式化为马尔可夫决策过程，即M(S，A，P，γ)，其中S是状态空间，A是动作空间，P是状态转移模型，γ是奖励函数；
状态空间：状态s∈S直接定义为s＝{λ0，λ1，…，λm}，and λi∈[0，1]；
动作空间：使用动作a∈A来更新的值；
奖励函数：如果通过检验当前计算的训练损失能否能使模型在测试集上达到较小的误差，会出现较大的延迟。为此，设计成离散值的分片函数，并直接使用离散奖励更新来简化RL过程。奖励r(s，a)形式如下：
其中，表示基于测试集上的状态s训练的模型的误差，s′表示根据动作a更新s后的状态；如果与每个动作相关的奖励在一定的步长范围内持续为负，则损失系数被认为是最优的。
为了便于最佳损失系数的训练，在启动强化学习技术之前，首先通过在具有固定损失权重的小规模数据集上进行训练来获得预测流量；模型在重复训练迭代后变得稳定，将损失权重直接应用于更大的数据集。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，包括步骤：
S10,用加权图来描述交通网络中站点之间的拓扑，将交通的流入和流出作为站点节点本身的特征；
S20,根据各站点流入流出情况，构建交通流图；
S30,利用图神经网络对缺失值进行插补；
S40,通过图注意力网络得到空间特征序列；
S50,时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流特征作为预测结果；
在所述步骤S50中，包括步骤：
S51,在时间维度上，不同时间段的交通状况之间存在相关性；通过图形卷积提取交通网络的空间特征后，使用关注力机制来自适应地赋予数据不同的重要性；
公式如下：
其中，为空间特征，Ve，be，U1，U2，U3是可学习参数，σ用作激活函数，E′i,j表示时间i和j之间的依赖关系的强度；
S52，利用长短期记忆网络提取时间特征实现交通流量的长期预测；将一定时间段内空间特征序列作为长短期记忆网络层的输入，对于不同的预测周期长度T，输出是在时间t+T交通流特征Xt+T；
S53,使用均方根误差和平均绝对误差来测量预测流量和实际流量之间的差异，模型训练的目标是最小化损失函数，得到交通流特征作为预测结果。
2.根据权利要求1所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S10中，包括步骤：
S11,用加权图Gt＝(Vt,Et)来描述交通网络中站点之间的拓扑，其中Vt＝{ν1,ν2,…,νN}表示站点的节点集，N是站点数，Et是加权边集；
S12,分别统计各个站点流入和流出/>的交通流量，获取所有站点在时间t的交通流特征矩阵Xt＝[It,Ot]。
3.根据权利要求2所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S20中,根据各站点流入流出情况，构建交通流图，包括步骤：
在时间范围(t-T,t)内从站点vi到站点vj的行驶记录数，计算任意两个站点节点之间的边的权重，构建交通流图。
4.根据权利要求3所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S30中，利用图神经网络对缺失值进行插补，包括步骤：
S31,交通流图增加二进制掩码Mt∈{0，1}，其中交通流图中每行的表示/>的对应节点在Xt中可用的特征属性；
其中，意味着/>无效，相反，如果/>表示/>存储实际的传感读数，Xt为交通流特征矩阵，矩阵第i行是与第i个节点相关联的d维节点属性向量/>
S32,建立基于两个模块的架构包括时空编码器和空间解码器，时空编码器利用递归图神经网络将输入序列X[t,t+T]映射为时空表示P[t,t+T]，编码器由消息传递神经网络实现，作为时空特征提取的构建块；
S33,通过消息传递层实现门控循环；
S34,空间解码器将隐藏表示生成预测Qt，用Qt中相同位置的值替换输入Xt中缺失的值，计算过程如下：
Qt＝Pt-1Vh+bh
其中,Pt-1可以被初始化为一个常数，也可以是一个可学习的嵌入，Vh是一个可学习的权重矩阵，而bh是一个可学习的偏差向量。
5.根据权利要求4所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S40中，通过图注意力网络得到空间特征序列，包括步骤：
S41,交通流图包括流入图和流出图/>将流入图/>和流出图/>的邻接矩阵A和节点特征[Xt-n,…,Xt-1,Xt]作为图卷积神经网络的输入；
S42,在空间维度上，不同地点的交通状况相互影响，使用注意力机制自适应地捕捉空间维度中节点之间的动态相关性；
S43,通过图卷积神经网络的分别得到流入的空间特征和流出的空间特征/>将流入图和流出图的卷积结果结合起来，然后进行线性变换通过一个完全连接的层，再通过激活函数σ执行非线性变换，以获得聚集流入图和流出图的相邻顶点特征的空间特征/>
6.根据权利要求1-5任一所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，S60,采用强化学习技术对模型参数进行优化。
7.根据权利要求6所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S60中，利用强化学习技术，收集罚系数，寻找最小训练损失的过程被形式化为马尔可夫决策过程，实现模型参数优化。
8.根据权利要求7所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在启动强化学习技术之前，首先通过在具有固定损失权重的小规模数据集上进行训练来获得预测流量；模型在重复训练迭代后变得稳定，将损失权重直接应用于更大的数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973523.4A CN113673769B (zh) | 2021-08-24 | 2021-08-24 | 基于多元时间序列插补的图神经网络交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973523.4A CN113673769B (zh) | 2021-08-24 | 2021-08-24 | 基于多元时间序列插补的图神经网络交通流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673769A CN113673769A (zh) | 2021-11-19 |
| CN113673769B true CN113673769B (zh) | 2024-02-02 |
Family
ID=78545494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110973523.4A Active CN113673769B (zh) | 2021-08-24 | 2021-08-24 | 基于多元时间序列插补的图神经网络交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673769B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114582128B (zh) * | 2022-03-10 | 2023-08-04 | 浙江大学 | 基于图离散注意力网络的交通流预测方法、介质及设备 |
| CN114743374B (zh) * | 2022-04-01 | 2023-04-07 | 清华大学深圳国际研究生院 | 基于图网络的多元交通流预测方法 |
| CN114973678B (zh) * | 2022-06-08 | 2024-04-09 | 广州航海学院 | 一种基于图注意力神经网络和时空大数据的交通预测方法 |
| CN115098798A (zh) * | 2022-06-09 | 2022-09-23 | 福州大学 | 融合地图数据的多元交通流城市空间组织模式识别方法 |
| CN115376318B (zh) * | 2022-08-22 | 2023-12-29 | 中交投资(湖北)运营管理有限公司 | 一种基于多属性融合神经网络的交通数据补偿方法 |
| CN115620514A (zh) * | 2022-09-22 | 2023-01-17 | 北京交通大学 | 一种基于自适应广义PageRank图神经网络的交通流预测方法 |
| CN115827335B (zh) * | 2023-02-06 | 2023-05-09 | 东南大学 | 基于模态交叉方法的时序数据缺失插补系统以及插补方法 |
| CN116994427A (zh) * | 2023-07-04 | 2023-11-03 | 重庆邮电大学 | 一种基于大数据的道路路况预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
| 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 |
| CN109800915A (zh) * | 2019-01-16 | 2019-05-24 | 同济大学 | 一种基于缺失数据集的交通流量预测方法 |
| CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
| CN112288156A (zh) * | 2020-10-26 | 2021-01-29 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
| GB202108207D0 (en) * | 2020-06-30 | 2021-07-21 | Univ Xidian | Vehicle traffic flow prediction method with missing data |
| CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110365B (zh) * | 2009-12-28 | 2013-11-06 | 日电（中国）有限公司 | 基于时空关系的路况预测方法和系统 |
| US11562186B2 (en) * | 2018-09-05 | 2023-01-24 | Siemens Aktiengesellschaft | Capturing network dynamics using dynamic graph representation learning |
-
2021
- 2021-08-24 CN CN202110973523.4A patent/CN113673769B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108205889A (zh) * | 2017-12-29 | 2018-06-26 | 长春理工大学 | 基于卷积神经网络的高速公路交通流预测方法 |
| CN109800915A (zh) * | 2019-01-16 | 2019-05-24 | 同济大学 | 一种基于缺失数据集的交通流量预测方法 |
| 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 |
| CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
| GB202108207D0 (en) * | 2020-06-30 | 2021-07-21 | Univ Xidian | Vehicle traffic flow prediction method with missing data |
| CN112288156A (zh) * | 2020-10-26 | 2021-01-29 | 哈尔滨工程大学 | 基于元学习和图注意力时空神经网络的空气质量预测方法 |
| CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于时空特性和RBF神经网络的短时交通流预测;高为等;交通信息与安全(第01期);第22-25页 * |
| 杨淑媛著.《现代神经网络教程》.西安电子科技大学出版社,2020,第463-464页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673769A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113673769B (zh) | 基于多元时间序列插补的图神经网络交通流预测方法 | |
| Shi et al. | A spatial–temporal attention approach for traffic prediction | |
| Sit et al. | A comprehensive review of deep learning applications in hydrology and water resources | |
| Chen et al. | A graph convolutional stacked bidirectional unidirectional-LSTM neural network for metro ridership prediction | |
| CN107529651B (zh) | 一种基于深度学习的城市交通客流预测方法和设备 | |
| CN114220271B (zh) | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 | |
| Ta et al. | Adaptive spatio-temporal graph neural network for traffic forecasting | |
| Li et al. | Traffic speed prediction for intelligent transportation system based on a deep feature fusion model | |
| CN110969854A (zh) | 一种交通流量的预测方法、系统及终端设备 | |
| Wang et al. | A multi-view bidirectional spatiotemporal graph network for urban traffic flow imputation | |
| CN112801355A (zh) | 基于长短期时空数据多图融合时空注意力的数据预测方法 | |
| Shang et al. | A new ensemble deep graph reinforcement learning network for spatio-temporal traffic volume forecasting in a freeway network | |
| CN112541302A (zh) | 空气质量预测模型训练方法、空气质量预测方法及装置 | |
| CN111639791A (zh) | 交通流预测方法、系统、存储介质及终端 | |
| CN116168548A (zh) | 一种基于多特征融合的时空注意图卷积网络的交通流预测方法 | |
| Huang et al. | Origin-destination flow prediction with vehicle trajectory data and semi-supervised recurrent neural network | |
| CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 | |
| Wang et al. | Urban traffic flow prediction: A dynamic temporal graph network considering missing values | |
| Ganji et al. | Traffic volume prediction using aerial imagery and sparse data from road counts | |
| Yu et al. | Using information entropy and a multi-layer neural network with trajectory data to identify transportation modes | |
| Zhang et al. | Boosted trajectory calibration for traffic state estimation | |
| CN117217779A (zh) | 预测模型的训练方法、装置及信息预测方法、装置 | |
| CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
| CN116486611A (zh) | 一种城市道路车辆速度预测方法 | |
| CN115829163A (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 |
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 |