CN113869614B - 一种基于时空图卷积的行人流早期预测方法 - Google Patents

一种基于时空图卷积的行人流早期预测方法 Download PDF

Info

Publication number
CN113869614B
CN113869614B CN202111466362.6A CN202111466362A CN113869614B CN 113869614 B CN113869614 B CN 113869614B CN 202111466362 A CN202111466362 A CN 202111466362A CN 113869614 B CN113869614 B CN 113869614B
Authority
CN
China
Prior art keywords
data
time
pedestrian flow
decoder
space
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
Application number
CN202111466362.6A
Other languages
English (en)
Other versions
CN113869614A (zh
Inventor
邵巍
周家柳
彭紫妍
罗喜伶
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.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
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 Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202111466362.6A priority Critical patent/CN113869614B/zh
Publication of CN113869614A publication Critical patent/CN113869614A/zh
Application granted granted Critical
Publication of CN113869614B publication Critical patent/CN113869614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/044—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
    • G06N3/045—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

Landscapes

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

Abstract

本发明公开了一种基于时空图卷积的行人流早期预测方法，其包括：获取行人流量的训练样本，构建应用无向图的扩散卷积的编码器解码器结构，构建控制历史数据步长的控制器，对基于时空图卷积的早期预测模型进行迭代训练：获取行人流早期预测的结果。本发明将传感器采集到的实时数据样本输入模型，通过编码器提取样本特征，编码器的输出去初始化解码器，控制器根据解码器最终输出的隐藏状态来判断当前时刻是否满足最佳步长的条件，若满足则由全连接层得到最终预测值，即在未来某时间段内各传感器区域内所经过的行人数量。本发明不仅能够根据历史数据在预测前自适应选择合适步长进行预测，而且预测精度比设置固定步长的模型精度要高。

Description

一种基于时空图卷积的行人流早期预测方法
技术领域
本发明属于行人流预测领域，涉及一种基于时空图卷积的行人流早期预测方法，该方法能够自适应选择合适历史数据的步长进行行人流的提前预测。
背景技术
如今，对公共区域行人流的有效调控和疏散的需求越来越大。如果没有适当的引导和调节，当行人逐渐聚集时，就会出现堵塞。特别是在紧急情况下，可能会出现一些行人之间的竞争，可能演变成踩踏事故。因此，研究人流预测对公共人群安全具有重要意义，行人流预测即预测在一定时间内经过传感器的行人数量。
考虑到欧氏距离相近的节点可能有更大的人流差异，本发明结合扩散卷积运算来进行行人流预测。目前，使用扩散卷积运算进行预测的有扩散卷积循环神经网络（论文期刊：ICIR 2018），该模型将扩散卷积应用于有向图，认为扩散过程的特征是在该图上随机行走即扩散过程的平稳分布可以表示为图上无限随机游动的加权组合。根据这一思想，将扩散过程的过度矩阵和反向过渡矩阵考虑到卷积运算中，并构建编码解码器结构进行多步预测。但是这种模型目前主要应用于有向图，且只能通过输入固定步长的历史数据进行预测，无法自适应改变步长进行提前预测，这对于提前预测避免人群拥堵甚或者踩踏事故的发生十分不利。
为了克服现有预测模型无法自适应改变历史数据步长的不足，本发明提出一种基于时空图卷积的行人流早期预测方法，该方法不仅应用于无向图，并且能够自适应改变历史数据的步长进行预测，同时考虑了预测的精度以及提前性的需求。
发明内容
为了解决当前行人流量预测只能通过事先设定历史数据的固定步长来训练模型并进行预测这一问题，本发明提供一种基于时空图卷积的行人流早期预测方法，该方法不仅能够根据历史数据在预测前自适应选择合适步长进行预测，而且预测精度比设置固定步长的模型精度要高。
本发明首先提供了一种基于时空图卷积的行人流早期预测方法，其包括如下步骤：
1）获取行人流量的训练样本；
2）构建基于时空图卷积的早期预测模型A，其包括：2a) 构建应用无向图的扩散卷积的编码器解码器结构；2b) 构建控制历史数据步长的控制器；
其中，步骤2a)为：所述的编码器只包含一个门控循环单元，将时刻t的数据输入编码器用于提取前t个步长数据的特征，根据其输出的隐藏状态去初始化解码器，解码器由T-t个门控循环单元组成，若解码器输出的隐藏状态满足最佳步长的要求，则后接一个全连接层进行行人流早期预测；否则令t=t+1，以上一时刻编码器的隐藏状态对现编码器进行更新，并重复循环；
所述的步骤2b)为：将解码器的最终隐藏状态
Figure DEST_PATH_IMAGE001
与当前时刻t作为控制器的输入，根据控制器输出结果at来判断所需历史数据步长是否应当增加；具体是将输入看作一个不可变的数据，学习函数将其隐射到停止概率上，根据停止概率参数化一个伯努利分布，并进行采样，采样结果at即控制器的输出；at为1意味着当前时刻为最佳步长，应停止循环进行预测；at为0则意味着循环继续；
3）对基于时空图卷积的早期预测模型进行迭代训练：
4）解码器输出的隐藏状态满足最佳步长的要求。
作为本发明的优选方案，所述的步骤1）包括如下步骤：
1a) 获取记录不同时间段内传感器设备记录的行人流数据，行人流数据表示为M个样本，每个样本表示为
Figure DEST_PATH_IMAGE002
的二维矩阵
Figure DEST_PATH_IMAGE003
，其中T为历史数据步长，N为传感器设备数量，M为样本数量；
1b) 获取记录传感器设备经纬度位置的数据，根据经纬度计算传感器设备之间的距离，建立
Figure DEST_PATH_IMAGE004
二维无向加权邻接矩阵W，每个元素Wij表示传感器i与传感器j之间的接近度；
1c) 二维矩阵X与无向加权邻接矩阵W进行归一化处理。
作为本发明的优选方案，所述的步骤4）为：将传感器采集到的实时数据样本输入到训练后的模型
Figure DEST_PATH_IMAGE005
，通过编码器提取样本特征，编码器的输出去初始化解码器，控制器根据解码器最终输出的隐藏状态来判断当前时刻是否满足最佳步长的条件，若满足则由全连接层得到最终预测值，即在未来某时间段内各传感器区域内所经过的行人数量，若不满足则继续输入数据。
本发明还提供了一种基于时空图卷积的行人流早期预测系统，该系统包括存储单元和处理单元，所述存储单元中存储可在所述处理单元上运行的计算机程序；所述处理单元执行所述计算机程序时实现上所述的基于时空图卷积的行人流早期预测方法。
与现有技术相比，本发明将无向图的扩散卷积代替门控循环单元中的矩阵乘法，将历史数据输入到门控循环单元组成的编码器中提取特征，利用编码器输出的隐藏状态初始化解码器并进行迭代得到最终的隐藏状态作为结果输出。控制器将该结果视作不可变数据隐射到停止概率上，并根据停止概率建立伯努利分布，通过该分布的采样结果控制所需历史数据的步长应当增加还是直接进行预测。模型训练的损失函数则由三部分组成，预测值与真实值的误差，反应控制器策略的参数限制下的预测成功奖励，以及带有设定权重的停止对数概率。本发明提供的基于时空图卷积的行人流早期预测方法不仅能够根据历史数据在预测前自适应选择合适步长进行预测，而且预测精度比设置固定步长的模型精度要高。
附图说明
图1是本发明进行迭代训练的实现流程图。
具体实施方式
下面结合具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
本发明解决其问题所采用的方案将结合图1进行说明：将无向图的扩散卷积代替门控循环单元中的矩阵乘法，将历史数据输入到门控循环单元组成的编码器中提取特征，利用编码器输出的隐藏状态初始化解码器并进行迭代得到最终的隐藏状态作为结果输出。控制器将该结果视作不可变数据隐射到停止概率上，并根据停止概率建立伯努利分布，通过该分布的采样结果控制所需历史数据的步长应当增加还是直接进行预测。模型训练的损失函数则由三部分组成，预测值与真实值的误差，反应控制器策略的参数限制下的预测成功奖励，以及带有设定权重的停止概率。
参照图1，本发明包括如下几个步骤：
步骤1) 获取行人流量的训练样本集，验证样本集和测试样本集
1a) 获取记录不同时间段内传感器设备记录的行人流数据，数据表示为M个样本X，样本表示为
Figure 334557DEST_PATH_IMAGE002
的二维矩阵
Figure 722813DEST_PATH_IMAGE003
，其中T为历史数据步长，N为传感器设备数量，M为样本数量。在本实例中M=100，T=12，N=31。
1b) 获取记录传感器设备经纬度位置的数据，根据经纬度计算传感器设备之间的距离，建立
Figure 948258DEST_PATH_IMAGE004
二维无向加权邻接矩阵W，每个元素W ij 表示传感器i与传感器j之间的接近度。
Figure DEST_PATH_IMAGE006
其中σ为矩阵方差，
Figure DEST_PATH_IMAGE007
为传感器
Figure DEST_PATH_IMAGE008
到传感器
Figure DEST_PATH_IMAGE009
的距离。
1c) 无向加权邻接矩阵W与样本二维矩阵X进行归一化：
Figure DEST_PATH_IMAGE010
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE012
Figure DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
是标准化的结果，
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
为归一化结果，且以下步骤中的W，X皆为归一化的结果。
步骤2) 构建基于时空图卷积的早期预测模型A：
2a)构建应用无向图的扩散卷积的编码器解码器结构
对于t时间关注到的样本X记作
Figure DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
记录着i节点j时刻的行人数量。样本X在滤波器
Figure DEST_PATH_IMAGE020
上进行的扩散卷积定义为：
Figure DEST_PATH_IMAGE021
其中
Figure DEST_PATH_IMAGE022
表述扩散卷积，
Figure DEST_PATH_IMAGE023
、
Figure DEST_PATH_IMAGE024
表示可以学习的参数，图信号
Figure DEST_PATH_IMAGE025
，
Figure DEST_PATH_IMAGE026
为节点集，
Figure DEST_PATH_IMAGE027
为表示边集，W为归一化的无向加权图邻接矩阵。每个节点对应每个传感器，其节点特征为单位时间内行人数量，本实例中单位时间即一小时，X为特征矩阵。此外，
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，1为N维的一向量，本实例中K=2。
因此，门控循环单元的计算如下：
重置门控：
Figure DEST_PATH_IMAGE030
其中
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE032
为可学习参数，
Figure DEST_PATH_IMAGE033
为上一单元隐藏状态，
Figure DEST_PATH_IMAGE034
。
重置后的数据与输入进行拼接，再通过一个tanh激活函数来将数据放缩到-1~1的范围内，得到当前记忆内容：
Figure DEST_PATH_IMAGE035
其中
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
为可学习参数，
Figure DEST_PATH_IMAGE038
为矩阵对应元素相乘。
更新门控：
Figure DEST_PATH_IMAGE039
其中
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
为可学习参数。
隐藏状态
Figure DEST_PATH_IMAGE042
：
Figure DEST_PATH_IMAGE043
Figure DEST_PATH_IMAGE044
本实例中
Figure 365200DEST_PATH_IMAGE033
为
Figure DEST_PATH_IMAGE045
的上一隐藏层状态，
Figure DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
为
Figure DEST_PATH_IMAGE048
大小的矩阵，
Figure DEST_PATH_IMAGE049
为
Figure DEST_PATH_IMAGE050
大小的数据。编码器只包含一个门控循环单元，将时刻t的数据入编码器用于提取前t个步长数据的特征，根据其输出的隐藏状态去初始化解码器，解码器由T-t个门控循环单元组成，若解码器输出的隐藏状态满足最佳步长的要求，则后接一个全连接层进行预测，否则将时刻t+1的数据输入编码器（即令t=t+1），依据之前编码器的状态以及输入对现编码器进行更新，更新后的编码器的输出初始化解码器，以此类推，直至解码器输出的隐藏状态满足最佳步长的要求。
2b) 构建控制历史数据步长的控制器
将解码器的最终隐藏状态
Figure 833352DEST_PATH_IMAGE001
与当前时刻t作为控制器的输入，根据其输出结果at来判断所需历史数据步长是否应当增加。其具体运算是将输入看作一个不可变的数据，学习函数将其隐射到停止概率上有：
Figure DEST_PATH_IMAGE051
其中
Figure DEST_PATH_IMAGE052
，
Figure DEST_PATH_IMAGE053
为可学习参数，参数σ确保停止概率在0与1之间。
根据停止概率参数化一个伯努利分布，并进行采样，采样结果即控制器的输出。at为1意味着当前时刻为最佳步长，应停止循环进行预测；at为0则意味着循环继续。
步骤3) 对基于时空图卷积的早期预测模型进行迭代训练：
3a) 当前迭代次数为n，最大迭代次数为N，N=450，当前时空图卷积网络为
Figure DEST_PATH_IMAGE054
，并令n=0，
Figure 900666DEST_PATH_IMAGE054
=A ；
3b) 从训练集中随机选取M（本实例中M=100）个样本作为
Figure 980617DEST_PATH_IMAGE054
的输入，并采用解码器提取特征，控制器根据解码器最终输出的隐藏状态判断当前是否为最佳步长，在最佳步长进行预测；
3c) 为了最小化训练阶段的误差，通过最小化损失函数进行优化：
Figure DEST_PATH_IMAGE055
其中
Figure DEST_PATH_IMAGE056
是所有可学习参数，
Figure DEST_PATH_IMAGE057
为预测损失函数，
Figure DEST_PATH_IMAGE058
为编码器和解码器中可学习参数，
Figure DEST_PATH_IMAGE059
为控制器损失函数，
Figure DEST_PATH_IMAGE060
为控制器中可学习参数，
Figure DEST_PATH_IMAGE061
为停止对数概率，
Figure DEST_PATH_IMAGE062
为控制器中对应停止对数概率部分的可学习参数，使用Adam优化器降迭代更新这些可学习参数。λ为设定的权重参数，用于控制提前预测的程度，即向与预测精度相反的方向进行优化的力度，λ特别小或者接近0的时候，模型只考虑预测精度进行优化。
分别介绍这三个部分：
预测损失函数：
Figure DEST_PATH_IMAGE063
其中
Figure DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE065
分别为真实值和预测值，我们将两者的均方误差作为损失函数来优化门控循环单元中可学习参数。
控制器损失函数：
控制器损失函数的定义需要能够反映控制器策略的参数，同时需要量化预测成功的奖励。因此，当预测正确时，设置rt=1，当预测不正确时，设置rt=-1，优化控制器中可学习参数使得总奖励R最大化。
总奖励：
Figure DEST_PATH_IMAGE066
其中τ表示历史数据最佳步长，即能够反应控制器策略的参数。
但是，控制器中存在采样动作，不能直接应用于反向传播，因此转换形成代理损失函数。最小化代理损失函数以更新控制器的参数。
代理损失函数：
Figure DEST_PATH_IMAGE067
上述代理损失函数提供了梯度的无偏估计，然而存在方差过大的问题。为了解决这个问题，我们添加了一个基线，通常考虑以下形式的梯度估计：
Figure DEST_PATH_IMAGE068
其中，bt是一个可能依赖于解码器输出的最终隐藏状态
Figure 507807DEST_PATH_IMAGE001
，但不依赖于动作at的基线，也称为值函数，此处我们额外添加一个bt与R的均方误差来学习值函数以逼近R。以这种形式进行优化，如果大于预期的累积奖励，则增加伯努利分布中at对应的对数概率，如果获得的累积奖励较小，则减小概率。
早期损失函数：
早期损失函数顾名思义就是考虑到早提前预测这一目标。
Figure DEST_PATH_IMAGE069
对数概率需要最小化，对应增加停止概率probt，相当于直接控制模型提前预测，向提高精度相反的方向优化模型可学习参数，我们设定一个权重参数来控制这一反方向优化的力度。
3d) 模型使用Pytorch实现，并使用Adam优化器进行训练，多次使用训练集和验证集调整超参数。初始学习率为
Figure DEST_PATH_IMAGE070
，每个 epoch 后衰减率为 0.01。
3f)判断n=N是否成立，若是，得到训练好的模型
Figure 119048DEST_PATH_IMAGE005
，否则，令n=n+1，并执行步骤3b)。
步骤4) 获取行人流早期预测的结果：在实际应用中，我们将传感器采集到的实时数据样本输入模型
Figure 52369DEST_PATH_IMAGE005
，通过编码器提取样本特征，编码器的输出去初始化解码器，控制器根据解码器最终输出的隐藏状态来判断当前时刻是否满足最佳步长的条件，若满足则由全连接层得到最终预测值，即在未来某时间段内各传感器区域内所经过的行人数量，从而达到既满足精度要求又满足早期预测的目的。
下面结合仿真实验对本发明的效果作进一步的说明。
1. 仿真条件：
本发明的仿真实验采用的数据是行人流速度记录，采用行人记述系统中部署在墨尔本主要地区的多个传感器站收集。总共收集了自 2009 年以来每小时行人计数，共有 67个传感器设备。该数据集每月更新一次，可用于检测全天人流的变化。如果在一小时内没有行人从传感器下方通过，则该小时的传感器计数将显示为零。本发明没有考虑那些大部分时间没有人通过的传感器，而是选择了 31 个行人传感器，收集了 2014 年 1 月前 15 天的历史数据作为实验数据集，每天有24个小时即24个时间点数据，对于每个传感器总共有15*24=360小时的数据，将数据整理成
Figure DEST_PATH_IMAGE071
矩阵，其中31即传感器个数N。考虑到真实值的截取，本发明以
Figure DEST_PATH_IMAGE072
大小的窗口步长为1滑动生成了360-12=348个样本，其中12即为历史数据步长T。以278：35：35的比例将其划分训练样本集，验证样本集和测试样本集，每次取100个样本（即M=100）以及每个对应的真实值输入到模型当中，若剩余样本不足100则将剩余样本全部输入即可。
本发明的仿真实验的硬件测试平台是：处理器为Intel i5 10400F CPU，主频为2.90GHz，内存32GB，GPU:英伟达GeForce RTX 3070。以
Figure DEST_PATH_IMAGE073
训练测试模型，对于每个
Figure DEST_PATH_IMAGE074
稳定在某个最佳历史数据步长，本发明提取平均误差和最佳历史数据步长。
2. 仿真内容与结果分析：
本发明的仿真实验是采用本发明方法和现有预测方法进行仿真，在上述仿真条件下进行仿真实验。评估指标和基线为了测量和评估不同方法的性能，平均绝对误差(MAE)和采用均方误差(MSE)。
本发明将本发明的框架与以下基线进行比较:1)历史平均值；2)图卷积LSTM。结果如表1所示：
表1 本发明与现有技术对流量预测的结果
Figure DEST_PATH_IMAGE075
表1展示了数据集上的基于时空图卷积的行人流早期预测方法和基线的预测情况，即在相同平均所用步长百分比下评估指标对比的结果。本发明的模型在所有评估指标中获得了具有统计学意义的最佳性能。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于时空图卷积的行人流早期预测方法，其特征在于，包括如下步骤：
1）获取行人流量的训练样本；
所述的步骤1）包括如下步骤：
1a) 获取记录不同时间段内传感器设备记录的行人流数据，行人流数据表示为M个样 本，每个样本表示为
Figure 490313DEST_PATH_IMAGE001
的二维矩阵
Figure 82968DEST_PATH_IMAGE002
，其中T为历史数据步长，N为传感器设备数 量，M为样本数量；
1b) 获取记录传感器设备经纬度位置的数据，根据经纬度计算传感器设备之间的距 离，建立
Figure 773843DEST_PATH_IMAGE003
二维无向加权邻接矩阵W，每个元素Wij表示传感器i与传感器j之间的接近度；
1c) 二维矩阵X与无向加权邻接矩阵W进行归一化处理；
2）构建基于时空图卷积的早期预测模型A，其包括：2a) 构建应用无向图的扩散卷积的编码器解码器结构；2b) 构建控制历史数据步长的控制器；
其中，步骤2a)为：所述的编码器只包含一个门控循环单元，将时刻t的数据输入编码器用于提取前t个步长数据的特征，根据其输出的隐藏状态去初始化解码器，解码器由T-t个门控循环单元组成，若解码器输出的隐藏状态满足最佳步长的要求，则后接一个全连接层进行行人流早期预测；否则令t=t+1，以上一时刻编码器的隐藏状态对现编码器进行更新，并重复循环；
步骤2b)为：将解码器的最终隐藏状态
Figure 717529DEST_PATH_IMAGE004
与当前时刻t作为控制器的输入，根据控制 器输出结果at来判断所需历史数据步长是否应当增加；具体是将控制器输入看作一个不可 变的数据，学习函数将其映射到停止概率
Figure 886473DEST_PATH_IMAGE005
上：
Figure 599214DEST_PATH_IMAGE006
其中
Figure 693947DEST_PATH_IMAGE007
，
Figure 124928DEST_PATH_IMAGE008
为可学习参数，函数
Figure 894301DEST_PATH_IMAGE009
确保停止概率在0与1之间；
根据停止概率参数化一个伯努利分布，并进行采样，采样结果at即控制器的输出；at为1意味着当前时刻为最佳步长，应停止循环进行预测；at为0则意味着循环继续，需要进一步输入数据；
3）对基于时空图卷积的早期预测模型进行迭代训练；
4）根据传感器采集到的实时数据，进行行人流早期预测。
2.根据权利要求1所述的基于时空图卷积的行人流早期预测方法，其特征在于，所述的二维无向加权邻接矩阵W中每个元素Wij为：
Figure 930390DEST_PATH_IMAGE010
其中，σ为矩阵方差，
Figure 494227DEST_PATH_IMAGE011
为传感器
Figure 287870DEST_PATH_IMAGE012
到传感器
Figure 392092DEST_PATH_IMAGE013
的距离。
3.根据权利要求1所述的基于时空图卷积的行人流早期预测方法，其特征在于，所述的门控循环单元的计算过程包括：
重置门控：
Figure 813847DEST_PATH_IMAGE014
其中
Figure 515961DEST_PATH_IMAGE015
，
Figure 655955DEST_PATH_IMAGE016
为可学习参数，
Figure 235972DEST_PATH_IMAGE017
为上一单元隐藏状态，
Figure 777812DEST_PATH_IMAGE009
；
Figure 152293DEST_PATH_IMAGE018
表述扩散卷 积；
Figure 451687DEST_PATH_IMAGE019
为t时间关注到的样本；
重置后的数据与输入进行拼接，再通过一个tanh激活函数来将数据放缩到-1~1的范围内，得到当前记忆内容：
Figure 694450DEST_PATH_IMAGE020
其中
Figure 464697DEST_PATH_IMAGE021
，
Figure 337975DEST_PATH_IMAGE022
为可学习参数，
Figure 452562DEST_PATH_IMAGE023
为矩阵对应元素相乘；
更新门控：
Figure 905540DEST_PATH_IMAGE024
其中
Figure 297338DEST_PATH_IMAGE025
，
Figure 138255DEST_PATH_IMAGE026
为可学习参数；
隐藏状态
Figure 943400DEST_PATH_IMAGE027
：
Figure 403332DEST_PATH_IMAGE028
Figure 774270DEST_PATH_IMAGE017
为上一单元隐藏状态。
4.根据权利要求3所述的基于时空图卷积的行人流早期预测方法，其特征在于，
对于t时间关注到的样本X记作
Figure 165849DEST_PATH_IMAGE029
，
Figure 989449DEST_PATH_IMAGE030
记录着i节点j时刻的行人数量；样本X在 滤波器
Figure 253071DEST_PATH_IMAGE031
上进行的扩散卷积定义为：
Figure 478516DEST_PATH_IMAGE032
其中
Figure 536602DEST_PATH_IMAGE018
表述扩散卷积，
Figure 113077DEST_PATH_IMAGE033
、
Figure 914810DEST_PATH_IMAGE034
表示可以学习的参数，图信号
Figure 994762DEST_PATH_IMAGE035
，
Figure 987863DEST_PATH_IMAGE036
为节点 集，
Figure 786055DEST_PATH_IMAGE037
为表示边集，每个节点对应每个传感器，其节点特征为单位时间内行人数量，
Figure 391480DEST_PATH_IMAGE038
，
Figure 325938DEST_PATH_IMAGE039
，1为N维的一向量。
5.根据权利要求1所述的基于时空图卷积的行人流早期预测方法，其特征在于，所述的步骤3)具体为：
3a）当前迭代次数为n，最大迭代次数为N，当前时空图卷积网络为
Figure 991406DEST_PATH_IMAGE040
，并令n=0，
Figure 948997DEST_PATH_IMAGE040
=A ；
3b）从训练集中随机选取M个样本作为
Figure 217168DEST_PATH_IMAGE040
的输入，并采用解码器提取特征，控制器根据 解码器最终输出的隐藏状态判断当前是否为最佳步长，在最佳步长进行预测；
3c）通过最小化损失函数进行优化；
3d）模型使用Pytorch实现，并使用Adam优化器进行训练，使用训练集和验证集调整超参数；
3f)判断n=N是否成立，若是，得到训练好的模型
Figure 645613DEST_PATH_IMAGE041
，否则，令n=n+1，并执行步骤3b)。
6.根据权利要求5所述的基于时空图卷积的行人流早期预测方法，其特征在于，所述的步骤3c）具体为：
为了最小化训练阶段的误差，通过最小化损失函数进行优化：
Figure 606615DEST_PATH_IMAGE042
其中
Figure 989186DEST_PATH_IMAGE043
是所有可学习参数，
Figure 61048DEST_PATH_IMAGE044
为预测损失函数，
Figure 111043DEST_PATH_IMAGE045
为编码器和解码器中可学习参 数，
Figure 977368DEST_PATH_IMAGE046
为控制器损失函数，
Figure 112814DEST_PATH_IMAGE047
为控制器中可学习参数，
Figure 722787DEST_PATH_IMAGE048
为停止对数概率，
Figure 125824DEST_PATH_IMAGE049
为控制器中对应停止对数概率部分的可学习参数，使用Adam优化器迭代更新这些可学习参 数；λ为设定的权重参数。
7.根据权利要求1所述的基于时空图卷积的行人流早期预测方法，其特征在于，将传感 器采集到的实时数据样本输入训练后的模型
Figure 163051DEST_PATH_IMAGE041
，通过编码器提取样本特征，编码器的输出 去初始化解码器，控制器根据解码器最终输出的隐藏状态来判断当前时刻是否满足最佳步 长的条件，若满足则由全连接层得到最终预测值，即在未来某时间段内各传感器区域内所 经过的行人数量，若不满足则继续输入数据。
8.一种基于时空图卷积的行人流早期预测系统，其特征在于，该系统包括存储单元和处理单元，所述存储单元中存储可在所述处理单元上运行的计算机程序；所述处理单元执行所述计算机程序时实现如权利要求1-7任一项所述的基于时空图卷积的行人流早期预测方法。
CN202111466362.6A 2021-12-03 2021-12-03 一种基于时空图卷积的行人流早期预测方法 Active CN113869614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111466362.6A CN113869614B (zh) 2021-12-03 2021-12-03 一种基于时空图卷积的行人流早期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111466362.6A CN113869614B (zh) 2021-12-03 2021-12-03 一种基于时空图卷积的行人流早期预测方法

Publications (2)

Publication Number Publication Date
CN113869614A CN113869614A (zh) 2021-12-31
CN113869614B true CN113869614B (zh) 2022-04-19

Family

ID=78985690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111466362.6A Active CN113869614B (zh) 2021-12-03 2021-12-03 一种基于时空图卷积的行人流早期预测方法

Country Status (1)

Country Link
CN (1) CN113869614B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474925B (zh) * 2023-12-28 2024-03-15 山东润通齿轮集团有限公司 一种基于机器视觉的齿轮点蚀检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113255569A (zh) * 2021-06-15 2021-08-13 成都考拉悠然科技有限公司 一种基于图空洞卷积编码器解码器的3d姿态估计方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10796434B1 (en) * 2019-01-31 2020-10-06 Stradvision, Inc Method and device for detecting parking area using semantic segmentation in automatic parking system
CN111899510B (zh) * 2020-07-28 2021-08-20 南京工程学院 基于发散卷积和gat的智能交通系统流量短期预测方法及系统
CN112508173A (zh) * 2020-12-02 2021-03-16 中南大学 交通时空序列多步预测方法、系统及存储介质
CN113487088A (zh) * 2021-07-06 2021-10-08 哈尔滨工业大学（深圳） 基于动态时空图卷积注意力模型的交通预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801404A (zh) * 2021-02-14 2021-05-14 北京工业大学 一种基于自适应空间自注意力图卷积的交通预测方法
CN113255569A (zh) * 2021-06-15 2021-08-13 成都考拉悠然科技有限公司 一种基于图空洞卷积编码器解码器的3d姿态估计方法

Also Published As

Publication number Publication date
CN113869614A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN109190537B (zh) 一种基于掩码感知深度强化学习的多人物姿态估计方法
CN111191841B (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
Labach et al. Survey of dropout methods for deep neural networks
CN110909926A (zh) 基于tcn-lstm的太阳能光伏发电预测方法
Shen et al. A novel echo state network for multivariate and nonlinear time series prediction
CN113852432B (zh) 基于rcs-gru模型的频谱预测感知方法
Beheshti et al. A new rainfall forecasting model using the CAPSO algorithm and an artificial neural network
CN112910711B (zh) 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
CN112699998B (zh) 一种时间序列预测方法、装置、电子设备及可读存储介质
US20230215166A1 (en) Few-shot urban remote sensing image information extraction method based on meta learning and attention
US20210064802A1 (en) Method and System for Increasing the Resolution of Physical Gridded Data
WO2022142413A1 (zh) 一种商城客流量的预测方法、装置、电子设备及存储介质
CN109598220A (zh) 一种基于多元输入多尺度卷积的人数统计方法
CN111724370B (zh) 基于不确定性和概率的多任务图像质量评估方法及系统
CN113642231A (zh) 一种基于压缩激励网络的cnn-gru滑坡位移预测方法及应用
CN113869614B (zh) 一种基于时空图卷积的行人流早期预测方法
CN115545334B (zh) 土地利用类型预测方法、装置、电子设备及存储介质
CN114490065A (zh) 一种负载预测方法、装置及设备
CN114694379B (zh) 一种基于自适应动态图卷积的交通流预测方法及系统
CN114862010A (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
CN114582131A (zh) 一种基于匝道智能控流算法的监控方法及系统
JP2022537542A (ja) 動的な画像解像度評価
Xu et al. Residual autoencoder-LSTM for city region vehicle emission pollution prediction
CN116434569A (zh) 基于stnr模型的交通流量预测方法及系统
CN111144473A (zh) 训练集构建方法、装置、电子设备及计算机可读存储介质

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