CN113935548A - 基于图变换的动态多图卷积网络交通流量预测方法 - Google Patents
基于图变换的动态多图卷积网络交通流量预测方法 Download PDFInfo
- Publication number
- CN113935548A CN113935548A CN202111343972.7A CN202111343972A CN113935548A CN 113935548 A CN113935548 A CN 113935548A CN 202111343972 A CN202111343972 A CN 202111343972A CN 113935548 A CN113935548 A CN 113935548A
- Authority
- CN
- China
- Prior art keywords
- graph
- time
- module
- convolution
- 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.)
- Pending
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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于图变换的动态多图卷积网络交通流量预测方法,所依托的交通预测模型主要由四个模块组成:基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块。基于图变换的空间注意力模块,由有稀疏矩阵的空间注意力机制模块和图变换模块组成。通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性。时间卷积模块为了捕获交通数据流的时间特性,时间卷积模块由时间门控卷积和时间注意力机制两个模块组成。输出模块由两个Relu模块和两个线性模块组成,使用平均绝对误差为损失函数。本方法通过图变换构建多图以处理受多因素影响的交通流量数据,从而捕获交通数据的内在特性,使得交通预测更准确。
Description
技术领域
本发明涉及一种基于图变换的动态多图卷积网络交通流量预测方法,属于交通流量预测技术领域。
背景技术
交通流量预测在智能交通系统中起着很重要的作用。在以往的研究中,图卷积网络广泛地运用于交通预测领域,由于图卷积可以很好地将交通路网的图结构很好地表示出来,使得交通预测的性能有很高的提升,并且动态图卷积可以捕获不同时刻的交通流量的时空特性。尽管在这些研究中都达到了很好的性能,而这些基于图卷积的交通流量预测方法大多是只使用了单图卷积,或者只使用了静态图卷积网络,无法更好地捕获交通图中的隐藏时空特性。因此,本申请提出了一种基于图变换的动态多图卷积网络交通流量预测方法,捕获隐藏的时空特性,进而更好地提升交通流量预测性能。
发明内容
本发明通过图变换与基于稀疏矩阵的空间注意力机制结合生成动态多图以更好地处理复杂的交通数据;提出的动态多图卷积模型能够高效地提取出交通流量中的内在特性。
本发明采用的技术方案为基于图变换的动态多图卷积网络交通流量预测方法,将交通路网定义为一个无向图G=(V,E,A),其中V∈RN表示交通道路区域中N个节点的集合,E表示所有边的集合,表示不同节点之间的连接,A∈RN×N表示图G的邻接矩阵。图G的每个节点在相同的采样频率下都有F个特征。
使用表示在t时刻第i个路网节点的第c个特征值,表示在t时刻第i个路网节点的所有特征值,因此表示在t时刻所有路网节点的所有特征值,并且表示在过去的(1,2,…,τ)时刻的所有路网节点的所有特征值。定义为t时刻第i个路网节点的交通预测流量值。
最后,交通预测问题用数学表达式定义如下:输入(1,2,…,τ)时刻的历史交通数据来预测(τ+1,τ+2,…,τ+Tp)时刻的未来交通数据Y,其中 表示从时间τ+1到τ+Tp的第i个路网节点的未来交通数据。
本方法所依托的交通预测模型主要由四个模块组成:基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块。
基于图变换的空间注意力模块,由有稀疏矩阵的空间注意力机制模块和图变换模块组成。通过含有稀疏矩阵的稀疏矩阵构建交通路网数据的空间相关性,然后,通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性。
注意力机制采用Sparsemax激活函数来代替softmax函数,基于稀疏矩阵的空间注意力机制模块具体计算公式如下:
采用多图的预测模型处理复杂的图结构,并且多图由图变换模块生成多个邻接矩阵而产生。
根据以上所求出的多个邻接矩阵:由空间注意力模块提取的邻接矩阵第一层图变换模块的输出A1,第二层图变换模块的输出A2,将这三个邻接矩阵作为动态图卷积的输入,通过图卷积选择三个特征X1,X2,将三个图卷积的特征输出进行连接就得到了交通数据多个特征的融合。图卷积主要是对数据进行频域处理,通过邻接矩阵A1,A2来计算拉普拉斯矩阵。
时间卷积模块为了捕获交通数据流的时间特性,时间卷积模块由时间门控卷积和时间注意力机制两个模块组成。
时间门控卷积具体计算公式如下:
时间注意力机制用于探究交通数据流更深层的时间相关性,具体数学表达式如下:
输出模块由两个Relu模块和两个线性模块组成,使用平均绝对误差为损失函数。
与现有技术相比较,本申请提出了一种基于图变换的动态多图卷积网络交通流量预测方法,该方法基于图变换的动态多图卷积网络以处理复杂的交通路网数据。提出通过时空门控卷积网络来捕获交通路网的时空特性;基于稀疏矩阵的空间注意力机制可以有效地过滤掉有干扰的交通路网信息;通过图变换构建多图以处理受多因素(天气,季节,交通事故等)影响的交通流量数据,从而捕获交通数据的内在特性,使得交通预测更准确。
附图说明
图1交通路网随时间变化的时空结构图。
图2基于图变换的动态多图卷积网络交通流量预测模型图。
图3基于稀疏矩阵的空间注意力模块图。
图4图变换模块图。
图5时间门控卷积图。
具体实施方式
基于图变换的动态多图卷积网络交通流量预测方法,将交通路网定义为一个无向图G=(V,E,A),如图1所示,其中V∈RN表示交通道路区域中N个节点的集合,E表示所有边的集合,表示不同节点之间的连接,A∈RN×N表示图G的邻接矩阵。图G的每个节点在相同的采样频率下都有F个特征,比如:速度,流量,天气,季节,交通事故等。
交通预测是用过去的或当前的实测交通数据来预测未来的交通流量或者交通速度。交通预测可以定义为一个函数模型,将实测的交通路网数据映射到未来的交通流量或者速度。在本申请中,为了便于表示,使用表示在t时刻第i个路网节点的第c个特征值,表示在t时刻第i个路网节点的所有特征值,因此表示在t时刻所有路网节点的所有特征值,并且表示在过去的(1,2,…,τ)时刻的所有路网节点的所有特征值。除此之外,定义为t时刻第i个路网节点的交通预测流量值。
最后,交通预测问题用数学表达式定义如下:输入(1,2,…,τ)时刻的历史交通数据来预测(τ+1,τ+2,…,τ+Tp)时刻的未来交通数据Y,其中 表示从时间τ+1到τ+Tp的第i个路网节点的未来交通数据。
本方法所依托的交通预测模型主要由四个模块组成:基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块。具体模型如图2所示:
1.基于图变换的空间注意力模块
该模块由有稀疏矩阵的空间注意力机制模块和图变换模块组成。首先,通过含有稀疏矩阵的稀疏矩阵构建交通路网数据的空间相关性,然后,通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性。
(a).空间注意力模块
通过空间注意力机制获取交通路网中不同道路区域的空间相关性,由于交通数据的复杂性,交通流量通常会受到很多因素的影响,包括天气、季节和交通事故等因素。因此本申请中的注意力机制采用Sparsemax激活函数来代替softmax函数,因为稀疏矩阵可以有效地过滤掉交通数据中的干扰信息。并且实验也证明:随着交通数据越复杂,采用Sparsemax激活函数会提高交通预测的性能。本申请提出的基于稀疏矩阵的空间注意力机制模块如图3所示,其具体计算公式如下:
(b).图变换模块
由于交通数据受多方面因素的影响,比如:天气、季节、交通事故等,交通数据复杂了很多,为了表示大规模交通系统中交通流量的复杂特性,本申请中采用多图的预测模型处理复杂的图结构。并且多图由图变换模块生成多个邻接矩阵而产生的。具体的图变换模块如图4所示,数学表达式如下:
2.动态多图图卷积模块
根据以上所求出的多个邻接矩阵:由空间注意力模块提取的邻接矩阵第一层图变换模块的输出A1,第二层图变换模块的输出A2,将这三个邻接矩阵作为动态图卷积的输入,通过图卷积选择三个特征X1,X2,然后,我们将三个图卷积的特征输出进行连接就得到了交通数据多个特征的融合。
其中IN是单位矩阵,D是顶点的对角矩阵,我们分解L0,L0=UΛUT,其中U是由L0的特征向量组成的矩阵,Λ=diag(λ),λ是L0的下降方法的特征向量。卷积运算在图的谱域内实现如下:
gθ*X1=Ugθ(Λ)UTX1
其中θ=(θ1,θ2,…,θN)卷积参数,gθ(Λ)=diah(θ)Λ是在频域计算的乘法算子,频率上乘法就相当于数据域的卷积,因此在Fourier空间上的gθ(Λ)就是卷积算子,最后,通过U的逆变换将频域的结果转换回数据空间域。
3.时间卷积模块
该模块主要为了捕获交通数据流的时间特性,该时间卷积模块由时间门控卷积和时间注意力机制两个模块组成。以下详细介绍这两部分:
(a).时间门控卷积
门控机制在循环神经网络中非常重要,并且对于长时序列数据很有效,它可以通过时间卷积来有效地控制信息流,时间门控卷积的流程图如图5所示,具体计算公式如下:
(b).时间注意力机制
该模块用于探究交通数据流更深层的时间相关性,具体数学表达式如下:
4.输出模块
该模型在PeMS03,PeMS04,PeMS08三个数据库上的效果都得到了很大的提升,相比于以往的单图卷积模型或者是静态图卷积模型,本申请所提出的动态多图卷积取得了很好的性能。同时也做了相关的消融实验,最终实验证明,本申请所提出的基于图变换的动态多图卷积网络的方法能使得交通流量预测达到最优值。
Claims (2)
1.基于图变换的动态多图卷积网络交通流量预测方法,其特征在于:将交通路网定义为一个无向图G=(V,E,A),其中V∈RN表示交通道路区域中N个节点的集合,E表示所有边的集合,表示不同节点之间的连接,A∈RN×N表示图G的邻接矩阵;图G的每个节点在相同的采样频率下都有F个特征;
使用表示在t时刻第i个路网节点的第c个特征值,表示在t时刻第i个路网节点的所有特征值,因此表示在t时刻所有路网节点的所有特征值,并且表示在过去的(1,2,…,τ)时刻的所有路网节点的所有特征值;定义为t时刻第i个路网节点的交通预测流量值;
2.根据权利要求1所述的基于图变换的动态多图卷积网络交通流量预测方法,其特征在于:交通预测模型由四个模块组成:基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块;
基于图变换的空间注意力模块,由有稀疏矩阵的空间注意力机制模块和图变换模块组成;通过含有稀疏矩阵的稀疏矩阵构建交通路网数据的空间相关性,然后,通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性;
注意力机制采用Sparsemax激活函数来代替softmax函数,基于稀疏矩阵的空间注意力机制模块具体计算公式如下:
采用多图的预测模型处理复杂的图结构,并且多图由图变换模块生成多个邻接矩阵而产生;
根据以上所求出的多个邻接矩阵:由空间注意力模块提取的邻接矩阵第一层图变换模块的输出A1,第二层图变换模块的输出A2,将这三个邻接矩阵作为动态图卷积的输入,通过图卷积选择三个特征X1,X2,将三个图卷积的特征输出进行连接就得到了交通数据多个特征的融合;图卷积主要是对数据进行频域处理,通过邻接矩阵A1,A2来计算拉普拉斯矩阵;
时间卷积模块为了捕获交通数据流的时间特性,时间卷积模块由时间门控卷积和时间注意力机制两个模块组成;
时间门控卷积具体计算公式如下:
时间注意力机制用于探究交通数据流更深层的时间相关性,具体数学表达式如下:
输出模块由两个Relu模块和两个线性模块组成,使用平均绝对误差为损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343972.7A CN113935548A (zh) | 2021-11-14 | 2021-11-14 | 基于图变换的动态多图卷积网络交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343972.7A CN113935548A (zh) | 2021-11-14 | 2021-11-14 | 基于图变换的动态多图卷积网络交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935548A true CN113935548A (zh) | 2022-01-14 |
Family
ID=79286466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111343972.7A Pending CN113935548A (zh) | 2021-11-14 | 2021-11-14 | 基于图变换的动态多图卷积网络交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935548A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
CN114495500A (zh) * | 2022-01-26 | 2022-05-13 | 北京工业大学 | 一种基于对偶动态时空图卷积的交通预测方法 |
CN115049022A (zh) * | 2022-08-12 | 2022-09-13 | 天津大学 | 基于时间差分的数据处理方法及装置 |
CN115242663A (zh) * | 2022-07-29 | 2022-10-25 | 西安电子科技大学 | 基于时间相关图卷积的虚拟网络流量预测方法 |
CN115512545A (zh) * | 2022-09-30 | 2022-12-23 | 浙江财经大学 | 一种基于时空动态图卷积网络的交通速度预测方法 |
CN115565370A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种局部时空图卷积交通流量预测方法及系统 |
CN116153089A (zh) * | 2023-04-24 | 2023-05-23 | 云南大学 | 基于时空卷积与动态图的交通流量预测系统及方法 |
CN116543554A (zh) * | 2023-05-01 | 2023-08-04 | 兰州理工大学 | 基于动态相关性的时空Transformer交通流预测方法 |
-
2021
- 2021-11-14 CN CN202111343972.7A patent/CN113935548A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495500A (zh) * | 2022-01-26 | 2022-05-13 | 北京工业大学 | 一种基于对偶动态时空图卷积的交通预测方法 |
CN114360254A (zh) * | 2022-03-17 | 2022-04-15 | 湖南工商大学 | 一种基于时空的交通流量预测方法及相关设备 |
CN115242663A (zh) * | 2022-07-29 | 2022-10-25 | 西安电子科技大学 | 基于时间相关图卷积的虚拟网络流量预测方法 |
CN115049022A (zh) * | 2022-08-12 | 2022-09-13 | 天津大学 | 基于时间差分的数据处理方法及装置 |
CN115049022B (zh) * | 2022-08-12 | 2022-10-21 | 天津大学 | 基于时间差分的数据处理方法及装置 |
CN115565370A (zh) * | 2022-09-20 | 2023-01-03 | 北京工商大学 | 一种局部时空图卷积交通流量预测方法及系统 |
CN115565370B (zh) * | 2022-09-20 | 2024-04-23 | 北京工商大学 | 一种局部时空图卷积交通流量预测方法及系统 |
CN115512545A (zh) * | 2022-09-30 | 2022-12-23 | 浙江财经大学 | 一种基于时空动态图卷积网络的交通速度预测方法 |
CN115512545B (zh) * | 2022-09-30 | 2023-06-27 | 浙江财经大学 | 一种基于时空动态图卷积网络的交通速度预测方法 |
CN116153089A (zh) * | 2023-04-24 | 2023-05-23 | 云南大学 | 基于时空卷积与动态图的交通流量预测系统及方法 |
CN116153089B (zh) * | 2023-04-24 | 2023-06-27 | 云南大学 | 基于时空卷积与动态图的交通流量预测系统及方法 |
CN116543554A (zh) * | 2023-05-01 | 2023-08-04 | 兰州理工大学 | 基于动态相关性的时空Transformer交通流预测方法 |
CN116543554B (zh) * | 2023-05-01 | 2024-05-14 | 兰州理工大学 | 基于动态相关性的时空Transformer交通流预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935548A (zh) | 基于图变换的动态多图卷积网络交通流量预测方法 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN110245709B (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
Rollet et al. | Image classification algorithm based on the RBF neural network and K-means | |
CN112308322B (zh) | 一种多风场时空风速预测方法、装置及电子设备 | |
Dammavalam et al. | Quality assessment of pixel-level imagefusion using fuzzy logic | |
CN113160150B (zh) | 线网异物入侵ai检测方法与装置 | |
Li et al. | A UAV-aided prediction system of soil moisture content relying on thermal infrared remote sensing | |
CN112257614B (zh) | 一种基于图卷积网络的航站楼客流量时空分布预测方法 | |
CN114117259A (zh) | 一种基于双重注意力机制的轨迹预测方法及装置 | |
Xu et al. | Spatial prediction with mobile sensor networks using Gaussian processes with built-in Gaussian Markov random fields | |
CN113255995A (zh) | 一种空气污染预测方法 | |
CN114936691A (zh) | 一种融合关联度加权与时空注意力的温度预报方法 | |
CN114655247A (zh) | 基于matt-gnn的周边车辆轨迹预测方法及系统 | |
CN111160392A (zh) | 一种基于小波宽度学习系统的高光谱分类方法 | |
CN115662142B (zh) | 基于车联网稀疏信息的深度学习交通状态估计方法及系统 | |
CN115565370B (zh) | 一种局部时空图卷积交通流量预测方法及系统 | |
Ming et al. | Multi-graph convolutional recurrent network for fine-grained lane-level traffic flow imputation | |
CN115691129A (zh) | 基于注意力的深度残差时空图卷积网络的交通流预测方法 | |
CN115797557A (zh) | 基于图注意力网络的自监督3d场景流估计方法 | |
Li et al. | High resolution remote sensing image semantic segmentation based on ultra-lightweight fully convolution neural network | |
CN111147443A (zh) | 一种基于风格迁移的网络威胁攻击特征统一量化方法 | |
CN114692964B (zh) | 一种基于交叉注意力机制的时空交通流量预测方法 | |
CN117874500B (zh) | 一种多视角融合海上风电场机群功率预测方法 |
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 |