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

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

基于图变换的动态多图卷积网络交通流量预测方法

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∈R^N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∈R^N×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+T_p)时刻的未来交通数据Y，其中

表示从时间τ+1到τ+T_p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：

其中，

是

的线性变换，

是交通路网数据的输入，conv(·)表示二维卷积算子，SparseMax(·)表示SparseMax激活函数。

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：

其中，Conv_ts表示卷积核为t_s的二维时间卷积算子，split表示等距分离运算符，

tanh，sigmoid分别表示两个激活函数。

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：

其中

均为可学习到的参数，时间相关性矩阵E由不同的输入决定，E_i,j表示在时间i与时间j之间的相关性强度，最后用softmax函数对E进行归一化。

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∈R^N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∈R^N×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+T_p)时刻的未来交通数据Y，其中

表示从时间τ+1到τ+T_p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：

其中，

是

的线性变换，

是交通路网数据的输入，conv(·)表示二维卷积算子，SparseMax(·)表示SparseMax激活函数。

(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：

其中，A¹∈R^1×N×N,A²∈R^1×N×N为图变换生成的多图，

是训练到的参数，“×”表示矩阵乘法，即在F维度上累加求和。

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。

图卷积主要是对数据进行频域处理，我们通过邻接矩阵

A¹,A²来计算拉普拉斯矩阵，以邻接矩阵A¹为例，详细计算过程如下，

A²计算过程与A¹一样：

其中I_N是单位矩阵，D是顶点的对角矩阵，我们分解L₀，L₀＝UΛU^T，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：

g_θ*X¹＝Ug_θ(Λ)U^TX¹

其中θ＝(θ₁,θ₂,…,θ_N)卷积参数，g_θ(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g_θ(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：

其中，Conv_ts表示卷积核为t_s的二维时间卷积算子，split表示等距分离运算符，

tanh，sigmoid分别表示两个激活函数。

(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：

其中

均为可学习到的参数，时间相关性矩阵E由不同的输入决定，E_i,j表示在时间i与时间j之间的相关性强度，最后用softmax函数对E进行归一化。

4.输出模块

该模块由两个Relu模块和两个线性模块组成，如图1所示，我们使用平均绝对误差为损失函数，比如：交通流的真实值为

交通流的预测结果为Y，那么损失函数可表示如下：

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∈R^N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∈R^N×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+T_p)时刻的未来交通数据Y，其中

表示从时间τ+1到τ+T_p的第i个路网节点的未来交通数据。

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：

其中，

是

的线性变换，

是交通路网数据的输入，conv(·)表示二维卷积算子，SparseMax(·)表示SparseMax激活函数；

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：

其中，Convt_s表示卷积核为t_s的二维时间卷积算子，split表示等距分离运算符，

tanh，sigmoid分别表示两个激活函数；

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：

其中

均为可学习到的参数，时间相关性矩阵E由不同的输入决定，E_i,j表示在时间i与时间j之间的相关性强度，最后用softmax函数对E进行归一化；

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。

Images