CN114038200A - 基于注意力机制的时空同步图卷积网络交通流量预测方法 - Google Patents

基于注意力机制的时空同步图卷积网络交通流量预测方法 Download PDF

Info

Publication number
CN114038200A
CN114038200A CN202111429510.7A CN202111429510A CN114038200A CN 114038200 A CN114038200 A CN 114038200A CN 202111429510 A CN202111429510 A CN 202111429510A CN 114038200 A CN114038200 A CN 114038200A
Authority
CN
China
Prior art keywords
time
space
graph
matrix
traffic flow
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
Application number
CN202111429510.7A
Other languages
English (en)
Other versions
CN114038200B (zh
Inventor
王斌
吴超
于启迪
杨晓春
张晓红
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202111429510.7A priority Critical patent/CN114038200B/zh
Publication of CN114038200A publication Critical patent/CN114038200A/zh
Application granted granted Critical
Publication of CN114038200B publication Critical patent/CN114038200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • 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
    • G08G1/01—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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于注意力机制的时空同步图卷积网络交通流量预测方法，涉及交通流量预测技术领域。本发明它直接同步捕获局部时空相关性，而不是分别使用不同类型的神经网络模块；同是还构造了一个基于注意力机制的时空同步多模块层用以捕获远程时空图中的异质性，它在每个时间段上部署多个模块，从而使每个模块都可以专注于提取每个局部时空图上的时空相关性，进而可以使模型达到精准的预测结果。

Description

基于注意力机制的时空同步图卷积网络交通流量预测方法
技术领域
本发明涉及交通流量预测技术领域，尤其涉及一种基于注意力机制的时空同步图卷积网络交通流量预测方法。
背景技术
随着社会经济持续快速发展，机动车数量不断增加，道路交通流量也随之增大，并由此带来了一系列的交通问题。在不改变当前路网的情况下，通过智能交通控制系统实现对路网交通流量的控制和诱导，是解决交通问题的有效途径之一。同时，准确的交通流预测信息不仅可以提高公众出行效率，而且还能够为交通部门制定管理方案、合理分配交通资源等提供参考依据。
交通网络是一种典型的时空网络数据结构，其蕴含的潜在的复杂时空相关性和异质性使交通预测具有挑战性。随着深度学习的发展，诸如图卷积网络及其变体之类的强大方法已广泛应用于这些时空网络数据预测任务，并取得了不错的性能。但是，目前仍然缺乏有效的方法来对时空方面的相关性和异质性进行建模。
发明内容
针对现有技术的不足，本发明提供一种基于注意力机制的时空同步图卷积网络交通流量预测方法，具体包括以下步骤：
步骤1：以设定时间为一个时间片，通过在交通路口安装的车流量检测装置收集并统计每个时间片下的历史交通流量信息，形成二维交通流矩阵；
所述历史交通流数据包括路段在一个时间片下经过的机动车车牌号、过车时间、过车速度，根据历史交通流数据统计车流量信息，并对重复数据以及无效数据进行清洗，剩余数据形成二维交通流矩阵。
步骤2：将安装在每个交通路口的车流量检测装置看成一个节点，将单个时间片下各个节点之间的联系以及交通流数据构成一张路网拓扑图；多个时间片下的路网拓扑图构成局部时空图；
步骤2中所述路网拓扑图为：将所有节点的集合记为V,|V|＝N表示节点数量，节点之间的边集E，节点之间边的权重邻接矩阵A；得到路网拓扑图G＝(V,E,A)。
步骤3：将一个时间片下的每个节点分别与上个时间片与下个时间片中的所有节点连接，构造时空网络序列，即局部时空图的邻接矩阵；
所述构造时空网络序列，设一个时间片下的路网拓扑图中的统计信息为一个图信号矩阵
Figure BDA0003379721620000021
其中C是属性特征的数量，t表示时间步长，该图信号矩阵表示在时间步t处对空间网络G的观测；构建模型f,将长度为T的历史交通信息序列
Figure BDA0003379721620000022
作为模型f输入，预测未来T′个时间步的交通信息序列
Figure BDA0003379721620000023
使用
Figure BDA0003379721620000024
表示局部空间图的邻接矩阵，
Figure BDA0003379721620000025
表示在三个连续的空间图上构建的局部时空图的邻接矩阵；对于空间图中的节点i，通过(t-1)N+i来计算其在局部时空图中的新索引，其中t表示局部时空图中的时间步长；如果在此局部时空图中两个节点相互连接，则在邻接矩阵中的对应值设置为1；其中局部时空图的邻接矩阵表示为：
Figure BDA0003379721620000026
其中vi表示局部时空图中的节点i。
步骤4：将路口检测装置收集得到的历史交通流量信息划分为训练集、测试集；
步骤5：构造预测交通流量的基于注意力机制的时空同步图卷积网络模型，并利用训练集对其进行训练，对于时空网络序列
Figure BDA0003379721620000027
创建时间嵌入矩阵
Figure BDA0003379721620000028
和空间嵌入矩阵
Figure BDA0003379721620000029
在训练过程完成后，两个嵌入矩阵将包含相邻路网拓扑图的时间和空间信息，然后将这两个嵌入矩阵添加到具有广播操作的时空网络序列中，以获得时空网络序列的新表示；
所述时空网络序列的新表示：
Figure BDA00033797216200000210
所述时空同步图卷积网络模型包括依次连接的全连接层、若干个堆叠的基于注意力机制的时空同步图卷积层、全连接层、输出层；
其中时空同步图卷积网络模型的输入为时空网络序列
Figure BDA00033797216200000211
所述时空同步图卷积层由若干个带注意力机制的同步图卷积模块组合构成，其中，每个同步图卷积模块是由时空注意力单元和时空卷积单元组成；输入的时空网络序列先通过全连接层转化为高维向量，然后进入同步图卷积模块，依次进行时空注意力机制计算，然后再做时空图卷积的运算，基于空间维度注意力的注意力矩阵计算公式为:
Figure BDA00033797216200000212
其中
Figure BDA00033797216200000213
表示第r层同步图卷积模块的输入，Cr-1表示输入数据在第r层模块上特征值的数量，Tr-1表示不同的时间片，
Figure BDA00033797216200000214
Figure BDA00033797216200000215
Figure BDA0003379721620000031
Figure BDA0003379721620000032
Figure BDA0003379721620000033
都是学习参数，σ表示激活函数，使用公式
Figure BDA0003379721620000034
其中Si,j是指注意力矩阵S中两个节点i,j之间的关联强度，使用该公式来将注意力矩阵S进行归一化,归一化后的注意力矩阵S′在后面的图卷积中将和邻接矩阵A进行相乘，基于时间的注意力矩阵的计算公式为：
Figure BDA0003379721620000035
其中，
Figure BDA0003379721620000036
Figure BDA0003379721620000037
Figure BDA0003379721620000038
Figure BDA0003379721620000039
都是学习参数，使用公式
Figure BDA00033797216200000310
将将注意力矩阵E进行归一化,其中Ei,j表示两个节点i，j之间的注意力权重；归一化后的注意力矩阵E′将和输入矩阵X进行相乘得到最终输入；
使用图卷积运算聚合每个节点及其邻居的特征；在顶点域中定义了图卷积运算，图卷积运算的输入是局部时空图的图信号矩阵；图卷积运算中，每个节点在相邻的时间步长处汇总其自身及其邻居的特征，聚合函数是线性组合，其权重等于节点与其邻居之间的边缘的权重；然后部署一个具有激活功能的全连接层，以将节点的特征转换为新的空间，该图卷积运算表示为：
Figure BDA00033797216200000311
其中
Figure BDA00033797216200000312
表示局部时空图的邻接矩阵，
Figure BDA00033797216200000313
是第l个卷积层的输入，
Figure BDA00033797216200000314
Figure BDA00033797216200000315
Figure BDA00033797216200000316
Figure BDA00033797216200000317
是可学习的参数，sigmoid表示sigmoid激活函数，即
Figure BDA00033797216200000318
Figure BDA00033797216200000319
表示逐元素乘积；门控线性单元控制将哪个节点的信息传递到下一层；该图卷积运算在顶点域中定义，该图卷积运算不仅可以应用于无向图，而且可以应用于有向图；局部时空图的每个节点添加自环，以使图卷积操作在聚合特征时考虑其自身的特征；
将一组同步图卷积模块部署为一层时空同步图卷积层，将时空同步图卷积层的输入矩阵表示为
Figure BDA00033797216200000320
首先，为每个时空同步图卷积层添加时空嵌入，然后，时空同步图卷积层中的滑动窗口会将输入切出为T-2时空网络序列；每个时空网络序列表示为
Figure BDA00033797216200000321
将它们重塑为
Figure BDA00033797216200000322
将其直接与局部时空图一起输入到同步图卷积模块中，时空同步图卷积层在T-2局部时空图上部署T-2个同步图卷积模块，所有这些T-2个同步图卷积模块的输出都被合并为一个矩阵，作为时空同步图卷积层的输出，表示为：
Figure BDA00033797216200000323
其中
Figure BDA00033797216200000324
表示第i层同步图卷积模块的输出。
所述输出层是将最后一个时空同步图卷积层的输出转换为未来T′个时间步的交通信息序列,该输出层的输入表示为
Figure BDA0003379721620000041
将该输入进行转置并将其重塑为
Figure BDA0003379721620000042
使用T个两层连接层来生成预测，如下所示：
Figure BDA0003379721620000043
其中
Figure BDA0003379721620000044
表示第i个时间步下的预测结果，
Figure BDA0003379721620000045
Figure BDA0003379721620000046
Figure BDA0003379721620000047
Figure BDA0003379721620000048
Figure BDA0003379721620000049
表示可学习的参数，其中C表示第一完全连接层的输出的特征数；然后，将每个时间步长的所有预测合并为一个矩阵：
Figure BDA00033797216200000410
步骤6：用测试集对训练结束后的时空同步图卷积网络模型进行测试，评估模型误差，若误差大于设定的阈值，则返回步骤4，重新训练模型；
所述测试使用Huber损失作为损失函数，其计算方法为：
Figure BDA00033797216200000411
Y表示由已知的交通流序列生成的矩阵，
Figure BDA00033797216200000412
是预测得到的矩阵，δ是超参数。
步骤7：将待预测路段前N个设定时间片的交通流数据输入训练好的时空同步图卷积网络模型中，预测该路段未来N个时间片的交通流量。
采用上述技术方案所产生的有益效果在于：
本发明提出了一种基于注意力机制的时空同步图卷积网络交通流量预测方法，本发明它直接同步捕获局部时空相关性，而不是分别使用不同类型的神经网络模块；同是还构造了一个基于注意力机制的时空同步多模块层用以捕获远程时空图中的异质性，它在每个时间段上部署多个模块，从而使每个模块都可以专注于提取每个局部时空图上的时空相关性，进而可以使模型达到精准的预测结果。
附图说明
图1为本发明的整体交通流量预测的流程图。
图2为本发明中时空同步图卷积网络模型图。
图3为本发明中同步图卷积模块结构图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种基于注意力机制的时空同步图卷积网络交通流量预测方法，如图1所示，包括以下步骤：
步骤1：以设定时间5分钟为一个时间片，通过在交通路口安装的车流量检测装置收集并统计每个时间片下的历史交通流量信息，形成二维交通流矩阵；
所述历史交通流数据包括路段在一个时间片下经过的机动车车牌号、过车时间、过车速度，根据历史交通流数据统计车流量信息，并对重复数据以及无效数据进行清洗，剩余数据形成二维交通流矩阵；
步骤2：将安装在每个交通路口的车流量检测装置看成一个节点，将单个时间片下各个节点之间的联系以及交通流数据构成一张路网拓扑图；多个时间片下的路网拓扑图构成局部时空图；
所述路网拓扑图包括：所有节点的集合V,|V|＝N表示节点数量，节点之间的边集E，节点之间边的权重邻接矩阵A；得到路网拓扑图G＝(V,E,A)。
步骤3：将一个时间片下的每个节点分别与上个时间片与下个时间片中的所有节点连接，构造时空网络序列；
设一个时间片下的路网拓扑图中的统计信息为一个图信号矩阵
Figure BDA0003379721620000051
其中C是属性特征的数量，t表示时间步长，该图信号矩阵表示在时间步t处对空间网络G的观测。因此路口交通流量预测的问题就可表达为：构建模型f,将长度为T的历史交通信息序列
Figure BDA0003379721620000052
作为输入，预测未来T′个时间步的交通信息序列
Figure BDA0003379721620000053
在构造时空网络序列时，通过将前一时间步和下一时间步的所有节点连接起来，可以获得局部的时空图。根据局部时空图的拓扑结构，可以直接捕获每个节点与其时空邻居之间的相关性。所述构造时空网络序列，使用
Figure BDA0003379721620000054
表示空间图的邻接矩阵，
Figure BDA0003379721620000055
表示在三个连续的空间图上构建的局部时空图的邻接矩阵；对于空间图中的节点i，通过(t-1)N+i来计算其在局部时空图中的新索引，其中t(0＜t≤3)表示局部时空图中的时间步长；如果在此局部时空图中两个节点相互连接，则在邻接矩阵中的对应值设置为1；其中局部时空图的邻接矩阵表示为：
Figure BDA0003379721620000056
其中vi表示局部时空图中的节点i。
但是，将不同时间步长的节点连接到一个图形中会掩盖每个节点的时间属性。换句话说，该局部时空图将处于不同时间步长的节点置于相同的环境中，而不会对其进行区分。因此本发明将将位置嵌入到时空网络系列中，以便模型可以考虑时空信息，从而可以增强对时空相关性进行建模的能力。
步骤4：将路口检测装置收集得到的历史交通流量信息划分为训练集、测试集；
步骤5：设计预测交通流量的基于注意力机制的时空同步图卷积ASTSGCN网络，并利用训练集对其进行训练，对于时空网络序列
Figure BDA0003379721620000061
创建了一个可学习的时间嵌入矩阵
Figure BDA0003379721620000062
和一个可学习的空间嵌入矩阵
Figure BDA0003379721620000063
在训练过程完成后，两个嵌入矩阵将包含相邻路网拓扑图的时间和空间信息，以帮助模型捕获时空相关性，然后将这两个嵌入矩阵添加到具有广播操作的时空网络序列中，以获得时空网络序列的新表示形式：
Figure BDA0003379721620000064
所述时空同步图卷积ASTSGCN网络包括依次连接的全连接层、若干个堆叠的基于注意力机制的时空同步图卷积层ASTSGCL、全连接层，用于捕获局部时空相关性；
所述ASTSGCN模型的输入为时空网络序列
Figure BDA0003379721620000065
所述时空同步图卷积层由若干个带注意力机制的同步图卷积模块ASTSGCM组合构成，其中，每个ATSTSGCM模块是由时空注意力单元和时空卷积单元组成。输入的时空网络序列先通过全连接层转化为高维向量，然后进入ASTSGCM模块，依次进行时空注意力机制计算，然后再做时空图卷积的运算，其中，使用空间注意力机制可以自适应地捕捉空间维度中节点之间的动态关联性。注意力矩阵的计算公式为:
Figure BDA0003379721620000066
其中
Figure BDA0003379721620000067
表示第r层同步图卷积模块的输入，Cr-1表示输入数据在第r层模块上特征值的数量，Tr-1表示不同的时间片，
Figure BDA0003379721620000068
Figure BDA0003379721620000069
Figure BDA00033797216200000610
Figure BDA00033797216200000611
Figure BDA00033797216200000612
都是学习参数。σ表示激活函数。然后使用公式
Figure BDA00033797216200000613
Figure BDA00033797216200000614
其中Si,j是指注意力矩阵S中两个节点i,j之间的关联强度，使用该公式来将注意力矩阵S进行归一化,归一化后的注意力矩阵S′在后面的图卷积中将和邻接矩阵A进行相乘,在时间维度上，不同时间段的交通状况之间存在相关性，不同情况下的相关性也不同。同样，使用注意机制来自适应地赋予数据不同的权重。注意力矩阵的计算公式为：
Figure BDA00033797216200000615
其中，
Figure BDA00033797216200000616
Figure BDA00033797216200000617
Figure BDA00033797216200000618
Figure BDA00033797216200000619
都是学习参数，使用公式
Figure BDA00033797216200000620
将将注意力矩阵E进行归一化,其中Ei,j表示两个节点i，j之间的注意力权重。归一化后的注意力矩阵E′将和输入矩阵X进行相乘得到最终输入；
使用图卷积运算聚合每个节点及其邻居的特征。在顶点域中定义了一个图卷积运算，以聚合时空网络中的局部时空特征。图卷积运算的输入是局部时空图的图信号矩阵。图卷积运算中，每个节点在相邻的时间步长处汇总其自身及其邻居的特征。聚合函数是线性组合，其权重等于节点与其邻居之间的边缘的权重。然后，部署一个具有激活功能的全连接层，以将节点的特征转换为新的空间。该图卷积运算表示为：
Figure BDA0003379721620000071
其中
Figure BDA0003379721620000072
表示局部时空图的邻接矩阵，
Figure BDA0003379721620000073
是第l个卷积层的输入，
Figure BDA0003379721620000074
Figure BDA0003379721620000075
Figure BDA0003379721620000076
Figure BDA0003379721620000077
是可学习的参数，sigmoid表示sigmoid激活函数，即
Figure BDA0003379721620000078
Figure BDA0003379721620000079
表示逐元素乘积。门控线性单元控制将哪个节点的信息传递到下一层。该图卷积运算在顶点域中定义，这意味着它不需要计算图拉普拉斯算子。而且，该图卷积运算不仅可以应用于无向图，而且可以应用于有向图。局部时空图的每个节点添加自环，以使图卷积操作在聚合特征时考虑其自身的特征。
将一组ASTSGCM部署为一层ASTSGCL，以提取远程时空特征。将ASTSGCL的输入矩阵表示为
Figure BDA00033797216200000710
首先，为每个AASTSGCL添加时空嵌入。然后，ASTSGCL中的滑动窗口会将输入切出为T-2时空网络序列。每个时空网络序列可以表示为
Figure BDA00033797216200000711
将它们重塑为
Figure BDA00033797216200000712
可以将其直接与局部时空图一起输入到ASTSGCM中。ASTSGCL在T-2局部时空图上部署T-2个ASTSGCM，以捕获这些T-2时空网络序列中的局部时空相关性。之后，所有这些T-2个ASTSGCM的输出都被合并为一个矩阵，作为ASTSGCL的输出。可以表示为：
Figure BDA00033797216200000713
其中
Figure BDA00033797216200000714
表示第i层ASTSGCM的输出。
通过堆叠多个ASTSGCL，可以构建一个层次模型，该模型可以捕获复杂的时空相关性和时空异质性。经过几次时空同步图卷积运算后，每个节点将包含以自身为中心的局部时空相关性。
最后设计输出层，是将最后一个ASTSGCL的输出转换为未来T′个时间步的交通信息序列,该输出层的输入表示为
Figure BDA00033797216200000715
首先将该输入进行转置并将其重塑为
Figure BDA00033797216200000716
然后，使用T个两层连接层来生成预测，如下所示：
Figure BDA00033797216200000717
其中
Figure BDA0003379721620000081
表示第i个时间步下的预测结果，
Figure BDA0003379721620000082
Figure BDA0003379721620000083
Figure BDA0003379721620000084
Figure BDA0003379721620000085
Figure BDA0003379721620000086
表示可学习的参数，其中C表示第一完全连接层的输出的特征数。然后，将每个时间步长的所有预测合并为一个矩阵：
Figure BDA0003379721620000087
Y表示由已知的交通流序列生成的矩阵，
Figure BDA0003379721620000088
是预测得到的矩阵，δ是一个超参数；本实施例中时空同步图卷积网络模型图与同步图卷积模块结构图如图2、图3所示。
步骤6：用测试集对训练结束后的时空同步图卷积网络模型进行测试，评估模型误差，若误差大于设定的阈值，则返回步骤4，重新训练模型；
损失函数选择了Huber损失作为损失函数。因为与平方误差损失相比，Huber损失对异常值的敏感度低。其计算方法为：
Figure BDA0003379721620000089
步骤7：将待预测路段前12个时间片(1小时)的交通流数据输入训练好的模型中，预测该路段未来12个时间片的交通流量。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种基于注意力机制的时空同步图卷积网络交通流量预测方法，其特征在于，包括以下步骤：
步骤1：以设定时间为一个时间片，通过在交通路口安装的车流量检测装置收集并统计每个时间片下的历史交通流量信息，形成二维交通流矩阵；
步骤2：将安装在每个交通路口的车流量检测装置看成一个节点，将单个时间片下各个节点之间的联系以及交通流数据构成一张路网拓扑图；多个时间片下的路网拓扑图构成局部时空图；
步骤3：将一个时间片下的每个节点分别与上个时间片与下个时间片中的所有节点连接，构造时空网络序列，即局部时空图的邻接矩阵；
步骤4：将路口检测装置收集得到的历史交通流量信息划分为训练集、测试集；
步骤5：构造预测交通流量的基于注意力机制的时空同步图卷积网络模型，并利用训练集对其进行训练，对于时空网络序列
Figure FDA0003379721610000011
创建时间嵌入矩阵
Figure FDA0003379721610000012
和空间嵌入矩阵
Figure FDA0003379721610000013
在训练过程完成后，两个嵌入矩阵将包含相邻路网拓扑图的时间和空间信息，然后将这两个嵌入矩阵添加到具有广播操作的时空网络序列中，以获得时空网络序列的新表示；
步骤6：用测试集对训练结束后的时空同步图卷积网络模型进行测试，评估模型误差，若误差大于设定的阈值，则返回步骤4，重新训练模型；
步骤7：将待预测路段前N个设定时间片的交通流数据输入训练好的时空同步图卷积网络模型中，预测该路段未来N个时间片的交通流量。
2.根据权利要求1所述的基于注意力机制的时空同步图卷积网络交通流量预测方法，其特征在于，步骤1中所述历史交通流数据包括路段在一个时间片下经过的机动车车牌号、过车时间、过车速度，根据历史交通流数据统计车流量信息，并对重复数据以及无效数据进行清洗，剩余数据形成二维交通流矩阵。
3.根据权利要求1所述的基于注意力机制的时空同步图卷积网络交通流量预测方法，其特征在于，步骤2中所述路网拓扑图为：将所有节点的集合记为V，|V|＝N表示节点数量，节点之间的边集E，节点之间边的权重邻接矩阵A；得到路网拓扑图G＝(V，E，A)。
4.根据权利要求1所述的基于注意力机制的时空同步图卷积网络交通流量预测方法，其特征在于，步骤3中所述构造时空网络序列，设一个时间片下的路网拓扑图中的统计信息为一个图信号矩阵
Figure FDA0003379721610000014
其中C是属性特征的数量，t表示时间步长，该图信号矩阵表示在时间步t处对空间网络G的观测；构建模型f，将长度为T的历史交通信息序列
Figure FDA0003379721610000021
作为模型f输入，预测未来T′个时间步的交通信息序列
Figure FDA0003379721610000022
使用
Figure FDA0003379721610000023
表示局部空间图的邻接矩阵，
Figure FDA0003379721610000024
表示在三个连续的空间图上构建的局部时空图的邻接矩阵；对于空间图中的节点i，通过(t-1)N+i来计算其在局部时空图中的新索引，其中t表示局部时空图中的时间步长；如果在此局部时空图中两个节点相互连接，则在邻接矩阵中的对应值设置为1；其中局部时空图的邻接矩阵表示为：
Figure FDA0003379721610000025
其中vi表示局部时空图中的节点i。
5.根据权利要求1所述的基于注意力机制的时空同步图卷积网络交通流量预测方法，其特征在于，步骤5中所述时空网络序列的新表示：
Figure FDA0003379721610000026
6.根据权利要求1所述的基于注意力机制的时空同步图卷积网络交通流量预测方法，其特征在于，步骤5中所述时空同步图卷积网络模型包括依次连接的全连接层、若干个堆叠的基于注意力机制的时空同步图卷积层、全连接层、输出层；
其中时空同步图卷积网络模型的输入为时空网络序列
Figure FDA0003379721610000027
所述时空同步图卷积层由若干个带注意力机制的同步图卷积模块组合构成，其中，每个同步图卷积模块是由时空注意力单元和时空卷积单元组成；输入的时空网络序列先通过全连接层转化为高维向量，然后进入同步图卷积模块，依次进行时空注意力机制计算，然后再做时空图卷积的运算，基于空间维度注意力的注意力矩阵计算公式为：
Figure FDA0003379721610000028
其中
Figure FDA0003379721610000029
表示第r层同步图卷积模块的输入，Cr-1表示输入数据在第r层模块上特征值的数量，Tr-1表示不同的时间片，
Figure FDA00033797216100000210
Figure FDA00033797216100000211
都是学习参数，σ表示激活函数，使用公式
Figure FDA00033797216100000212
其中Si，j是指注意力矩阵S中两个节点i，j之间的关联强度，使用该公式来将注意力矩阵S进行归一化，归一化后的注意力矩阵S′在后面的图卷积中将和邻接矩阵A进行相乘，基于时间的注意力矩阵的计算公式为：
Figure FDA00033797216100000213
其中，
Figure FDA0003379721610000031
都是学习参数，使用公式
Figure FDA0003379721610000032
将将注意力矩阵E进行归一化，其中Ei，j表示两个节点i，j之间的注意力权重；归一化后的注意力矩阵E′将和输入矩阵X进行相乘得到最终输入；
使用图卷积运算聚合每个节点及其邻居的特征；在顶点域中定义了图卷积运算，图卷积运算的输入是局部时空图的图信号矩阵；图卷积运算中，每个节点在相邻的时间步长处汇总其自身及其邻居的特征，聚合函数是线性组合，其权重等于节点与其邻居之间的边缘的权重；然后部署一个具有激活功能的全连接层，以将节点的特征转换为新的空间，该图卷积运算表示为：
Figure FDA0003379721610000033
其中
Figure FDA0003379721610000034
表示局部时空图的邻接矩阵，
Figure FDA0003379721610000035
是第l个卷积层的输入，
Figure FDA0003379721610000036
是可学习的参数，sigmoid表示sigmoid激活函数，即
Figure FDA0003379721610000037
Figure FDA0003379721610000038
表示逐元素乘积；门控线性单元控制将哪个节点的信息传递到下一层；该图卷积运算在顶点域中定义，该图卷积运算不仅可以应用于无向图，而且可以应用于有向图；局部时空图的每个节点添加自环，以使图卷积操作在聚合特征时考虑其自身的特征；
将一组同步图卷积模块部署为一层时空同步图卷积层，将时空同步图卷积层的输入矩阵表示为
Figure FDA0003379721610000039
首先，为每个时空同步图卷积层添加时空嵌入，然后，时空同步图卷积层中的滑动窗口会将输入切出为T-2时空网络序列；每个时空网络序列表示为
Figure FDA00033797216100000310
将它们重塑为
Figure FDA00033797216100000311
将其直接与局部时空图一起输入到同步图卷积模块中，时空同步图卷积层在T-2局部时空图上部署T-2个同步图卷积模块，所有这些T-2个同步图卷积模块的输出都被合并为一个矩阵，作为时空同步图卷积层的输出，表示为：
Figure FDA00033797216100000312
其中
Figure FDA00033797216100000313
表示第i层同步图卷积模块的输出；
所述输出层是将最后一个时空同步图卷积层的输出转换为未来T′个时间步的交通信息序列，该输出层的输入表示为
Figure FDA00033797216100000314
将该输入进行转置并将其重塑为
Figure FDA00033797216100000315
使用T个两层连接层来生成预测，如下所示：
Figure FDA00033797216100000316
其中
Figure FDA00033797216100000317
表示第i个时间步下的预测结果，
Figure FDA00033797216100000318
Figure FDA0003379721610000041
表示可学习的参数，其中C表示第一完全连接层的输出的特征数；然后，将每个时间步长的所有预测合并为一个矩阵：
Figure FDA0003379721610000042
7.根据权利要求1所述的基于注意力机制的时空同步图卷积网络交通流量预测方法，其特征在于，所述测试使用Huber损失作为损失函数，其计算方法为：
Figure FDA0003379721610000043
Y表示由已知的交通流序列生成的矩阵，
Figure FDA0003379721610000044
是预测得到的矩阵，δ是超参数。
CN202111429510.7A 2021-11-29 2021-11-29 基于注意力机制的时空同步图卷积网络交通流量预测方法 Active CN114038200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111429510.7A CN114038200B (zh) 2021-11-29 2021-11-29 基于注意力机制的时空同步图卷积网络交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111429510.7A CN114038200B (zh) 2021-11-29 2021-11-29 基于注意力机制的时空同步图卷积网络交通流量预测方法

Publications (2)

Publication Number Publication Date
CN114038200A true CN114038200A (zh) 2022-02-11
CN114038200B CN114038200B (zh) 2022-09-20

Family

ID=80139048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111429510.7A Active CN114038200B (zh) 2021-11-29 2021-11-29 基于注意力机制的时空同步图卷积网络交通流量预测方法

Country Status (1)

Country Link
CN (1) CN114038200B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114582128A (zh) * 2022-03-10 2022-06-03 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
CN114613011A (zh) * 2022-03-17 2022-06-10 东华大学 基于图注意力卷积神经网络的人体3d骨骼行为识别方法
CN114722551A (zh) * 2022-05-23 2022-07-08 北京航空航天大学 一种恶劣天气下空域网络容量预测方法
CN114743374A (zh) * 2022-04-01 2022-07-12 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
CN115116227A (zh) * 2022-06-30 2022-09-27 西安交通大学 一种交通流量预测方法、系统、装置及可读存储介质
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN115495648A (zh) * 2022-08-30 2022-12-20 电子科技大学长三角研究院(衢州) 一种推荐任务发布时间的空间众包方法
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
CN115601960A (zh) * 2022-09-15 2023-01-13 哈尔滨工业大学（深圳）（哈尔滨工业大学深圳科技创新研究院）（Cn） 一种基于图对比学习的多模态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
CN118042018A (zh) * 2024-04-11 2024-05-14 无锡车联天下信息技术有限公司 一种基于stsgcn的智能多路径数据调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111223301A (zh) * 2020-03-11 2020-06-02 北京理工大学 一种基于图注意力卷积网络的交通流量预测方法
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
CN113313947A (zh) * 2021-05-31 2021-08-27 湖南大学 短期交通预测图卷积网络的路况评估方法
CN113450568A (zh) * 2021-06-30 2021-09-28 兰州理工大学 一种基于时空注意力机制的卷积网络交通流预测方法
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111223301A (zh) * 2020-03-11 2020-06-02 北京理工大学 一种基于图注意力卷积网络的交通流量预测方法
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
CN113313947A (zh) * 2021-05-31 2021-08-27 湖南大学 短期交通预测图卷积网络的路况评估方法
CN113450568A (zh) * 2021-06-30 2021-09-28 兰州理工大学 一种基于时空注意力机制的卷积网络交通流预测方法
CN113705880A (zh) * 2021-08-25 2021-11-26 杭州远眺科技有限公司 基于时空注意力图卷积网络的交通速度预测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ANSHU SHA,ET AL: "Semisupervised Classification for Hyperspectral Images Using Graph Attention Networks", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114582128A (zh) * 2022-03-10 2022-06-03 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
CN114613011A (zh) * 2022-03-17 2022-06-10 东华大学 基于图注意力卷积神经网络的人体3d骨骼行为识别方法
CN114743374A (zh) * 2022-04-01 2022-07-12 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
CN115482656B (zh) * 2022-05-23 2023-09-26 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN114722551A (zh) * 2022-05-23 2022-07-08 北京航空航天大学 一种恶劣天气下空域网络容量预测方法
CN115482656A (zh) * 2022-05-23 2022-12-16 汕头大学 一种使用空间动态图卷积网络进行交通流预测方法
CN115116227A (zh) * 2022-06-30 2022-09-27 西安交通大学 一种交通流量预测方法、系统、装置及可读存储介质
CN115495648A (zh) * 2022-08-30 2022-12-20 电子科技大学长三角研究院(衢州) 一种推荐任务发布时间的空间众包方法
CN115495648B (zh) * 2022-08-30 2023-06-09 电子科技大学长三角研究院(衢州) 一种推荐任务发布时间的空间众包方法
CN115601960A (zh) * 2022-09-15 2023-01-13 哈尔滨工业大学（深圳）（哈尔滨工业大学深圳科技创新研究院）（Cn） 一种基于图对比学习的多模态交通流量预测方法及系统
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
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
CN118042018A (zh) * 2024-04-11 2024-05-14 无锡车联天下信息技术有限公司 一种基于stsgcn的智能多路径数据调度方法
CN118042018B (zh) * 2024-04-11 2024-06-14 无锡车联天下信息技术有限公司 一种基于stsgcn的智能多路径数据调度方法

Also Published As

Publication number Publication date
CN114038200B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN114038200B (zh) 基于注意力机制的时空同步图卷积网络交通流量预测方法
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN111223301B (zh) 一种基于图注意力卷积网络的交通流量预测方法
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及系统
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
CN114299723B (zh) 一种交通流量预测方法
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN115578851A (zh) 一种基于mgcn的交通预测方法
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
CN112382081A (zh) 一种基于多任务的交通流量预测方法
CN116011684A (zh) 一种基于时空图卷积网络的交通流量预测方法
CN116504075A (zh) 注意力与多元图卷积融合的时空交通速度预测方法及系统
CN115936069A (zh) 一种基于时空注意力网络的交通流预测方法
CN117195976A (zh) 一种基于分层注意力的交通流量预测方法及系统
CN116052419A (zh) 一种基于深度学习的图神经网络交通流预测方法
CN113192325B (zh) 一种交通事件相关性分析方法及系统
CN115909711A (zh) 交通拥堵指数预测方法、装置及相关设备
CN117392846A (zh) 一种时空自适应图学习融合动态图卷积的交通流预测方法
CN117671952A (zh) 基于时空同步动态图注意力网络的交通流预测方法及系统
CN117290706A (zh) 一种时空卷积融合概率稀疏注意力机制的交通流预测方法
CN117496700A (zh) 一种时空交通流预测模型的构建方法及应用
CN117975710A (zh) 一种交通流流量预测方法、装置、设备及存储介质
CN117456730A (zh) 一种基于自适应部分注意力扩散图卷积神经网络的交通流量预测方法
CN115565370B (zh) 一种局部时空图卷积交通流量预测方法及系统
CN115456238A (zh) 一种基于动态多视图耦合图卷积的城市出行需求预测方法

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