CN114120652A - 一种基于动态图神经网络的交通流量预测方法 - Google Patents

一种基于动态图神经网络的交通流量预测方法 Download PDF

Info

Publication number
CN114120652A
CN114120652A CN202111570091.9A CN202111570091A CN114120652A CN 114120652 A CN114120652 A CN 114120652A CN 202111570091 A CN202111570091 A CN 202111570091A CN 114120652 A CN114120652 A CN 114120652A
Authority
CN
China
Prior art keywords
traffic flow
neural network
data
dynamic graph
model
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
Application number
CN202111570091.9A
Other languages
English (en)
Inventor
徐光侠
胡新庭
陈浪
王利
王益帅
张家俊
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202111570091.9A priority Critical patent/CN114120652A/zh
Publication of CN114120652A publication Critical patent/CN114120652A/zh
Pending legal-status Critical Current

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及交通规划领域，具体为一种基于动态图的交通流量预测方法。所述方法包括对交通道路的关键节点设置多个监测传感器，监测该道路的交通流量、道路占有率、速度数据并长期进行收集，构建基于动态图神经网络的交通流量预测模型，输入历史交通流量数据，设定模型中的相关超参数，对输入数据进行预处理，设计动态图更新算法，并将该算法运用于动态图神经网络模块，采用动态图神经网络模块以及ConvLSTM模块提取时空特征，并将特征融合后输出预测结果，最终训练好整个模型用于交通流量预测。本发明的模型预测输出和实际流量状况拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对交通流量预测结果更可靠，更有优势。

Description

一种基于动态图神经网络的交通流量预测方法
技术领域
本发明属于计算机/交通规划领域，具体为一种基于动态图的交通流量预测方法。
背景技术
近年来随着城市化的进展，交通问题日益严重。而智慧交通系统作为一种成熟的解决方案，能够对于交通状况进行实时管控、实时调度、异常监控，但其核心离不开对于交通流量的实时预测。交通流量是反应道路状况的一个重要指标，如果能够提前准确预测道路的流量状况，交通管理部门就能及时合理地进行引导。
交通流量预测问题是一个典型的时空数据预测问题，其难点在于如何将道路的空间特征与时间维度上特征进行提取。空间特征具体来说，即在相同道路的上下流之间的道路流量具有相关性，且相邻道路之间这种相关性也是存在的。而时间特征反应在临近性、趋势性与周期性。在一天内的流量变化，相邻时间的流量通常是相似的。同时，一定时间内流量变化具有单调递增或是单调递减的特征，且在固定的长度的变化具有相似性。即使是相同的时间，在工作日与休息日的变化通常存在着完全不相同的特性。因此需要对工作日与休息日进行区分预测，或是将这种状况作为一种特征从而进行预测。综上所述，交通流量数据的相关性在空间维度上和时间维度上都表现出强烈的动态性，捕获交通数据中的时空依赖，发现其内在的时空模式是交通流量预测的一个具有挑战的问题。
随着深度学习的发展，交通流量预测问题出现了新的解决方式，即通过图神经网络的方式对交通流量预测过程进行建模。然而在这个过程交通道路被抽象为一个固定的图结构，没有考虑到交通道路状态是存在动态变化的过程。
发明内容
为了能够对交通流量状态进行准确的预测，本发明提出一种基于动态图的交通流量预测方法，所述的动态图通过构建自适应矩阵来进行更新，同时通过构建基于图神经网络的交通流量预测模型，在该模型中根据交通数据的时空特征进行训练，完成训练后将就可以实现交通流量数据的预测任务；其中交通流量数据的时空特征包括交通图的空间结构特征、交通数据在时序上的临近性、相关性和周期性。
进一步的，本文提出的动态图是根据自适应矩阵进行更新的，具体的：
S101、根据交通路网的实际状况抽象出交通图；
S102、建立自适应矩阵更新函数，根据该自适应矩阵学习学习交通数据中的动态变化性；
S103、建立基于图神经网络的交通流量预测模型，将动态图放入图神经网络框架中，更新其中动态图。
进一步的，所述基于图神经网络的交通流量预测模型需要首先对输入的训练数据进行处理包括：
S201、确定交通流量数据的划分序列，根据临近性选择输入的最近时间序列χd，根据每日周期划分出日周期序列χd，选择每周规律作为周时间序列χw；
S202、根据临近数据有相似性，对空缺数据采用相邻数据的均值进行填充，并对数据进行归一化处理。
进一步的，所述图神经网络的交通流量预测模型包括空间特征处理模块与时间特征处理模块，具体包括：
S301、基于图卷积为基础的空间特征处理模块，通过交通网络以及历史交通流量作为图卷积输入获取交通数据中的空间特征；
S302、基于长短记忆神经网络的时间特征处理模块，通过交通历史数据作为输入以获取交通数据中时间维度的特征。
S303、多模块融合单元，在经过两个模块的特征提取之后，需要对这些输出进行特征融合。对于不同时刻的交通流量可能具有不同特性，最近时刻时间序列影响会小于每周周期时间序列与每周周期时间序列的输出。但某些时刻的交通流量不具备这种交通周期模式，因此每日周期与每周周期的输出影响较小。因此，需要对于不同模块的特征采用不同权重进行融合。
其中，通常将交通路网抽象为一个无向图G＝(V,E,A)，其中V代表节点集通常是传感器或者是道路交叉路口，而N＝|V|则代表节点数量；E代表边通常表示节点之间的关系，对于交通网络来说一般是道路路径或者是传感器之间相连关系。
Figure BDA0003423105560000031
代表图G的邻接矩阵，矩阵中的值是两个节点之间的距离。可以表示为：
Figure BDA0003423105560000032
其中，自适应矩阵更新函数通过更新拉普拉斯矩阵实现，拉普拉斯可以表示为其定义为：L＝D-A，其中
Figure BDA0003423105560000033
是度矩阵，同时也是一个对角矩阵，Dii＝∑jAij，该矩阵代表图的空间结构特征。通过对拉普拉斯矩阵归一化处理得到L＝
Figure BDA0003423105560000034
其中IN为单位阵。通过构造两个频段的特征包括高频特征：
Figure BDA0003423105560000035
和低频特征：
Figure BDA0003423105560000036
Figure BDA0003423105560000037
其中ε是一个超参数介于[0,1]之间。
进一步的，图神经网络框架通过前向传播与反向传播机制更新超参数ε，每次模型的迭代过程就是该参数的更新过程。通过采用随机梯度下降算法更新整个网络的参数。
进一步的，所述对于交通流量数据的划分包含两个步骤：
1、根据设定的超参数包括用于预测的数据时序长度input_len以及预测长度设定参数Pre_len划分出所有的预测序列，由于交通流量预测问题是一个典型的自回归问题，用于预测结果序列也会成其他预测序列的输入序列。
2、根据设定的超参数nhours,ndays,nweeks划分出模型不同的输入序列χh,χd,χw。由于交通流量数据具有明显的时间维度特征，获取这些特征对于准确的预测是必不可少的。
进一步的，需要对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理。对于空缺数据由于交通流量数据本身具有的相邻相似性特征，因此，采用相邻数据的均值进行填充。对于交通流量数据，其本身记录的是某个时间节点上对应采集器节点上观察到的流量值，为便于深度学习的模型进行学习，需要对其进行归一化从而得到关键的时空特征。归一化可以表示为：
Figure BDA0003423105560000041
进一步的，基于动态图神经网络的交通流量预测模型包含对于空间特征处理的动态图神经网络模块和对于时间特征长短记忆神经网络模型，以及最终输出预测结果的融合单元。
具体的，基于动态图神经网络模块可以定义为：
Figure BDA0003423105560000042
Figure BDA0003423105560000043
其中，其中*G代表卷积运算，U是正交矩阵或称为傅里叶基，对于图上信号的卷积运算即对于图进行傅里叶变化，实质是对图信号的汇聚与求积，因此上述公式可以理解为利用卷积运算将卷积核fL和图上的信号x分别转化到谱域，并将结果进行相乘，并进行傅里叶逆变换，得到经过处理之后的结果。
进一步的，在得到处理之后结果即将交通图节点上不同特征进行汇聚之后的结果后，为便于下一步处理需要将高低频的特征进行融合，其融合过程可以表示为：
Figure BDA0003423105560000051
Figure BDA0003423105560000052
代表节点i特征的表示，
Figure BDA0003423105560000053
代表节点i所有的邻居集合，di代表节点i的度，
Figure BDA0003423105560000054
分别表示在高低频特征所占的比例，且
Figure BDA0003423105560000055
进一步的，在提取了空间维度特征后，采用Relu函数作为激活函数，用于提取交通流量数据中的非线性特征，Relu函数表示为：
Figure BDA0003423105560000056
进一步的，为获取交通流量数据中的时间维度特征，采用ConvLSTM作为特征提取单元，它作为循环时间网络的一种改进，通过门单元来避免梯度下降与梯度消失问题。同时，其结构天然能够处理时间序列的数据，采用卷积运算取代门单元的汇聚运算能够更好的处理交通流量数据中存在的分布不平衡问题，ConvLSTM模块可以表示为：
it＝Sigmoid(Conv(xt；wxi)+Conv(ht-1；whi)+bi)
ft＝Sigmoid(Conv(xt；wxf)+Conv(ht-1；whf)+bf)
ot＝Sigmoid(Conv(xt；wxo)+Conv(ht-1；who)+bo)
gt＝Tanh(Conv(xt；wxg)+Conv(ht-1；whg)+bg)
ct＝ft⊙ct-1+it⊙gt
ht＝ot⊙Tanh(ct)
其中it表示输入门，通过将传统输入门中的聚合操作转化为卷积操作，并采用Sigmoid函数作为激活函数，ft代表遗忘门，ot代表输出门，w,b是可学习的参数，xt,ht-1是每一层的输入以及上一层的输出。对于每一层的输出定义gt本层特征信息，本层输出定义为ct，由上一层与本层特征加权构成，ht代表本文隐藏状态，用于下一层特征提取。
进一步的，采用多模块融合单元对于不同时间维度输入处理后的结果进行特征融合，特征融合模块可以表示为：
Figure BDA0003423105560000061
其中，Wh,Wd,Ww是可学习参数，
Figure BDA0003423105560000062
分别代表不同时间维度上的特征提取结果，⊙代表哈达玛乘积。
进一步的，通过全连接层将输出
Figure BDA0003423105560000063
转化为目标输出维度
Figure BDA0003423105560000064
其中N代表需要预测的节点数量，Tr-1代表目标预测时间序列长度。
进一步的，在定义完成网络架构后需要对模型进行训练，包括：
S401、输入基于动态图神经网络的初始参数，初始参数包括对模型中参数进行初始化，以及相关超参数的输入，包括预测时间序列长度、用于输入的时间序列长度、不同时间维度需要的序列长度；
S402、将划分后的交通流量数据分别输入到模型之中，得到预测结果，即对于交通流量未来一段时间的预测结果；
S403、计算预测结果与真实结果的误差情况，采用反向传播算法对模型中的参数进行更新；
S404、计算模型整体的平均误差和作为模型的评价标准，当模型达到指定迭代次数或者误差趋于平稳时，完成训练。
进一步的，基于动态图神经网络的评价指标定义为：
Figure BDA0003423105560000065
其中yi代表节点i处的真实交通流量数据，
Figure BDA0003423105560000066
代表模型预测的结果，N代表节点总数。
本发明有以下有益效果：
1)、利用基于动态图神经网络的交通流量预测模型提取交通流量数据中时空维度特征，并进行一段时间上的预测，解决了传统方法对于交通流量数据中复杂时空特征无法提取的问题，同时通过采用动态图作为输入，解决了动态空间特征难以提取的问题。
2)、基于动态图神经网络的预测方法基于图神经网络、循环神经网络进行实现，改进了其中以静态图作为输入的问题，以及根据交通流量数据本身的特征采用ConvLSTM提升了模型的表现，即令预测结果更加准确。
附图说明
图1是本发明一种基于动态图神经网络的交通流量预测方法的流程图；
图2是本发明中动态图神经网络获取高低频信息的示意图；
图3是本发明中采用的ConvLSTM网络的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明方法是依据改进后的图神经网络模型对交通流量进行预测，进而对道路规划以及交通控制提供决策支持，实现智慧城市智慧交通关键技术突破。本发明提出的方法可以包括一下几个步骤，如图1所示，具体步骤可以参考如下：
步骤S1、在城市交通的关键节点设置多个速度、流量、道路占有率的检测传感器，并将数据进行保存；例如，本示例给出某城市近一年的交通流量数据包括，307个交通传感器节点，包括其流量、道路占有率预计平均速度三个指标。
步骤S2、构建基于动态图神经网络的交通流量预测模型，输入历史交通流量数据，并初始化模型的初始参数以及设定相关超参数，并根据交通节点的位置关系构建初始交通路网图。其中，通常将交通路网抽象为一个无向图G＝(V,E,A)，其中V代表节点集通常是传感器或者是道路交叉路口，而N＝|V|则代表节点数量；E代表边通常表示节点之间的关系，对于交通网络来说一般是道路路径或者是传感器之间相连关系。
Figure BDA0003423105560000081
代表图G的邻接矩阵，矩阵中的值是两个节点之间的距离。可以表示为：
Figure BDA0003423105560000082
步骤S3、根据设定的超参数nhours,ndays,nweeks划分出模型不同的输入序列χh,χd,χw。由于实例中交通流量数据具有明显的时间维度特征，获取这些特征对于准确的预测是必不可少的。
步骤S4、需要对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理。对于空缺数据由于交通流量数据本身具有的相邻相似性特征，因此，采用相邻数据的均值进行填充。对于交通流量数据，其本身记录的是某个时间节点上对应采集器节点上观察到的流量值，为便于深度学习的模型进行学习，需要对其进行归一化从而得到关键的时空特征。归一化可以表示为：
Figure BDA0003423105560000083
步骤S5、设计动态图更新算法，其中，自适应矩阵更新函数通过更新拉普拉斯矩阵实现，拉普拉斯可以表示为其定义为：L＝D-A，其中
Figure BDA0003423105560000084
是度矩阵，同时也是一个对角矩阵，Dii＝∑jAij，该矩阵代表图的空间结构特征。通过对拉普拉斯矩阵归一化处理得到
Figure BDA0003423105560000091
其中IN为单位阵。通过构造两个频段的特征包括高频特征：
Figure BDA0003423105560000092
和低频特征：
Figure BDA0003423105560000093
其中ε是一个超参数介于[0,1]之间，动态图更新算法与静态图输入差异如图2所示。
步骤S6，更新表示动态的图的自适应矩阵，图神经网络框架通过前向传播与反向传播机制更新超参数ε，每次模型的迭代过程就是该参数的更新过程。通过采用随机梯度下降算法更新整个网络的参数。
步骤S7，将动态图更迭算法运用于动态图神经网络模块，该模块可以定义为：
Figure BDA0003423105560000094
Figure BDA0003423105560000095
其中，其中*G代表卷积运算，U是正交矩阵或称为傅里叶基，对于图上信号的卷积运算即对于图进行傅里叶变化，实质是对图信号的汇聚与求积，因此上述公式可以理解为利用卷积运算将卷积核fL和图上的信号x分别转化到谱域，并将结果进行相乘，并进行傅里叶逆变换，得到经过处理之后的结果。
步骤S8，采用ConvLSTM获取交通流量数据中的时间维度特征，其结构如图3，它作为循环时间网络的一种改进，通过门单元来避免梯度下降与梯度消失问题。同时，其结构天然能够处理时间序列的数据，采用卷积运算取代门单元的汇聚运算能够更好的处理交通流量数据中存在的分布不平衡问题，ConvLSTM模块可以表示为：
it＝Sigmoid(Conv(xt；wxi)+Conv(ht-1；whi)+wi)
ft＝Sigmoid(Conv(xt；wxf)+Conv(ht-1；whf)+bf)
ot＝Sigmoid(Conv(xt；wxo)+Conv(ht-1；who)+bo)
gt＝Tanh(Conv(xt；wxg)+Conv(ht-1；whg)+bg)
ct＝ft⊙ct-1+it⊙gt
ht＝ot⊙Tanh(ct)
其中it表示输入门，通过将传统输入门中的聚合操作转化为卷积操作，并采用Sigmoid函数作为激活函数，ft代表遗忘门，ot代表输出门，w,b是可学习的参数，xt,hy-1是每一层的输入以及上一层的输出。对于每一层的输出定义gt本层特征信息，本层输出定义为ct，由上一层与本层特征加权构成，ht代表本文隐藏状态，用于下一层特征提取。
步骤S9，将时空特征进行特征融合并输出预测结果，用多模块融合单元对于不同时间维度输入处理后的结果进行特征融合，特征融合模块可以表示为：
Figure BDA0003423105560000101
其中，Wh,Wd,Ww是可学习参数，
Figure BDA0003423105560000102
分别代表不同时间维度上的特征提取结果，⊙代表哈达玛乘积。通过全连接层将输出
Figure BDA0003423105560000103
转化为目标输出维度
Figure BDA0003423105560000104
其中N代表需要预测的节点数量，Tr-1代表目标预测时间序列长度。
步骤S10，训练基于动态图神经网络的交通流量预测模型，输入基于动态图神经网络的初始参数，初始参数包括对模型中参数进行初始化，以及相关超参数的输入，包括预测时间序列长度、用于输入的时间序列长度、不同时间维度需要的序列长度。
将划分后的交通流量数据分别输入到模型之中，得到预测结果，即对于交通流量未来一段时间的预测结果。计算预测结果与真实结果的误差情况，采用反向传播算法对模型中的参数进行更新。
计算模型整体的平均误差和作为模型的评价标准，当模型达到指定迭代次数或者误差趋于平稳时，完成训练。基于动态图神经网络的评价指标定义为：
Figure BDA0003423105560000111
其中yi代表节点i处的真实交通流量数据，
Figure BDA0003423105560000112
代表模型预测的结果，N代表节点总数。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于动态图神经网络的交通流量预测方法，其特征在于，所述方法包括以下步骤：
S1、在城市交通的关键节点设置多个速度、流量、道路占有率的检测传感器，并采集相关数据；
S2、构建基于动态图神经网络的交通流量预测模型，输入历史交通流量数据，并初始化模型的初始参数以及设定相关超参数，并根据交通节点的位置关系构建初始交通路网图；
S3、根据设定的超参数nhours,ndays,nweeks划分出模型不同的输入序列χh,χd,χw；
S4、对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理；
S5、设计动态图更新算法，更新表示动态的图的自适应矩阵，图神经网络框架通过前向传播与反向传播机制更新超参数ε，每次模型的迭代过程就是该参数的更新过程；
S6、将动态图更迭算法运用于动态图神经网络模块，并将动态图神经网络用于空间特征提取，采用ConvLSTM获取交通流量数据中的时间维度特征；
S7、将时空特征进行特征融合并输出预测结果，用多模块融合单元对于不同时间维度输入处理后的结果进行特征融合；
S8、训练基于动态图神经网络的交通流量预测模型，输入基于动态图神经网络的初始参数，初始参数包括对模型中参数进行初始化；
S9、将划分后的交通流量数据分别输入到模型之中，得到预测结果，即对于交通流量未来一段时间的预测结果。
2.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述模型的初始参数以及设定相关超参数包括nhours,ndays,nweeks,input_len,Pre_len分别表示需要输入的时间序列长度，周期日长度，周期周长度，预测输入长度，预测输出长度。
3.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述构建交通路网图抽象为一个无向图G＝(V,E,A)，其中V代表节点集通常是传感器或者是道路交叉路口，而N＝|V|则代表节点数量；E代表边通常表示节点之间的关系，对于交通网络来说一般是道路路径或者是传感器之间相连关系。
Figure FDA0003423105550000021
代表图G的邻接矩阵，矩阵中的值是两个节点之间的距离。可以表示为：
Figure FDA0003423105550000022
4.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述数据处理过程中，对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理。对于空缺数据由于交通流量数据本身具有的相邻相似性特征，因此，采用相邻数据的均值进行填充。对于交通流量数据，其本身记录的是某个时间节点上对应采集器节点上观察到的流量值，为便于深度学习的模型进行学习，需要对其进行归一化从而得到关键的时空特征。归一化可以表示为：
Figure FDA0003423105550000023
5.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述动态图更新算法，其中基于动态图神经网络模块可以定义为：
Figure FDA0003423105550000024
Figure FDA0003423105550000031
其中，其中*G代表卷积运算，U是正交矩阵或称为傅里叶基，对于图上信号的卷积运算即对于图进行傅里叶变化，实质是对图信号的汇聚与求积，因此上述公式可以理解为利用卷积运算将卷积核fL和图上的信号x分别转化到谱域，并将结果进行相乘，并进行傅里叶逆变换，得到经过处理之后的结果。
6.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述动态图神经网络模块在得到权利要求1处理之后结果即将交通图节点上不同特征进行汇聚之后的结果后，为便于下一步处理需要将高低频的特征进行融合，其融合过程可以表示为：
Figure FDA0003423105550000032
7.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述采用ConvLSTM获取交通流量数据中的时间维度特征，其中采用卷积运算取代门单元的汇聚运算能够更好的处理交通流量数据中存在的分布不平衡问题，ConvLSTM模块可以表示为：
it＝Sigmoid(Conv(xt；wxi)+Conv(ht-1；whi)+bi)
ft＝Sigmoid(Conv(xt；wxf)+Conv(ht-1；whf)+bf)
ot＝Sigmoid(Conv(xt；wxo)+Conv(ht-1；who)+bo)
gt＝Tanh(Conv(xt；wxg)+Conv(ht-1；whg)+bg)
ct＝ft⊙ct-1+it⊙gt
ht＝ot⊙Tanh(ct)
其中it表示输入门，通过将传统输入门中的聚合操作转化为卷积操作，并采用Sigmoid函数作为激活函数，ft代表遗忘门，ot代表输出门，w,b是可学习的参数，xt,ht-1是每一层的输入以及上一层的输出。对于每一层的输出定义gt本层特征信息，本层输出定义为ct，由上一层与本层特征加权构成，ht代表本文隐藏状态，用于下一层特征提取。
8.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述进行特征融合并输出预测结果包括一下步骤：
S81、采用多模块融合单元对于不同时间维度输入处理后的结果进行特征融合，特征融合模块可以表示为：
Figure FDA0003423105550000041
其中，Wh,Wd,Ww是可学习参数，
Figure FDA0003423105550000042
分别代表不同时间维度上的特征提取结果，⊙代表哈达玛乘积。
S82、通过全连接层将输出
Figure FDA0003423105550000043
转化为目标输出维度
Figure FDA0003423105550000044
其中N代表需要预测的节点数量，Tr-1代表目标预测时间序列长度。
9.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述训练基于动态图神经网络的交通流量预测模型包括以下步骤：
S91、输入基于动态图神经网络的初始参数，初始参数包括对模型中参数进行初始化，以及相关超参数的输入，包括预测时间序列长度、用于输入的时间序列长度、不同时间维度需要的序列长度；
S92、将划分后的交通流量数据分别输入到模型之中，得到预测结果，即对于交通流量未来一段时间的预测结果；
S93、计算预测结果与真实结果的误差情况，采用反向传播算法对模型中的参数进行更新；
S94、计算模型整体的平均误差和作为模型的评价标准，当模型达到指定迭代次数或者误差趋于平稳时，完成训练。
CN202111570091.9A 2021-12-21 2021-12-21 一种基于动态图神经网络的交通流量预测方法 Pending CN114120652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111570091.9A CN114120652A (zh) 2021-12-21 2021-12-21 一种基于动态图神经网络的交通流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111570091.9A CN114120652A (zh) 2021-12-21 2021-12-21 一种基于动态图神经网络的交通流量预测方法

Publications (1)

Publication Number Publication Date
CN114120652A true CN114120652A (zh) 2022-03-01

Family

ID=80361676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111570091.9A Pending CN114120652A (zh) 2021-12-21 2021-12-21 一种基于动态图神经网络的交通流量预测方法

Country Status (1)

Country Link
CN (1) CN114120652A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114925836A (zh) * 2022-07-20 2022-08-19 中国海洋大学 基于动态多视图图神经网络的城市交通车流量推理方法
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
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
CN116150699A (zh) * 2022-09-08 2023-05-23 湖南工商大学 基于深度学习的交通流预测方法、装置、设备及介质
CN116561688A (zh) * 2023-05-09 2023-08-08 浙江大学 基于动态图异常检测的新兴技术识别方法
CN117423238A (zh) * 2023-12-19 2024-01-19 北京华录高诚科技有限公司 基于卷积交换网络的交通流量一体式预测装置及预测方法
WO2024031763A1 (zh) * 2022-08-09 2024-02-15 之江实验室 一种基于图神经网络的时空感知信息预测方法和系统
CN117636633A (zh) * 2023-11-27 2024-03-01 香港科技大学(广州) 一种基于时空感知混合图的交通流量预测方法
CN117690318A (zh) * 2024-02-04 2024-03-12 北京航空航天大学 一种基于空中交通时空动态图的交通流量预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
CN110782663A (zh) * 2019-09-30 2020-02-11 电子科技大学 一种结合时空特性的路网交通流量短时预测方法
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
US20200092316A1 (en) * 2018-09-19 2020-03-19 Nec Laboratories America, Inc. Dynamic transaction graph analysis
CN111709549A (zh) * 2020-04-30 2020-09-25 东华大学 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法
US20210201145A1 (en) * 2019-12-31 2021-07-01 Nvidia Corporation Three-dimensional intersection structure prediction for autonomous driving applications
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200092316A1 (en) * 2018-09-19 2020-03-19 Nec Laboratories America, Inc. Dynamic transaction graph analysis
CN110070715A (zh) * 2019-04-29 2019-07-30 浙江工业大学 一种基于Conv1D-NLSTMs神经网络结构的道路交通流预测方法
CN110782663A (zh) * 2019-09-30 2020-02-11 电子科技大学 一种结合时空特性的路网交通流量短时预测方法
CN110827544A (zh) * 2019-11-11 2020-02-21 重庆邮电大学 一种基于图卷积循环神经网络的短时交通流控制方法
US20210201145A1 (en) * 2019-12-31 2021-07-01 Nvidia Corporation Three-dimensional intersection structure prediction for autonomous driving applications
CN111709549A (zh) * 2020-04-30 2020-09-25 东华大学 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AHMADALI ET AL.: "Exploiting dynamic spatio-temporal graph convolutional neural networks for citywide traffic flows prediction" *
杨云: "基于属性降维的钓鱼网站检测方法" *
王海起等: "基于图结构的城市道路短时交通流量时空预测模型" *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN114925836A (zh) * 2022-07-20 2022-08-19 中国海洋大学 基于动态多视图图神经网络的城市交通车流量推理方法
WO2024031763A1 (zh) * 2022-08-09 2024-02-15 之江实验室 一种基于图神经网络的时空感知信息预测方法和系统
CN116150699A (zh) * 2022-09-08 2023-05-23 湖南工商大学 基于深度学习的交通流预测方法、装置、设备及介质
CN115422694A (zh) * 2022-11-03 2022-12-02 深圳市城市交通规划设计研究中心股份有限公司 一种路段缺失流量推算方法、电子设备及存储介质
CN116561688A (zh) * 2023-05-09 2023-08-08 浙江大学 基于动态图异常检测的新兴技术识别方法
CN116561688B (zh) * 2023-05-09 2024-03-22 浙江大学 基于动态图异常检测的新兴技术识别方法
CN117636633A (zh) * 2023-11-27 2024-03-01 香港科技大学(广州) 一种基于时空感知混合图的交通流量预测方法
CN117636633B (zh) * 2023-11-27 2024-05-17 香港科技大学(广州) 一种基于时空感知混合图的交通流量预测方法
CN117423238A (zh) * 2023-12-19 2024-01-19 北京华录高诚科技有限公司 基于卷积交换网络的交通流量一体式预测装置及预测方法
CN117690318A (zh) * 2024-02-04 2024-03-12 北京航空航天大学 一种基于空中交通时空动态图的交通流量预测方法
CN117690318B (zh) * 2024-02-04 2024-04-12 北京航空航天大学 一种基于空中交通时空动态图的交通流量预测方法

Similar Documents

Publication Publication Date Title
CN114120652A (zh) 一种基于动态图神经网络的交通流量预测方法
CN109887282B (zh) 一种基于层级时序图卷积网络的路网交通流预测方法
Wang et al. Attention based spatiotemporal graph attention networks for traffic flow forecasting
CN110827544A (zh) 一种基于图卷积循环神经网络的短时交通流控制方法
Ge et al. Temporal graph convolutional networks for traffic speed prediction considering external factors
CN113705880A (zh) 基于时空注意力图卷积网络的交通速度预测方法和装置
CN114944053B (zh) 一种基于时空超图神经网络的交通流预测方法
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN102200759A (zh) 一种非线性核化自适应预测方法
CN110210656B (zh) 基于站点行为分析的共享单车流量预测方法及系统
Ma et al. Fuzzy hybrid framework with dynamic weights for short‐term traffic flow prediction by mining spatio‐temporal correlations
Ozyegen et al. Experimental results on the impact of memory in neural networks for spectrum prediction in land mobile radio bands
Rico et al. Graph neural networks for traffic forecasting
Bui et al. A statistical data-filtering method proposed for short-term load forecasting models
Zhao et al. Traffic flow prediction model based on the combination of improved gated recurrent unit and graph convolutional network
Xu et al. Multi-dimensional attention based spatial-temporal networks for traffic forecasting
CN113112792A (zh) 一种基于语义信息的多模块交通密集度预测方法
Xie et al. " how do urban incidents affect traffic speed?" A deep graph convolutional network for incident-driven traffic speed prediction
CN117116045A (zh) 一种基于时空序列深度学习的交通流量预测方法及装置
CN116959252A (zh) 基于r-c-r结构的时空卷积交通流预测方法及系统
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
CN113537607B (zh) 停电预测方法
CN113240904B (zh) 基于特征融合的交通流预测方法
Lin et al. Network-wide multi-step traffic volume prediction using graph convolutional gated recurrent neural network

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220301