CN114299728B - 结合注意力机制与动态时空卷积模型的车辆流量预测方法 - Google Patents
结合注意力机制与动态时空卷积模型的车辆流量预测方法 Download PDFInfo
- Publication number
- CN114299728B CN114299728B CN202111680770.1A CN202111680770A CN114299728B CN 114299728 B CN114299728 B CN 114299728B CN 202111680770 A CN202111680770 A CN 202111680770A CN 114299728 B CN114299728 B CN 114299728B
- Authority
- CN
- China
- Prior art keywords
- road
- time
- convolution
- flow
- dynamic
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种结合注意力机制与动态时空卷积模型的车辆流量预测方法,针对现有模型无法有效利用道路间车流量转移关系的问题,提出了道路级流量转移嵌入模块,学习到道路间的流量转移时间序列的张量表示;针对现有方法无法捕获动态变化的空间依赖的问题,提出了动态空间注意力模块,用于计算动态变化的空间依赖矩阵;针对现有模型无法有效对时序重要性有效建模的问题,提出了动态时间注意力模块,用于计算时序注意力权重。通过上述组件,本模型可以有效利用道路流量转移数据、捕获道路间动态变化的时空依赖关系,从而提高道路电动自行车流量预测的准确性。
Description
技术领域
本发明涉及一种结合注意力机制与动态时空卷积模型的车辆流量预测方法,具体是注意力机制与动态时空图卷积模型的道路电动自行车流量预测方法,属于时空数据挖掘与交通预测术领域。
背景技术
近年来,随着全球定位系统(Global Positioning System,GPS)的大范围应用,GPS传感器在各类交通工具上得到了大规模部署,由此产生了海量的轨迹数据。我国的电动自行车的销售量与保有量不断上涨,许多城市通过在电动自行车上安装GPS传感器,实现对城区内电动自行车的综合管理。海量的电动自行车轨迹数据可以用于多种研究,例如挖掘城市居民出行规律、分析城市道路拥堵情况,为城市规划者提供决策支持。
交通状态预测是智能交通系统(Intelligent Transport System,ITS)领域的重要课题,包括了道路流量预测、道路平均车速预测与道路通行时间预测。道路流量预测是交通状态预测问题中最受关注的研究方向。然而,交通数据由于以下特点,1)高度非线性;2)时空依赖;3)不满足时间平稳性假设,导致道路流量预测具有很大的挑战性。现有的交通预测方法可以分为模型驱动的方法与数据驱动的方法。模型驱动的方法包括了基于统计模型的方法与基于传统机器学习模型的方法。基于统计模型的方法例如差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)、向量自回归模型(Vector Autoregression Model,VAR)与卡尔曼滤波(Kalman Filtering)等方法,因交通数据不满足时间平稳性假设而效果不佳。基于传统机器学习模型的方法如支持向量回归(support vector regression,SVR)、K近邻(K-Nearest Neighbor,KNN)等模型结构较浅,无法挖掘交通数据的深层次的时空依赖关系,因而无法在海量交通数据上取得较好的效果。以深度学习模型为代表的数据驱动方法例如卷积神经网络(Convolutional NeuralNetworks,CNN)与循环神经网络(Recurrent Neural Networks,RNN)被广泛应用于道路流量预测问题上。CNN中的卷积操作能够有效捕获网格数据上的局部信息与全局结构信息,但是由于交通数据是非欧的,因此CNN不能直接应用于道路流量预测问题。近年来,研究人员提出了基于图卷积神经网络(Graph Convolutional Networks,GCN)的道路流量预测方法。GCN模型能够在图结构上进行卷积,充分利用了图结构的拓扑结构信息与图节点间的空间相关性。目前,图卷积方法可以分为两大类,分别为谱方法与空间方法,其中谱方法基于图谱理论,然而现有基于谱方法的图卷积模型使用固定的邻接矩阵表示图结构,无法捕获图结构上空间依赖的动态变化。此外,现有道路流量预测方法无法有效利用道路间的流量转移关系数据。综上,现有方法存在较大改进空间。
目前已有一种基于注意力机制的图神经网络交通流量预测方法及系统(公开号CN111161535B)获取待预测的城市交通流量数据;根据道路连接关系构建路网图;对待预测的城市交通流量数据进行预处理;将路网图和预处理后的结果,输入到预训练的基于注意力机制的神经网络中,最后输出城市交通流量的预测结果。根据路网信息对道路和卡口进行编码,并根据道路上下游关系建立路网图结构,统计卡口不同时间维度下的过车数据,汇总形成路网车流量数据表;构建有多层注意力模块堆叠组成的图神经网络,使用时序注意力机制和图注意力网络对整个路网中车流量进行建模,预测指定卡口未来的车流量情况,与本发明的区别在于动态空间注意力模块和动态时间注意力模块的设置。
发明内容
本发明针对现有的基于图卷积神经网络模型的方法无法有效利用道路车流量转移关系且不能捕获动态变化的空间依赖问题,提出了一种结合注意力机制与动态时空图卷积模型的道路电动自行车流量预测方法。
为实现上述目的,本发明的技术方案是:
一种结合注意力机制与动态时空卷积模型的车辆流量预测方法,包括以下步骤:
步骤一:输入原始电动自行车轨迹数据,对原始电动自行车轨迹数据依次进行数据清洗、轨迹地图匹配与道路流量提取,获得路网上各条道路上流量的时间序列以及道路间转移流量的时间序列;
步骤二:输入路网图,将路网上的道路作为图节点构建图,计算出图的邻接矩阵;
步骤三:构建道路级流量转移嵌入模块,输入为每条道路与下游相邻道路的流量转移关系,输出为每条道路嵌入后的张量表示;所述流量转移关系输入为道路间流量转移时间序列;
步骤四:构建动态空间注意力模块,输入为步骤三得到的每条道路嵌入后的张量表示。首先计算出道路间的空间依赖矩阵,然后对空间依赖矩阵与步骤二得到的邻接矩阵加权得到动态邻接矩阵;
步骤五:构建动态时间注意力模块,输入为每条道路与下游相邻道路的流量转移关系。首先计算出时序注意力权重,然后使用步骤一得到的流量时间序列与时序注意力权重点乘,得到加权后流量时间序列;所述流量时间序列为各条道路上流量的时间序列;
步骤六:构建动态时空卷积模块,每个动态时空卷积块包含两层时序卷积层与一层空间卷积层,输入为步骤四得到的动态邻接矩阵与步骤五得到的加权后的流量时间序列,输出为每个道路的多通道多时间步张量表示;
步骤七:串行堆叠若干个动态时空卷积模块,利用一个全连接层计算出未来若干时间步的流量,全连接层的输入为最后一个动态时空卷积模块的输出;
步骤八:对提出的模型进行训练,拟合最佳参数,然后实施预测。
与现有技术相比,本发明的有益效果在于:
本发明涉及的一种结合注意力机制与动态时空卷积模型的车辆流量预测方法,提出了道路级流量转移嵌入模块,学习到道路间的流量转移时间序列的张量表示;针对现有方法无法捕获动态变化的空间依赖的问题,提出了动态空间注意力模块,用于计算动态变化的空间依赖矩阵;针对现有模型无法有效对时序重要性有效建模的问题,提出了动态时间注意力模块,用于计算时序注意力权重。通过上述组件,本模型可以有效利用道路流量转移数据、捕获道路间动态变化的时空依赖关系,从而提高道路电动自行车流量预测的准确性,解决了现有模型无法有效利用道路间车流量转移关系的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的结合注意力机制与动态时空卷积模型的车辆流量预测方法的方法流程图;
图2是本发明提供的结合注意力机制与动态时空卷积模型的车辆流量预测方法的模型结构图。
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。
下面将对本发明所提出的结合注意力机制与动态时空图卷积模型的道路电动自行车流量预测方法做具体说明,方法的执行过程如图1所示。
为叙述方便,给出相关符号的定义与道路流量预测问题的定义:
其中,dist(vi,vj)表示道路vi与道路vj之间的欧式距离。
步骤一.输入原始轨迹数据,对原始轨迹数据依次进行数据清洗、轨迹地图匹配与道路流量提取,获得路网上各条道路上流量的时间序列X以及道路间转移流量的时间序列TF;
步骤三.构建道路级流量转移嵌入模块,输入为道路间流量转移时间序列输出为道路嵌入后的张量F为道路级流量转移嵌入模块中每条道路在每个时间步上嵌入后的维度大小,Hi,:,t表示道路vi在t时间步上嵌入后的F维向量;
S=softmax(Vs·ReLU(H·W1·W2·(W3·H)+bs))
其中与均为可学习参数,激活函数设置为线性整流单元(Rectified Linear Unit,ReLU),softmax为归一化指数函数,将空间依赖矩阵S的每一行进行归一化。然后对空间依赖矩阵S与步骤二得到的邻接矩阵A加权得到动态邻接矩阵具体定义如下:
其中,r1与r2均为可学习常量权重参数;
然后使用缩放组件计算出时序注意力权重Tatt,计算公式为:
Tatt=ReLU(Fex(Fseq(havg+hmax))),
步骤六.构建动态时空卷积模块,每个动态时空卷积块包含两层时序卷积层与一层空间卷积层,空间卷积层位于两个时序卷积层之间。本发明提出的模型共使用h个动态时空卷积模块串行堆叠,第一个动态时空卷积模块的输入为步骤四得到的动态邻接矩阵与步骤五得到的加权后的流量时间序列第一个时序卷积层使用的卷积核cin和cspatial分别为第一个时序卷积层输入数据的通道数和输出数据通道数,卷积核Φ1长宽分别为kt与1。空间卷积层使用的卷积核输入数据与输出数据的通道数均为cspatial。第二个时序卷积层使用的卷积核cspatial和cout分别为第二个时序卷积层输入数据的通道数和输出数据通道数,卷积核Φ2长宽分别为kt与1。动态时空卷积模块的计算过程定义为:
模型训练参数如下:
batch_size=50,表示每批训练的数据量为50;
T=12,表示模型输入的流量时间序列的长度为12;
Tp=1,表示模型输出的预测流量时间序列的长度为1;
F=10,表示道路级流量转移嵌入模块中每条道路在每个时间步上嵌入后的维度大小为10;
d=4,表示动态时间注意力模块使用的缩放组件中,将输入流量时间序列长度T缩小到的维度大小。
kt=3,时序卷积核的长度为3;
cin=64,cspatial=64,cout=64,第一个时序卷积层卷积核Φ1的输入数据通道数与输出数据通道数均为64,空间卷积层的输入数据通道数与输出数据通道数均为6,第二个时序卷积层卷积核Φ2的输入数据通道数与输出数据通道数均为64;
h=2,动态时空卷积模块的个数;
learning_rate=0.001,学习率大小设置为0.001;
epochs=100,最大迭代次数为100轮;
在模型训练参数设置完成后,不断迭代训练,通过最小化损失函数loss,得到模型参数的最优值,进而得到最终的模型,后续就可以进行流量预测。
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 (6)
1.一种结合注意力机制与动态时空卷积模型的车辆流量预测方法,其特征在于:包括以下步骤:
步骤一、输入原始电动自行车轨迹数据,对原始电动自行车轨迹数据依次进行数据清洗、轨迹地图匹配与道路流量提取,获得路网上各条道路上流量的时间序列以及道路间转移流量的时间序列;
步骤二、输入路网图,将路网上的道路作为图节点构建图,计算出图的邻接矩阵;
步骤三、构建道路级流量转移嵌入模块,输入为每条道路与下游相邻道路的流量转移关系,输出为每条道路嵌入后的张量表示;所述流量转移关系输入为道路间流量转移时间序列;
步骤四、构建动态空间注意力模块,输入为步骤三得到的每条道路嵌入后的张量表示,计算出道路间的空间依赖矩阵,对空间依赖矩阵与步骤二得到的邻接矩阵加权得到动态邻接矩阵;
步骤五、构建动态时间注意力模块,输入为每条道路与下游相邻道路的流量转移关系,计算出时序注意力权重,使用步骤一得到的流量时间序列与时序注意力权重点乘,得到加权后流量时间序列;所述流量时间序列为各条道路上流量的时间序列;
步骤六、构建动态时空卷积模块,每个动态时空卷积块包含两层时序卷积层与一层空间卷积层,输入为步骤四得到的动态邻接矩阵与步骤五得到的加权后的流量时间序列,输出为每个道路的多通道多时间步张量表示;
步骤七、串行堆叠若干个动态时空卷积模块,利用一个全连接层计算出未来若干时间步的流量,全连接层的输入为最后一个动态时空卷积模块的输出;
步骤八、对提出的模型进行训练,然后实施预测。
5.根据权利要求1所述的一种结合注意力机制与动态时空卷积模型的车辆流量预测方法,其特征在于:所述步骤五包括以下步骤:
使用缩放组件计算出时序注意力权重Tatt,计算公式为:
Tatt=ReLU(Fex(Fseq(havg+hmax))),
6.根据权利要求1所述的一种结合注意力机制与动态时空卷积模型的车辆流量预测方法,其特征在于:所述步骤六包括以下步骤:
每个动态时空卷积块包含两层时序卷积层与一层空间卷积层,空间卷积层位于两个时序卷积层之间,第一个动态时空卷积模块的输入为步骤四得到的动态邻接矩阵与步骤五得到的加权后的流量时间序列第一个时序卷积层使用的卷积核cin和cspatial分别为第一个时序卷积层输入数据的通道数和输出数据通道数,卷积核Φ1长宽分别为kt与1,空间卷积层使用的卷积核输入数据与输出数据的通道数均为cspatial,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111680770.1A CN114299728B (zh) | 2021-12-29 | 2021-12-29 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111680770.1A CN114299728B (zh) | 2021-12-29 | 2021-12-29 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114299728A CN114299728A (zh) | 2022-04-08 |
CN114299728B true CN114299728B (zh) | 2023-04-21 |
Family
ID=80976171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111680770.1A Active CN114299728B (zh) | 2021-12-29 | 2021-12-29 | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299728B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019501B (zh) * | 2022-04-13 | 2023-05-02 | 合肥工业大学 | 路侧单元通信负载预测模型、策略模型、控制方法和系统 |
CN116110588B (zh) * | 2022-05-10 | 2024-04-26 | 北京理工大学 | 基于动态邻接矩阵和时空注意力的医学时间序列预测方法 |
CN114925836B (zh) * | 2022-07-20 | 2022-11-29 | 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 |
CN115620510B (zh) * | 2022-08-25 | 2023-12-05 | 重庆邮电大学 | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 |
CN116071932B (zh) * | 2023-03-09 | 2023-06-20 | 华东交通大学 | 交通流量预测方法、系统、存储介质及终端设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
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 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11842271B2 (en) * | 2019-08-29 | 2023-12-12 | Nec Corporation | Multi-scale multi-granularity spatial-temporal traffic volume prediction |
CN111130839B (zh) * | 2019-11-04 | 2021-07-16 | 清华大学 | 一种流量需求矩阵预测方法及其系统 |
CN111161535B (zh) * | 2019-12-23 | 2021-03-02 | 山东大学 | 基于注意力机制的图神经网络交通流量预测方法及系统 |
CN111653088B (zh) * | 2020-04-21 | 2022-02-01 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN112766551B (zh) * | 2021-01-08 | 2022-05-17 | 鹏城实验室 | 一种交通预测方法、智能终端及计算机可读存储介质 |
CN113112793A (zh) * | 2021-03-29 | 2021-07-13 | 华南理工大学 | 一种基于动态时空相关性的交通流预测方法 |
CN113313947B (zh) * | 2021-05-31 | 2022-04-19 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN113450568B (zh) * | 2021-06-30 | 2022-07-19 | 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模型 |
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 |
-
2021
- 2021-12-29 CN CN202111680770.1A patent/CN114299728B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114299728A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114299728B (zh) | 结合注意力机制与动态时空卷积模型的车辆流量预测方法 | |
Liu et al. | Contextualized spatial–temporal network for taxi origin-destination demand prediction | |
Yin et al. | Deep learning on traffic prediction: Methods, analysis, and future directions | |
Zhao et al. | A novel generation-adversarial-network-based vehicle trajectory prediction method for intelligent vehicular networks | |
CN111899510B (zh) | 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 | |
CN106205126B (zh) | 基于卷积神经网络的大规模交通网络拥堵预测方法及装置 | |
CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
Li et al. | Graph CNNs for urban traffic passenger flows prediction | |
Zhang et al. | Multistep speed prediction on traffic networks: A graph convolutional sequence-to-sequence learning approach with attention mechanism | |
CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN112598165B (zh) | 基于私家车数据的城市功能区转移流量预测方法及装置 | |
Huang et al. | Transfer learning in traffic prediction with graph neural networks | |
CN110163449B (zh) | 一种基于主动时空图卷积的机动车排污监测节点部署方法 | |
Han et al. | Short-term traffic prediction based on deepcluster in large-scale road networks | |
CN116504060B (zh) | 基于Transformer的扩散图注意力网络交通流预测方法 | |
CN113762338B (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
CN111242292A (zh) | 基于深度时空网络的od数据预测方法及系统 | |
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 | |
CN111242395A (zh) | 用于od数据的预测模型构建方法及装置 | |
Song et al. | Learn travel time distribution with graph deep learning and generative adversarial network | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 |
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 |