CN114333327B - 一种基于多流神经网络的交通状态预测方法 - Google Patents

Abstract

本发明公开了一种基于多流神经网络的交通状态预测方法，属于智能交通技术领域，本发明利用多流神经网络框架局部特征流，融合了局部特征流、整体特征流和差分特征流，分别用于挖掘带有局部关联的交通状态时空特征，整体路网的时空特征和交通状态的增量变化特征。其中，每一层流式网络中都包含了时空特征的捕获单元，用于发现上述各类特征的空间和时间依赖关系。全面捕获多类时空特征，提升预测精度，并缓解时间滞后性和平滑性等导致的预测结果偏差大的问题。

Description

一种基于多流神经网络的交通状态预测方法

技术领域

本发明涉及智能交通技术领域，尤其涉及一种基于多流神经网络的交通状态预测方法。

背景技术

交通流预测在智能交通系统中发挥着至关重要的作用，准确的预测结果能为交通管理与控制提供决策依据。随着人工智能时代的到来，越来越多的神经网络模型被用于交通状态预测，它们通过挖掘交通流的时间关系和空间关系对路网状态进行预测。交通预测即通过对当前及历史交通状态进行分析，挖掘交通运行模式，从而预测出未来一段时间内的交通状态。具体来讲，交通网络的当前交通状态，包括流量、速度和密度等参数，是由过去交通状态的空间传播决定的，这种演化过程隐含了丰富的时空依赖关系，因此各种模型尝试捕获准确的时空依赖机制，从而达到交通状态预测的目的。然而，这种时空关系却难以全面获取。此外，诸如长短时记忆神经网络等模型的预测结果都具有一定的时间滞后性。

目前基于图卷积神经网络和门控循环单元的组合模型在交通预测领域得到了广泛应用，并取得良好的预测结果。但是图卷积的计算过程本质上是一种局部空间特征聚合，这个过程很可能导致交通状态的预测结果趋于平滑。因此，还需要增加一种能够表达整体路网交通状态的空间特征。此外，在时间特征提取方面，真实世界的交通状态不仅具备周期性变化，且由于交通事故，大型活动和天气等众多外部因素的影响，交通状态往往会趋向于一种复杂的非平稳时间序列变化特征，这使得交通状态的精确预测更加困难。因此，为了准确获取交通状态时空特征，并改善预测结果的滞后性，获取更加准确的预测结果，需要使用多种特征来弥补单一特征对交通状态刻画不足的问题。

发明内容

本发明目的就是为了弥补已有技术深度学习时空特征难以全面获取的缺陷，提供一种基于多流神经网络的交通状态预测方法。

本发明是通过以下技术方案实现的：

一种基于多流神经网络的交通状态预测方法，具体包括以下步骤：

(1)构建局部时空特征网络，计算得到局部时空特征；

(2)构建整体时空特征网络，计算得到整体时空特征；

(3)构建差分时空特征网络，计算得到差分时空特征；

(4)将步骤(1)(2)(3)得到的局部时空特征、整体时空特征和差分时空特征堆叠，计算预测交通状态结果。

步骤(1)所述的构建局部时空特征网络，计算得到局部时空特征；具体内容如下：

在这一层的网络中，将交通网络抽象为图结构，并使用图卷积网络与长短时记忆网络组合的模式计算时空特征。图卷积主要作用于图结构中，图结构则包含了节点信息和边信息。图卷积的核心思想是利用边的信息对节点信息进行聚合从而生成新的节点表示，这个过程既能学习节点特征，又能学习节点与节点之间的关联信息。我们将路网定义为一个图G＝(V,E,A)，其中V是一个有限集合，表示路网中的感知节点，且|V|＝N个节点。E表示连接各个节点的边。

表示图G的邻接矩阵，其中每一个元素a_ij代表节点j和节点i连通情况，若相连a_ij＝1，否则a_ij＝0。给定邻接矩阵A和特征矩阵X后，可以通过卷积计算将输入H^(l)映射到输出H^(l+1)，图卷积计算可以用以下公式表示：

H^(l)和H^(l+1)分别表示第l层和l+1层的卷积结果。当l＝1时，H^(l)＝X。

为度矩阵，

是添加了自连接的矩阵，I_N为单位矩阵。W^l为l层的可训练参数。计算得到的空间特征会被输入到长短时记忆网络中。

步骤(2)所述的构建整体时空特征网络，计算得到整体时空特征；具体内容如下：

在这一部分，将交通状态特征矩阵X作为输入，其中保存了路网状态的原始特征。为了与局部流中的空间特征保持统一维度，方便后续特征聚合，这里通过使用两个全连接层来提取路网整体空间特征，并且提取的特征映射到与图卷积层的维度相等特征空间。全连接层的计算公式如下：

其中

分别为第一层全连接层和第二层全连接层的系数矩阵，是可训练的参数。

分别两个全连接层的偏置。Sigmoid(·)表示一种非线性激活函数，可以将输入映射到(0,1)，使得神经元的输出标准化。得到全连接层输出的特征之后，将被输入到长短时记忆网络中，来捕获全局特征的时间依赖关系。

步骤(3)所述的构建差分时空特征网络，计算得到差分时空特征；具体内容如下：

差分流是一种基于增量的预测形式，对于交通状态的变化更加敏感。差分图主要是对数据进行差分计算从而消除周期性变化趋势对预测效果的副作用。设q(t)为t时刻所有节点的交通状态数据向量，当给定差分长度d后，便可以根据公式(3)进行差分计算：

q′(t)＝q(t)-q(t-d)

公式中q′(t)为差分状态，从而得到新的交通状态差分矩阵Q(t)＝[q′(t),q′(t-d),…,q′(t-T+d)]^T，其中的元素Q_ij(t)即为节点i在t-d时刻下的交通状态差分值。事实上，Q(t)包含了一个时间周期内的所有差分状态，因此，有了Q(t)之后，交通状态差分图便可构造出来。

定义差分图G^d(t)＝(V^D,E^D)，与图G中的表达方式类似，V^D表示交通节点，E^D表示节点之间的可达路径关系，

表示节点i和节点j之间具有连接关系。

由差分状态矩阵的数据含义可知，每一列向量都表示该时刻下的所有节点的差分状态，每一行向量又表示某一节点在不同时刻下的差分状态，因此，矩阵中的每个列向量可以看作是该时刻下差分图中各节点的特征值。给定一个时间周期内的差分图序列G^d(t)之后，差分图的k阶临接矩阵

也可以被计算出来，计算公式与图G中的临接矩阵计算公式相似。进而，差分图卷积计算公式如下：

和

分别表示第l层和l+1层的差分图卷积结果。当l＝1时，H^(l)＝X。

为度矩阵，

是添加了自连接的矩阵，I_N为单位矩阵。W^l为l层的可训练参数。差分图卷积得到的结果进一步输入到长短时记忆网络中，来捕获差分特征的时间依赖关系。

步骤(4)所述的将步骤(1)(2)(3)得到的局部时空特征、整体时空特征和差分时空特征堆叠，计算预测交通状态结果，具体内容如下：

最后将三个步骤得到的时空特征向量堆叠，即沿向量某一维度合并，得到向量c。然后将合并的时空特征向量c输入到全连接神经网络中，输入的结果即为预测的交通状态。

y＝W_cc+b_c

W_c和b_c分别为全连接层的权重和偏置，是两个可训练的参数。y即为预测的交通状态。

本发明的优点是：本发明利用多流神经网络框架局部特征流，融合了局部特征流、整体特征流和差分特征流，分别用于挖掘带有局部关联的交通状态时空特征，整体路网的时空特征和交通状态的增量变化特征。其中，每一层流式网络中都包含了时空特征的捕获单元，用于发现上述各类特征的空间和时间依赖关系。全面捕获多类时空特征，提升预测精度，并缓解时间滞后性和平滑性等导致的预测结果偏差大的问题。

附图说明

图1为本发明提出的一种基于多流神经网络的交通状态预测方法流程图。

图2为本发明提出的一种基于多流神经网络的交通状态预测方法框架图。

具体实施方式

如图1、2所示，一种基于多流神经网络的交通状态预测方法，包括四个步骤，具体为：

步骤一，局部时空特征网络构建

首先，根据路网的拓扑关系将路网定义为一个图G＝(V,E,A)，其中V是一个有限集合，表示路网中的感知节点，且|V|＝N个节点。E表示连接各个节点的边。

表示图G的邻接矩阵，其中每一个元素a_ij代表节点j和节点i连通情况，若相连a_ij＝1，否则a_ij＝0。交通状态特征矩阵X在本实例中是一个

的矩阵，表示每个感知节点使用6个时间段的交通状态作为该节点的特征。通过卷积计算将输入H^(l)映射到输出H^(l+1)，图卷积计算可以用以下公式表示：

H^(l)和H^(l+1)分别表示第l层和l+1层的卷积结果。当l＝1时，H^(l)＝X。

为度矩阵，

是添加了自连接的矩阵，I_N为单位矩阵。W^l为l层的可训练参数。计算得到的空间特征会被输入到长短时记忆网络中。

步骤二，整体时空特征网络构建

在这一部分使用的交通状态特征矩阵X与步骤一相同。本实例通过使用两个全连接层来提取路网整体空间特征，并且提取的特征映射到与图卷积层的维度相等特征空间。全连接层的计算公式如下：

其中

分别为第一层全连接层和第二层全连接层的系数矩阵，是可训练的参数。

分别两个全连接层的偏置。Sigmoid(·)表示一种非线性激活函数，可以将输入映射到(0,1)，使得神经元的输出标准化。得到全连接层输出的特征之后，将被输入到长短时记忆网络中，来捕获全局特征的时间依赖关系。

步骤三，差分时空特征网络构建

差分流是一种基于增量的预测形式，对于交通状态的变化更加敏感。差分图主要是对数据进行差分计算从而消除周期性变化趋势对预测效果的副作用。设q(t)为t时刻所有节点的交通状态数据向量，本实例中差分长度d＝1，则q′(t)如下：

q′(t)＝q(t)-q(t-1)

从而得到新的交通状态差分矩阵Q(t)＝[q′(t),q′(t-1),…,q′(t-5)]^T，其中的元素Q_ij(t)即为节点i在t-d时刻下的交通状态差分值。事实上，Q(t)包含了一个时间周期内的所有差分状态，因此，有了Q(t)之后，交通状态差分图便可构造出来。这里差分图为G^d(t)＝(V^D,E^D)，与图G中的表达方式类似，V^D表示交通节点，E^D表示节点之间的可达路径关系，

表示节点i和节点j之间具有连接关系。

由差分状态矩阵的数据含义可知，每一列向量都表示该时刻下的所有节点的差分状态，每一行向量又表示某一节点在不同时刻下的差分状态，因此，矩阵中的每个列向量可以看作是该时刻下差分图中各节点的特征值。给定一个时间周期内的差分图序列G^d(t)之后，差分图的k阶临接矩阵

也可以被计算出来，计算公式与图G中的临接矩阵计算公式相似。进而，差分图卷积计算公式如下：

和

分别表示第l层和l+1层的差分图卷积结果。当l＝1时，H^(l)＝X。

为度矩阵，

是添加了自连接的矩阵，I_N为单位矩阵。W^l为l层的可训练参数。差分图卷积得到的结果进一步输入到长短时记忆网络中，来捕获差分特征的时间依赖关系。

步骤四，计算交通状态预测结果

最后将三个步骤得到的时空特征向量堆叠，即沿向量某一维度合并，得到向量c。然后将合并的时空特征向量c输入到全连接神经网络中，输入的结果即为预测的交通状态。

y＝W_cc+b_c

W_c和b_c分别为全连接层的权重和偏置，是两个可训练的参数。y即为预测的交通状态。

Claims (1)

1.一种基于多流神经网络的交通状态预测方法，其特征在于：具体包括以下步骤：

(1)构建局部时空特征网络，计算得到局部时空特征；

(2)构建整体时空特征网络，计算得到整体时空特征；

(3)构建差分时空特征网络，计算得到差分时空特征；

(4)将步骤(1)(2)(3)得到的局部时空特征、整体时空特征和差分时空特征堆叠，计算预测交通状态结果；

步骤(1)所述的构建局部时空特征网络，计算得到局部时空特征，具体步骤如下：

首先，根据路网的拓扑关系将路网定义为一个图G＝(V,E,A)，其中V是一个有限集合，表示路网中的感知节点，且|V|＝N个节点；E表示连接各个节点的边；

表示图G的邻接矩阵，其中每一个元素a_ij代表节点j和节点i连通情况，若相连a_ij＝1，否则a_ij＝0；给定邻接矩阵A和交通状态特征矩阵X，交通状态特征矩阵X表示每个感知节点使用若干个时间段的交通状态作为该节点的特征，通过卷积计算将输入H^(l)映射到输出H^(l+1)，图卷积计算用以下公式表示：

H^(l)和H^(l+1)分别表示第l层和l+1层的卷积结果；当l＝1时，H^(l)＝X，

为度矩阵，

是添加了自连接的矩阵，I_N为单位矩阵，W^l为l层的可训练参数，计算得到的空间特征会被输入到长短时记忆网络中；

步骤(2)所述的构建整体时空特征网络，计算得到整体时空特征，具体步骤如下：

将交通状态特征矩阵X作为输入，其中保存了路网状态的原始特征，通过使用两个全连接层来提取路网整体空间特征，并且提取的特征映射到与图卷积层的维度相等特征空间；全连接层的计算公式如下：

其中

分别为第一层全连接层和第二层全连接层的系数矩阵，是可训练的参数，

分别为两个全连接层的偏置，Sigmoid(·)表示一种非线性激活函数，输入映射到(0,1)，使得神经元的输出标准化，得到全连接层输出的特征之后，被输入到长短时记忆网络中，来捕获全局特征的时间依赖关系；

步骤(3)所述的构建差分时空特征网络，计算得到差分时空特征，具体步骤如下：

设q(t)为t时刻所有节点的交通状态数据向量，当给定差分长度d后，便可以根据公式(3)进行差分计算：

q′(t)＝q(t)-q(t-d)

公式中q′(t)为差分状态，从而得到新的交通状态差分矩阵Q(t)＝[q′(t),q′(t-d),…,q′(t-T+d)]^T，其中的元素Q_ij(t)即为节点i在t-d时刻下的交通状态差分值；

定义差分图G^d(t)＝(V^D,E^D)，V^D表示交通节点，E^D表示节点之间的可达路径关系，

表示节点i和节点j之间具有连接关系；

每一列向量都表示该时刻下的所有节点的差分状态，每一行向量又表示某一节点在不同时刻下的差分状态，因此，矩阵中的每个列向量可以看作是该时刻下差分图中各节点的特征值，给定一个时间周期内的差分图序列G^d(t)之后，计算出差分图的k阶临接矩阵

进而，差分图卷积计算公式如下：

和

分别表示第l层和l+1层的差分图卷积结果，当l＝1时，H^(l)＝X；

为度矩阵，

是添加了自连接的矩阵，I_N为单位矩阵，W^l为l层的可训练参数；差分图卷积得到的结果进一步输入到长短时记忆网络中，来捕获差分特征的时间依赖关系；

步骤(4)所述的将步骤(1)(2)(3)得到的局部时空特征、整体时空特征和差分时空特征堆叠，计算预测交通状态结果，具体如下：

将步骤(1)(2)(3)得到的局部时空特征、整体时空特征和差分时空特征堆叠，即沿向量某一维度合并，得到向量c，然后将合并的时空特征向量c输入到全连接神经网络中，输入的结果即为预测的交通状态；

y＝W_cc+b_c

W_c和b_c分别为全连接层的权重和偏置，是两个可训练的参数，y即为预测的交通状态。

Images