CN114511154A - 一种基于时空复杂图卷积网络的交通流预测方法 - Google Patents
一种基于时空复杂图卷积网络的交通流预测方法 Download PDFInfo
- Publication number
- CN114511154A CN114511154A CN202210160677.6A CN202210160677A CN114511154A CN 114511154 A CN114511154 A CN 114511154A CN 202210160677 A CN202210160677 A CN 202210160677A CN 114511154 A CN114511154 A CN 114511154A
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- traffic flow
- graph convolution
- nodes
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 119
- 238000000605 extraction Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000002123 temporal effect Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 2
- 238000013507 mapping Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 238000005065 mining Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时空复杂图卷积网络的交通流预测方法,包括:采集高速公路上所安置传感器的交通流数据,进行数据预处理以降低复杂度和冗余度;根据传感器的位置及交通流数据生成道路图及其特征矩阵;根据不同传感器的位置、数据关联和天气数据,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵融合得到新的节点关系矩阵;构建时空复杂图卷积网络,该网络由空间特征提取组件和时间特征提取组件组成;训练时空复杂图卷积网络,并用训练好的模型预测下一时刻的交通流。本发明在对道路交通流进行时空特征提取前,建立三种关系矩阵来提取不同节点之间的关系,提高了对道路不同节点的关联特征提取能力,进而提高道路交通流的预测精度。
Description
技术领域
本发明属于智能交通和深度学习领域,具体为一种基于时空复杂图卷积网络的交通流预测方法。
背景技术
随着经济的快速发展,人民生活水平的日益提高,私家车进入越来越多的家庭,这也间接导致了道路上的车辆更加拥挤,从而影响人们的出行体验。如何提高人们的出行效率是智能交通系统的重要研究内容,而交通流预测作为智能交通系统的重要组成部分之一,具有重要的研究意义。目前,交通流预测已经受到越来越多人的关注,实时准确的交通流预测可以为管理部门提供未来时刻的交通流情况,帮助制定科学合理的交通诱导方案和交通管理策略。因此,如何提高交通流预测模型的精度至关重要。
目前,由于深度学习的强大特征表现能力和学习能力,使用深度学习方法来预测大规模道路的交通流已经成为主流。这其中,图卷积网络及其变体被广泛用于非欧几里得结构交通数据的预测。这些模型使用单一或简单的邻接矩阵变种来挖掘道路上不同节点之间的关系,虽然实现了节点之间部分特征的挖掘,但忽略节点的外部特征和关联特征,导致此类模型无法有效捕获交通数据的动态演变,存在一定局限性。
发明内容
发明目的:针对上述问题,本发明引入一种基于时空复杂图卷积网络的交通流预测方法。该方法针对传统图卷积网络及其改进模型在处理道路节点数据时,缺乏节点之间外部特征和关联特征的提取。为此本发明充分挖掘道路位置、数据关联和天气数据的基础上,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵;利用图卷积算子结合残差单元构建空间特征提取组件,捕获道路的空间特征;利用3D-CNN结合LSTM构建时间特征提取能力,捕获道路的时间特征。将空间特征和时间特征进行加权融合,得到道路的最终预测值。本发明通过对道路节点的多特征挖掘,实现对交通数据时空特征的有效提取。
技术方案:一种基于时空复杂图卷积网络的交通流预测方法,包括以下步骤:
步骤1)采集高速公路上所安置传感器的交通流数据,并将交通流数据按照固定格式存储至大数据集群,对原始的交通流数据进行数据预处理以降低复杂度和冗余度;
步骤2)根据传感器的位置及预处理后的交通流数据生成道路图及其特征矩阵;
步骤3)根据不同传感器的位置、数据关联和天气数据,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵;
步骤4)构建时空复杂图卷积网络,该网络由空间特征提取组件和时间特征提取组件组成;
步骤5)训练步骤4)构建的时空复杂图卷积网络,并用训练好的模型预测下一时刻的交通流。
进一步,所述步骤1中,高速公路上在不同道路节点布置了n个传感器,所述传感器用于采集所处位置的交通流信息和天气信息,并将数据实时传输至大数据集群;将大数据集群接收的每一组数据标记为Dk={timek,lonk,latk,flowk,weatherk},timek,lonk,latk,flowk,weatherk分别代表第k的传感器的记录时间、传感器位置经度、传感器位置纬度、交通流量和天气状况;对于数据异常采用3σ原则处理,剔除不符合的数据;对于部分数据缺失较少的数据,采用前一天或者相邻时间段的数据进行填充;数据修复完成后,需要对数据进行标准化处理,通过公式x*=(x-Mean)/Std,其中Mean和Std分别是交通数据的平均值和标准差;数据预处理完成后,将数据集进行拆分,按照固定比例划分为训练集和测试集。
使用PEMS作为数据集,PEMS-BAY是加州交通部门采集的高速交通数据,有325个传感器搜集了六个月的数据(2017.1.1~2017.6.31)。数据的时间间隔为5分钟。
进一步,所述步骤2中,根据传感器的位置及交通流数据生成道路图及其特征矩阵;使用加权图G=(V,A,X)来描述道路的节点关系,将每个传感器视为一个节点,V={v1,v2,…,vk,…,vn+代表不同的节点,n表示传感器节点的数量,A为描述不同节点关系的关系矩阵;X为每个节点的特征,Xk={x1,x2,…,xm+,Xk为第k个传感器的特征,xm表示第m时刻下的交通流数据,构建道路图矩阵如下:
其中,矩阵的行为列为特征数,行为节点数,可知该矩阵的维度为[n,m]。
进一步,所述步骤3中,与传统邻接矩阵只考虑节点是否互通不同,本发明根据不同传感器的位置、数据关联和天气数据,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵A。具体步骤如下:
步骤3-1:构建距离矩阵AD,具体步骤如下:
步骤3-1-1:统计所有传感器的位置信息,得到每个节点的经纬度数据Pointk=(lonk,latk),使用公式Haversine公式计算不同节点的距离关系:其中,R为地球半径,取平均值为6371km,Δλ=|lonj-loni|;d为第i个节点和第j个节点之间的直线距离;由此可计算出直线距离矩阵D1;
步骤3-1-2:然而,只是用直线距离来度量节点之间的关系缺乏合理性,部分节点存在无连接却相互距离很近的情况,为了避免上述问题。对传统的邻接矩阵进行改进,将邻接矩阵改为可达矩阵D2。只要不同节点之间存在相连情况(可以是直接相连,也可以是间接相连),就说明存在可达关系,将可达关系定义为其中N为两个节点之间节点数,依次计算所有节点的可达矩阵D2。
步骤3-1-3:计算完成后,得到关于节点的两个矩阵,分别是直线距离矩阵D1和可达矩阵D2,D2除以D1可得距离矩阵AD。
步骤3-2:构建数据关联矩阵AC,利用皮尔逊相关系数作为不同节点关联度的评价指标,将皮尔逊相关系数方法定义为 其中xi和yi分别为两个节点的第i个特征,和分别为两个节点总体特征的平均值,Stdx和Stdy为所选特征的标准差;根据皮尔逊相关系数指标的计算得到不同节点之间的关联性;整理可得到数据关联矩阵AC;
步骤3-3:构建舒适度矩阵AO,具体步骤如下:
步骤3-3-1:考虑天气的变换会对人们的出行产生影响,故建立舒适度矩阵来反应当前人们的出行意愿。将fcomfort(i,j)∈[0,1],当前环境的天气越好,fcomfort就越趋近于1,反之,则趋近于0。将人们对不同天气的舒适度值定义如表1所示:
表1不同天气对应的舒适度值
步骤3-3-2:根据fcomfort(i,j)∈[0,1]计算所有节点之间的舒适度值,并生成舒适度矩阵AO。
步骤3-4:将上述步骤得到的三种矩阵进行融合得到新的节点关系矩阵A,其中,A=AD*AC*AO。
进一步,所述步骤4中,构建时空复杂图卷积网络,该网络由空间特征提取组件和时间特征提取组件组成,具体步骤如下:
步骤4-1:构造空间特征提取组件,具体步骤如下:
步骤4-1-1:确定空间特征提取组件的基本架构,采用图卷积架构作为空间特征提取的主要模块;利用图卷积算子挖掘路网不同节点之间的特征关联;定义图卷积算子为:其中Hl和Hl+1分别是图卷积算子提取前后的道路特征值,Wl为图卷积操作的计算权重, D为路网矩阵的度矩阵,fA是激活函数;
步骤4-1-2:利用图卷积算子得到路网的空间特征的初步提取后,为了更好的提取矩阵局部微小的变化,引入残差单元,将残差操作定义为:Rl+1=Rl+F(Rl,Z),其中,Rl+1和Rl分别是残差单元的输出和输入,Z是残差单元中可学习参数的集合,F是残差映射。
步骤4-1-3:设置空间特征提取组件的输出激活函数为ReLu函数,得到最后的空间特征输出XS。
步骤4-2:构造时间特征提取组件,具体步骤如下:
步骤4-2-1:确定时间特征提取组件的基本架构,与2D-CNN提取二维的矩阵特征数据不同,3D-CNN在提取二维特征数据的基础上,增加了对时间维度的特征提取能力,因此时间提取组件中引入3D卷积提取矩阵的动态特征信息。将3D卷积才做定义为:其中,和分别是3D卷积的输出和输入,是待学习的参数。
步骤4-2-2:3D-CNN虽然相比2D-CNN有效提高了时间维度的特征提取能力,但是相比于专业提取时序模型的时间序列模型而言,3D-CNN提取的时间维度时间周期较短,缺乏有效长期特征提取能力,为了把握重要的时间特征能力,引入LSTM作为长期时间维度特征提取组件,弥补3D-CNN的不足。将LSTM前向计算操作定义为:其中,和分别是LSTM前向单元的输出和输入,fLSTM是LSTM前向计算过程,是LSTM前向计算过程中的待学习参数。
步骤4-2-3:设计时间特征提取组件的输出激活函数为Sigmoid函数,得到最后的时间特征输出XT。
步骤4-3:构造时空复杂图卷积网络,具体步骤如下:
步骤4-3-1:确定时空复杂图卷积网络的总体架构;
步骤4-3-2:将空间特征提取组件的输出XS和时间特征提取组件的输出XT进行加权融合,将操作定义为:XFusion=fA(W1*XS+W2*XT),其中W1和W2分别是空间特征和时间特征所占的比重。
进一步,所述步骤5中,训练步骤4)构建的时空复杂图卷积网络,并用训练好的模型预测下一时刻的交通流。具体步骤如下:
步骤5-1:初始化时空复杂图卷积网络的网络权重,确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量;
步骤5-2:利用训练集训练时空复杂图卷积网络;
步骤5-3:将道路数据输入网络中,得到模型的预测值。
步骤5-4:根据训练批次,利用反向传播算法训练模型,更新模型的权重值。
步骤5-5:训练完成后,利用测试集测试模型的预测精度。
有益效果:本发明的交通流预测方法,该方法针对传统图卷积网络及其改进模型在处理道路节点数据时,缺乏节点之间外部特征和关联特征的提取。分别针对性的提出距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵,更好的反应不同节点的关系,提高了模型对交通流的节点特征提取能力,提高了训练精度。
本发明针对传统图卷积网络及其改进模型在处理道路节点数据时,缺乏节点之间外部特征和关联特征的提取。为此本发明充分挖掘道路位置、数据关联和天气数据的基础上,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵;利用图卷积算子结合残差单元构建空间特征提取组件,捕获道路的空间特征;利用3D-CNN结合LSTM构建时间特征提取能力,捕获道路的时间特征。将空间特征和时间特征进行加权融合,得到道路的最终预测值。本发明通过对道路节点的多特征挖掘,实现对交通数据时空特征的有效提取。
附图说明
图1为本发明的一种基于时空复杂图卷积网络的交通流预测方法步骤示意图;
图2为本发明的一种基于时空复杂图卷积网络的交通流预测方法流程图;
图3为本发明的一种基于时空复杂图卷积网络的交通流预测方法模型结构图;
图4为本发明的一种基于时空复杂图卷积网络的交通流预测方法模型训练迭代图;
图5为本发明的一种基于时空复杂图卷积网络的交通流预测方法测试集真实数据和预测数据对比图。
具体实施方式
下面将结合说明书附图对本发明的技术方法做进一步的详细说明。
如图1-3所示,一种基于时空复杂图卷积网络的交通流预测方法,包括如下步骤:
步骤1)采集高速公路上所安置传感器的交通流数据,并将数据按照固定格式存储至大数据集群,对原始数据进行数据预处理以降低复杂度和冗余度;
所述步骤1中,高速公路上在不同道路节点布置了n个传感器,所述传感器用于采集所处位置的交通流信息和天气信息,并将数据实时传输至大数据集群;将大数据集群接收的每一组数据标记为Dk={timek,lonk,latk,flowk,weatherk},timek,lonk,latk,flowk,weatherk分别代表第k的传感器的记录时间、传感器位置经度、传感器位置纬度、交通流量和天气状况;对于数据异常采用3σ原则处理,剔除不符合的数据;对于部分数据缺失较少的数据,采用前一天或者相邻时间段的数据进行填充;数据修复完成后,需要对数据进行标准化处理,通过公式x*=(x-Mean)/Std,其中Mean和Std分别是交通数据的平均值和标准差;数据预处理完成后,将数据集进行拆分,按照固定比例划分为训练集和测试集。
使用PEMS作为数据集,PEMS-BAY是加州交通部门采集的高速交通数据,有325个传感器搜集了六个月的数据(2017.1.1~2017.6.31)。数据的时间间隔为5分钟。
步骤2)根据传感器的位置及交通流数据生成道路图及其特征矩阵;
所述步骤2中,根据传感器的位置及交通流数据生成道路图及其特征矩阵;使用加权图G=(V,A,X)来描述道路的节点关系,将每个传感器视为一个节点,V={v1,v2,…,vk,…,vn}代表不同的节点,n表示传感器节点的数量,A为描述不同节点关系的关系矩阵;X为每个节点的特征,Xk={x1,x2,…,xm},Xk为第k个传感器的特征,xm表示第m时刻下的交通流数据,构建道路图矩阵如下:
其中,矩阵的行为列为特征数,行为节点数,可知该矩阵的维度为[n,m]。
步骤3)根据不同传感器的位置、数据关联和天气数据,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵;
所述步骤3中,与传统邻接矩阵只考虑节点是否互通不同,本发明根据不同传感器的位置、数据关联和天气数据,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵A。具体步骤如下:
步骤3-1:构建距离矩阵AD,具体步骤如下:
步骤3-1-1:统计所有传感器的位置信息,得到每个节点的经纬度数据Pointk=(lonk,latk),使用公式Haversine公式计算不同节点的距离关系:其中,R为地球半径,取平均值为6371km,Δλ=|lonj-loni|;d为第i个节点和第j个节点之间的直线距离;由此可计算出直线距离矩阵D1;
步骤3-1-2:然而,只是用直线距离来度量节点之间的关系缺乏合理性,部分节点存在无连接却相互距离很近的情况,为了避免上述问题。对传统的邻接矩阵进行改进,将邻接矩阵改为可达矩阵D2。只要不同节点之间存在相连情况(可以是直接相连,也可以是间接相连),就说明存在可达关系,将可达关系定义为其中N为两个节点之间节点数,依次计算所有节点的可达矩阵D2。
步骤3-1-3:计算完成后,得到关于节点的两个矩阵,分别是直线距离矩阵D1和可达矩阵D2,D2除以D1可得距离矩阵AD。
步骤3-2:构建数据关联矩阵AC,利用皮尔逊相关系数作为不同节点关联度的评价指标,将皮尔逊相关系数方法定义为 其中xi和yi分别为两个节点的第i个特征,和分别为两个节点总体特征的平均值,Stdx和Stdy为所选特征的标准差;根据皮尔逊相关系数指标的计算得到不同节点之间的关联性;整理可得到数据关联矩阵AC;
步骤3-3:构建舒适度矩阵AO,具体步骤如下:
步骤3-3-1:考虑天气的变换会对人们的出行产生影响,故建立舒适度矩阵来反应当前人们的出行意愿。将fcomfort(i,j)∈,0,1],当前环境的天气越好,fcomfort就越趋近于1,反之,则趋近于0。将人们对不同天气的舒适度值定义如表1所示:
表1不同天气对应的舒适度值
步骤3-3-2:根据fcomfort(i,j)∈[0,1]计算所有节点之间的舒适度值,并生成舒适度矩阵AO。
步骤3-4:将上述步骤得到的三种矩阵进行融合得到新的节点关系矩阵A,其中,A=AD*AC*AO。
步骤4)构建时空复杂图卷积网络,该网络由空间特征提取组件和时间特征提取组件组成;
所述步骤4中,构建时空复杂图卷积网络,该网络由空间特征提取组件和时间特征提取组件组成,具体步骤如下:
步骤4-1:构造空间特征提取组件,具体步骤如下:
步骤4-1-1:确定空间特征提取组件的基本架构,采用图卷积架构作为空间特征提取的主要模块;利用图卷积算子挖掘路网不同节点之间的特征关联;定义图卷积算子为:其中Hl和Hl+1分别是图卷积算子提取前后的道路特征值,Wl为图卷积操作的计算权重, D为路网矩阵的度矩阵,fA是激活函数;
步骤4-1-2:利用图卷积算子得到路网的空间特征的初步提取后,为了更好的提取矩阵局部微小的变化,引入残差单元,将残差操作定义为:Rl+1=Rl+F(Rl,Z),其中,Rl+1和Rl分别是残差单元的输出和输入,Z是残差单元中可学习参数的集合,F是残差映射。
步骤4-1-3:设置空间特征提取组件的输出激活函数为ReLu函数,得到最后的空间特征输出XS。
步骤4-2:构造时间特征提取组件,具体步骤如下:
步骤4-2-1:确定时间特征提取组件的基本架构,与2D-CNN提取二维的矩阵特征数据不同,3D-CNN在提取二维特征数据的基础上,增加了对时间维度的特征提取能力,因此时间提取组件中引入3D卷积提取矩阵的动态特征信息。将3D卷积才做定义为:其中,和分别是3D卷积的输出和输入,是待学习的参数。
步骤4-2-2:3D-CNN虽然相比2D-CNN有效提高了时间维度的特征提取能力,但是相比于专业提取时序模型的时间序列模型而言,3D-CNN提取的时间维度时间周期较短,缺乏有效长期特征提取能力,为了把握重要的时间特征能力,引入LSTM作为长期时间维度特征提取组件,弥补3D-CNN的不足。将LSTM前向计算操作定义为:其中,和分别是LSTM前向单元的输出和输入,fLSTM是LSTM前向计算过程,是LSTM前向计算过程中的待学习参数。
步骤4-2-3:设计时间特征提取组件的输出激活函数为Sigmoid函数,得到最后的时间特征输出XT。
步骤4-3:构造时空复杂图卷积网络,具体步骤如下:
步骤4-3-1:确定时空复杂图卷积网络的总体架构;
步骤4-3-2:将空间特征提取组件的输出XS和时间特征提取组件的输出XT进行加权融合,将操作定义为:XFusion=fA(W1*XS+W2*XT),其中W1和W2分别是空间特征和时间特征所占的比重。
步骤5)训练步骤4)构建的时空复杂图卷积网络,并用训练好的模型预测下一时刻的交通流。
所述步骤5中,训练步骤4)构建的时空复杂图卷积网络,并用训练好的模型预测下一时刻的交通流。具体步骤如下:
步骤5-1:初始化时空复杂图卷积网络的网络权重,确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量;
步骤5-2:利用训练集训练时空复杂图卷积网络;
步骤5-3:将道路数据输入网络中,得到模型的预测值。
步骤5-4:根据训练批次,利用反向传播算法训练模型,迭代如图4所示,更新模型的权重值。
步骤5-5:训练完成后,利用测试集测试模型的预测精度,得到结果如图5所示。
本发明针对传统图卷积网络及其改进模型在处理道路节点数据时,缺乏节点之间外部特征和关联特征的提取。为此本发明充分挖掘道路位置、数据关联和天气数据的基础上,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵;利用图卷积算子结合残差单元构建空间特征提取组件,捕获道路的空间特征;利用3D-CNN结合LSTM构建时间特征提取能力,捕获道路的时间特征。将空间特征和时间特征进行加权融合,得到道路的最终预测值。本发明通过对道路节点的多特征挖掘,进一步提高路网交通流预测模型的精度。
以上所述仅为本发明在高速数据集下较好的实施方式,本发明保护范围并不以上述实施方式为限制,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修改和其他修饰变化,皆应纳入权利要求书记载的保护范围。
Claims (6)
1.一种基于时空复杂图卷积网络的交通流预测方法,其特征在于,包括以下步骤:
步骤1)采集高速公路上所安置传感器的交通流数据,并将交通流数据按照固定格式存储至大数据集群,对原始的交通流数据进行数据预处理以降低复杂度和冗余度;
步骤2)根据传感器的位置及预处理后的交通流数据生成道路图及其特征矩阵;
步骤3)根据不同传感器的位置、数据关联和天气数据,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵;
步骤4)构建时空复杂图卷积网络,该网络由空间特征提取组件和时间特征提取组件组成;
步骤5)训练步骤4)构建的时空复杂图卷积网络,并用训练好的模型预测下一时刻的交通流。
2.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法,其特征在于:所述步骤1)中,高速公路上在不同道路节点布置了n个传感器,所述传感器用于采集所处位置的交通流信息和天气信息,并将数据实时传输至大数据集群;将大数据集群接收的每一组数据标记为Dk={timek,lonk,latk,flowk,weatherk},timek,lonk,latk,flowk,weatherk分别代表第k的传感器的记录时间、传感器位置经度、传感器位置纬度、交通流量和天气状况;对于数据异常采用3σ原则处理,剔除不符合的数据;对于部分数据缺失较少的数据,采用前一天或者相邻时间段的数据进行填充;数据修复完成后,需要对数据进行标准化处理,通过公式x*=(x-Mean)/Std,其中Mean和Std分别是交通数据的平均值和标准差;数据预处理完成后,将数据集进行拆分,按照固定比例划分为训练集和测试集。
4.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法,其特征在于:所述步骤3)中,根据不同传感器的位置、数据关联和天气数据,分别构建距离矩阵,数据关联矩阵和舒适度矩阵,将三种矩阵进行融合得到新的节点关系矩阵A,具体步骤如下:
步骤3-1:构建距离矩阵AD,具体步骤如下:
步骤3-1-1:统计所有传感器的位置信息,得到每个节点的经纬度数据Pointk=(lonk,latk),使用公式Haversine公式计算不同节点的距离关系:其中,R为地球半径,取平均值为6371km,Δλ=|lonj-loni|;d为第i个节点和第j个节点之间的直线距离;由此可计算出直线距离矩阵D1;
步骤3-1-3:计算完成后,得到关于节点的两个矩阵,分别是直线距离矩阵D1和可达矩阵D2,D2除以D1可得距离矩阵AD;
步骤3-2:构建数据关联矩阵AC,利用皮尔逊相关系数作为不同节点关联度的评价指标,将皮尔逊相关系数方法定义为 其中xi和yi分别为两个节点的第i个特征,和分别为两个节点总体特征的平均值,Stdx和Stdy为所选特征的标准差;根据皮尔逊相关系数指标的计算得到不同节点之间的关联性;整理可得到数据关联矩阵AC;
步骤3-3:构建舒适度矩阵AO,具体步骤如下:
步骤3-3-1:建立舒适度矩阵来反应当前人们的出行意愿;将fcomfort(i,j)∈[0,1],当前环境的天气越好,fcomfort就越趋近于1,反之,则趋近于0;将人们对不同天气的舒适度值定义如表1所示:
表1不同天气对应的舒适度值
步骤3-3-2:根据fcomfort(i,j)∈[0,1]计算所有节点之间的舒适度值,并生成舒适度矩阵AO;
步骤3-4:将上述步骤得到的三种矩阵进行融合得到新的节点关系矩阵A,其中,A=AD*AC*AO。
5.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法,其特征在于:所述步骤4)中,构建时空复杂图卷积网络,该网络由空间特征提取组件和时间特征提取组件组成,具体步骤如下:
步骤4-1:构造空间特征提取组件,具体步骤如下:
步骤4-1-1:确定空间特征提取组件的基本架构,采用图卷积架构作为空间特征提取的主要模块;利用图卷积算子挖掘路网不同节点之间的特征关联;定义图卷积算子为:其中Hl和Hl+1分别是图卷积算子提取前后的道路特征值,Wl为图卷积操作的计算权重, D为路网矩阵的度矩阵,fA是激活函数;
步骤4-1-2:利用图卷积算子得到路网的空间特征的初步提取后,引入残差单元,将残差操作定义为:Rl+1=Rl+F(Rl,Z),其中,Rl+1和Rl分别是残差单元的输出和输入,Z是残差单元中可学习参数的集合,F是残差映射;
步骤4-1-3:设置空间特征提取组件的输出激活函数为ReLu函数,得到最后的空间特征输出XS;
步骤4-2:构造时间特征提取组件,具体步骤如下:
步骤4-2-2:引入LSTM作为长期时间维度特征提取组件,将LSTM前向计算操作定义为:其中,和分别是LSTM前向单元的输出和输入,fLSTM是LSTM前向计算过程,是LSTM前向计算过程中的待学习参数;
步骤4-2-3:设计时间特征提取组件的输出激活函数为Sigmoid函数,得到最后的时间特征输出XT;
步骤4-3:构造时空复杂图卷积网络,具体步骤如下:
步骤4-3-1:确定时空复杂图卷积网络的总体架构;
步骤4-3-2:将空间特征提取组件的输出XS和时间特征提取组件的输出XT进行加权融合,将操作定义为:XFusion=fA(W1*XS+W2*XT),其中W1和W2分别是空间特征和时间特征所占的比重。
6.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法,其特征在于:所述步骤5)中,训练步骤4)构建的时空复杂图卷积网络,并用训练好的模型预测下一时刻的交通流;具体步骤如下:
步骤5-1:初始化时空复杂图卷积网络的网络权重,确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量;
步骤5-2:利用训练集训练时空复杂图卷积网络;
步骤5-3:将道路数据输入网络中,得到模型的预测值;
步骤5-4:根据训练批次,利用反向传播算法训练模型,更新模型的权重值;
步骤5-5:训练完成后,利用测试集测试模型的预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160677.6A CN114511154B (zh) | 2022-02-22 | 2022-02-22 | 一种基于时空复杂图卷积网络的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160677.6A CN114511154B (zh) | 2022-02-22 | 2022-02-22 | 一种基于时空复杂图卷积网络的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511154A true CN114511154A (zh) | 2022-05-17 |
CN114511154B CN114511154B (zh) | 2024-06-14 |
Family
ID=81553202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160677.6A Active CN114511154B (zh) | 2022-02-22 | 2022-02-22 | 一种基于时空复杂图卷积网络的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511154B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913689A (zh) * | 2022-06-01 | 2022-08-16 | 南通大学 | 一种基于先验知识时变图卷积网络的交通流预测方法 |
CN116957166A (zh) * | 2023-08-25 | 2023-10-27 | 南京纳尼亚科技有限公司 | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 基于图卷积网络节点关联度的城市路网交通速度预测方法 |
CN113327417A (zh) * | 2021-05-28 | 2021-08-31 | 南通大学 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
CN113570861A (zh) * | 2021-07-26 | 2021-10-29 | 浙江财经大学 | 一种基于合成数据的交通流量预测方法及装置 |
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 |
CN113848928A (zh) * | 2021-10-08 | 2021-12-28 | 湖南工商大学 | 一种基于改进时空图卷积神经网络的救护车路线规划方法 |
-
2022
- 2022-02-22 CN CN202210160677.6A patent/CN114511154B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264709A (zh) * | 2019-05-06 | 2019-09-20 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
CN112991721A (zh) * | 2021-02-04 | 2021-06-18 | 南通大学 | 基于图卷积网络节点关联度的城市路网交通速度预测方法 |
CN113327417A (zh) * | 2021-05-28 | 2021-08-31 | 南通大学 | 基于3d动态时空残差卷积关联网络的交通流预测方法 |
CN113570861A (zh) * | 2021-07-26 | 2021-10-29 | 浙江财经大学 | 一种基于合成数据的交通流量预测方法及装置 |
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 |
CN113848928A (zh) * | 2021-10-08 | 2021-12-28 | 湖南工商大学 | 一种基于改进时空图卷积神经网络的救护车路线规划方法 |
Non-Patent Citations (2)
Title |
---|
包银鑫: "基于改进时空残差卷积神经网络的城市路网短时交通流预测", 计算机应用, vol. 42, no. 1, 10 January 2022 (2022-01-10) * |
李昊天;盛益强;: "单时序特征图卷积网络融合预测方法", 计算机与现代化, no. 09, 15 September 2020 (2020-09-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913689A (zh) * | 2022-06-01 | 2022-08-16 | 南通大学 | 一种基于先验知识时变图卷积网络的交通流预测方法 |
CN116957166A (zh) * | 2023-08-25 | 2023-10-27 | 南京纳尼亚科技有限公司 | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 |
CN116957166B (zh) * | 2023-08-25 | 2024-04-26 | 南京纳尼亚科技有限公司 | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114511154B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN112634292B (zh) | 一种基于深度卷积神经网络的沥青路面裂缝图像分割方法 | |
CN111243269B (zh) | 基于融合时空特征的深度网络的交通流预测方法 | |
CN112966853B (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN111915059B (zh) | 基于注意力机制的Seq2seq泊位占有率预测方法 | |
CN115240425B (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN114511154B (zh) | 一种基于时空复杂图卷积网络的交通流预测方法 | |
CN114330671A (zh) | 一种基于Transformer时空图卷积网络的交通流预测方法 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
CN113327417B (zh) | 基于3d动态时空残差卷积关联网络的交通流预测方法 | |
CN111723990B (zh) | 基于双向长短期记忆神经网络的共享单车流量预测方法 | |
CN114913689B (zh) | 一种基于先验知识时变图卷积网络的交通流预测方法 | |
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 | |
CN115828121A (zh) | 基于邻接dbscan融合时变多图卷积网络的交通流预测方法 | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
CN114004152B (zh) | 基于图卷积和循环神经网络的多风场风速时空预测方法 | |
CN117787585A (zh) | 一种数据驱动的充电桩数量的预测方法、装置 | |
CN112907971B (zh) | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 | |
CN116308579A (zh) | 基于粒子群-svm的工程造价确定方法、系统及产品 | |
CN115063972A (zh) | 基于图卷积和门控循环单元的交通速度预测方法和系统 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
Ziat et al. | Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series. | |
CN111210870A (zh) | 蛋白质分类方法 |
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 |