CN114566048B - 一种基于多视角自适应时空图网络的交通控制方法 - Google Patents

一种基于多视角自适应时空图网络的交通控制方法 Download PDF

Info

Publication number
CN114566048B
CN114566048B CN202210208526.3A CN202210208526A CN114566048B CN 114566048 B CN114566048 B CN 114566048B CN 202210208526 A CN202210208526 A CN 202210208526A CN 114566048 B CN114566048 B CN 114566048B
Authority
CN
China
Prior art keywords
time
space
diagram
representing
scale
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
Application number
CN202210208526.3A
Other languages
English (en)
Other versions
CN114566048A (zh
Inventor
张旭
聂庄
夏英
闫亮
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 CN202210208526.3A priority Critical patent/CN114566048B/zh
Publication of CN114566048A publication Critical patent/CN114566048A/zh
Application granted granted Critical
Publication of CN114566048B publication Critical patent/CN114566048B/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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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

Abstract

本发明属于时序预测交通流预测领域，具体涉及一种基于多视角自适应时空图网络的交通控制方法，该方法包括：实时获取交通流量数据，将获取的交通流量数据输入到基于多视角自适应时空图网络中，预测下一时刻该路口的交通流量；根据预测得到的交通流量对该路口进行交通指挥，控制该路口的交通；本发明引入了时间图卷积，增加了在时间维上全局关联的提取能力；本发明设计了一种多尺度时间卷积层，用空洞卷积核代替普通的大卷积核提取长期关联，提高模型的效率。

Description

一种基于多视角自适应时空图网络的交通控制方法
技术领域
本发明属于时序预测交通流预测领域，具体涉及一种基于多视角自适应时空图网络的交通控制方法。
背景技术
交通流预测在时空数据挖掘和智慧交通系统中一直是重要的研究课题，也是全球交通领域的研究热点。传统的交通流预测被看作时序数据的预测的一种应用，通常使用如差分整合移动平均自回归(ARIMA)和支持向量机(SVM)等模型提取交通流的时序特征。这些研究假设路段与路段间不存在相互影响，仅关注同一路段在时间序列上的变化规律。随着深度神经网络的发展，研究者们开始用深度神经网络提取交通数据中的时序特性，Graves等人使用LSTM预测时序数据，展现出循环神经网络对长期、短期时间关联提取的优势。
近年来，研究者们使用现实中的地理信息作为外部数据取得了效果上的提升。Zhang等人将流量数据按地理位置划分到网格中，提出了ST-ResNet残差结构，使用卷积神经网络提取网格间的局部空间关联；Guo等人在此基础上提出ST-3DNet，使用3D卷积在时间维、空间维和特征维上同时提取局部关联。Shi等人提出ConvLSTM，将长短期记忆网络中的矩阵乘法改为卷积运算，在学习局部空间关联的同时捕捉长期和短期时间关联。网格数据可以很好的表示区域间的关系，但很难表达更复杂的拓扑结构。
研究者开始用图结构表示复杂路网的拓扑关系，并基于图卷积网络挖掘图中的复杂空间关联。图神经网络能够聚集和传播关系网络中相连接的实体间的相互影响，例如在高速公路网中不同位置设置的传感器数据之间的相互关联。图神经网络方法又可以分为基于谱域的图卷积和基于空间域的图卷积。基于图结构的交通流预测研究通常基于距离或连通性定义图，使用图神经网络提取空间特征，并使用卷积神经网络或循环神经网络提取时间特征。由于谱域图卷积运算复杂度较高，Yu等人提出STGCN模型，使用基于邻接矩阵或转移矩阵的空间域图卷积方法简化图神经网络中的传播、聚集过程，并使用门控机制调整时间、空间模块，提取复杂的时空关联
在现有的时空图卷积方法中，存在以下挑战：
1.图的邻接矩阵可以通过路网属性、结点自相关性、自适应图学习多种方式产生；而现有的自适应图学习方法通常只学习到图的全局关联，缺乏对交通时空数据特性的针对性学习；
2.现有的时间关联提取通常采用循环神经网络或卷积神经网络，前者使用记忆单元保存历史时间步的影响，但迭代操作导致时间开销较大；后者使用卷积核捕捉局部关联，时间开销较小，但缺乏对全局时间关联的建模；
3.现有的时间卷积网络大多直接采用大尺寸卷积核提取长期关联，结合交通时序数据的周期性特点，大尺寸卷积核中的参数没有被有效利用。
发明内容
为解决以上现有技术存在的问题，本发明提出了一种基于多视角自适应时空图网络的交通控制方法，该方法包括：实时获取交通流量数据，将获取的交通流量数据输入到基于多视角自适应时空图网络中，预测下一时刻该路口的交通流量；根据预测得到的交通流量对该路口进行交通指挥，控制该路口的交通；
采用基于多视角自适应时空图网络对交通流量数据进行处理的过程包括：
S1：获取交通流量数据的特征，并将获取的特征通过全连接层映射到多通道上；
S2：将映射到多通道上的特进输入到采用双向异性图学习模块中，得到时间图和空间图；
S3：对时间图进行卷积，提取时间图的全局时间关联特征；
S4：根据全局时间关联特征采用多层循环的多尺度时空卷积网络对空间图进行处理，得到空间图的多尺度时空特征和长短期时间特征，长短期时间特征包括短期时间依赖特征和长期时间依赖特征；
S5：将输入的交通流量数据的特征、长短期时间特征以及多尺度时空特征进行融合，得到多尺度全局时空特征；
S6：将多尺度全局时空特征输入到全连接层中，得到预测的结果。
优选的，获取的交通流量数据包括：获取以单向车道为单位的车速聚合数据；设置聚合时间窗，在设置的聚合时间窗内车辆的平均速度作为聚合结果；在聚合的数据中每个时间窗对应的周期性特征为：确定聚合时间窗的起始时间，计算聚合时间窗的起始时间占当天24小时中的百分比，将计算得到的百分比作为周期性特征。
优选的，采用双向异性图学习模块对映射到多通道上的特征进行处理包括：双向异性图学习模块包括时间图学习模块和空间图学习模块；获取映射到多通道上特征的时间维的长度，将时间维的长度输入到时间图学习模块中，得到时间图矩阵；获取映射到多通道上特征的空间维的长度，将空间维的长度输入到空间图学习模块中，得到空间图。
进一步的，采用双向异性图学习模块构建时间图和空间图的公式为：
M1＝tanh(αE1θ1)
M2＝tanh(αE2θ2)
Figure GDA0004141994940000031
A＝ReLU(tanh(βfL(Mcorr)))
其中，M1和M2分别表示初始的相关性矩阵，tanh表示双曲正切函数，α和β均表示设置的超参数，E1、E2分别表示可学习的图编码矩阵，θ1和θ2均表示权重矩阵，Mcorr表示相关性矩阵，T表示转置，A表示双向异性图邻接矩阵，ReLU表示激活函数，fL表示L层双向异性函数。
进一步的，L层双向异性函数f的迭代运算的公式为：
f(X)＝p1 iX-p2 iXT
Figure GDA0004141994940000032
Figure GDA0004141994940000033
Figure GDA0004141994940000042
其中，f(X)表示一次双向异性函数运算，X表示输入的图邻接矩阵，p1 i表示放大因子，p2 i表示缩小因子，T表示转置，f0表示第0层迭代运算结果。
优选的，采用多层循环的多尺度时空卷积网络对空间图进行处理包括：多尺度时空卷积网络包括多尺度的混合时间卷积层、空间图卷积层以及门控单元；采用混合时间卷积层对输入的全局时间关联特征进行长短期时间特征提取；根据提取的长短期时间特征采用空间图卷积层对空间图进行特征提取，得到长短期时空特征；将全局时间关联特征和长短期时空特征进行残差连接，并采用门控单元对残差连接的特征进行筛选，得到空间图的多尺度时空特征。
进一步的，混合时间卷积层包括一组1×2和1×3的连续卷积核和一组1×2和1×3的空洞卷积核；采用1×2和1×3的连续卷积核提取全局时间关联特征的短期时间依赖特征；采用1×2和1×3的空洞卷积核提取全局时间关联特征长期时间依赖特征。
进一步的，通过门控单元得到多尺度时空特征的公式为：
Hout＝σ(f1(Hin))⊙tanh(f2(Hin))
其中，Hout表示多尺度时空特征，σ表示sigmoid激活函数，f(·)表示多尺度混合卷积层，Hin表示上一层时空模块的输出，⊙表示表示元素相乘，tanh表示双曲正切函数。
优选的，得到多尺度全局时空特征的公式为：
Figure GDA0004141994940000041
Ak＝mask(A)
Hout＝AkHinWI+Ak THinWO
其中，mask表示从图中选择值最大的K个结点构成子图，X表示mask的输入，xij表示邻接矩阵中结点i到j的边的值，TopK表示最大的K个值，Ak表示TopK子图的生成结果，A表示图邻接矩阵，Hout表示时间/空间图卷积层的输出，Hin表示时间/空间图卷积层的输入，WI、WO均表示可学习的权重矩阵。
本发明的有益效果：
1)本发明引入了时间图卷积，增加了在时间维上全局关联的提取能力；
2)本发明设计了一种双向异性图学习模块，在图编码时学习强相关结点相关性，更符合交通数据单向影响的特性；
3)本发明设计了一种多尺度时间卷积层，用空洞卷积核代替普通的大卷积核提取长期关联，提高模型的效率。
附图说明
图1为本发明的基于多视角自适应时空图网络的结构图；
图2为本发明的多尺度混合卷积层示意图。
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。
本发明设计了双向异性图学习方法，针对单向关联进行深层信息学习，通过多层迭代和指数增长的方式放大正反两向关联的差异性，使学习到的有向图结构具有双向异性，从而发掘路网或时间图中隐含的上下游关系。
本发明通过设计一个时间图卷积模块来提取时间维上的全局关联，设计一组不同尺寸的卷积核来提取时间维上的长期和短期局部关联，使用上述的双向异性图学习方法得到的图结构提取空间维上的全局和局部关联。
一种基于多视角自适应时空图网络的交通控制方法，该方法包括：实时获取交通流量数据，将获取的交通流量数据输入到基于多视角自适应时空图网络中，预测下一时刻该路口的交通流量；根据预测得到的交通流量对该路口进行交通指挥，控制该路口的交通。
如图1所示，采用基于多视角自适应时空图网络对交通流量数据进行处理的过程包括：
S1：获取交通流量数据的特征，并将获取的特征通过全连接层映射到多通道上；
S2：将映射到多通道上的特进输入到采用双向异性图学习模块中，得到时间图和空间图；
S3：对时间图进行卷积，提取时间图的全局时间关联特征；
S4：根据全局时间关联特征采用多层循环的多尺度时空卷积网络对空间图进行处理，得到空间图的多尺度时空特征和长短期时间特征，长短期时间特征包括短期时间依赖特征和长期时间依赖特征；
S5：将输入的交通流量数据的特征、长短期时间特征以及多尺度时空特征进行融合，得到多尺度全局时空特征；
S6：将多尺度全局时空特征输入到全连接层中，得到预测的结果。
获取的交通流量数据包括：获取以单向车道为单位的车速聚合数据；设置聚合时间窗，在设置的聚合时间窗内车辆的平均速度作为聚合结果；在聚合的数据中每个时间窗对应的周期性特征为：确定聚合时间窗的起始时间，计算聚合时间窗的起始时间占当天24小时中的百分比，将计算得到的百分比作为周期性特征。
采用双向异性图学习模块对映射到多通道上的特征进行处理包括：双向异性图学习模块包括时间图学习模块和空间图学习模块；获取映射到多通道上特征的时间维的长度，将时间维的长度输入到时间图学习模块中，得到时间图矩阵；获取映射到多通道上特征的空间维的长度，将空间维的长度输入到空间图学习模块中，得到空间图。
采用双向异性图学习模块构建时间图和空间图的公式为：
M1＝tanh(αE1θ1)
M2＝tanh(αE2θ2)
Figure GDA0004141994940000061
A＝ReLU(tanh(βfL(Mcorr)))
其中，M1和M2分别表示初始的相关性矩阵，tanh表示双曲正切函数，α和β均表示设置的超参数，E1、E2分别表示可学习的图编码矩阵，θ1和θ2均表示权重矩阵，Mcorr表示相关性矩阵，T表示转置，A表示双向异性图邻接矩阵，ReLU表示激活函数，fL表示L层双向异性函数。
L层双向异性函数f的迭代运算的公式为：
f(X)＝p1 iX-p2 iXT
Figure GDA0004141994940000071
Figure GDA0004141994940000072
Figure GDA0004141994940000073
其中，f(X)表示一次双向异性函数运算，X表示输入的图邻接矩阵，p1 i表示放大因子，p2 i表示缩小因子，T表示转置，f0表示第0层迭代运算结果。
采用多层循环的多尺度时空卷积网络对空间图进行处理包括：多尺度时空卷积网络包括多尺度的混合时间卷积层、空间图卷积层以及门控单元；采用混合时间卷积层对输入的全局时间关联特征进行长短期时间特征提取；根据提取的长短期时间特征采用空间图卷积层对空间图进行特征提取，得到长短期时空特征；将全局时间关联特征和长短期时空特征进行残差连接，并采用门控单元对残差连接的特征进行筛选，得到空间图的多尺度时空特征。
多尺度混合时间卷积层包括一组1×2和1×3的连续卷积核和一组1×2和1×3的空洞卷积核；采用1×2和1×3的连续卷积核提取全局时间关联特征的短期时间依赖特征；采用1×2和1×3的空洞卷积核提取全局时间关联特征长期时间依赖特征；如图2所示，采用门控单元对短期时间依赖特征和长期时间依赖特征进行筛选，得到多尺度时空特征。通过门控单元得到多尺度时空特征的公式为：
Hout＝σ(f1(Hin))⊙tanh(f2(Hin))
其中，Hout表示多尺度时空特征，σ表示sigmoid激活函数，f(·)表示多尺度混合卷积层，Hin表示上一层时空模块的输出，⊙表示表示元素相乘，tanh表示双曲正切函数。
时间、空间图卷积操作使用自适应学习到的时间、空间图，筛选关联性最强的K条边构成子图，进行双向的空域图卷积计算，融合得到最终结果，其表达式为：
Figure GDA0004141994940000081
Ak＝mask(A)
Hout＝AkHinWI+Ak THinWO
其中，mask表示从图中选择值最大的K个结点构成子图，X表示mask的输入，xij表示邻接矩阵中结点i到j的边的值，TopK表示最大的K个值，Ak表示TopK子图的生成结果，A表示图邻接矩阵，Hout表示时间/空间图卷积层的输出，Hin表示时间/空间图卷积层的输入，WI、WO均表示可学习的权重矩阵。
在对基于多视角自适应时空图网络进行训练过程中，训练集数据为METR-LA记录的美国洛杉矶高速公路从2012年3月1日到2012年6月30日、207个传感器的车速数据，有34272条样本。车速的单位为km/h，路网上不同的传感器以结点表示。模型在所有训练数据上执行一遍梯度下降算法被称为一轮，每一轮都会对模型的参数进行更新，最大轮数被设置为100轮。在训练模型的100轮迭代过程中，在验证数据集上取得最小误差的模型及其参数被保存起来，用来产生测试集上的评价指标。
评价指标：采用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)三种评价指标：
Figure GDA0004141994940000082
Figure GDA0004141994940000083
Figure GDA0004141994940000091
其中，x表示预测值，
Figure GDA0004141994940000092
表示真实值，N表示预测点的个数。
三种指标分别为：15分钟MAE为2.68，RMSE为5.12，MAPE为6.75％；30分钟MAE为3.03，RMSE为6.09，MAPE为8.05％；60分钟MAE为3.48，RMSE为7.19，MAPE为9.80％。从结果可以看出，提出的方法具有良好的预测精度。
本实施例采用Python程序设计语言，能够在主流计算机平台上运行。本实施使用的操作系统为CentOS 6.5，要求CPU为Intel i7，内存32GB以上，硬盘空间要求20GB及以上，GPU为NVIDIA Tesla V100，显存32G。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于多视角自适应时空图网络的交通控制方法，其特征在于，包括：实时获取交通流量数据，将获取的交通流量数据输入到基于多视角自适应时空图网络中，得到下一时刻路口的交通流量；根据得到的交通流量对该路口进行交通指挥，控制该路口的交通；
采用基于多视角自适应时空图网络对交通流量数据进行处理的过程包括：
S1：获取交通流量数据的特征，并将获取的特征通过全连接层映射到多通道上；
S2：将映射到多通道上的特征输入到采用双向异性图学习模块中，得到时间图和空间图；采用双向异性图学习模块对映射到多通道上的特征进行处理包括：双向异性图学习模块包括时间图学习模块和空间图学习模块；获取映射到多通道上特征的时间维的长度，将时间维的长度输入到时间图学习模块中，得到时间图；获取映射到多通道上特征的空间维的长度，将空间维的长度输入到空间图学习模块中，得到空间图；采用双向异性图学习模块构建时间图和空间图的公式为：
M1＝tanh(αE1θ1)
M2＝tanh(αE2θ2)
Figure FDA0004141994930000011
A＝ReLU(tanh(βfL(Mcorr)))
其中，M1和M2分别表示初始的相关性矩阵，tanh表示双曲正切函数，α和β均表示设置的超参数，E1、E2分别表示可学习的图编码矩阵，θ1和θ2均表示权重矩阵，Mcorr表示相关性矩阵，T表示转置，A表示双向异性图邻接矩阵，ReLU表示激活函数，fL表示第L层的双向异性函数；
第L层双向异性函数f的迭代运算的公式为：
f(X)＝p1 iX-p2 iXT
Figure FDA0004141994930000012
Figure FDA0004141994930000021
Figure FDA0004141994930000022
其中，f(X)表示一次双向异性函数运算，X表示输入的图邻接矩阵，p1 i表示放大因子，p2 i表示缩小因子，f0表示第0层迭代运算结果；
S3：对时间图进行卷积，提取时间图的全局时间关联特征；
S4：根据全局时间关联特征采用多层循环的多尺度时空卷积网络对空间图进行处理，得到空间图的多尺度时空特征和长短期时间特征，长短期时间特征包括短期时间依赖特征和长期时间依赖特征；
S5：将输入的交通流量数据的特征、长短期时间特征以及多尺度时空特征进行融合，得到多尺度全局时空特征；
S6：将多尺度全局时空特征输入到全连接层中，得到预测的结果。
2.根据权利要求1所述的一种基于多视角自适应时空图网络的交通控制方法，其特征在于，获取的交通流量数据包括：获取以单向车道为单位的车速聚合数据；设置聚合时间窗，在设置的聚合时间窗内车辆的平均速度作为聚合结果；在聚合的数据中每个时间窗对应的周期性特征为：确定聚合时间窗的起始时间，计算聚合时间窗的起始时间占一天时间中的百分比，将计算得到的百分比作为周期性特征。
3.根据权利要求1所述的一种基于多视角自适应时空图网络的交通控制方法，其特征在于，采用多层循环的多尺度时空卷积网络对空间图进行处理包括：多尺度时空卷积网络包括多尺度的混合时间卷积层、空间图卷积层以及门控单元；采用多尺度混合时间卷积层对输入的全局时间关联特征进行长短期时间特征提取；根据提取的长短期时间特征采用空间图卷积层对空间图进行特征提取，得到长短期时空特征；将全局时间关联特征和长短期时空特征进行残差连接，并采用门控单元对残差连接的特征进行筛选，得到空间图的多尺度时空特征。
4.根据权利要求3所述的一种基于多视角自适应时空图网络的交通控制方法，其特征在于，多尺度混合时间卷积层包括一组1×2和1×3的连续卷积核和一组1×2和1×3的空洞卷积核；采用1×2和1×3的连续卷积核提取全局时间关联特征的短期时间依赖特征；采用1×2和1×3的空洞卷积核提取全局时间关联特征长期时间依赖特征。
5.根据权利要求3所述的一种基于多视角自适应时空图网络的交通控制方法，其特征在于，通过门控单元得到多尺度时空特征的公式为：
Hout＝σ(f1(Hin))⊙tanh(f2(Hin))
其中，Hout表示多尺度时空特征，σ表示sigmoid激活函数，f(·)表示多尺度混合卷积层，Hin表示上一层时空模块的输出，⊙表示元素相乘，tanh表示双曲正切函数。
6.根据权利要求1所述的一种基于多视角自适应时空图网络的交通控制方法，其特征在于，得到多尺度全局时空特征的公式为：
Figure FDA0004141994930000031
Ak＝mask(A)
Hout＝AkHinWI+Ak THinWO
其中，mask表示从图中选择值最大的K个结点构成子图，X表示mask的输入，xij表示邻接矩阵中结点i到j的边的值，TopK表示最大的K个值，Ak表示TopK子图的邻接矩阵，A表示图邻接矩阵，Hout表示多尺度时空特征，Hin表示上一层时空模块的输出，WI、WO均表示可学习的权重矩阵。
CN202210208526.3A 2022-03-03 2022-03-03 一种基于多视角自适应时空图网络的交通控制方法 Active CN114566048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210208526.3A CN114566048B (zh) 2022-03-03 2022-03-03 一种基于多视角自适应时空图网络的交通控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210208526.3A CN114566048B (zh) 2022-03-03 2022-03-03 一种基于多视角自适应时空图网络的交通控制方法

Publications (2)

Publication Number Publication Date
CN114566048A CN114566048A (zh) 2022-05-31
CN114566048B true CN114566048B (zh) 2023-04-28

Family

ID=81717359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210208526.3A Active CN114566048B (zh) 2022-03-03 2022-03-03 一种基于多视角自适应时空图网络的交通控制方法

Country Status (1)

Country Link
CN (1) CN114566048B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376317B (zh) * 2022-08-22 2023-08-11 重庆邮电大学 一种基于动态图卷积和时序卷积网络的交通流预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111223301B (zh) * 2020-03-11 2021-01-26 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
US11238729B1 (en) * 2020-09-11 2022-02-01 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for traffic flow prediction
CN113570859B (zh) * 2021-07-23 2022-07-22 江南大学 一种基于异步时空膨胀图卷积网络的交通流量预测方法

Also Published As

Publication number Publication date
CN114566048A (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN109754605B (zh) 一种基于注意力时态图卷积网络的交通预测方法
CN112418547B (zh) 一种基于gcn-lstm组合模型的公交车站点客流量预测方法
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
CN110991713B (zh) 基于多图卷积和gru的不规则区域流量预测方法
CN111145541B (zh) 交通流量数据预测方法、存储介质和计算机设备
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
US20210342722A1 (en) Air quality prediction model training method, air quality prediction method, electronic device and storage medium
CN112071065A (zh) 一种基于全局扩散卷积残差网络的交通流预测方法
CN113792929B (zh) 交通流量预测方法、电子设备及存储介质
CN113570859B (zh) 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN112766551A (zh) 一种交通预测方法、智能终端及计算机可读存储介质
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN115691137B (zh) 一种基于因果马尔科夫模型的多模态数据预测方法
CN114495500B (zh) 一种基于对偶动态时空图卷积的交通预测方法
CN114944053A (zh) 一种基于时空超图神经网络的交通流预测方法
CN116108984A (zh) 基于流量-poi因果关系推理的城市流量预测方法
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
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN115660135A (zh) 基于贝叶斯方法和图卷积的交通流预测方法及系统
CN113887704A (zh) 交通信息预测方法、装置、设备及存储介质
CN115828990A (zh) 融合自适应图扩散卷积网络的时空图节点属性预测方法
CN115376317A (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
CN114572229A (zh) 一种基于图神经网络的车速预测方法、装置、介质及设备
Yang et al. Spatiotemporal DeepWalk gated recurrent neural network: a deep learning framework for traffic learning and forecasting

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