CN114925836B - 基于动态多视图图神经网络的城市交通车流量推理方法 - Google Patents
基于动态多视图图神经网络的城市交通车流量推理方法 Download PDFInfo
- Publication number
- CN114925836B CN114925836B CN202210849898.4A CN202210849898A CN114925836B CN 114925836 B CN114925836 B CN 114925836B CN 202210849898 A CN202210849898 A CN 202210849898A CN 114925836 B CN114925836 B CN 114925836B
- Authority
- CN
- China
- Prior art keywords
- road
- traffic flow
- traffic
- module
- network
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于动态多视图图神经网络的城市交通车流量推理方法,属于智能交通技术领域。本发明首先根据交通路网的结构和属性信息构建亲和图;其次,在路网空间和路段属性特征亲和图上执行多视图图卷积操作,以捕获空间和属性特征的依赖性;然后设计了一种时序自注意力机制,以区分不同时间粒度上的流量模式对最终推理结果的依赖性;最后设计了一个联合学习目标函数,通过结合空间和时间交通车流量模式来指导路段的表征学习,以推理车流量。本发明能够对城市交通路网中未安装监控设备的路段进行准确的车流量推理,提升了推理的准确度,对于优化交通调度、改善交通环境、提高城市智能化管理水平和构建智慧城市具有重要意义。
Description
技术领域
本发明涉及一种基于动态多视图图神经网络的城市交通车流量推理方法,属于智能交通技术领域。
背景技术
城市交通车流量推理旨在解决无监控道路上的数据缺失问题,是智能交通系统(Intelligent Transportation System, ITS)的重要研究内容,车流量推理对于提高城市道路交通运行的安全性,充分利用城市道路设施,优化交通调度,改善交通环境,提高城市智能化管理水平,减少道路交通拥堵,构建智慧城市具有重要意义。
随着移动互联网技术的快速发展,实时交通监控对于各种城市应用具有非常重要的意义和价值,例如智能交通系统、基于位置的推荐和用户移动性建模。准确的全市交通车流量监测可以为公众提供高效便捷的交通服务,例如,详细的交通车流量是交通灯智能控制的数据基础,如果在所有交叉口的每个方向都没有观测到的车流量,就不可能实现整个区域的智能交通信号控制。此外,了解不同路段的交通模式,有助于更好地决策交通调度和缓解交通拥堵问题。因此,对城市交通车流量信息的有效推断对于智能交通系统和城市计算场景的成功至关重要。虽然估计城市交通路网上的交通车流量为各种数据驱动的智慧城市应用提供了巨大的好处,但它面临着几个亟待解决的关键挑战:
第一,任意缺失值。由于各种因素的产生,例如传感器错误或网络间通信故障,从而通过监控设备获得的交通车流量数据可能在任意时间段和位置缺失。这种任意缺失的数据会带来信息噪声,阻碍交通模式建模,可能导致交通车流量推理的性能下降。
第二,尽管各种监控设备(如监控摄像头、交通雷达或环形探测器)的部署越来越多,但由于安装和维护成本较高,考虑到整个城市的交通路网规模,各种监控设备的地理覆盖范围仍然非常有限。值得注意的是,与基于历史交通数据车流量预测问题不同,车流量推理任务没有任何可用于未受监控道路的历史数据。因此,如何在没有(或非常有限的)历史数据的情况下,通过探索复杂的时空依赖关系来进行自适应性地学习,进行交通车流量推断,仍然是一个重大挑战。
第三,复杂地时空依赖关系。复杂的交通模式表现为时间依赖和多粒度的时间关系。不同粒度的交通数据变化规律可能呈现不同的时间模式(例如,每小时、每天、每周),它们相互补充、相互依赖。此外,就地理相关性而言,单个路段的交通车流量会受其他邻接路段交通车流量的影响,且各种道路环境特征,例如:速度限制和车道数,也会对道路车流量产生影响。在城市道路网络上,很难同时对交通车流量的复杂空间相关性和时间相关性进行建模。
发明内容
为解决智慧交通系统领域中的车流量推理推荐问题,本发明的目的是提供一种基于动态多视图图神经网络的城市交通车流量推理方法,以弥补现有技术的不足。
为实现上述发明目的,本发明采取的具体技术方案如下:
一种基于动态多视图图神经网络的城市交通车流量推理方法,包括如下步骤:
S1:收集路网数据,利用交叉口将路网分割成短的路段;将该路网数据分为训练数据和测试数据;
S2:构建亲和图,包括空间亲和图和属性特征亲和图;
S3:构建图卷积网络基础模型:设计空间卷积模块、属性特征卷积模块、公共卷积模块和多视图融合模块;
S4:所述图卷积网络基础模型中引入时间自注意力机制,将对应于不同时间粒度的路段特征纳入时间自注意力机制,再将时间自注意力模块扩展为多头的,在历史时间片上计算多个时间自注意力头,以计算最终的路段表征;
S5:构建所述图卷积网络基础模型中的目标函数,最终得到动态多视图图神经网络模型;
S6:利用训练数据对所述动态多视图图神经网络模型进行训练,再根据已有的路网数据最终学习的路段特征向量利用所述动态多视图图神经网络模型推理车流量。
进一步的,所述S1中:利用交叉口将路网分割成短的路段;每个路段都是有向的,用于连接两个相邻的十字路口,使用表示路网中路段的集合;对于每个路段,将其路段特征表示为,例如路段等级、路段长度,车道数、限速等上下文信息,以X表示所有路段的特征矩阵。
进一步的,所述S2具体为:
(1)构建空间亲和图
每个空间关联图是基于道路网络在时间片上的权重图,其中每个路段是图中的一个节点,边表示路段之间的连接关系;例如,如果路段的终点交叉路口是路段的起点交叉路口,则会在路段和路段之间创建一条边。因此,道路网络的空间关系由空间亲和图建模,路段的车道数目越多,交通车流量就越大;路段上的车道数量是影响交通车流量的重要因素。因此,对边的权重定义如下:
(2)构建属性特征亲和图
道路特征相似的路段,其流量模式也是类似的。考虑了五种类型的道路特征,即道路类型、道路长度、车道数、速度限制以及路段起点/终点进口道数量,还将路段每个时间片上的车流量值作为额外的路段特征;对于没有监控设备的路段,采用空间上最临近的k个路段的平均车流量作为车流量特征;然后,使用基于kNN方法从路段属性特征矩阵X中提取最相近的路段,生成属性特征亲和图。
进一步的,所述S3中:
将多视图的嵌入按照以下计算方式融合:
其中,表示第l层的输出,,表示所有路段的属性特征矩阵,f表示特征维度,表示可学习的投影层,此外,和,I是单位矩阵,是空间维度上的邻接矩阵,是矩阵第i行第j列的值,是矩阵第i行第i列的值,是计算运行中的中间矩阵,用d表示所有路段的嵌入维度;
通过属性特征卷积操作,可以生成路段在属性维度第l层的特征嵌入,其中,是用于嵌入变换的可训练权重矩阵,,,,是属性维度上的邻接矩阵,是矩阵第i行第j列的值,是矩阵第i行第i列的值,是计算运行中的中间矩阵;
更进一步的,所述S3具体为:
S3-1:空间卷积模块
其中,表示第l层的输出,,表示所有路段的属性特征矩阵,f表示特征维度,表示可学习的投影层,此外,和,I是单位矩阵,是空间维度上的邻接矩阵,是矩阵第i行第j列的值,是矩阵第i行第i列的值,用d表示所有路段的嵌入维度;
S3-2:属性特征卷积模块
简单的空间图卷积运算无法编码与图拓扑结构和相应节点特征有关的复杂依赖关系,即当仅执行空间图卷积时,可能无法区分道路约束和道路特征的重要性。直观上来说,道路属性特征越相似,交通车流量就越相似。因此,使用和作为输入执行属性特征卷积操作:
S3-3公共卷积模块
实际上,城市路网的空间和属性特征并非完全无关。因此,模型不仅需要提取这两个维度中特定于路段的嵌入信息,还需要提取这两个维度共享的公共信息。因此,设计了公共卷积模块(common-GCN),利用参数共享策略执行卷积运算;通过下式定义层间传播规则:
给定空间图和特征图,可以得到路段的两种表示和,表示所有路段在公共空间维度上在第l+1层的表示,表示所有路段在公共属性维度上在第l+1层的表示,Relu为激活函数;表示在公共维度上第l层可学习的投影层,根据路段在空间和属性特征维度下的嵌入定义了一个公共嵌入,计算公式如下:
S3-4:多视图融合模块
其中,表示n个路段在H s ,H f 和H c 三个嵌入空间上的注意力权重,以一个路段在空间维度上的向量表示为例,首先对路段嵌入执行非线性变换操作,然后使用一个共享的注意力向量去计算注意力权重,计算公式如下:
其中,H表示所有路段经过注意力机制融合后的向量表示,H s 表示所有路段在空间维度上的向量表示,H f 表示所有路段在属性维度上的向量表示,H c 表示所有路段在空间维度上的向量表示。
进一步的,所述S4中:
为了捕获车流量在各种粒度上时间的依赖性(例:一个路段在将来5分钟的流量受该路段前5分钟流量信息的影响,且前一天、前一周同一时间段的流量信息具有显著联系),设计了在时间维度上截取四种类型的时间片,(1)当前时间片;(2)最近时间片;(3)每天时间片;(4)每周时间片。然后,将对应于不同时间粒度的路段特征纳入时间自注意力机制,时间自注意力模块计算方式定义如下:
能够建模不同时间粒度车流量变化趋势的节点嵌入计算方式如下:
将时间自注意力模块扩展为多头的,在历史时间片上计算多个时间自注意力头,以计算最终的路段表征:
其中,head代表注意力头的数量,设计一个全连接的网络FC来聚合多个注意力头的表示。
进一步的,S5中所述目标函数为:
其中,表示路段和之间在t时间片上的相似度分数,表示路段和rk之间在t时间片上的相似度分数,即和之间的相似度,代表sigmoid函数,表示在随机游走过程中使用采样的节点集,表示在t时间片上的负边采样集,vj和vk表示路段j和路段k;
其中,表示路段在时间片t上的真实车流量, 表示路段rj在时间片t上的真实流量,T表示所有的时间片集合;假设特征向量相似的路段在车流量信息上也更加相似,则的目的是在时间片为t的嵌入空间中,表示所有有监控设备的路段集合,查询出与目标路段最相似的且已安装监控设备最相似的k个路段,从而推断路段的车流量。
更进一步的,所述S5中:
无监督的目标函数对动态时空上下文信息进行编码,学习路段的特征向量。在提出的模型中,使用节点在时间片t上的动态表征来捕获基于空间亲和图的局部空间拓扑结构信息。具体而言,在每个时间片上使用二元交叉熵损失函数,以鼓励在固定长度随机游走的序列中,同时包含的节点具有更高的相似度:
其中,表示路段和之间在t时间片上的相似度分数,即和之间的相似度,计算方式可以是任何向量相似性度量函数(例如,内积运算),代表sigmoid函数,表示在随机游走过程中使用采样的节点集,表示在t时间片上节点的负边采样集。
另外,城市车流量信息呈现显著的周期性,在推理车流量信息时,除了考虑当前的时间片,还应考虑车流量的周期性。具体来说,考虑四种粒度的车流量模式,即当前模式、最近模式、每天模式和每周模式。将上述四种粒度的车流量模式整合在模型的目标函数中,使用半监督学习范式定义损失函数,如下所示:
其中,表示路段在时间片t上的真实车流量;假设特征向量相似的路段在车流量信息上也更加相似,则的目的是在时间片为t的嵌入空间中,查询出与目标路段最相似的且已安装监控设备的top-k路段,从而推断路段的车流量。
一种基于动态多视图图神经网络的城市交通车流量推理系统,包括交通数据库模块100、空间亲和图构建模块101、属性特征亲和图构建模块102、空间卷积模块103、属性特征卷积模块104、公共卷积模块105、多视图融合模块106、多头时序自注意力模块107、联合学习与优化模块108和车流量推理模块109;
交通数据库模块100:用于所述S1中收集路网数据,利用交叉口将路网分割成短的路段;
空间亲和图构建模块101:用于所述S2中构建空间亲和图,以建模交通路网的空间关联信息;
属性特征亲和图构建模块102:用于所述S2中构建属性特征亲和图,以建模交通路网的属性特征关联信息;
空间卷积模块103:用于所述S3中构建空间卷积模块,以提取交通路网的空间关联信息;
属性特征卷积模块104:用于所述S3中构建属性特征卷积模块,以提取交通路网的属性特征关联信息;
公共卷积模块105:用于所述S3中构建公共卷积模块,以提取城市路网的空间和属性特征,以及这两个特征共享的公共信息;
多视图融合模块106:用于所述S3中构建多视图融合模块,以将不同视图的嵌入信息借助注意力机制融合;
多头时序自注意力模块107:用于所述S4中的时间自注意力机制,以从不同的时间粒度上建模每个路段的车流量模式;
联合学习与优化模块108:用于得到所述S5的目标函数,以获得每一时间片上、每一路段的表征;
车流量推理模块109:用于所述S6中的车流量推理。
本发明的优点和有益效果:
(1) 不同于交通车流量预测问题,本发明的车流量推理模型不依赖于历史流量信息;(2) 相比传统的车流量推理方法,本发明不需要借助完整的机动车GSP轨迹数据,不需要借助交通模拟器去进行车流量数据的填补和模拟;(3) 本发明通过从道路内和道路间维度联合建模复杂的空间校正和时间依赖性来推理城市交通路网中没有监控设备路段上的车流量;(4)本发明在空间和特征亲和图上结合多视图的图卷积和时间自注意力机制,自适应地学习道路段特征向量在拓扑结构和上下文特征中的深层时间相关性;(5)设计了一个联合学习目标函数,该函数由无监督随机游走和半监督时空车流量约束组成,用于增强城市范围内交通车流量推理的路段表征学习。综上所述,本发明能够对城市交通路网中未安装监控设备的路段进行准确的车流量推理,进一步提升推理的准确度,对于优化交通调度,改善交通环境,提高城市智能化管理水平,减少道路交通拥堵,构建智慧城市具有重要意义。
本发明首先根据交通路网的结构和属性信息构建亲和图;其次,在路网空间和路段属性特征亲和图上执行多视图图卷积操作,以捕获空间和属性特征的依赖性;然后设计了一种时序自注意力机制,以区分不同时间粒度上的流量模式对最终推理结果的依赖性;最后设计了一个联合学习目标函数,通过结合空间和时间交通车流量模式来指导路段的表征学习,以便准确地推理车流量。
附图说明
图1是交通车流量推理示意图。
图2是基于动态多视图图神经网络的城市交通车流量推理的流程图。
图3是本发明的总体框架图。
图4是不同时间粒度依赖关系说明图。
图5是本发明在杭州数据集上对超参数(嵌入维度和注意力的头数head)的敏感性实验。
图6是本发明在济南数据集上对超参数(嵌入维度和注意力的头数head)的敏感性实验。
图3中,交通数据库模块100、空间亲和图构建模块101、属性特征亲和图构建模块102、空间卷积模块103、属性特征卷积模块104、公共卷积模块105、多视图融合模块106、多头时序自注意力模块107、联合学习与优化模块108和车流量推理模块109。
具体实施方式
以下通过具体实施例并结合附图对本发明做进一步说明。
实施例1:
将本发明要解决的技术问题转化为一个推理问题,如图1所示,根据给定的路网结构以及已安装监控设备路段的流量信息,t代表时间点,去推理在每个时间片上未安装监控设备的路段的流量信息在所有时间片上的流量信息,即推理出图1右侧路段-时间流量矩阵当中问号处的值。
一种基于动态多视图图神经网络的城市交通车流量推理方法,如图2所示,具体步骤如下:
步骤1,利用交叉口将路网分割成短路段,所述路网映射为网络节点的方式。每个路段连接两个相邻的十字路口,需要注意的是路段是有向的,使用表示路网中路段的集合;对于每个路段,将其路段特征表示为,例如路段等级,路段长度,车道数,限速等上下文信息,以X表示所有路段的特征矩阵。
步骤2,亲和图的构建,空间亲和图的构建方式基于车道数目的权重设置策略,属性特征亲和图的构建方式基于道路特征的权重设置策略;
(1)空间亲和图的构建模块
每个空间关联图是基于道路网络在时间片上的权重图,其中每个路段是图中的一个节点,边表示路段之间的连接关系;例如,如果路段的终点交叉路口是路段的起点交叉路口,则会在路段和路段之间创建一条边。因此,道路网络的空间关系由空间亲和图建模,路段的车道数目越多,交通车流量就越大;路段上的车道数量是影响交通车流量的重要因素。因此,对边的权重定义为:
(2)属性特征亲和图的构建模块
道路特征相似的路段,其流量模式也是类似的。具体来说,方法考虑了五种类型的道路特征,即道路类型、道路长度、车道数、速度限制以及路段起点/终点进口道数量,还将路段每个时间片上的车流量值作为额外的路段特征。对于没有监控设备的路段,采用空间上最临近的k个路段的平均车流量作为车流量特征。然后,使用基于kNN方法从路段属性特征矩阵X中提取最相近的路段,生成属性特征亲和图。具体来说,首先计算n个路段中的属性特征相似性矩阵,使用余弦相似性式计算两个路段之间的相似度分数,这是一种获得两个向量之间相似性的常用方法。
步骤3,多视图的图卷积
(1)空间卷积模块
(2)属性特征卷积模块
然而,简单的空间图卷积运算可能无法编码与图拓扑结构和相应节点特征有关的复杂依赖关系,即当仅执行空间图卷积时,可能无法区分道路约束和道路特征的重要性。直观上来说,道路属性特征越相似,交通车流量就越相似。因此,使用和X作为输入执行属性特征卷积操作:
(3)公共卷积模块
实际上,城市路网的空间和属性特征并非完全无关。因此,模型不仅需要提取这两个维度中特定于路段的嵌入信息,还需要提取这两个维度共享的公共信息。因此,设计了common-GCN模块,利用参数共享策略执行卷积运算,通过下式定义层间传播规则:
(4)多视图融合模块
其中,表示n个路段在H s ,H f 和H c 三个嵌入空间上的注意力权重;以一个路段在空间维度中的向量表示为例,首先对执行非线性变换操作,然后使用一个共享的注意力向量去计算注意力权重,计算公式如下:
步骤4,多头时序自注意力机制
如图4所示,为了捕获车流量在各种粒度上时间的依赖性(例:一个路段在将来5分钟的流量受该路段前5分钟流量信息的影响,且前一天、前一周同一时间段的流量信息具有显著联系),设计了在时间维度上截取四种类型的时间片,(1)当前时间片;(2)最近时间片;(3)每天时间片;(4)每周时间片。然后,将对应于不同时间粒度的路段特征纳入时间自注意力机制,计算方式如下:
能够建模不同时间粒度车流量变化趋势的节点嵌入计算方式如下:
如果将时间自注意力模块扩展为多头的,根据下式可以计算最终的路段表征:
步骤5,联合学习与优化
无监督的目标函数对动态时空上下文信息进行编码,学习路段的特征向量。在提出的模型中,使用节点在时间片t上的动态表征来捕获基于空间亲和图的局部空间拓扑结构信息。具体而言,在每个时间片上使用二元交叉熵损失函数,以鼓励在固定长度随机游走的序列中,同时包含的节点具有更高的相似度。
所述目标函数具体包括基于随机游走的无监督目标函数,基于车流量约束的半监督目标函数。另外,城市车流量信息呈现显著的周期性,在推理车流量信息时,除了考虑当前的时间片,还应考虑车流量的周期性。具体来说,考虑四种粒度的车流量模式,即当前模式、最近模式、每天模式和每周模式。将上述四种粒度的车流量模式整合在模型的目标函数中,使用半监督学习范式定义损失函数,如下式:
步骤6,在获得最终的每一时刻路段网络表征之前,需要先对模型进行训练优化。将具有交通车流量信息的路段随机分为两组,分别用于训练(80%)和测试(20%)。进一步随机选取20%的训练数据设置为验证集,使用验证集对模型进行多轮调参,确定公式(22)中的参数的最优取值,具体来说,首先将所有参数先设置为1,每次选择一个参数并固定其余参数进行调整,利用验证集进行10次推荐预测,取平均MAPE,平均RMSE的和作为算法的效果指标调整参数设置,当两者的和为最小时该参数即调整为最优,接着再取一个未被调整的参数,重复上述步骤,直到所有参数都被调整为最优。
步骤7,交通车流量推理
一种基于动态多视图图神经网络的城市交通车流量推理系统,如图3所示,包括交通数据库模块100、空间亲和图构建模块101、属性特征亲和图构建模块102、空间卷积模块103、属性特征卷积模块104、公共卷积模块105、多视图融合模块106、多头时序自注意力模块107、联合学习与优化模块108和车流量推理模块109,如图3,以下对各部分进行具体说明:
交通数据库模块100:该数据库包括城市的路网结构信息以及每个路段的特征属性信息,每条记录格式为:<起点路口ID,终点路口ID,路段长度,路段等级,路段车道数目,路段限速,起点进口道数量,终点进口道数量等>;路段和监控设备的匹配信息,每条记录的格式为:<监控设备ID,起点路口ID,终点路口ID >;已安装监控设备路段的流量信息,每条记录的格式为:<起点路口ID,终点路口ID,起始时间,结束时间,车流量信息>;
空间亲和图构建模块101:根据上述技术方案步骤2所述方法建模交通路网的空间关联信息;
属性特征亲和图构建模块102:根据上述技术方案步骤2建模交通路网的属性特征关联信息;
空间卷积模块103:根据上述技术方案步骤3提取交通路网的空间关联信息;
属性特征卷积模块104:根据上述技术方案步骤3提取交通路网的属性特征关联信息;
公共卷积模块105:根据上述技术方案步骤3,城市路网的空间和属性特征并非完全无关,因此,不仅需要提取这两个空间和属性中特定于路段的嵌入信息,还需要提取这两个维度共享的公共信息;
多视图融合模块106:根据上述技术方案步骤3将不同视图的嵌入信息借助注意力机制融合;
多头时序自注意力模块107:根据上述技术方案步骤4从不同的时间粒度上建模每个路段的车流量模式,如图4所示,假设当前的时间片为2016年8月20号8:30-8:35,则2016年8月20号8:20-8:30对应的车流量模式的近期模式;2016年8月18号8:30-8:35和2016年8月19号8:30-8:35对应的车流量模式的天模式;2016年8月06号8:30-8:35和2016年8月13号8:30-8:35对应的车流量模式的周模式。
车流量推理模块109:根据上述技术方案步骤6对没有安装监控设备的路段进行车流量推理。
本发明在实验中的时间片长度设置为5分钟,将具有交通车流量信息的路段随机分为两组,分别用于训练(80%)和测试(20%),设计了三个实验验证。
本发明采用广泛使用的回归任务评估指标:均方根误差(RMSE)和平均绝对百分比误差(MAPE)来衡量车流量推理模型结果的准确性,这两个指标越小,代表模型性能越好。RMSE和MAPE的计算方式如下:
实验一:本发明提出的模型与其他模型的性能比较
本实验中的对比方法如下:
(1)k-最近邻(kNN):该模型计算的结果是在每个时间片上查找距离目标路段最邻近的k个已安装监控设备路段的车流量,并计算其平均值。
(2)Context Average(CA):该模型根据路段的属性特征,从已安装监控设备路段中查询在路段属性特征方面最相似的K个路段的车流量,计算其平均值。
(3)Multilayer Perceptron(MLP):该模型将路段的属性特征作为输入,将其合并到多层感知器中进行车流量预测。
(4)XGBoost:XGBoost是一种广泛使用的集成学习模型,它使用梯度增强树对每个路段的交通车流量进行回归预测,在每个时间片上分别使用XGBoost进行训练。
(5) ST-SSL:该模型基于半监督的学习框架,能够融合来自不同来源的数据,在ST-SSL中,通过构建时空亲和图来建模跨时间间隔和路段的空间和时间相关性。
(6)CityVolInf:该模型将基于SSL的相似性模块与交通模拟模块相结合,对相邻路段之间车流量的时空相关性和车流量传播模式进行建模。
(7)CT-Gen:该模型是一种基于键值记忆神经网络的高效模型,它假定相邻道路可能具有相似的交通车流量,具有相同道路特性的路段共享相似的交通车流量模式。CT-Gen由候选选择模块和键值注意网络组成,前者选择有监控设备的相关路段作为候选路段,后者学习有监控设备路段之间的外部依赖关系。
(8)JMDI:该模型是一种基于强化学习的方法,用于从不完整的轨迹中学习车辆完整的移动信息,该方法引入了一个带有半监督学习机制的图嵌入组件来估计整个城市空间的交通车流量信息。
表1为本发明与不同对比方法在杭州市和济南市进行车流量推理的性能比对
从表1中,可以观察到,与其他车流量推理模型相比,本发明提出的基于动态多视图的图神经网络模型获得了最佳的推理结果。特别地,本发明相对于性能最好的对比方法CT-Gen在,以及RMSE指标上分别提升了37.54%、23.88%和28.55%(在两个实验数据集中取性能提升的平均值)。
实验二:消融实验
主要验证本发明各个组成模块的必要性,各个模型的变体描述如下:
(1)CTVI-TA:该模型变体删除了时序上的自注意力机制模块,直接使用从空间和属性特征相似图中学习到的特征向量来进行交通车流量推理任务。
(2) CTVI-PE:该模型变体删除了位置编码结构,忽略了车流量历史序列的先后顺序,以验证其必要性。
表2为本发明与不同对比方法在杭州市和济南市进行车流量推理的性能比对
CTVI-TA和CTVI-PE的主要目的是验证本发明框架结构的作用。CTVI-RW、CTVI-VL、CTVI-C、CTVI-R、CTVI-D和CTVI-W更关注目标函数的设置,目标函数的每一项分别反映了随机游走增强和当前的/最近的/每日的/每周的交通车流量模式约束。CTVI-TA、CTVI-RW和本发明之间的比较分别强调了时间自注意力结构和无监督随机游走增强的有效性。从表中,可以观察到CTVI-VL在杭州和济南数据集的所有变量中表现最差,这表明时空车流量模式约束在推理车流量方面的有效性。
实验三:超参数敏感性实验
该研究了超参数对模型推理精度的影响,即嵌入维度和注意力的头数head。在杭州数据集上的实验结果如图5所示,在济南数据集上的实验结果图6所示,需要注意的是,为了保持,以及RMSE具有大致相同的数值范围,本发明将RMSE乘以了0.01。可以观察到,在两个实验数据集上,嵌入维度d为128时,模型可以获得最佳的推理性能。随着维数的增加,模型趋于过度拟合。
以上计划方案,仅为本发明中的实施方法,但本发明的保护范围不限于此,所有熟悉该技术的人员在本发明所披露的技术范围以内,可理解想到的替换或者变换,都应该包含在本发明的保护范围之内,所以,本发明的保护范围应以权利要求书的保护范围为准。
Claims (4)
1.一种基于动态多视图图神经网络的城市交通车流量推理方法,其特征在于,包括如下步骤:
S1:收集路网数据,利用交叉口将路网分割成短的路段;将该路网数据分为训练数据和测试数据;
S2:构建亲和图,包括空间亲和图和属性特征亲和图;所述S2具体为:
S2-1:构建空间亲和图
其中,lanei表示路段ri上的车道数,liner是一个线性函数,σ是sigmoid激活函数,将权重范围压缩到(0,1);
S2-2:构建属性特征亲和图
考虑了五种类型的道路特征,即道路类型、道路长度、车道数、速度限制以及路段起点/终点进口道数量,还将路段每个时间片上的车流量值作为额外的路段特征;对于没有监控设备的路段,采用空间上临近的k个路段的平均车流量作为车流量特征;然后,使用基于kNN方法从路段属性特征矩阵X中提取最相近的路段,生成属性特征亲和图;
S3:构建图卷积网络基础模型:设计空间卷积模块、属性特征卷积模块、公共卷积模块和多视图融合模块;所述S3中:
将多视图的嵌入按照以下计算方式融合:
H=aS·Hs+aF·Hf+aC·Hc, (11)
注意力权重表示为aS=diag(as),aF=diag(af)和aC=diag(ac)
S4:所述基础模型中引入时间自注意力机制,将对应于不同时间粒度的路段表示纳入时间自注意力机制,再将时间自注意力模块扩展为多头的,在历史时间片上计算多个时间自注意力头,以计算最终的路段表征;所述S4中:
所述时间自注意力模块计算方式定义如下:
Si=(hi+P)WQ((Hi+P)WK)T(i={1,2,...,n}) (12)
能够建模不同时间粒度车流量变化趋势的节点嵌入计算方式如下:
将时间自注意力模块扩展为多头的,在历史时间片上计算多个时间自注意力头,以计算最终的路段表征:
其中,head代表多头时序自注意力模块中的注意力头的数量,设计一个全连接的网络FC来聚合多个注意力头的表示;
S5:构建所述基础模型中的目标函数,最终得到动态多视图图神经网络模型;所述S5中目标函数为:
其中,λ表示正则项的超参数,Θ来表示模型的所有参数,通过联合目标函数,模型框架能够有效地建模车流量的空间和时间动态模式;
其中,表示路段ri在时间片t上的真实车流量;假设特征向量相似的路段在车流量信息上也更加相似,则的目的是在时间片为t的嵌入空间中,查询出与目标路段ri最相似的且已安装监控设备的top-k路段从而推断路段ri的车流量;
S6:利用训练数据对所述动态多视图图神经网络模型进行训练,再根据已有的路网数据最终学习的路段特征向量利用所述模型推理车流量;所述S6中,根据最终学习的路段特征向量按照以下计算方式来推理未安装监控设备路段ri在时间片t上的车流量:
4.一种动态多视图图神经网络的城市交通车流量推理系统,其执行如权利要求1所述的方法步骤,其特征在于,该系统包括交通数据库模块(100)、空间亲和图构建模块(101)、属性特征亲和图构建模块(102)、空间卷积模块(103)、属性特征卷积模块(104)、公共卷积模块(105)、多视图融合模块(106)、多头时序自注意力模块(107)、联合学习与优化模块(108)和车流量推理模块(109);
所述交通数据库模块(100):用于所述S1分割路段,该数据库包括城市交通的路网结构信息、路段的属性特征信息、以及安装交通监控设备的流量信息;
所述空间亲和图构建模块(101):用于S2中建模交通路网的空间关联信息;
所述属性特征亲和图构建模块(102):用于S2中建模交通路网的属性特征关联信息;
所述空间卷积模块(103):用于所述S3中提取交通路网的空间关联信息;
所述属性特征卷积模块(104):用于所述S3中提取交通路网的属性特征关联信息;
所述公共卷积模块(105):用于所述S3中,城市路网的空间和属性特征并非完全无关,因此,不仅需要提取这两个空间和属性中特定于路段的嵌入信息,还需要提取这两个维度共享的公共信息;
所述多视图融合模块(106):用于所述S3中,将不同视图的嵌入信息借助注意力机制融合;
所述多头时序自注意力模块(107):用于据所述S4中,从不同的时间粒度上建模每个路段的车流量模式;
所述车流量推理模块(109):用于所述S6中对没有安装监控设备的路段进行车流量推理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849898.4A CN114925836B (zh) | 2022-07-20 | 2022-07-20 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849898.4A CN114925836B (zh) | 2022-07-20 | 2022-07-20 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925836A CN114925836A (zh) | 2022-08-19 |
CN114925836B true CN114925836B (zh) | 2022-11-29 |
Family
ID=82815973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849898.4A Active CN114925836B (zh) | 2022-07-20 | 2022-07-20 | 基于动态多视图图神经网络的城市交通车流量推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925836B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116994427A (zh) * | 2023-07-04 | 2023-11-03 | 重庆邮电大学 | 一种基于大数据的道路路况预测方法 |
CN116631195B (zh) * | 2023-07-20 | 2023-10-13 | 江西师范大学 | 一种基于城市子区域热点路口挖掘的区域异常检测方法 |
CN117409381B (zh) * | 2023-12-14 | 2024-03-08 | 杭州像素元科技有限公司 | 基于场景图像分割的高速公路收费站拥堵检测模型及方法 |
CN117541026B (zh) * | 2024-01-08 | 2024-03-19 | 保定市宏远顺达物流运输有限公司 | 一种智能物流运输车辆调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 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 |
CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
CN114299723A (zh) * | 2022-02-15 | 2022-04-08 | 北京科技大学 | 一种交通流量预测方法 |
CN114495492A (zh) * | 2021-12-31 | 2022-05-13 | 中国科学院软件研究所 | 一种基于图神经网络的交通流预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113971496A (zh) * | 2021-11-03 | 2022-01-25 | 北京航空航天大学 | 活动影响下的城市交通路网状态演化趋势预测方法及系统 |
CN114120652A (zh) * | 2021-12-21 | 2022-03-01 | 重庆邮电大学 | 一种基于动态图神经网络的交通流量预测方法 |
CN114299728B (zh) * | 2021-12-29 | 2023-04-21 | 杭州电子科技大学 | 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 |
-
2022
- 2022-07-20 CN CN202210849898.4A patent/CN114925836B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161535A (zh) * | 2019-12-23 | 2020-05-15 | 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 |
US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
CN114495492A (zh) * | 2021-12-31 | 2022-05-13 | 中国科学院软件研究所 | 一种基于图神经网络的交通流预测方法 |
CN114299723A (zh) * | 2022-02-15 | 2022-04-08 | 北京科技大学 | 一种交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
基于城市交通监控大数据的工作位置推理方法;陈凯 等;《计算机应用》;20210131;全文 * |
基于城市交通监控大数据的行程时间估计;李文明 等;《大数据》;20210228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114925836A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114925836B (zh) | 基于动态多视图图神经网络的城市交通车流量推理方法 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
CN111832814A (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
CN114299723B (zh) | 一种交通流量预测方法 | |
Jin et al. | A GAN-based short-term link traffic prediction approach for urban road networks under a parallel learning framework | |
CN114287023B (zh) | 用于交通预测的多传感器学习系统 | |
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 | |
CN114863699B (zh) | 一种基于数字孪生的城市车路协同交通流预测方法 | |
CN114495500B (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
CN113538910A (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
CN115510174A (zh) | 一种基于路网像素化的Wasserstein生成对抗流量数据插补方法 | |
Huang et al. | Learning multiaspect traffic couplings by multirelational graph attention networks for traffic prediction | |
CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 | |
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 | |
Xu et al. | AGNP: Network-wide short-term probabilistic traffic speed prediction and imputation | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
Zhang et al. | Off-deployment traffic estimation—a traffic generative adversarial networks approach | |
CN116486611A (zh) | 一种城市道路车辆速度预测方法 | |
He et al. | Dyna-PTM: OD-enhanced GCN for metro passenger flow prediction |
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 |