CN114973653B - 一种基于时空图卷积网络的交通流预测方法 - Google Patents
一种基于时空图卷积网络的交通流预测方法 Download PDFInfo
- Publication number
- CN114973653B CN114973653B CN202210448701.6A CN202210448701A CN114973653B CN 114973653 B CN114973653 B CN 114973653B CN 202210448701 A CN202210448701 A CN 202210448701A CN 114973653 B CN114973653 B CN 114973653B
- Authority
- CN
- China
- Prior art keywords
- sensor
- road
- section
- time
- road section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010586 diagram Methods 0.000 title claims abstract description 22
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 230000000295 complement effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明时间序列预测领域,公开了一种基于时空图卷积网络的交通流预测方法,其具体步骤包括:获取交通流数据,使用线性插值方法来补全它的缺失数据;在图卷积网络中把各个节点的交通流数据按照时间的顺序进行输入,同时输入的还有邻接矩阵,让图卷积网络来提取它的空间特征;根据图卷积网络中提取的空间特征,来动态的设计门控循环单元,让它在提取时间特征的同时可以更好的结合时空信息,提高交通流预测的准确性,更好的满足人民的生活需求。
Description
技术领域
本发明属于时间序列预测领域,尤其涉及一种基于时空图卷积网络的交通流预测方法。
背景技术
交通流分析、预测和管理是新时代智慧城市建设的关键,准确的交通流预测可以帮助人们更加方便的出行、节约时间和保障安全。目前由于车流在时间维度上的波动和不确定性,交通流预测越来越具有挑战性。车辆交通在较长的一段时间内往往具有周期性,容易在较长的一定时间内进行归纳和预测,因此目前的交通流预测大多都会局限于时间信息,但是交通流又存在许多不确定性,例如交通事故等突发事件。随着深度学习和大数据的发展,我们可以更好地理解隐藏在复杂交通网络中的隐藏着的信息,极大的提高了我们对交通流预测的准确性。在实际的交通中,空间信息的重要性不亚于时间信息的重要性,因此急需一种可以结合空间和时间信息的交通流预测方法。
发明内容
本发明目的在于提供一种基于时空图卷积网络的交通流预测方法,以解决上述的技术问题。
为解决上述技术问题,本发明的一种基于时空图卷积网络的交通流预测方法的具体技术方案如下:
一种基于时空图卷积网络的交通流预测方法,包括如下步骤:步骤1:在道路上设置I个传感器,收集到交通流数据 代表在t时刻的第i个传感器中的数值,ui代表第i个传感器;
步骤2:将交通流数据作为时空图卷积网络的输入,首先将交通流数据输入到空间相关性提取模块中来提取深层的空间特征S,再将空间特征S输入到时间相关性提取模块中获得深层的时间特征T,并且利用空间特征S与时间特征T形成特征矩阵F;
步骤3:通过交通流数据与特征矩阵F,利用全连接层进行数据的预测。
进一步地,步骤2中的时空图卷积网络的训练步骤包括:
步骤2.1:数据准备:在道路上设置I个传感器,收集到交通流数据使用线性插值方法来补全缺失值,采用Z-Score方法来对输入数据来进行标准化处理,将标注数据样本按照8:1:1划分为训练集、验证集、测试集;
步骤2.2:网络结构设计:本模型采用图卷积网络来提取交通流数据中的空间信息S,使用集成循环门控单元来提取交通流数据中的时间信息T,网络采用平均绝对误差、均方根误差和平均绝对百分比误差这三个损失函数,表示为:
式中,H为预测的时间长度,N为传感器的数量,为第i个传感器在t时刻的真实值,/>为第i个传感器在t时刻的预测值;
步骤2.3:网络训练:网络输入为交通流数据邻接矩阵其中i和j传感器的编号,/>表示传感器a和传感器b之间的相邻关系,/>的值为0或1,/>的值为1则代表传感器a与传感器b相邻,/>的值为0则代表传感器a与传感器b不相邻,并且a,b∈[1,I],且当a=b时/>和度矩阵其中xl为第l个传感器的邻接传感器数量,输出为之后H段时间的交通流预测数据/>和损失函数的值,训练过程中对权重层、偏置层和批标准化层的学习率进行单独调整,使用的批量尺寸设定为E1,迭代总次数设置为E2,初始化学习率设置为E3进行训练,如果网络的loss值一直下降,则继续训练,直到迭代m次后,得到最终的模型;如果loss值在中途趋于稳定,则停止迭代,得到最终的模型;
步骤2.4:模型测试:输入测试集的交通流数据邻接矩阵/>和度矩阵/>输出为之后H段时间的交通流预测数据/>和损失函数的值。
进一步地,步骤2中空间特征S提取步骤包括:
在数据集中可以获得每个节点的历史交通流数据、邻接矩阵和度矩阵,本模型中的图卷积网络计算方法为:
式中A为邻接矩阵,I为单位矩阵,/>为/>的度矩阵,W1为可学习的参数矩阵,σ为非线性激活函数Sigmoid函数。
进一步地,步骤2中的时间相关性提取模块具体改进步骤包括:
在图卷积网络之后加入了门控循环单元来提取时间特征;
结合空间信息的具体步骤包括:通过图卷积网络中的度矩阵第i个传感器有N个邻接传感器,通过邻接矩阵/>来获得邻接传感器的编号,将邻接传感器[i+1,i+2,…,i+N]和要预测的传感器i的值输入集成门控循环单元中,具体公式为:
式中和/>都为可学习的参数矩阵;/>为在t时刻的第i个传感器中的相应数值经过图卷积网络计算后的数值;rN为更新门,用于控制前一时刻的单元状态被带入到当前状态中的程度,更新门的值越大说明前一时刻的单元状态带入越多;zN为重置门,用于前一单元状态有多少信息被写入到当前的候选集/>上,重置门的值越小前一状态的信息被写入的越少;/>为第N个相邻节点在t时刻的单元状态;σ为非线性激活函数Sigmoid函数;tanh为非激活函数双曲正切函数;
式(8)中的cN为集合门,用于集合相邻传感器数据对预测节点的影响,具体运算公式需要根据道路的不同情况来设计。
进一步地,道路的不同情况包括4种:
情况①:在全是单行道的十字路口中,驾驶方向为向右与向上,将十字路口分为上下左右四个路段,靠近路口的传感器为第一个传感器,预测左路段的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段的第一个传感器数据、第t时刻的右路段的第一个传感器数据、第t时刻的下路段的第一个传感器数据、第t时刻的左路段的第一个传感器数据和第t时刻的左路段的第二个传感器数据来预测,则根据上述公式(6)(7)(8)(10)可得如下公式:
式中,u1为左路段的第一个传感器,u2为左路段的第二个传感器,u3为上路段的第一个传感器,u4为右路段的第一个传感器,u5为下路段的第一个传感器,Z-1为时延单元;
情况②:在全是单行道的T型道路中,驾驶方向为向右与向上,将T型路口分为上左右三个路段,靠近路口的传感器为第一个传感器,预测左路段的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段上行道的第一个传感器数据、第t时刻的右路段右行道的第一个传感器数据、第t时刻的左路段的第一个传感器数据和第t时刻的左路段的第二个传感器数据来预测,公式如下:
式中,u6为左路段的第一个传感器,u7为左路段的第二个传感器,u8为上路段的第一个传感器,u9为右路段的第一个传感器,Z-1为时延单元;情况③:在全是双行道的十字路口中,将十字路口分为上下左右四个路段,靠近路口的传感器为第一个传感器,预测左路段右行道路的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段下行道的第一个传感器数据、第t时刻的上路段上行道的第一个传感器数据、第t时刻的右路段左行道的第一个传感器数据、第t时刻的右路段右行道的第一个传感器数据、第t时刻的下路段上行道的第一个传感器数据、第t时刻的第t时刻的下路段下行道的第一个传感器数据、第t时刻的左路段右行道的第一个传感器数据、第t时刻的左路段右行道的第二个传感器数据和第t时刻的左路段左行道的第一个传感器数据来预测,则根据上述公式(6)(7)(8)(10)可得如下公式:
式中,u10为左路段右行道的第一个传感器,u11为左路段右行道的第二个传感器,u12为左路段左行道的第一个传感器,u13为上路段下行道的第一个传感器,u14为上路段上行道的第一个传感器,u15为右路段左行道的第一个传感器,u16为右路段右行道的第一个传感器,u17为下路段上行道的第一个传感器,u18为下路段下行道的第一个传感器,Z-1为时延单元;情况④:在全是双行道的T型道路中,将T型路口分为上左右三个路段,靠近路口的传感器为第一个传感器,预测左路段右行道的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段下行道的第一个传感器、第t时刻的上路段上行道的第一个传感器、第t时刻的右路段左行道的第一个传感器、第t时刻的右路段右行道的第一个传感器、第t时刻的左路段右行道的第一个传感器、第t时刻的左路段右行道的第二个传感器和第t时刻的左路段左行道的第一个传感器来预测,公式如下:
式中,u19为左路段右行道的第一个传感器,u20为左路段右行道的第二个传感器,u21为左路段左行道的第一个传感器,u22为上路段下行道的第一个传感器,u23为上路段上行道的第一个传感器,u24为右路段左行道的第一个传感器,u25为右路段右行道的第一个传感器,Z-1为时延单元。
本发明的一种基于时空图卷积网络的交通流预测方法具有以下优点:本发明可以结合空间和时间信息的对交通流进行预测,提高了交通流预测的准确性,更好的满足人民的生活需求。
附图说明
图1为本发明的网络流程图;
图2是本发明模拟的单行道交通道路图;
图3是本发明模拟的单行道交通道路图中①路口使用的循环单元示意图;
图4是本发明模拟的单行道交通道路图中②路口使用的循环单元示意图;
图5是本发明模拟的双行道交通道路图;
图6是本发明模拟的双行道交通道路图中③路口使用的循环单元示意图;
图7是本发明模拟的单行道交通道路图中④路口使用的循环单元示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种基于时空图卷积网络的交通流预测方法做进一步详细的描述。
如图1所示,本发明的一种基于时空图卷积网络的交通流预测方法,包括如下步骤:
步骤(1):在道路上设置I个传感器,收集到交通流数据(/>代表在t时刻的第i个传感器中的数值,ui代表第i个传感器)。
步骤(2):将交通流数据作为时空图卷积网络的输入,首先将交通流数据输入到空间相关性提取模块中来提取深层的空间特征S,再将空间特征S输入到时间相关性提取模块中获得深层的时间特征T,并且利用空间特征S与时间特征T形成特征矩阵F。
步骤(3):通过交通流数据与特征矩阵F,利用全连接层进行数据的预测。
步骤(2)中的时空图卷积网络是如下进行训练的:
步骤(2.1):数据准备:在道路上设置I个传感器,收集到交通流数据(/>代表在t时刻的第i个传感器中的数值)。使用线性插值方法来补全缺失值,采用Z-Score方法来对输入数据来进行标准化处理,将标注数据样本按照8:1:1划分为训练集、验证集、测试集;
步骤(2.2):网络结构设计:本模型采用图卷积网络来提取交通流数据中的空间信息S,使用集成循环门控单元来提取交通流数据中的时间信息T。网络采用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)这三个损失函数,表示为:
式中,H为预测的时间长度,N为传感器的数量,为第i个传感器在t时刻的真实值,/>为第i个传感器在t时刻的预测值。
步骤(2.3):网络训练:网络输入为交通流数据邻接矩阵(其中i和j传感器的编号,/>表示传感器a和传感器b之间的相邻关系,/>的值为0或1,/>的值为1则代表传感器a与传感器b相邻,/>的值为0则代表传感器a与传感器b不相邻,并且a,b∈[1,I],且当a=b时/>)和度矩阵(其中xl为第l个传感器的邻接传感器数量),输出为之后H段时间的交通流预测数据/>和损失函数的值。训练过程中会对权重层、偏置层和批标准化层的学习率进行单独调整。使用的批量尺寸设定为E1,迭代总次数设置为E2,初始化学习率设置为E3进行训练,如果网络的loss值一直下降,则继续训练,直到迭代m次后,得到最终的模型;如果loss值在中途趋于稳定,则停止迭代,得到最终的模型。
步骤(2.4):模型测试:输入测试集的交通流数据邻接矩阵/>和度矩阵/>输出为之后H段时间的交通流预测数据/>和损失函数的值。
如图2和图5所示,步骤(2)中空间特征S是如下提取的:
在数据集中可以获得每个节点的历史交通流数据、邻接矩阵和度矩阵,本模型中的图卷积网络计算方法为:
式中A为邻接矩阵,I为单位矩阵,/>为/>的度矩阵,W1为可学习的参数矩阵,σ为非线性激活函数Sigmoid函数。
如图3、图4、图6和图7所示,步骤(2)中的时间相关性提取模块具体改进步骤包括:
在图卷积网络之后加入了门控循环单元来提取时间特征。
结合空间信息的具体步骤包括:通过图卷积网络中的度矩阵第i个传感器有N个邻接传感器,通过邻接矩阵/>来获得邻接传感器的编号,将邻接传感器[i+1,i+2,…,i+N]和要预测的传感器i的值输入集成门控循环单元中,具体公式为:
式中和/>都为可学习的参数矩阵;/>为在t时刻的第i个传感器中的相应数值经过图卷积网络计算后的数值;rN为更新门,用于控制前一时刻的单元状态被带入到当前状态中的程度,更新门的值越大说明前一时刻的单元状态带入越多;zN为重置门,用于前一单元状态有多少信息被写入到当前的候选集/>上,重置门的值越小前一状态的信息被写入的越少;/>为第N个相邻节点在t时刻的单元状态;σ为非线性激活函数Sigmoid函数;tanh为非激活函数双曲正切函数。
式(8)中的cN为集合门,用于集合相邻传感器数据对预测节点的影响,具体运算公式需要根据道路的不同情况来设计,具体情况如下:
情况①:如图3所示,在全是单行道的十字路口中,驾驶方向为向右与向上,将十字路口分为上下左右四个路段,靠近路口的传感器为第一个传感器,预测左路段的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段的第一个传感器数据、第t时刻的右路段的第一个传感器数据、第t时刻的下路段的第一个传感器数据、第t时刻的左路段的第一个传感器数据和第t时刻的左路段的第二个传感器数据来预测,则根据上述公式(6)(7)(8)(10)可得如下公式:
/>
式中,u1为左路段的第一个传感器,u2为左路段的第二个传感器,u3为上路段的第一个传感器,u4为右路段的第一个传感器,u5为下路段的第一个传感器,Z-1为时延单元。
情况②:如图4所示,在全是单行道的T型道路中,驾驶方向为向右与向上,将T型路口分为上左右三个路段,靠近路口的传感器为第一个传感器,预测左路段的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段上行道的第一个传感器数据、第t时刻的右路段右行道的第一个传感器数据、第t时刻的左路段的第一个传感器数据和第t时刻的左路段的第二个传感器数据来预测,公式如下:
式中,u6为左路段的第一个传感器,u7为左路段的第二个传感器,u8为上路段的第一个传感器,u9为右路段的第一个传感器,Z-1为时延单元。
情况③:如图6所示,在全是双行道的十字路口中,将十字路口分为上下左右四个路段,靠近路口的传感器为第一个传感器,预测左路段右行道路的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段下行道的第一个传感器数据、第t时刻的上路段上行道的第一个传感器数据、第t时刻的右路段左行道的第一个传感器数据、第t时刻的右路段右行道的第一个传感器数据、第t时刻的下路段上行道的第一个传感器数据、第t时刻的第t时刻的下路段下行道的第一个传感器数据、第t时刻的左路段右行道的第一个传感器数据、第t时刻的左路段右行道的第二个传感器数据和第t时刻的左路段左行道的第一个传感器数据来预测,则根据上述公式(6)(7)(8)(10)可得如下公式:
式中,u10为左路段右行道的第一个传感器,u11为左路段右行道的第二个传感器,u12为左路段左行道的第一个传感器,u13为上路段下行道的第一个传感器,u14为上路段上行道的第一个传感器,u15为右路段左行道的第一个传感器,u16为右路段右行道的第一个传感器,u17为下路段上行道的第一个传感器,u18为下路段下行道的第一个传感器,Z-1为时延单元。
情况④:如图7所示,在全是双行道的T型道路中,将T型路口分为上左右三个路段,靠近路口的传感器为第一个传感器,预测左路段右行道的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段下行道的第一个传感器、第t时刻的上路段上行道的第一个传感器、第t时刻的右路段左行道的第一个传感器、第t时刻的右路段右行道的第一个传感器、第t时刻的左路段右行道的第一个传感器、第t时刻的左路段右行道的第二个传感器和第t时刻的左路段左行道的第一个传感器来预测,公式如下:
式中,u19为左路段右行道的第一个传感器,u20为左路段右行道的第二个传感器,u21为左路段左行道的第一个传感器,u22为上路段下行道的第一个传感器,u23为上路段上行道的第一个传感器,u24为右路段左行道的第一个传感器,u25为右路段右行道的第一个传感器,Z-1为时延单元。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (3)
1.一种基于时空图卷积网络的交通流预测方法,其特征在于,包括如下步骤:
步骤1:在道路上设置I个传感器,收集到交通流数据 代表在t时刻的第i个传感器中的数值,ui代表第i个传感器;
步骤2:将交通流数据作为时空图卷积网络的输入,首先将交通流数据输入到空间相关性提取模块中来提取深层的空间特征S,再将空间特征S输入到时间相关性提取模块中获得深层的时间特征T,并且利用空间特征S与时间特征T形成特征矩阵F;
时间相关性提取模块具体改进步骤包括:
在图卷积网络之后加入了门控循环单元来提取时间特征;
结合空间信息的具体步骤包括:通过图卷积网络中的度矩阵第i个传感器有N个邻接传感器,通过邻接矩阵/>来获得邻接传感器的编号,将邻接传感器[i+1,i+2,…,i+N]和要预测的传感器i的值输入集成门控循环单元中,具体公式为:
式中和/>都为可学习的参数矩阵;/>为在t时刻的第i个传感器中的相应数值经过图卷积网络计算后的数值;rN为更新门,用于控制前一时刻的单元状态被带入到当前状态中的程度,更新门的值越大说明前一时刻的单元状态带入越多;zN为重置门,用于前一单元状态有多少信息被写入到当前的候选集/>上,重置门的值越小前一状态的信息被写入的越少;/>为第N个相邻节点在t时刻的单元状态;σ为非线性激活函数Sigmoid函数;tanh为非激活函数双曲正切函数;
式(8)中的cN为集合门,用于集合相邻传感器数据对预测节点的影响,具体运算公式需要根据道路的不同情况来设计;
道路的不同情况包括4种:
情况①:在全是单行道的十字路口中,驾驶方向为向右与向上,将十字路口分为上下左右四个路段,靠近路口的传感器为第一个传感器,预测左路段的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段的第一个传感器数据、第t时刻的右路段的第一个传感器数据、第t时刻的下路段的第一个传感器数据、第t时刻的左路段的第一个传感器数据和第t时刻的左路段的第二个传感器数据来预测,则根据上述公式(6)(7)(8)(10)可得如下公式:
式中,u1为左路段的第一个传感器,u2为左路段的第二个传感器,u3为上路段的第一个传感器,u4为右路段的第一个传感器,u5为下路段的第一个传感器,Z-1为时延单元;
情况②:在全是单行道的T型道路中,驾驶方向为向右与向上,将T型路口分为上左右三个路段,靠近路口的传感器为第一个传感器,预测左路段的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段上行道的第一个传感器数据、第t时刻的右路段右行道的第一个传感器数据、第t时刻的左路段的第一个传感器数据和第t时刻的左路段的第二个传感器数据来预测,公式如下:
式中,u6为左路段的第一个传感器,u7为左路段的第二个传感器,u8为上路段的第一个传感器,u9为右路段的第一个传感器,Z-1为时延单元;情况③:在全是双行道的十字路口中,将十字路口分为上下左右四个路段,靠近路口的传感器为第一个传感器,预测左路段右行道路的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段下行道的第一个传感器数据、第t时刻的上路段上行道的第一个传感器数据、第t时刻的右路段左行道的第一个传感器数据、第t时刻的右路段右行道的第一个传感器数据、第t时刻的下路段上行道的第一个传感器数据、第t时刻的第t时刻的下路段下行道的第一个传感器数据、第t时刻的左路段右行道的第一个传感器数据、第t时刻的左路段右行道的第二个传感器数据和第t时刻的左路段左行道的第一个传感器数据来预测,则根据上述公式(6)(7)(8)(10)可得如下公式:
式中,u10为左路段右行道的第一个传感器,u11为左路段右行道的第二个传感器,u12为左路段左行道的第一个传感器,u13为上路段下行道的第一个传感器,u14为上路段上行道的第一个传感器,u15为右路段左行道的第一个传感器,u16为右路段右行道的第一个传感器,u17为下路段上行道的第一个传感器,u18为下路段下行道的第一个传感器,Z-1为时延单元;
情况④:在全是双行道的T型道路中,将T型路口分为上左右三个路段,靠近路口的传感器为第一个传感器,预测左路段右行道的第一个传感器第t+1时刻的交通流量时,需要利用第t时刻的上路段下行道的第一个传感器、第t时刻的上路段上行道的第一个传感器、第t时刻的右路段左行道的第一个传感器、第t时刻的右路段右行道的第一个传感器、第t时刻的左路段右行道的第一个传感器、第t时刻的左路段右行道的第二个传感器和第t时刻的左路段左行道的第一个传感器来预测,公式如下:
式中,u19为左路段右行道的第一个传感器,u20为左路段右行道的第二个传感器,u21为左路段左行道的第一个传感器,u22为上路段下行道的第一个传感器,u23为上路段上行道的第一个传感器,u24为右路段左行道的第一个传感器,u25为右路段右行道的第一个传感器,Z;1为时延单元;
步骤3:通过交通流数据与特征矩阵F,利用全连接层进行数据的预测。
2.根据权利要求1所述的基于时空图卷积网络的交通流预测方法,其特征在于,步骤2中的时空图卷积网络的训练步骤包括:
步骤2.1:数据准备:在道路上设置I个传感器,收集到交通流数据使用线性插值方法来补全缺失值,采用Z-Score方法来对输入数据来进行标准化处理,将标注数据样本按照8:1:1划分为训练集、验证集、测试集;
步骤2.2:网络结构设计:本模型采用图卷积网络来提取交通流数据中的空间信息S,使用集成循环门控单元来提取交通流数据/>中的时间信息T,网络采用平均绝对误差、均方根误差和平均绝对百分比误差这三个损失函数,表示为:
式中,H为预测的时间长度,N为传感器的数量,为第i个传感器在t时刻的真实值,/>为第i个传感器在t时刻的预测值;
步骤2.3:网络训练:网络输入为交通流数据邻接矩阵其中i和j传感器的编号,/>表示传感器a和传感器b之间的相邻关系,/>的值为0或1,/>的值为1则代表传感器a与传感器b相邻,/>的值为0则代表传感器a与传感器b不相邻,并且a,b∈[1,I],且当a=b时/>和度矩阵其中xl为第l个传感器的邻接传感器数量,输出为之后H段时间的交通流预测数据/>和损失函数的值,训练过程中对权重层、偏置层和批标准化层的学习率进行单独调整,使用的批量尺寸设定为E1,迭代总次数设置为E2,初始化学习率设置为E3进行训练,如果网络的loss值一直下降,则继续训练,直到迭代m次后,得到最终的模型;如果loss值在中途趋于稳定,则停止迭代,得到最终的模型;
步骤2.4:模型测试:输入测试集的交通流数据邻接矩阵/>和度矩阵/>输出为之后H段时间的交通流预测数据/>和损失函数的值。
3.根据权利要求2所述的基于时空图卷积网络的交通流预测方法,其特征在于,步骤2中空间特征S提取步骤包括:
在数据集中可以获得每个节点的历史交通流数据、邻接矩阵和度矩阵,本模型中的图卷积网络计算方法为:
式中A为邻接矩阵,I为单位矩阵,/>为/>的度矩阵,W1为可学习的参数矩阵,σ为非线性激活函数Sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448701.6A CN114973653B (zh) | 2022-04-27 | 2022-04-27 | 一种基于时空图卷积网络的交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448701.6A CN114973653B (zh) | 2022-04-27 | 2022-04-27 | 一种基于时空图卷积网络的交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973653A CN114973653A (zh) | 2022-08-30 |
CN114973653B true CN114973653B (zh) | 2023-12-19 |
Family
ID=82979491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210448701.6A Active CN114973653B (zh) | 2022-04-27 | 2022-04-27 | 一种基于时空图卷积网络的交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973653B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018141403A1 (en) * | 2017-02-03 | 2018-08-09 | Siemens Aktiengesellschaft | System, device and method for managing traffic in a geographical location |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110991713A (zh) * | 2019-11-21 | 2020-04-10 | 杭州电子科技大学 | 基于多图卷积和gru的不规则区域流量预测方法 |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及系统 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
CN113313947A (zh) * | 2021-05-31 | 2021-08-27 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113537626A (zh) * | 2021-08-03 | 2021-10-22 | 西北工业大学 | 一种聚合信息差异的神经网络结合时间序列预测的方法 |
CN113643532A (zh) * | 2021-07-22 | 2021-11-12 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
CN114220271A (zh) * | 2021-12-21 | 2022-03-22 | 南京理工大学 | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 |
CN114330868A (zh) * | 2021-12-27 | 2022-04-12 | 西北工业大学 | 基于自注意力的个性化增强图卷积网络的客流预测方法 |
CN114330671A (zh) * | 2022-01-06 | 2022-04-12 | 重庆大学 | 一种基于Transformer时空图卷积网络的交通流预测方法 |
-
2022
- 2022-04-27 CN CN202210448701.6A patent/CN114973653B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018141403A1 (en) * | 2017-02-03 | 2018-08-09 | Siemens Aktiengesellschaft | System, device and method for managing traffic in a geographical location |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110491129A (zh) * | 2019-09-24 | 2019-11-22 | 重庆城市管理职业学院 | 基于时空图的发散卷积循环神经网络的交通流预测方法 |
CN110991713A (zh) * | 2019-11-21 | 2020-04-10 | 杭州电子科技大学 | 基于多图卷积和gru的不规则区域流量预测方法 |
CN111080029A (zh) * | 2019-12-26 | 2020-04-28 | 山东大学 | 基于多路段时空相关的城市交通路段速度预测方法及系统 |
CN111738535A (zh) * | 2020-08-25 | 2020-10-02 | 北京交通大学 | 轨道交通时空短时客流预测方法、装置、设备及存储介质 |
CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
CN113053115A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于多尺度图卷积网络模型的交通预测方法 |
CN113313947A (zh) * | 2021-05-31 | 2021-08-27 | 湖南大学 | 短期交通预测图卷积网络的路况评估方法 |
CN113505536A (zh) * | 2021-07-09 | 2021-10-15 | 兰州理工大学 | 一种优化的基于时空图卷积网络的交通流预测模型 |
CN113643532A (zh) * | 2021-07-22 | 2021-11-12 | 深圳先进技术研究院 | 一种区域交通的预测方法以及设备 |
CN113537626A (zh) * | 2021-08-03 | 2021-10-22 | 西北工业大学 | 一种聚合信息差异的神经网络结合时间序列预测的方法 |
CN114220271A (zh) * | 2021-12-21 | 2022-03-22 | 南京理工大学 | 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质 |
CN114330868A (zh) * | 2021-12-27 | 2022-04-12 | 西北工业大学 | 基于自注意力的个性化增强图卷积网络的客流预测方法 |
CN114330671A (zh) * | 2022-01-06 | 2022-04-12 | 重庆大学 | 一种基于Transformer时空图卷积网络的交通流预测方法 |
Non-Patent Citations (7)
Title |
---|
A Survey of Model Predictive Control Methods for Traffic Signal Control;Bao-Lin Ye;Weimin Wu;Keyu Ruan;Lingxi Li;Tehuan Chen;Huimin Gao;Yaobin Chen;;IEEE/CAA Journal of Automatica Sinica(03);全文 * |
A three-stage real-time detector for traffic signs in large panoramas;Yizhi Song;Ruochen Fan;Sharon Huang;Zhe Zhu;Ruofeng Tong;;Computational Visual Media(04);全文 * |
一种基于序列到序列时空注意力学习的交通流预测模型;杜圣东;李天瑞;杨燕;王浩;谢鹏;洪西进;;计算机研究与发展(08);全文 * |
基于Spark的分布式交通流数据预测系统;黄廷辉;王玉良;汪振;崔更申;;计算机应用研究(02);全文 * |
基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测;徐先峰;黄刘洋;龚美;;工业仪表与自动化装置(01);全文 * |
时空序列预测方法综述;黎维;陶蔚;周星宇;潘志松;;计算机应用研究(10);全文 * |
智能交通系统模型的算法分析与改进;徐武;杨印根;周卫东;吴克捷;;计算机技术与发展(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114973653A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
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 | |
CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
CN111210633B (zh) | 一种基于深度学习的短时交通流预测方法 | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
CN107909206B (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN111145541B (zh) | 交通流量数据预测方法、存储介质和计算机设备 | |
CN112465243B (zh) | 一种空气质量预报方法及系统 | |
CN114330868A (zh) | 基于自注意力的个性化增强图卷积网络的客流预测方法 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN110942637B (zh) | 基于空域图卷积神经网络的scats系统道路交通流预测方法 | |
US20240054321A1 (en) | Traffic prediction | |
CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
Bohan et al. | Traffic flow prediction based on BRNN | |
WO2022142418A1 (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
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 | |
CN111461426A (zh) | 一种基于深度学习的高精度行程时长预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
CN116227362A (zh) | 一种基于图与深度学习的市政排水管网状态预测方法 |
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 |