CN115240418A - 基于因果门控-低通图卷积网络的短时交通流量预测方法 - Google Patents

基于因果门控-低通图卷积网络的短时交通流量预测方法 Download PDF

Info

Publication number
CN115240418A
CN115240418A CN202210858553.5A CN202210858553A CN115240418A CN 115240418 A CN115240418 A CN 115240418A CN 202210858553 A CN202210858553 A CN 202210858553A CN 115240418 A CN115240418 A CN 115240418A
Authority
CN
China
Prior art keywords
convolution
causal
low
gating
traffic flow
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
Application number
CN202210858553.5A
Other languages
English (en)
Other versions
CN115240418B (zh
Inventor
徐兴
茆浩
赵芸
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.)
Zhejiang Lover Health Science and Technology Development Co Ltd
Original Assignee
Zhejiang Lover Health Science and Technology Development Co Ltd
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 Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang Lover Health Science and Technology Development Co Ltd
Priority to CN202210858553.5A priority Critical patent/CN115240418B/zh
Publication of CN115240418A publication Critical patent/CN115240418A/zh
Priority to US18/350,347 priority patent/US20240029556A1/en
Application granted granted Critical
Publication of CN115240418B publication Critical patent/CN115240418B/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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • 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
    • 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
    • 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
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • 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
    • G08G1/01—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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于因果门控‑低通图卷积网络的短时交通流量预测方法，包括以下步骤：S1：构建因果门控低通图卷积网络，所述因果门控低通图卷积网络包括因果门控低通卷积块，因果门控低通卷积块连接有全连接输出层；所述因果门控低通卷积块包括两个因果门控线性单元和一个低通图卷积块，所述低通图卷积块设置在因果门控线性单元之间；S2、根据交通流量数据获取交通流量网络图以及交通流量值，以交通流量网络图作为输入，利用因果门控‑低通图卷积网络进行短时交通流量预测。本发明可以预测短时交通流量，具备很高的准确性。

Description

基于因果门控-低通图卷积网络的短时交通流量预测方法
技术领域
本发明涉及交通流量预测技术领域，特别涉及一种基于因果门控 -低通图卷积网络的短时交通流量预测方法。
背景技术
交通控制与诱导系统的研究是智能交通系统领域的热门课题，其核心是准确判别时刻变化着的道路交通状态。准确判别的关键技术之一就是短时交通流量预测的研究。与宏观意义上的以小时、周、天甚至是年计算的交通流量预测不同，短时流量预测是微观意义上的。它主要是根据道路交通流量历史信息，采用恰当的方法预测未来短时交通状况，这为平衡路网交通流、优化交通管理方案、改善交通控制等提供有效参考。目前神经网络在交通流量预测领域起到的作用越来越大，其不需要建立深度的数学模型，通过卷积的方法进行交通流量预测，精准且高效。但还存在一些问题，如交通数据是时序数据与空间数据的结合，长短时记忆网络(LSTM)对于空间数据的特征提取过于冗杂，计算耗时不利于短时预测实时性的需求。图卷积中切比雪夫多项式做卷积核对于空间数据的空间特征提取会放大高频数据在数据整体中的比例，而交通数据的空间特征多是低频特征，因此上述方式在卷积过程中影响预测精度。因此，如何在现有的神经网络基础上进一步地进行短时交通流量预测成为了申请人亟待解决的技术问题。
发明内容
本发明的目的在于，提供一种基于因果门控-低通图卷积网络的短时交通流量预测方法。本发明可以预测短时交通流量，具备很高的准确性。
本发明的技术方案：基于因果门控-低通图卷积网络的短时交通流量预测方法，包括以下步骤：
S1：构建因果门控-低通图卷积网络，所述因果门控-低通图卷积网络包括因果门控-低通卷积块，因果门控-低通卷积块连接有全连接输出层；所述因果门控-低通卷积块包括两个因果门控线性单元和一个具有低通滤波器的低通图卷积块，所述低通图卷积块设置在因果门控线性单元之间；
S2、根据交通流量数据获取交通流量网络图，以交通流量网络图作为输入，利用因果门控线性单元来捕捉交通流量网络图中的时间特征，利用低通图卷积块来捕捉交通流量网络图中的空间特征，且通过低通滤波器来抑制空间特征中的高频信息并增强低频信息，然后融合时间特征和空间特征，再由全连接层输出预测结果。
上述的基于因果门控-低通图卷积网络的短时交通流量预测方法，所述因果门控线性单元由因果卷积，膨胀卷积和残差连接组成；所述因果卷积负责提取时间序列的特征，利用一维的卷积核进行卷积，卷积核的大小为2，每次卷积的步长为1；所述膨胀卷积是步长至少为2的卷积方式，通过多个隐藏层在极少的数据长度下提高极大的卷积感受野，减少的因果卷积的时间消耗；所述残差连接是用于缓解梯度消失问题，且避免冗余计算过程。
前述的基于因果门控-低通图卷积网络的短时交通流量预测方法，所述因果门控线性单元捕捉时间特征是对交通流量网络图G上的每个节点的kt阶邻域进行探索，每次卷积缩短kt-1的时间序列长度，将i节点数据看做切片时间序列长度为τ，通道数为Ci的数据
Figure BDA0003755277870000031
卷积内核定义为
Figure BDA0003755277870000032
其中第一个因果门控线性单元做一维因果卷积，第二个因果门控线性单元做一维因果卷积后再做非线性变化，这两部分数据输出记为
Figure BDA0003755277870000033
最后将两部分数据用hadamard积，得到因果门控线性单元的卷积：
Figure BDA0003755277870000034
式中：
Figure BDA0003755277870000035
为矩阵；N为数据拆分为N个部分；C0为交通流特征维度；f为低通滤波。
前述的基于因果门控-低通图卷积网络的短时交通流量预测方法，所述交通流量网络图定义为无方向图形：
Gt＝{Vt，E，A}；
式中，Gt表示t时刻的交通网络图，Vt表示t时刻的|V|＝n的节点的集合，E为一组边的集合，表示节点之间的连接性；
Figure BDA0003755277870000036
是邻接矩阵，Ai，j＝Aj，i定义了节点i和节点j之间的连接；
使用
Figure BDA0003755277870000037
来表示节点i在t时刻的ct特征的值， ct∈(ft，ot，st)，
Figure BDA0003755277870000038
表示节点i在t时刻的所有特征的值；ft表示在交通网络图G时间序列上t时刻的交通流量特征；
Figure BDA0003755277870000041
表示t时刻所有节点的所有特征的值，
Figure BDA0003755277870000042
表示在τ时间切片上所有节点所有特征的值；ot为t时刻的交通占据，st为t时刻的车速；同时任意i节点在未来任意t时刻的交通流量值
Figure BDA0003755277870000043
前述的基于因果门控-低通图卷积网络的短时交通流量预测方法，所述低通图卷积块用低通滤波器来增大低频信号的权重，并抑制高频信号，所述低通滤波器定义为：
Figure BDA0003755277870000044
式中，λi是第i个特征值；
低通图卷积块的图卷积操作为：
Figure BDA0003755277870000045
式中：
Figure BDA0003755277870000046
表示低通滤波器滤波后的对角矩阵，图卷积的卷积核为
Figure BDA0003755277870000047
Figure BDA0003755277870000048
U表示拉普拉斯矩阵的特征向量；θ∈Rk是多项式的系数； k是图卷积内核的尺寸；x为交通网络图G上的流量信号；L为拉普拉斯矩阵，L＝D-A，
Figure BDA0003755277870000049
是表示从节点i出发的所有边的权重之和的对角矩阵；I是常量A是邻接矩阵。
前述的基于因果门控-低通图卷积网络的短时交通流量预测方法，经过因果门控-低通卷积块提取融合的时间空间特征为
Figure BDA0003755277870000051
由全连接层输出预测结果：
out＝＝Relu(Γ1*f(Relu((Γ0*fxt)*Ggθ)))；
式中：Γ0是第一个因果门控线性单元卷积模块的卷积核；Γ1是第二个因果门控线性单元卷积模块的卷积核；gθ是低通图卷积块的卷积核，Relu是低通图卷积块和全连接层的激活函数；*f表示因果门控线性单元操作，*G表示低通图卷积块的操作。
与现有技术相比，本发明采用了因果门控-低通卷积块和一个全连接输出层构成预测模型，利用图卷积块来捕捉交通流量网络图中的空间特征，同时为了避免高频信息的带来的高权重影响，在图卷积中增加了一个既能抑制高频信息又能增强低频信息的低通滤波器，让整个图上信号更加平滑，鲁棒性更好，同时为了解决递归网络固有的缺陷，本发明在时间轴上采用了因果门控线性单元来捕捉时间序列上的特征，这里避免了使用LSTM，加快的训练速度，提高了效率。最后将两部分结合起来，共同提取时间和空间的特征，由此本发明可以预测短时交通流量，具备很高的准确性。此外，本发明的因果门控线性单元的因果卷积负责提取时间序列的特征，膨胀卷积通过多个隐藏层可以在极少的数据长度下提高极大的卷积感受野，减少的因果卷积的时间消耗，残差连接是为了缓解梯度消失问题，该方法在最大化保留预测精度的基础上极大减少了运算的时长，避免了长短时记忆网络的冗余计算过程。
附图说明
图1是本发明的因果门控低通图卷积网络示意图；
图2是交通流量网络图的示意图；
图3展示了在PeMSD4数据集中，各模型的平均绝对误差(MAE) 随时间增加的变化图；
图4展示了在PeMSD4数据集中，各模型的均方根误差(RMSE) 随时间增加的变化图；
图5展示了在PeMSD8数据集中，各模型的平均绝对误差(MAE) 随时间增加的变化图；
图6展示了在PeMSD8数据集中，各模型的均方根误差(RMSE) 随时间增加的变化图；
图7展示了在PeMSD4数据集中，本发明模型(CGLGCN)和CGGCN 模型在消融实验中的平均绝对误差(MAE)随时间增加的变化；
图8展示了在PeMSD4数据集中，本发明模型(CGLGCN)和 CGGCN模型在消融实验中的均方根误差(RMSE)随时间增加的变化；
图9展示了在PeMSD8数据集中，本发明模型(CGLGCN)和CGGCN 模型在消融实验中的平均绝对误差(MAE)随时间增加的变化；
图10展示了在PeMSD8数据集中，本发明模型(CGLGCN)和CGGCN 模型在消融实验中的均方根误差(RMSE)随时间增加的变化；
图11是各模型的训练时间比较示意图；
图12是PeMS04数据集中，从00:00AM到24:00PM，本发明模型的交通流预测与实际值的拟合图；
图13是PeMS08数据集中，从00:00AM到24:00PM，本发明模型的交通流预测与实际值的拟合图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例：基于因果门控-低通图卷积网络的短时交通流量预测方法，如图1所示，包括以下步骤：
S1：构建因果门控-低通图卷积网络，所述因果门控-低通图卷积网络包括因果门控-低通卷积块，因果门控-低通卷积块连接有全连接输出层；所述因果门控-低通卷积块包括两个因果门控线性单元和一个具有低通滤波器的低通图卷积块，所述低通图卷积块设置在因果门控线性单元之间；如图1所示，所述因果门控线性单元由因果卷积，膨胀卷积和残差连接组成；所述因果卷积负责提取时间序列的特征，利用一维的卷积核进行卷积，卷积核的大小为2，每次卷积的步长为 1；所述膨胀卷积是步长至少为2的卷积方式，通过多个隐藏层在极少的数据长度下提高极大的卷积感受野，减少的因果卷积的时间消耗；所述残差连接是用于缓解梯度消失问题，且避免冗余计算过程。
S2、根据交通流量数据获取交通流量网络图，以交通流量网络图作为输入，利用因果门控线性单元来捕捉交通流量网络图中的时间特征，利用低通图卷积块来捕捉交通流量网络图中的空间特征，且通过低通滤波器来抑制空间特征中的高频信息并增强低频信息，然后融合时间特征和空间特征，再由全连接层输出预测结果。
以下对本实施例进行具体的说明：本实施例中以交通流量数据反应路口拥堵情况的指标。利用交通流量数据来获取所述交通流量网络图，该交通流量网络图定义为无方向图形：
Gt＝{Vt，E，A}；
式中，Gt表示t时刻的交通网络图，Vt表示t时刻的|V|＝n的节点的集合，E为一组边的集合，表示节点之间的连接性；
Figure BDA0003755277870000081
是邻接矩阵，Ai，j＝Aj，i定义了节点i和节点j之间的连接；
使用
Figure BDA0003755277870000082
来表示节点i在t时刻的ct特征的值， ct∈(ft，ot，st)，
Figure BDA0003755277870000083
表示节点i在t时刻的所有特征的值；ft表示在交通网络图G时间序列上t时刻的交通流量特征；
Figure BDA0003755277870000084
表示t时刻所有节点的所有特征的值，
Figure BDA0003755277870000085
表示在τ时间切片上所有节点所有特征的值；ot为t时刻的交通占据，st为t时刻的车速；同时任意i节点在未来任意t时刻的交通流量值
Figure BDA0003755277870000086
图2中，其中圆点表示道路节点，星表示关注的某个中心道路节点，连接表示拥堵情况，以红、黄、绿分别表示了拥堵，普通，畅通三种路况。
由于交通网络往往是不规则的图形，即使将路口比作顶点，道路比作边，路网看做点与边的图形也不能将他完全认为是网格，因为每个路口之间的距离都是不一样长的，将路网看做网格将会忽略路口与路口之间的空间关系。这样的卷积捕捉的空间域信息是不合理的，所以，本发明引入了图卷积的方案，直接在图形数据上定义卷积，来捕捉对路口有着不同权重影响的特征。图卷积引入了拉普拉斯矩阵来完成傅里叶变换。拉普拉斯矩阵被定义为L＝D-A，
Figure BDA0003755277870000091
是表示从节点i出发的所有边的权重之和的对角矩阵，Dii＝∑jAi，j，归一化的拉普拉斯矩阵被定义为L＝In-D-1/2AD-1/2.拉普拉斯矩阵的特征分解为L＝UΛUT，其中
Figure BDA0003755277870000092
是拉普拉斯矩阵的特征向量，对角矩阵
Figure BDA0003755277870000093
是拉普拉斯矩阵特征值组成的。以时间t的流量为例，定义在图形上的流量信号是
Figure BDA0003755277870000094
傅里叶变换将流量信号从空间域转换到光谱域定义为
Figure BDA0003755277870000095
最后从图谱域返回到空间域，因为U是正交矩阵，所以傅里叶反变换定义为
Figure BDA0003755277870000096
图卷积是一种卷积运算，通过使用傅里叶变换中对角化的拉普拉斯算子来代替传统卷积中的卷积算子来实现卷积操作。交通网络图G上的流量信号x通过内核gθ＝diag(UTg)过滤，其中
Figure BDA00037552778700000910
x*Ggθ＝U(UTx⊙UTg)＝Ugθ(Λ)UTx；
上式中的图卷积操作需要将拉普拉斯矩阵特征分解，计算复杂度为O(n2)，当遇到节点数非常多的大规模图数据时会面临很大的挑战。而采用切比雪夫多项式作为卷积核，有效的解决了此问题。
切比雪夫多项式逼近为了使滤波器局部化，减少参数个数，内核gθ可以限制为Λ的多项式，例如
Figure BDA0003755277870000098
用切比雪夫多项式逼近来代替内核可以近似认为是
Figure BDA0003755277870000099
图卷积引入切比雪夫多项式后被改写为：
Figure BDA0003755277870000101
其中θ∈Rk是多项式的系数，k是图卷积内核的尺寸，决定了目标节点卷积时覆盖的节点阶数；
Figure BDA0003755277870000102
λmax是拉普拉斯矩阵的最大特征值。切比雪夫图卷积是一种滤波器，其中高频信号的权重随着k值的增加而增加。然而，切比雪夫图卷积的高阶形式实际上是一种高通滤波器，高阶值将增强高频特征的权重。为了解决这一问题，本发明用低通滤波器来取代它，既可以增大低频信号的权重，也会抑制高频信号。经过低通图卷积处理后的数据更加平滑可以避免高频噪声的干扰。
因此，将流量信号x转换为：
Figure BDA0003755277870000103
根据拉普拉斯矩阵对称半正定矩阵，可以得到：
Figure BDA0003755277870000104
和
Figure BDA0003755277870000105
则公式(1)中的
Figure BDA0003755277870000106
可以得到
Figure BDA0003755277870000107
此时，
Figure BDA0003755277870000108
是图卷积中的一组基础滤波器，只允许与
Figure BDA0003755277870000109
有关的特征值通过，αn相当于是分配给滤波器的权重。而在切比雪夫多项式图卷积中，是一组组合滤波器
Figure BDA00037552778700001010
那么对于切比雪夫图卷积基础滤波器来说就是高频信号的的基础滤波器获得了更大的权重，αn＝λn k。
本实施例中，所述低通图卷积块用低通滤波器来增大低频信号的权重，并抑制高频信号，所述低通滤波器定义为：
Figure BDA0003755277870000111
式中，λi是第i个特征值；
低通图卷积块的图卷积操作为：
Figure BDA0003755277870000112
式中：
Figure BDA0003755277870000113
表示低通滤波器滤波后的对角矩阵，图卷积的卷积核为
Figure BDA0003755277870000114
Figure BDA0003755277870000115
U表示拉普拉斯矩阵的特征向量；θ∈Rk是多项式的系数； k是图卷积内核的尺寸；x为交通网络图G上的流量信号；L为拉普拉斯矩阵，L＝D-A，
Figure BDA0003755277870000116
是表示从节点i出发的所有边的权重之和的对角矩阵；I是常量A是邻接矩阵。
本发明的低通图卷积可以分配给低频信号更高的权重，但是不会放弃高频信号的特征，因此可以更好地获得交通流量网络图上得流量特征而不会错失高频信号的流量特征。
本实施例中，所述因果门控线性单元捕捉时间特征是对交通流量网络图G上的每个节点的kt阶邻域进行探索，每次卷积缩短kt-1的时间序列长度，将i节点数据看做切片时间序列长度为τ，通道数为Ci的数据
Figure BDA0003755277870000121
卷积内核定义为
Figure BDA0003755277870000122
其中第一个因果门控线性单元做一维因果卷积，第二个因果门控线性单元做一维因果卷积后再做非线性变化，这两部分数据输出记为
Figure BDA0003755277870000123
最后将两部分数据用hadamard积，得到因果门控线性单元的卷积：
Figure BDA0003755277870000124
式中：
Figure BDA0003755277870000125
为矩阵；N为数据拆分为N个部分；C0为交通流特征维度；f为低通滤波。
由于交通流量网络图已被定义为无方向图形定义为无方向图形，经过因果门控-低通卷积块提取融合的时间空间特征为
Figure BDA0003755277870000126
由全连接层输出预测结果：
out＝Relu(Γ1*f(Relu((Γ0*fxt)*Ggθ)))；
式中：Γ0是第一个因果门控线性单元卷积模块的卷积核；Γ1是第二个因果门控线性单元卷积模块的卷积核；gθ是低通图卷积块的卷积核，Relu是低通图卷积块和全连接层的激活函数；*f表示因果门控线性单元操作，*G表示低通图卷积块的操作。
为了评估模型性能，在两个真实交通网络流量数据集上进行了比较实验。
本实施例在加利福尼亚州收集的两个公路交通数据集PeMSD4 和PeMSD8上验证本发明的卷积网络。这两个数据集由Caltrans性能测量系统(PeMS)每30秒实时收集一次。流量数据每5分钟间隔汇总一次。该系统在加州主要大都市区的高速公路上部署了超过 45，514个探测器。该数据集的包含三种交通测量方法，分别是流量，占用率和速度。我们从中选择了加尼福尼亚州第四区和第八区的数据作为数据集。
PeMSD4是旧金山湾区的交通数据，该数据集是由覆盖该地区29 条街道的3848个探测器，从2018年1月到2月，总计59天，每30 秒收集一次，每5分钟汇总一次得到的。我们选择该数据的前45天作为训练集剩余数据作为测试集。
PeMSD8是圣贝纳迪诺的交通数据，该数据集是由覆盖该地区8 条街道的1979个探测器，从2016年7月到8月，总计62天，每30 秒收集一次，每5分钟汇总一次得到的。选择该数据的前48天作为训练集剩余数据作为测试集。
为了确保每个探测器代表一个路口，同时探测器之间的距离不小于3.5英里，移除冗余的探测器。最终，PeMSD4保留307个探测器， PeMSD8保留170个探测器，这些探测器每5分钟汇总路口交通流量数据，因此，每个路口每天将收集288个数据点，缺失值由线性插值填充。此外，数据通过零均值归一化处理，使平均值为0。
本次实验使用pytorch框架搭建本发明的卷积网络。实验中检测了低通图卷积模块的阶数k∈[0，1，2]，实验结果发现k＝2取得了比较优异的效果，同时卷积内核大小设置为3。在数据方面，采用“滑动窗口”的概念进行数据划分，在低通图卷积模块中是按照时间轴切片来对空间轴进行卷积，“滑动窗口”就是用前0～τ个时间点的交通流量对第τ+1时间点交通流量进行预测。这τ+1个数据组成了训练集中的一个样本，而τ个数据就是输入x，第τ+1个数据就是标签
Figure BDA0003755277870000141
下一个样本就是将“滑动窗口”移动一个时间点，用1～τ+1 个时间点的交通流量组成新的输入数据x，第τ+2个时间点的交通流量就是新的标签
Figure BDA0003755277870000142
这些数据和标签构成了训练集和测试集。“滑动窗口”使用多个数据的均值来进行预测，避免了单一数据的产生的离群和差异，尽可能的减少对预测结果的影响，使数据更平稳。本发明中的“滑动窗口”大小设置为τ＝12，预测范围可以任意选择连续的时间节点组成的列表，本发明预测范围设定为5分钟，15分钟， 30分钟和45分钟，分别包含了短期和长期预测的两个标志性时间点。
本次实验采用平均绝对误差(MAE)和均方根误差(RMSE)作为衡量和评价不同方法性能的评价指标和基线。并与以下几种经典方法作比较：1).历史平均值(HA)；2).自回归综合移动平均法(ARIMA)； 3).矢量自动递减(VAR)；4).长短时记忆网络(LSTM)；5).门控循环单元网络(GRU)。表1为针对PeMSD4数据集和PeMSD8数据集的不同方法的性能比较。
Figure BDA0003755277870000143
Figure BDA0003755277870000151
表1
从表1中可以看出，本发明的CGLGCN(因果门控-低通图卷积网络)在两个数据集上实验后所有性能指标都获得了最佳成绩。可以观察到，传统时间序列分析方法的预测结果通常并不理想，说明这些方法对非线性和复杂流量数据的建模效果一般。相比之下，基于深度学习的方法基本都取得了比传统时间序列分析方法好的预测结果。而本发明的因果门控-低通图卷积网络因为同时考虑了时间和空间相关性比只考虑时间相关性的LSTM和GRU模型获得了更好地预测结果，进一步减少了预测的误差。
图3和图4展示了在PeMSD4数据集中，各网络或模型的平均绝对误差(MAE)和均方根误差(RMSE)随时间增加的变化图。图5和图6展示了在PeMSD8数据集中，各网络模型的平均绝对误差(MAE) 和均方根误差(RMSE)随时间的增加的变化图。从图3-6可以看出，时间跨度越大，模型预测的精准度越低。只考虑了时间相关性的模型 ARIMA，LSTM，GRU，在短期的5分钟交通流量预测中几乎取得了较为优秀的性能，但是随着预测时间拉长，该类模型性能急剧下滑。而考虑了时间空间相关性的VAR模型则相对平稳，但是VAR在不同样本数量级上表现出了显著的差异，随着路网规模的扩大，VAR的性能也出现严重下滑。VAR虽然考虑了时间空间相关性但是不适用于大规模路网的交通流量预测。而本发明的CGLGCN模型在测试中一直保持良好的性能，不管是大规模路网还是小规模路网都能胜任并且随着预测时间的变长依旧能保持足够平稳的性能。
本实验中，将不使用低通滤波约束的模型命名为CGGCN。将CGGCN 与本发明的模型分别在pems04和pems08数据集上对CGLGCN进行了烧蚀实验。图7展示了在PeMSD4数据集中，本发明模型(CGLGCN) 和CGGCN模型在消融实验中的平均绝对误差(MAE)随时间增加的变化，图8展示了在PeMSD4数据集中，本发明模型(CGLGCN)和CGGCN 模型在消融实验中的均方根误差(RMSE)随时间增加的变化。图9 展示了在PeMSD8数据集中，本发明模型(CGLGCN)和CGGCN模型在消融实验中的平均绝对误差(MAE)随时间增加的变化图，图10展示了在PeMSD8数据集中，本发明模型(CGLGCN)和CGGCN模型在消融实验中的均方根误差(RMSE)随时间增加的变化图。实验表明，本发明的模型具有更好的性能，这证明了本发明的低通滤波器约束的可行性。
Figure BDA0003755277870000161
表2
本发明的模型摒弃了参数和时间消耗较大的LSTM和GRU模型，使用选通线性单元捕捉时间维度的特征，从而大大减少了训练时间。如图11和表2所示，本发明的CGLGCN模型在pems04数据集和pems08 数据集的1000轮训练中仅使用2579.79秒和1279.83秒，而LSTM模型使用21844.54秒和17973.62秒，GRU模型使用10000.15秒和 7589.26秒。
为了验证本发明模型的稳定性，进行了预测24小时交通流量。图12是PeMS04数据集中，从00:00AM到24:00PM，本发明模型的交通流预测与实际值的拟合图。图13是PeMS08数据集中，从00:00AM 到24:00PM，本发明模型的交通流预测与实际值的拟合图。图12-13 中x坐标的比例表示从一天的0:00到24:00，每5分钟收集288个时间点的流量预测。从图中可以看出，本发明的模型对全天交通流变化的预测与交通流变化趋势非常吻合。可见本发明的模型可以准确预测每个路口每个时段的交通流，这充分证明了本发明模型的稳定性
综上所述，本发明采用了因果门控-低通卷积块和一个全连接输出层构成预测模型，利用图卷积块来捕捉交通流量网络图中的空间特征，同时为了避免高频信息的带来的高权重影响，在图卷积中增加了一个既能抑制高频信息又能增强低频信息的低通滤波器，让整个图上信号更加平滑，鲁棒性更好，同时为了解决递归网络固有的缺陷，本发明在时间轴上采用了因果门控线性单元来捕捉时间序列上的特征，这里避免了使用LSTM，加快的训练速度，提高了效率。最后将两部分结合起来，共同提取时间和空间的特征，由此本发明可以预测短时交通流量，具备很高的准确性。

Claims (6)

1.基于因果门控-低通图卷积网络的短时交通流量预测方法，其特征在于：包括以下步骤：
S1：构建因果门控-低通图卷积网络，所述因果门控-低通图卷积网络包括因果门控-低通卷积块，因果门控-低通卷积块连接有全连接输出层；所述因果门控-低通卷积块包括两个因果门控线性单元和一个具有低通滤波器的低通图卷积块，所述低通图卷积块设置在因果门控线性单元之间；
S2、根据交通流量数据获取交通流量网络图，以交通流量网络图作为输入，利用因果门控线性单元来捕捉交通流量网络图中的时间特征，利用低通图卷积块来捕捉交通流量网络图中的空间特征，且通过低通滤波器来抑制空间特征中的高频信息并增强低频信息，然后融合时间特征和空间特征，再由全连接层输出预测结果。
2.根据权利要求1所述的基于因果门控-低通图卷积网络的短时交通流量预测方法，其特征在于：所述因果门控线性单元由因果卷积，膨胀卷积和残差连接组成；所述因果卷积负责提取时间序列的特征，利用一维的卷积核进行卷积，卷积核的大小为2，每次卷积的步长为1；所述膨胀卷积是步长至少为2的卷积方式，通过多个隐藏层在极少的数据长度下提高极大的卷积感受野，减少的因果卷积的时间消耗；所述残差连接是用于缓解梯度消失问题，且避免冗余计算过程。
3.根据权利要求2所述的基于因果门控-低通图卷积网络的短时交通流量预测方法，其特征在于：所述因果门控线性单元捕捉时间特征是对交通流量网络图G上的每个节点的kt阶邻域进行探索，每次卷积缩短kt-1的时间序列长度，将i节点数据看做切片时间序列长度为τ，通道数为Ci的数据
Figure FDA0003755277860000021
卷积内核定义为
Figure FDA0003755277860000022
其中第一个因果门控线性单元做一维因果卷积，第二个因果门控线性单元做一维因果卷积后再做非线性变化，这两部分数据输出记为
Figure FDA0003755277860000023
最后将两部分数据用hadamard积，得到因果门控线性单元的卷积：
Figure FDA0003755277860000024
式中：
Figure FDA0003755277860000025
为矩阵；N为数据拆分为N个部分；C0为交通流特征维度；f为低通滤波。
4.根据权利要求3所述的基于因果门控-低通图卷积网络的短时交通流量预测方法，其特征在于：所述交通流量网络图定义为无方向图形：
Gt＝{Vt，E，A}；
式中，Gt表示t时刻的交通网络图，Vt表示t时刻的|V|＝n的节点的集合，E为一组边的集合，表示节点之间的连接性；
Figure FDA0003755277860000026
是邻接矩阵，Ai，j＝Aj，i定义了节点i和节点j之间的连接；
使用
Figure FDA0003755277860000027
来表示节点i在t时刻的Ct特征的值，ct∈(ft，Ot，st)，
Figure FDA0003755277860000028
表示节点i在t时刻的所有特征的值；ft表示在交通网络图G时间序列上t时刻的交通流量特征；
Figure FDA0003755277860000029
表示t时刻所有节点的所有特征的值，
Figure FDA0003755277860000031
表示在τ时间切片上所有节点所有特征的值；Ot为t时刻的交通占据，St为t时刻的车速；同时任意i节点在未来任意t时刻的交通流量值
Figure FDA0003755277860000032
5.根据权利要求4所述的基于因果门控-低通图卷积网络的短时交通流量预测方法，其特征在于：所述低通图卷积块用低通滤波器来增大低频信号的权重，并抑制高频信号，所述低通滤波器定义为：
Figure FDA0003755277860000033
式中，λi是第i个特征值；
低通图卷积块的图卷积操作为：
Figure FDA0003755277860000034
式中：
Figure FDA0003755277860000035
表示低通滤波器滤波后的对角矩阵，图卷积的卷积核为
Figure FDA0003755277860000036
Figure FDA0003755277860000037
U表示拉普拉斯矩阵的特征向量；θ∈Rk是多项式的系数；k是图卷积内核的尺寸；x为交通网络图G上的流量信号；L为拉普拉斯矩阵，L＝D-A，
Figure FDA0003755277860000038
是表示从节点i出发的所有边的权重之和的对角矩阵；I是常量A是邻接矩阵。
6.根据权利要求5所述的基于因果门控-低通图卷积网络的短时交通流量预测方法，其特征在于：经过因果门控-低通卷积块提取融合的时间空间特征为
Figure FDA0003755277860000041
由全连接层输出预测结果：
out＝Relu(Γ1*f(Relu((Γ0*fxt)*Ggθ)))；
式中：Γ0是第一个因果门控线性单元卷积模块的卷积核；Γ1是第二个因果门控线性单元卷积模块的卷积核；gθ是低通图卷积块的卷积核，Relu是低通图卷积块和全连接层的激活函数；*f表示因果门控线性单元操作，*G表示低通图卷积块的操作。
CN202210858553.5A 2022-07-20 2022-07-20 基于因果门控-低通图卷积网络的短时交通流量预测方法 Active CN115240418B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210858553.5A CN115240418B (zh) 2022-07-20 2022-07-20 基于因果门控-低通图卷积网络的短时交通流量预测方法
US18/350,347 US20240029556A1 (en) 2022-07-20 2023-07-11 Short-term traffic flow prediction method based on causal gated-low-pass graph convolutional network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210858553.5A CN115240418B (zh) 2022-07-20 2022-07-20 基于因果门控-低通图卷积网络的短时交通流量预测方法

Publications (2)

Publication Number Publication Date
CN115240418A true CN115240418A (zh) 2022-10-25
CN115240418B CN115240418B (zh) 2023-07-25

Family

ID=83673208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210858553.5A Active CN115240418B (zh) 2022-07-20 2022-07-20 基于因果门控-低通图卷积网络的短时交通流量预测方法

Country Status (2)

Country Link
US (1) US20240029556A1 (zh)
CN (1) CN115240418B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809747A (zh) * 2023-02-06 2023-03-17 东南大学 一种基于金字塔式因果网络的耦合信息流长期预测方法
CN118313522A (zh) * 2024-06-12 2024-07-09 天津生联智慧科技发展有限公司 一种基于动态高阶图网络的停车场调度优化方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118587899B (zh) * 2024-08-08 2024-10-29 香港科技大学(广州) 道路拥堵预测模型构建方法、装置、设备、介质及产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3608850A1 (en) * 2018-08-10 2020-02-12 Kabushiki Kaisha Toshiba Energy management device, model management method and computer program
CN111982271A (zh) * 2020-09-11 2020-11-24 电子科技大学中山学院 一种基于Wavenet的φ-OTDR模式识别系统及方法
CN112053560A (zh) * 2020-08-27 2020-12-08 武汉理工大学 基于神经网络的短时交通流量预测方法、系统和存储介质
CN112700072A (zh) * 2021-03-24 2021-04-23 同盾控股有限公司 交通状况预测方法、电子设备和存储介质
CN113222239A (zh) * 2021-05-08 2021-08-06 浙江科技学院 基于CNN-LSTM-At神经网络的短时交通流量预测方法
WO2022077767A1 (zh) * 2020-10-16 2022-04-21 深圳先进技术研究院 交通流量预测方法及装置、计算机设备及可读存储介质
CN114529081A (zh) * 2022-02-18 2022-05-24 哈尔滨工程大学 一种时空联合的交通流量预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3608850A1 (en) * 2018-08-10 2020-02-12 Kabushiki Kaisha Toshiba Energy management device, model management method and computer program
CN112053560A (zh) * 2020-08-27 2020-12-08 武汉理工大学 基于神经网络的短时交通流量预测方法、系统和存储介质
CN111982271A (zh) * 2020-09-11 2020-11-24 电子科技大学中山学院 一种基于Wavenet的φ-OTDR模式识别系统及方法
WO2022077767A1 (zh) * 2020-10-16 2022-04-21 深圳先进技术研究院 交通流量预测方法及装置、计算机设备及可读存储介质
CN112700072A (zh) * 2021-03-24 2021-04-23 同盾控股有限公司 交通状况预测方法、电子设备和存储介质
CN113222239A (zh) * 2021-05-08 2021-08-06 浙江科技学院 基于CNN-LSTM-At神经网络的短时交通流量预测方法
CN114529081A (zh) * 2022-02-18 2022-05-24 哈尔滨工程大学 一种时空联合的交通流量预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曾蔚;吴伊萍;: "一种基于卷积神经网络和贝叶斯网络的用户行为预测算法", 安阳师范学院学报, no. 02 *
罗会兰;岳亮亮;: "跨层多模型特征融合与因果卷积解码的图像描述", 中国图象图形学报, no. 08 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809747A (zh) * 2023-02-06 2023-03-17 东南大学 一种基于金字塔式因果网络的耦合信息流长期预测方法
CN115809747B (zh) * 2023-02-06 2023-05-09 东南大学 一种基于金字塔式因果网络的耦合信息流长期预测方法
CN118313522A (zh) * 2024-06-12 2024-07-09 天津生联智慧科技发展有限公司 一种基于动态高阶图网络的停车场调度优化方法

Also Published As

Publication number Publication date
CN115240418B (zh) 2023-07-25
US20240029556A1 (en) 2024-01-25

Similar Documents

Publication Publication Date Title
CN115240418A (zh) 基于因果门控-低通图卷积网络的短时交通流量预测方法
CN113450568B (zh) 一种基于时空注意力机制的卷积网络交通流预测模型
CN110675623B (zh) 基于混合深度学习的短时交通流量预测方法、系统、装置
CN109285346B (zh) 一种基于关键路段的城市路网交通状态预测方法
CN105513359B (zh) 一种基于智能手机移动检测的城市快速路交通状态估计方法
CN109448361B (zh) 居民交通出行流量预测系统及其预测方法
CN112597985B (zh) 一种基于多尺度特征融合的人群计数方法
CN113792929B (zh) 交通流量预测方法、电子设备及存储介质
CN113435658B (zh) 一种基于时空融合相关性和注意力机制的交通流预测方法
CN110517485B (zh) 一种基于时段划分的短时交通流预测方法
CN104933862A (zh) 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法
CN113450561A (zh) 一种基于时空图卷积-生成对抗网络的交通速度预测方法
CN109064748A (zh) 基于时间聚类分析和可变卷积神经网络的交通平均速度预测方法
CN109887297A (zh) 基于快速全局K-means谱聚类的城市交通控制子区的划分方法
CN113808396B (zh) 基于交通流量数据融合的交通速度预测方法和系统
CN114944053A (zh) 一种基于时空超图神经网络的交通流预测方法
CN108600965B (zh) 一种基于客人位置信息的客流数据预测方法
CN116681176B (zh) 一种基于聚类和异构图神经网络的交通流预测方法
CN116596151B (zh) 基于时空图注意力的交通流量预测方法及计算设备
CN111047078A (zh) 交通特征预测方法、系统及存储介质
CN112633602B (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
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
JP2023164240A (ja) 車両速度－勾配複合動作条件サイクルテストの設計方法
CN116259172A (zh) 考虑交通网络时空特征的城市道路速度预测方法
Gongguo et al. An improved small target detection method based on Yolo V3

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