CN115565369B - 一种基于超图的时空超图卷积交通流量预测方法及系统 - Google Patents

一种基于超图的时空超图卷积交通流量预测方法及系统 Download PDF

Info

Publication number
CN115565369B
CN115565369B CN202211148038.4A CN202211148038A CN115565369B CN 115565369 B CN115565369 B CN 115565369B CN 202211148038 A CN202211148038 A CN 202211148038A CN 115565369 B CN115565369 B CN 115565369B
Authority
CN
China
Prior art keywords
time
traffic
hypergraph
space
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.)
Active
Application number
CN202211148038.4A
Other languages
English (en)
Other versions
CN115565369A (zh
Inventor
张珣
张楚童
张滨
张鑫
张迎春
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.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
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 Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN202211148038.4A priority Critical patent/CN115565369B/zh
Publication of CN115565369A publication Critical patent/CN115565369A/zh
Application granted granted Critical
Publication of CN115565369B publication Critical patent/CN115565369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公布了一种基于超图的时空超图卷积交通流量预测方法，将交通线路图按照流量变化特征构建成时空超图，再建立时空超图卷积交通流量预测模型对交通流量进行预测。本发明提供的技术方案根据过往交通时序上的流量变化特征，将特征相似的交通站点进行聚类，在相邻两个时间点之间构造超边，将相邻时间点中同属一个类别的地铁站相连，构建跨时空超图；再通过构建基于超图的时空卷积网络模型，挖掘时空超图的时空关联性，预测未来交通流量，可有效提高区域交通流量预测的准确度。

Description

一种基于超图的时空超图卷积交通流量预测方法及系统
技术领域
本发明属于智能交通技术领域，涉及交通流量预测技术，尤其涉及一种基于超图的时空超图卷积交通流量预测方法及系统。
背景技术
随着城市人口规模不断扩大，私人交通工具的迅速发展，城市交通流量激增，造成了大量资源浪费和严重的交通拥挤。因此，准确预测交通流量，可以帮助人们实现更合理的出行路线选择，规避交通堵塞，城市交通规划方也可以根据预测提前部署站点安保措施，合理进行资源分配等。
早期的时空数据预测方法主要基于统计学习，大多采用线性回归的思想，主要包括HA、ARMA(Autoregressive Integrated Moving Average model差分整合移动平均自回归模型)、VAR(vector autoregressive model向量自回归模型)等。历史平均法(historialaverage，HA)是一种较为简单的预测方法，该方法将研究对象的时空数据在同一位置相同时间间隔内的历史观测值取加权平均后作为预测结果。已有的技术方案包括了一种时序预测模型ARIMA，ARIMA先对交通状况数据序列进行平稳性检验，通过计算自回归项和移动平均项参数对单变量交通状况数据流进行建模。早期的交通预测，多采用线性回归的思想，对于一些非线性特征的提取能力较差，且只考虑了交通数据的在时间维度的特征而忽略了空间维度的关系。
随着机器学习技术的发展,许多工作尝试使用机器学习方法来解决时空数据预测问题。现有工作包括支持向量机SVM(Support Vector Machine)模型等。此外，参照SARIMA(Seasonal Autoregressive Integrated Moving Average季节性差分自回归滑动平均模型)模型的思路，已有工作还考虑了数据的周期性特征，并提出了两个新颖的SVR模型，证明了数据特征对预测准确性的重要性。已有工作还包括采用一种基于高级遗传算法的多层结构优化策略，并将其与ANN(Artificial Neural Network，人工神经网络)相结合，提高了预测的准确性。以及通过改进KNN(K-Nearest Neighbor，K近邻)模型来进行短期交通数据预测。尽管基于机器学习的方法提高了时空数据预测任务的准确性，但是它们依旧无法捕获到真实时空数据中高度复杂的时空相关性。
随着神经网络的不断发展，鉴于上述已有的神经网络模型不能很好的学习到非欧几里德数据中的特征，新的模型不断提出，例如，GCN(Graph Convolutional Networks图卷积神经网络)模型可以将节点邻域的信息聚集到节点自身，从而有效的提取网络中的空间结构信息。因此GCN可用来捕获时空数据中的空间相关性。通过将RNN(ecurrent neuralnetwork循环神经网络)和GCN相结合，提出了GCRN(Gated Convolutional RecurrentNetworks门控卷积循环网络)模型。T-GCN(Temporal Graph Convolutional Network基于时间图卷积网络)模型引入了GCN和GRU(Gate Recurrent Unit门控循环单元)结合来提取交通数据的时间特征和空间特征。STGCN(Spatio-Temporal Graph ConvolutionalNetworks时空图卷积网络)模型用纯卷积结构建立模型，在更少的参数下实现更快的训练速度。ASTGCN(Attention Based Spatial-Temporal Graph Convolutional Networks基于注意力机制的时空图卷积网络)模型是基于STGCN和注意力机制，考虑到时间周期性对预测的影响，对交通流的三个时间特性进行建模，并引入时空注意力机制，能够有效地捕捉交通数据中的动态时空相关性。DCRNN(Diffusion Convolutional Recurrent NeuralNetworks扩散卷积递归神经网络)模型针对交通数据的长期流量预测问题，将交通流建模为有向图上的扩散过程，并引入扩散卷积递归神经网络。
虽然上述这些方法可以捕获到时空数据中的时空相关性，时空数据预测的准确性有所提高，但仍存在两点不足，首先现有的交通预测模型采用分别提取交通数据中的时间特征和空间特征，将两种特征进行拼合来表示时空特征的方法。这种方法所捕获到的时空特征是间接的、片面的，不能准确反映时空数据中真实存在的时空相关性。其次，已有的用于道路交通流预测的基于图的神经网络模型，图中每条边连接两个节点，但很难适用于地铁车站节点。由于地铁车站之间的连接比点对点的连接带有更多的信息，而基于图的神经网络模型仅用普通图表示交通道路图，忽略了地铁车站节点其中隐含的高阶信息，从而影响预测的准确性。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于超图的时空超图卷积交通流量预测方法及系统，创建时空超图卷积交通流量预测模型，基于其他站点的历史流量数据对当前站点的流量进行预测，可以得到不同时空交通流量变化对当前站点的不同影响，包括时间上不同时间交通流量对当前流量的影响，空间上其他站点对于当前站点的流量的影响，以及不同时间点其他站点对于当前站点的影响，从而更加准确地预测当前区域的人流量。
本发明技术方案为：
一种基于超图的时空超图卷积交通流量预测方法，将交通线路图按照流量变化特征构建成超图，再建立时空超图卷积交通流量预测模型STHGCN；包括如下步骤：
步骤S1：根据交通流量变化特征，对交通站点进行聚类；
具体实施时，将原始交通数据进行统计，将人流量变化特征相似的交通站点(如地铁站)进行聚类，包括：
例如，地铁车站、工作区、生活区和周末休闲娱乐区域一天的客流量变化具有明显不同的特征。具体实施时，交通流量可以是道路车辆流量、某交通站点或其他功能区域的人流量。
将特征相似的交通站点进行聚类包括如下步骤：
步骤S11.通过交通站点设置传感器记录通过的车辆或乘客，获取原始交通流量数据集，数据集中的数据包括三个维度，分别是：交通流量的固定间隔时间点个数、交通站点的个数和交通站点进出方向；对原始交通流量数据集进行数据处理，得到数据的节点数(交通站点)、边数、时间点数和特征数。
步骤S12：使用聚类算法对交通站点的流量特征进行分类。
从任选一个未被访问的交通站点开始，计算其和其他站点的特征相似度。找出与其相似度半径在R之内(包括R)的所有站点，R取值可按照不同数据设置。站点特征相似度≤R，则两个站点可看作同一类，将被统计过的站点设置为已访问。然后递归，以相同的方法处理数据中所有未被访问过的站点，最终共得到K个类别的交通站点。
步骤S2：将交通流量数据按照时间序列周期进行划分，在相邻周期时间点之间构造超边，具体是将同属一个类别的交通站点相连接，由此构建得到一个跨时空的超图；
构建跨时空超图包括如下步骤：
步骤S21：将统计后的交通流量数据按照时间序列周期进行划分。
时间序列周期包括近期、日周期、周周期时间序列；近期是一段与预测周期直接相邻的历史时间序列，Th表示近期的交通流量数据，t表示预测时间点，n表示交通数据所包含的时间点数；日周期一段过去几天中与预测时间段相同的时间段时间序列/>Td表示日周期划分的交通流量数据，t表示预测时间点，d表示日周期时间序列的第d天，D表示交通数据所包含的天数；周周期是一段过去几周中与预测时间段相同的时间段时间序列/>Tw表示周周期周期划分的交通流量数据，w表示周周期时间序列的第w周，t表示预测时间点，W表示交通数据所包含的周数。经过划分我们得到了三种划分方式的交通流量数据Th、Td、Tw。
步骤S22：在对交通数据按照周期进行划分后，根据步骤S12中对地铁站的分类情况，我们相邻周期时间点中同属一个类别的地铁站之间连接一个超边，构建跨时空的超图和邻接矩阵；
具体实施时，将相邻周期时间点中同属一个类别的地铁站之间构建一个超边，构建一个跨时空的超图。得到一个超图邻接矩阵大小为(2N,K)，其中N表示交通站点的数量，K表示超边的数量，即分类的类别数量。
具体实施时，对地铁站交通流量进行预测，在相邻周期时间点之间构造超边，将相邻时间点中同属一个类别的地铁站视为相连，构建得到一个跨时空的超图；跨时空的超图中的超节点为地铁站；由超边将相邻时间点中同属一个类别的地铁站相连接。
步骤S3：构建STHGCN(Spatio-Temporal Hypergraph Convolutional Networks时空超图卷积网络)，挖掘得到时空超图表示的交通流量数据的时空关联性，预测未来交通流量。
具体实施时，本发明利用超图的时空图卷积交通流量预测方法构建了一个地铁交通流量预测系统。利用实时地铁流量数据，对未来地铁流量进行预测，进一步可提供地铁满载率的实时分析。
本发明与现有技术相比，具有以下技术优点：
(一)本发明使用超图的对交通线路图进行表示，挖掘交通流量变化相似的站点，然后将特征相似的交通站点之间连接超边。相比仅限于成对表示的传统图，超图可以模拟高阶数据之间的内在关系，更加真实地还原现实交通线路图的连接方式。
(二)本发明在时间维度添加超边，将前后两个时间点的拓扑结构图相连，得到时空超图。解决了目前交通流量预测方法中无法直接捕获交通数据中的时空关联性的问题。基于其他站点的历史流量数据对当前站点的流量进行预测，从而更加准确地预测当前区域的人流量。
(三)本发明公开了一种时空超图卷积网络交通流量预测模型，利用卷积网络模型学习时间上不同时间交通流量对当前流量的影响，然后利用超图卷积网络学习不同时空交通流量变化对当前站点的不同影响，包括时间上不同时间交通流量对当前流量的影响，空间上其他站点对于当前站点的流量的影响，以及不同时间点其他站点对于当前站点的影响。
附图说明
为了更清楚地阐述本发明现有技术中的技术方案或实施例，下面将简单地介绍实施例中需要使用的附图，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1为本发明实施例中的基于超图的时空图卷积交通流量预测方法的流程图。
图2为本发明实施例中数据预处理的流程图。
图3为本发明实施例中时间周期划分方法示意图。
图4为本发明实施例中时域卷积模块的结构框图。
图5为本发明实施例中超图卷积模块的结构示意图。
图6为本发明实施例中时空超图网络模型(STHGCN)的结构框图。
图7为本发明实施例中基于超图的时空图卷积交通流量预测系统结构图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明具体实施中提供了一种基于超图的时空图卷积交通流量预测方法及系统，根据过往交通时序上的人流量变化特征，将特征相似的交通站点进行聚类，例如，工作区、生活区和周末休闲娱乐区域一天的客流量变化具有明显不同的特征；其次在相邻两个时间点之间构造超边，将相邻时间点中同属一个类别的地铁站视为相连，构建一个跨时空的超图；最后，通过构建基于超图的时空卷积网络模型，挖掘时空超图的时空关联性，预测未来交通流量。
本发明针对现有方法在挖掘数据的时空变化特征方面所存在的问题，通过对图卷积网络模型方法进行改进，创建时空超图，用于捕获时空数据中隐含的高阶时空特征以及时空相关性，由此提高交通预测的准确性，具体实施时将本发明方法对地铁客流量进行预测，提升地铁客流量预测的准确性。
基于超图的时空图卷积用于地铁流量预测，根据过往交通时序上的人流量变化特征，将特征相似的交通站点(地铁站)之间构造超边，构成时空超图，并使用超图卷积对时空超图中的时空特征进行捕获，有效地提高区域交通流量预测的准确度。
图1为基于超图的时空图卷积地铁流量预测方法流程图，如图1所示，一种基于超图的时空图卷积地铁流量预测方法包括下述步骤：
步骤S1：数据预处理：将原始交通数据进行统计，将人流量变化特征相似的交通站点(地铁站)进行聚类，如图2所示，具体包括：
步骤S11：通过交通站点设置传感器记录通过车辆或乘客，获取原始交通流量数据格式一般为列表，数据集包括内容如表1。
表1交通数据原始数据集示例
为了方便对交通流量进行统计，我们将乘客数据按照一个时间点为单位进行统计和划分。统计后的数据格式为(X,Y,Z)，其中X代表统计交通流量的固定间隔时间点个数。例如数据统计了60分钟内进出站的乘客ID，按照10分钟为一个时间单位进行统计，则X＝6，意思是统计了6个时间点；第二个维度Y表示交通站点的个数，第三个维度Z表示进站或出站方向。按上述方式对原始交通流量数据集进行数据处理，得到数据的节点数、边数、时间点数和特征数。其中节点数表示交通站点的个数、边数表示交通站点之间连通的线的条数、时间点数表示统计后的历史交通流量的时长、特征数表示进站和出站两个方向的特征。表2为数据处理结果示例。
表2数据处理结果示例
步骤S12：基于步骤S11中对于交通数据的处理，我们使用DBSCAN聚类算法(Density-Based Spatial Clustering of Applications with Noise基于密度的有噪声的应用空间聚类算法)根据每个站点交通流量随时间变化的特征对交通站点进行分类，例如，在居住区附近的地铁站的人流量通常在早上形成进站高峰，而工作地附近的地铁站的人流量则通常在傍晚形成进站高峰。具体步骤如下：从任选一个未被访问的站点开始，计算其和其他站点的特征相似度，采用欧式距离进行计算：
其中x，y分别表示在n维空间中的两点，在本发明中x，y表示两个不同的车站，n表示交通流量数据的时间点数，xi、yi表示该站点i时刻的交通流量。计算欧氏距离后，找出与其欧氏距离在R之内(包括R)的所有站点，R的取值大小按照不同数据设置，例如：R＝1、2、3……。若两个站点欧式距离≤R，则两个站点可看作同一类，将被统计过的站点设置为已访问。然后递归，以相同的方法处理数据中所有未被访问过的站点，最终共得到K类站点(K≥1)。
步骤S2：将交通流量数据按照周期进行划分，在相邻周期时间点之间构造超边，将同属一个类别的地铁站视为相连，构建一个跨时空的超图，具体包括：
步骤S21：将统计后的交通流量数据按照时间序列周期进行划分为近期、日周期、周周期时间序列；
由于交通数据具有明显的周期性，例如，一天当中多在早晚形成高峰期，工作日的人流量变化和周末的人流量变化也有周而复始的趋势，因此我们将交通数据按照近期、每周、和每月进行划分，如附图3所示。近期是一段与预测周期直接相邻的历史时间序列，Th表示近期的交通流量数据，t表示预测时间点，n表示交通数据所包含的时间点数；日周期一段过去几天中与预测时间段相同的时间段时间序列Td表示日周期划分的交通流量数据，t表示预测时间点，d表示日周期时间序列的第d天，D表示交通数据所包含的天数；周周期是一段过去几周中与预测时间段相同的时间段时间序列/>Tw表示周周期周期划分的交通流量数据，w表示周周期时间序列的第w周，t表示预测时间点，W表示交通数据所包含的周数。经过上述方法划分我们得到了三种划分方式的交通流量数据Th、Td、Tw。
步骤S22：在交通站点之间连接，生成超边，构建跨时空超图；
将相邻周期时间点中类别相同的交通站点之间连接，形成一个超边，构建跨时空的超图和邻接矩阵；
在对交通数据按照周期进行划分后，根据步骤S12中对地铁站的分类情况，我们相邻周期时间点中同属一个类别的地铁站之间连接一个超边，构建跨时空的超图(三种划分的时空数据构造方法相同)，表示为G＝(V,E)。其中节点集合V不仅包括当前时刻的节点(交通站点)，还包括相邻时刻的节点；E表示超边的集合。为了方便后续计算，我们将超图表示为邻接矩阵的形式。时空超图的邻接矩阵的大小为(2N，K)，其中N表示节点数即交通站点的数量，由于时空超图连接前后两个时间点，所以节点数为一个时刻的节点的2倍，即2N。而K表示超边的数量，即步骤S12中分类的类别数量。超图的邻接矩阵中的元素hij表示为：
超图的邻接矩阵的行列分别代表节点和超边(i，j代表行列的序号，即)，如果一个节点属于这个超边则该位置标记为1，否则标记为0。例如：V＝{a,b,c,d,a’,b’,c’,d’}，其中{a,b,c,d}是前一周期时刻的节点，{a’,b’,c’,d’}是后一周期时刻相对应节点；E＝{e0,e1,e2}，其中e0连接四个顶点e0＝{a,b,a’,b’}，e1连接六个顶点e1＝{b,c,d,b’,c’,d’}，e2连接四个顶点e2＝{c,d,c’,d’}。则时空超图的邻接矩阵为：
步骤S3：构建STHGCN(Spatio-Temporal Hypergraph Convolutional Networks时空超图卷积网络)，挖掘时空超图的时空关联性，预测未来交通流量，包括：
STHGCN模型由两个时空模块和一个全连接层构成，其中，每个时空模块由一层时域卷积模块和超图卷积模块依次构成。将经过步骤S1和步骤S2处理后的数据输入到两层时空模块和全连接层中，得到最终的预测结果。模型构建如附图6所示。
步骤S31：构建时域卷积模块；
时域卷积模块由一维卷积神经网络层CNN和门控线性单元GLU组合而成，如图4所示，其中，CNN用来捕获时空数据中的时间信息，GLU用来选择哪些时间信息会被保留。时域卷积模块C表示为：
C*k R＝P⊙δ(P)
其中，k表示一维CNN的卷积核大小；R表示输入的数据；P表示R经过CNN后的输出矩阵结果，将P作为GLU的输入和P自身做哈达玛积来得到最终的输出结果；δ(P)表示GLU，⊙表示哈达玛积。
步骤S32：构建超图卷积模块；
图卷积神经网络GCN(Graph Convolution Neural Networks,GCNNs)是捕获网络结构信息的有效方法，它可以聚合周围邻居信息到节点自身，被广泛运用于各种网络数据挖掘任务中,单层的图卷积方法表示为如下公式：
其中，为普通图的邻接矩阵，I为单位矩阵；/>表示/>的度矩阵(degreematrix)；H是每一层的特征，l表示层数；σ是非线性激活函数。
由于本发明方法不同于传统交通预测将交通线路图看作两两相连的普通图，而是将交通线路图按照流量变化特征构建成超图，所以普通图的图卷积方法并不适用于超图卷积。
本发明基于超图卷积HyperGCN(Hypergraph Convolutional Networks)方法进行改进，构建超图卷积模块对构造的时空超图进行卷积，学习得到时空超图包含的时空特征，如图5所示。具体是首先将本发明的时空超图转换为普通图再采用图卷积神经网络GCN单层的图卷积方法进行卷积：在构建的超图卷积模块中，对于每一个超边，由于超边对应很多个节点，本发明只选取同一条边上欧式距离最远的两个顶点，采用这两个节点之间的边来代表超边。然后将其余的中间节点与选定的节点之间连边。经过上述步骤将超图转换为普通图，再采用图卷积神经网络GCN单层的图卷积方法进行卷积。
步骤S33：构建时空超图卷积网络模型，经过全连接层，得到各个交通站点的交通流量最终的预测结果；
时空超图卷积网络模型由前后两个相同的时空模块和一个全连接层构成。其中每个时空模块由一个时域卷积模块和一个超图卷积模块依次构成。如附图6所示，将经过步骤S1和S2处理所得到的交通流量数据和交通道路图(跨时空超图)分别输入到STHGCN模型中。将得到三个周期时空超图的结果输入到全连接层，得到最终的预测结果。通过上述步骤，可以得到各个站点的交通流量的预测结果，可以表示为X＝{X0,X1,......XN}，其中N表示N个交通站点。XN表示站点N未来交通流量预测，XN的维度为预测的时间点个数。
本发明还具体实现了基于超图的时空超图卷积交通流量预测系统，包括地铁实时人流量模块、数据预处理模块、交通流量预测模块，如附图7所示：
地铁实时人流量模块，用于获取并储存从地铁传感器获取乘客进出站点的数据，数据包括进出站刷卡时间、进站刷卡人ID和站点标号。
数据预处理模块，对获取的数据进行预处理：分别统计每个站点每十分钟进出地铁站的人数，将历史流量数据按照近期、日周期和周周期进行划分，作为预测的训练数据。根据过往流量数据对交通站点进行聚类、同类地铁站之间连接超边、连接相邻时间点站点构成时空超图、构建相应的超图邻接矩阵。
交通流量预测模型模块，构建基于超图的时空卷积网络模型，将处理后的时空超图和邻接矩阵输入到模型当中，得到未来1小时内各个交通站点的流量数据。数据格式(N，M，2)，其中N表示交通站点的编号，M表示预测时间点的个数，本系统以十分钟为一个时间间隔，因此M≤6。最后一个维度取值为2，表示相反两个方向的不同的人流流量。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (9)

1.一种基于超图的时空超图卷积交通流量预测方法，将交通线路图按照流量变化特征构建成跨时空超图，再建立时空超图卷积交通流量预测模型对交通流量进行预测；包括：
步骤S1：根据交通流量变化特征，对交通站点进行聚类，得到K个类别的交通站点；
步骤S2：将交通流量数据按照时间序列周期进行划分，在相邻周期时间点之间构造超边，将同属一个类别的交通站点相连接，由此构建得到跨时空超图；包括：
步骤S21：将交通流量数据按照时间序列周期进行划分；
步骤S22：在交通站点之间连接生成超边，构建跨时空超图和超图邻接矩阵；
以交通站点为节点，将相邻周期时间点中类别相同的交通站点之间连接，形成一个超边，构建跨时空超图；
建立超图邻接矩阵，得到超图邻接矩阵的行列大小分别为2N和K，其中N表示交通站点的数量，K表示超边的数量，即类别数量；
超图邻接矩阵的行列分别对应节点和超边；当一个节点属于相应超边则该位置元素取值为1，否则取值为0；
步骤S3：构建时空超图卷积交通流量预测模型，获取交通流量数据的时空关联性，由此预测未来交通流量；
时空超图卷积交通流量预测模型包括两个时空模块和一个全连接层；其中，每个时空模块由一层时域卷积模块和超图卷积模块依次构成；
步骤S31：构建时域卷积模块；
时域卷积模块包括一维卷积神经网络层CNN和门控线性单元GLU；其中，CNN用于捕获时空数据中的时间信息，GLU用于选择保留的时间信息；时域卷积模块C表示为：
C*kR＝p⊙δ(p)
其中，k表示一维CNN的卷积核大小；R表示输入的数据；P表示R经过CNN后的输出矩阵结果；δ(P)表示GLU；⊙表示哈达玛积；
步骤S32：构建超图卷积模块，将时空超图转换为普通图再采用图卷积神经网络GCN单层的图卷积方法进行卷积；
步骤S33：构建时空超图卷积网络交通流量预测模型，得到各个交通站点的交通流量最终预测结果；
将经过步骤S1和S2处理得到的交通流量数据和交通道路图分别输入到STHGCN模型中，得到各个站点的交通流量的预测结果，可表示为X＝{X0,X1,......XN}，其中N表示N个交通站点；XN表示站点N未来交通流量预测，XN的维度为预测的时间点个数；
通过上述步骤，实现基于超图的时空超图卷积交通流量预测。
2.如权利要求1所述基于超图的时空超图卷积交通流量预测方法，其特征是，步骤S1对交通站点进行聚类，包括：
步骤S11.通过交通站点设置传感器记录通过的车辆或乘客，获取原始交通流量数据集，数据集中的数据包括三个维度，分别是：交通流量的固定间隔时间点个数、交通站点的个数和交通站点进出方向；对原始交通流量数据集进行数据处理，得到数据的节点数、边数、时间点数和特征数；
步骤S12：使用聚类算法对交通站点的流量特征进行分类；
任选一个未被访问的交通站点开始，计算该交通站点与其他交通站点的特征相似度；与其相似度半径在R之内的所有交通站点，为相同类别；
递归处理所有的交通站点，得到交通站点的类别数。
3.如权利要求2所述基于超图的时空超图卷积交通流量预测方法，其特征是，计算交通站点的特征相似度，具体是采用欧式距离进行计算：
其中，x，y分别表示n维空间中两个不同的交通站点；n表示交通流量数据的时间点数，xi、yi表示该交通站点i时刻的流量。
4.如权利要求1所述基于超图的时空超图卷积交通流量预测方法，其特征是，步骤S2的近期、日周期、周周期时间序列周期中，近期是一段与预测周期直接相邻的历史时间序列，Th表示近期时间序列的交通流量数据，t表示预测时间点，n表示交通数据所包含的时间点数；日周期是一段过去几天中与预测时间段相同的时间段时间序列Td表示日周期期时间序列的交通流量数据，t表示预测时间点，d表示日周期时间序列的第d天，D表示交通数据所包含的天数；周周期是一段过去几周中与预测时间段相同的时间段时间序列/>Tw表示周周期时间序列的交通流量数据，w表示周周期时间序列的第w周，t表示预测时间点，W表示交通数据所包含的周数。
5.如权利要求1所述基于超图的时空超图卷积交通流量预测方法，其特征是，时空超图邻接矩阵的中的元素hij表示为：
其中，i，j分别代表超图的邻接矩阵的行和列。
6.如权利要求1所述基于超图的时空超图卷积交通流量预测方法，其特征是，图卷积神经网络GCN单层的图卷积方法表示为：
其中，A为普通图的邻接矩阵，I为单位矩阵；/>表示/>的度矩阵(degreematrix)；H是每一层的特征；l表示层数；σ是非线性激活函数。
7.一种利用权利要求1所述基于超图的时空超图卷积交通流量预测方法实现的时空超图卷积地铁交通流量预测系统，其特征是，包括：地铁实时人流量模块、数据预处理模块、交通流量预测模块；其中：
地铁实时人流量模块用于获取并储存从地铁传感器获取乘客进出站点的数据；
数据预处理模块用于对获取的数据进行预处理；根据过往流量数据对交通站点进行聚类、同类交通站点之间连接成超边、连接相邻时间点站点构成时空超图，并构建相应的超图邻接矩阵；
交通流量预测模型模块用于构建基于超图的时空卷积网络模型，将处理后的时空超图和邻接矩阵输入到模型中，得到未来时间周期内各个交通站点的流量数据。
8.如权利要求7所述的时空超图卷积地铁交通流量预测系统，其特征是，地铁实时人流量模块获取的乘客进出站点的数据包括进出站刷卡时间、进站刷卡人ID和站点标号。
9.如权利要求7所述的时空超图卷积地铁交通流量预测系统，其特征是，数据预处理模块分别统计每个站点每十分钟进出地铁站的人数，将历史流量数据按照近期、日周期和周周期进行划分，作为预测的训练数据。
CN202211148038.4A 2022-09-20 2022-09-20 一种基于超图的时空超图卷积交通流量预测方法及系统 Active CN115565369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211148038.4A CN115565369B (zh) 2022-09-20 2022-09-20 一种基于超图的时空超图卷积交通流量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211148038.4A CN115565369B (zh) 2022-09-20 2022-09-20 一种基于超图的时空超图卷积交通流量预测方法及系统

Publications (2)

Publication Number Publication Date
CN115565369A CN115565369A (zh) 2023-01-03
CN115565369B true CN115565369B (zh) 2024-04-16

Family

ID=84740620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211148038.4A Active CN115565369B (zh) 2022-09-20 2022-09-20 一种基于超图的时空超图卷积交通流量预测方法及系统

Country Status (1)

Country Link
CN (1) CN115565369B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115866658B (zh) * 2023-02-06 2023-05-16 湖北工业大学 一种基于动态时空超图卷积网络的流量预测方法和系统
CN116248522B (zh) * 2023-05-11 2023-09-22 中国电信股份有限公司四川分公司 一种业务意愿与确定性网络切片关联方法
CN117475638B (zh) * 2023-12-26 2024-03-08 北京建筑大学 基于多通道超图卷积网络的交通od客流预测方法及系统
CN118193612A (zh) * 2024-05-16 2024-06-14 松立控股集团股份有限公司 一种基于时空超图的停车场订单数量预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002025452A2 (fr) * 2000-09-25 2002-03-28 France Telecom Procede et dispositif de prediction de trafic avec un reseau de neurones
CN111489013A (zh) * 2020-03-11 2020-08-04 北京交通大学 一种基于时空多图卷积网络的交通站点流量预测方法
CN111860951A (zh) * 2020-06-12 2020-10-30 北京工业大学 一种基于动态超图卷积网络的轨道交通客流预测方法
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
CN113326974A (zh) * 2021-05-01 2021-08-31 北京工业大学 一种基于多任务超图卷积网络的多源交通流预测方法
CN114139773A (zh) * 2021-11-12 2022-03-04 杭州电子科技大学 一种基于时空图卷积网络的公共交通流量预测方法
CN114944053A (zh) * 2022-03-16 2022-08-26 浙江工业大学 一种基于时空超图神经网络的交通流预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002025452A2 (fr) * 2000-09-25 2002-03-28 France Telecom Procede et dispositif de prediction de trafic avec un reseau de neurones
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
CN111489013A (zh) * 2020-03-11 2020-08-04 北京交通大学 一种基于时空多图卷积网络的交通站点流量预测方法
CN111860951A (zh) * 2020-06-12 2020-10-30 北京工业大学 一种基于动态超图卷积网络的轨道交通客流预测方法
CN113326974A (zh) * 2021-05-01 2021-08-31 北京工业大学 一种基于多任务超图卷积网络的多源交通流预测方法
CN114139773A (zh) * 2021-11-12 2022-03-04 杭州电子科技大学 一种基于时空图卷积网络的公共交通流量预测方法
CN114944053A (zh) * 2022-03-16 2022-08-26 浙江工业大学 一种基于时空超图神经网络的交通流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Spatio-Temporal Hybrid Graph Convolutional Network for Traffic Forecasting in Telecommunication Networks;Marcus Kalander等;《arXiv》;20200917;全文 *
面向数据驱动的城市轨道交通短时客流预测模型;梁强升;许心越;刘利强;;中国铁道科学;20200715(04);全文 *

Also Published As

Publication number Publication date
CN115565369A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
CN115565369B (zh) 一种基于超图的时空超图卷积交通流量预测方法及系统
CN111612206B (zh) 一种基于时空图卷积神经网络的街区人流预测方法及系统
CN111223301B (zh) 一种基于图注意力卷积网络的交通流量预测方法
Chu et al. Deep multi-scale convolutional LSTM network for travel demand and origin-destination predictions
US11270579B2 (en) Transportation network speed foreeasting method using deep capsule networks with nested LSTM models
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN112532439B (zh) 一种基于注意力多组件时空跨域神经网络模型的网络流量预测方法
CN112257934A (zh) 一种基于时空动态神经网络的城市人流预测方法
EP2590151A1 (en) A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras
CN112863182B (zh) 基于迁移学习的跨模态数据预测方法
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、系统及装置
CN115578851A (zh) 一种基于mgcn的交通预测方法
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
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
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN114299728A (zh) 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
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN111815075B (zh) 一种重大公共卫生事件下交通出行需求的预测方法
Dai et al. Spatio-temporal deep learning framework for traffic speed forecasting in IoT
CN111209968A (zh) 基于深度学习的多气象因子模式预报温度订正方法及系统
Fafoutellis et al. Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data
Cao et al. A hybrid deep learning-based traffic forecasting approach integrating adjacency filtering and frequency decomposition
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
CN115565370B (zh) 一种局部时空图卷积交通流量预测方法及系统

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