CN115565370B - 一种局部时空图卷积交通流量预测方法及系统 - Google Patents
一种局部时空图卷积交通流量预测方法及系统 Download PDFInfo
- Publication number
- CN115565370B CN115565370B CN202211148650.1A CN202211148650A CN115565370B CN 115565370 B CN115565370 B CN 115565370B CN 202211148650 A CN202211148650 A CN 202211148650A CN 115565370 B CN115565370 B CN 115565370B
- Authority
- CN
- China
- Prior art keywords
- time
- space
- diagram
- local
- traffic
- 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
- 238000010586 diagram Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010223 real-time analysis Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 3
- 238000000059 patterning Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G08G1/0125—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
- G06N3/08—Learning methods
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)
- Chemical & Material Sciences (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)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公布了一种局部时空图卷积交通流量预测方法及系统,对图卷积网络模型结构进行改进,在交通数据的时间维度添加边,在相邻两个时间点的节点之间连边,构建局部时空图,将构造的局部时空图表示为邻接矩阵;构建局部时空图卷积网络模型,用于捕获局部时空图时空数据中的时空关联性,实现局部时空图卷积交通流量预测。局部时空图卷积交通流量预测系统包括地铁实时流量数据模块、数据预处理模块和交通流量预测模型模块;还可包括地铁满载率的实时分析模块。
Description
技术领域
本发明涉及交通流量预测技术领域,特别地涉及一种局部时空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。
交通流量数据带有明显的时间特征和空间特征,是一种典型的时空数据,时空数据即带有空间坐标的实体或事件在不同时间上所收集到的数据,可以理解为不同空间坐标上所产生的时间序列集合。在交通流量数据中,包含空间上交通道路网,和由时间序列上的车流量或人流量构成的时间序列信息。交通流量预测是一种典型的时空数据预测问题。对交通数据进行挖掘有助于发现其中蕴含的时空模式,从而在当前数据上进行推断,以根据已知特征的值来预测目标特征的值,进而应用于现实生活中的各个方面。
最初,人们使用基于统计的方式来预测未来的交通流量,已有的技术方案包括HA、ARMA、VAR等,但这种基于统计的时空预测方法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。随着机器学习的发展,决策树、支持向量机和隐马尔可夫模型等传统机器学习方法在时空序列预测方面取得了不错的效果。现有技术包括支持向量机SVM、OLWSVR模型等。但由于机器学习方式模型比较简单,无法捕获到真实时空数据中高度复杂的时空相关性。神经网络的建模过程比较复杂,因此能够捕获时空序列中隐藏的非线性特征。已有工作包括SAE模型,通过叠堆多层自动编码器来对交通流量进行了预测。已有工作还使用RNN模型对人类的运动及交通方式进行了预测。已有工作还将时空矩阵将交通流量信息转换为图像,并使用CNN模型对其进行特征提取和预测,以及使用LSTM模型对时空数据进行了长期预测。但由于神经网络结构多是基于欧几里得结构进行建模,而交通道路网络是非欧几里得数据,强行使用欧几里德结构对其进行表示会削弱其中的拓扑结构信息,对预测准确性产生严重影响。已有技术方案提出了GCN模型来解决这个问题,该模型可以将节点邻域的信息聚集到节点自身,实现了非欧几里得结构的数据上的卷积计算,从而有效的提取网络中的空间结构信息。在GCN模型的基础上,有工作将RNN和GCN相结合,提出了GCRN模型,还提出了STGCN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。基于STGCN,已有工作还基于注意力机制,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,提出了ASTGCN模型,有效地捕捉交通数据中的动态时空相关性。
虽然这些方法已经可以捕获到时空数据中的时空相关性,提高了时空数据预测任务的准确性,但近年来,基于图卷积的交通流量预测研究多简单地采用时间序列与交通道路网相结合的方式来表示时空数据,将时间特征和空间特征杂糅,这种方式所捕获到的时空特征是通过分别捕获到的时间特征和空间特征串联、拼凑而成的,是间接的、片面的,并不能准确反映时空数据中真实存在的时空相关性。
发明内容
为了解决上述技术问题,本发明提供一种局部时空图卷积交通流量预测方法及系统。
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,对图卷积网络模型结构进行改进,构建局部时空图,用于捕获时空数据中隐含的时空相关性,由此提高交通预测的准确性,并将其应用于地铁客流量预测当中,使其可以更准确地应用于地铁客流量预测。
本发明的技术方案为:
一种局部时空图卷积交通流量预测方法,在交通数据的时间维度添加边,在相邻两个时间点的节点之间连边,构造局部时空图;将构造的局部时空图表示为邻接矩阵;构建局部时空图卷积网络模型,用于捕获局部时空图中的时空关联性,实现局部时空图卷积交通流量预测;包括如下步骤:
步骤S1:进行数据预处理,采用不同方法构造局部时空图;
对原始交通流量数据集进行数据处理,得到交通站点的个数、交通站点之间连通线的条数、历史交通流量的时长(时间点数)、进站或出站方向特征;其中,将交通站点作为局部时空图的节点,交通站点之间连通线作为局部时空图的边;也就是,在交通道路网的时间维度上进行连边,构成局部时空图,即用边将相邻两个时刻的节点相连接,从而将局部时间信息与空间信息相结合,构成同时含有局部时间特征、局部时空特征和空间特征的图结构;局部时空图按照构造方法包括:时序局部时空图、空间局部时空图和全连接局部时空图;
本发明具体实施时采用了三种不同的局部时空图构造方法,第一种方法构造得到时序局部时空图,具体是把节点与其下一个时间点的节点自身相连接;第二种方法构造得到空间局部时空图,具体是把节点与其下一个时刻的相邻节点相连接;第三种方法构造得到全连接局部时空图,具体是结合了前两种构图方式,不仅将两个时刻节点自身相连,同时将节点和相邻时刻的邻居相连。上述三种构造方式的任何一个节点,均可以在两跳内对其时空邻居(相邻时刻的节点邻居)进行信息传播。
步骤S2:将步骤S1构建的局部时空图表示为邻接矩阵形式;包括如下步骤:
步骤S21:将交通流量在不同时序上的交通道路图表示为一个普通的图G=(V,E),其中,V为节点集合,即交通站点集合;E为边集合;交通道路图的邻接矩阵A中的元素为1或0。
步骤S22:构建局部时空图的邻接矩阵A’;
构建的局部时空图中含有两个时间点的信息,故局部时空图的节点数为原本的两倍,即2N,其中包括前一时刻的节点Vt和后一时刻的节点Vt+1。N表示交通站点的数量。
局部时空图的邻接矩阵包括两部分:1)当前时刻的邻接矩阵At-1与后一时刻的邻接矩阵At,即上述交通道路网的标准邻接矩阵;2)局部时空图在两个时刻之间连边。
时序局部时空图只在相邻时刻的自身节点之间连边,上一时刻节点到当前时刻节点的邻接矩阵At~(t-1)表示为单位矩阵I。A’可以表示为分块矩阵的形式。 表示为/>
空间局部时空图在当前时刻节点与后一时刻空间相邻节点之间连边,上一时刻节点到当前时刻节点的邻接矩阵At~(t-1)表示为当前时刻的标准邻接矩阵A。A’可以表示为分块矩阵的形式。表示为/>
全连接局部时空图在相邻时刻的自身节点之间连边,同时在当前时刻节点与后一时刻空间相邻节点之间连边。上一时刻节点到当前时刻节点的邻接矩阵At~(t-1)表示为单位矩阵I加上当前时刻的标准邻接矩阵A。A’可以表示为分块矩阵的形式。 表示为/>
步骤S3:构建局部时空图卷积网络模型,用于挖掘局部时空图的时空关联性,预测未来交通流量,包括:
步骤S31:将得到的数据和邻接矩阵通过时域卷积模块进行卷积。
构建的局部时空图卷积网络模型采用瓶颈结构,由两个时域卷积模块(第一时域卷积模块和第二时域卷积模块)和一个空域卷积模块构成,在第一时域卷积模块和第二时域卷积模块中间插入一层空域卷积模块。最后通过一层全连接层输出预测结果。
两个时域卷积模块结构相同,均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。
步骤S32:构建空域卷积模块,对第一时域卷积模块的结果进行卷积。
可采用图卷积神经网络GCN(Graph Convolution Neural Networks)方法中的基于谱域的方法进行图卷积;
本发明中的空域卷积模块通过多个图卷积神经网络GCN堆叠来构建得到,通过快速聚合邻居节点的特征来捕获局部时空图中的时空特征。空域卷积模块以第一时域卷积模块的输出为输入,输出空域卷积的中间结果,再经过第二时域卷积模块,最后使用全连接层来得到模型的最终预测结果。
步骤S33:将空域卷积模块结果输入到第二时域卷积模块,得到交通流量数据的时空特征;
步骤S34:通过全连接层得到最终预测结果
最后将步骤S33得到的结果输入到局部时空图卷积网络模型的全连接层,得到最终的预测结果。
通过上述步骤,得到各站点的交通流量的预测结果X,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。
本发明实施例还提供了一种局部时空图卷积的地铁交通流量预测系统,包括地铁实时人流量模块、数据预处理模块和交通流量预测模型模块,还可包括地铁满载率的实时分析模块。
本发明与现有技术相比,具有以下技术优点:
1、本发明局部时空图卷积交通流量预测方法在时间维度添加边,将前后两个时间点的拓扑结构图相连,从而将局部时间信息与空间信息相结合,建立局部时空图,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交通流量。
2、本发明的局部时空图卷积交通流量预测方法,利用卷积网络模型学习局部时空图的时间特征,然后使用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交通流量的影响,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。
3、本发明利用局部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,对未来一小时内的地铁流量进行预测。与地铁最大承载规模进行对比从而提供地铁满载率的实时分析。
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局部时空图卷积交通流量预测方法的流程框图。
图2为本发明实施例中数据预处理的流程框图。
图3为本发明实施例中三种局部时空图构造方式示意图。
图4为本发明实施例中时域卷积模块结构框图。
图5为本发明实施例中局部时空图卷积交通流量预测模型的结构框图。
图6为本发明实施例中局部时空图卷积交通流量预测系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚,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。
本发明提供了一种局部时空图卷积交通流量预测方法及系统,在交通数据的时间维度添加边,在相邻两个时间点的节点之间连边。本发明一共包括三种局部时空图的构造方式,第一种局部时空图是把节点与其下一个时间点的节点自身相连接;第二种是把节点与其下一个时刻的相邻接点相连接;第三种方式结合了前两种构图方式,不仅将两个时刻节点自身相连,同时将节点和相邻时刻的邻居相连。其次,将构造的局部时空图表示为邻接矩阵的形式。最后,我们通过构建局部时空图卷积网络模型,捕获局部时空图中的时空关联性,提高交通流量预测的准确性。
图1为局部时空图卷积交通流量预测方法具体实施的流程,如图1所示,一种局部时空图卷积交通流量预测方法包括下述步骤:
步骤S1:进行数据预处理,在交通道路网的时间维度上进行连边,采用不同方法构造局部时空图,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,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路的个数、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:在交通道路网的时间维度上进行连边,构造局部时空图。
本方法提出三种不同的局部时空图构造方法,如附图3所示。第一种方法构造得到时序局部时空图,具体是把节点与其下一个时间点的节点自身相连接;第二种方法构造得到空间局部时空图,具体是把节点与其下一个时刻的相邻节点相连接;第三种方法构造得到全连接局部时空图,具体是结合了前两种构图方式,不仅将两个时刻节点自身相连,同时将节点和相邻时刻的邻居相连。对于这三种连接方式的任何一个节点而言,均可以在两跳内对其时空邻居(相邻时刻的节点邻居)进行信息传播。
步骤S2:将局部时空图表示为邻接矩阵形式;
步骤S21:我们将交通道路图表示为一个普通的无向图G=(V,E),每个交通站点作为一个节点,V表示节点集合,即交通站点集合,E表示边的集合。交通道路图的邻接矩阵A中的元素为1或0。当两个节点和之间存在边时取值为1,否则取值为0。邻接矩阵A中的元素hij表示为:
其中,vi和vj分别为不同的交通站点,i和j代表邻接矩阵的行和列;
例如:节点集合V={a,b,c,d},边集合E={(a,b),(b,c),(c,d)},有四个交通站点a、b、c、d和三条边的交通道路图的邻接矩阵A为:
步骤S22:在得到交通道路网的邻接矩阵A后,下一步是在该邻接矩阵的基础上,表示我们的局部时空图G’=(V’,E’)的邻接矩阵A’。由于构建的局部时空图时将前后两个时刻进行连接,因此局部时空图中含有两个时间点的信息,故节点数为原本的两倍,即2N,V’包括当前时刻的节点Vt和后一时刻的节点Vt+1。由于前后时刻的交通道路网是不变的,所以节点数为2N。将这2N个节点按照先Vt后Vt+1的顺序一一排列对应即V’={Vt,Vt+1},例如:V’={a,b,c,d,a’,b’,c’,d’}。其中{a,b,c,d}∈Vt,{a’,b’,c’,d’}∈Vt+1。
我们将局部时空图的邻接矩阵构造分为两部分:(1)当前时刻的邻接矩阵At与后一时刻的邻接矩阵At+1,即上述交通道路网的标准邻接矩阵A。(2)在局部时空图在两个时刻之间连边。得到当前时刻节点到下一时刻节点的邻接矩阵At~(t+1),本发明提出的三种局部时空图的邻接矩阵构造方式如下:
对于方法一,只在相邻时刻的自身节点之间连边,所以当前时刻节点到下一时刻节点的邻接矩阵At~(t+1),应表示为单位矩阵I。最终,A’可以表示为分块矩阵的形式。 图3的(a)中的时序局部时空图的邻接矩阵A’可以表示为/>例如:节点集合V’={a,b,c,d,a’,b’,c’,d’},边集合E={(a,b),(b,c),(c,d),(a’,b’),(b’,c’),(c’,d’),(a,a’),(b,b’),(c,c’),(d,d’)},最终得到矩阵如下。
对于方法二,在当前时刻节点与后一时刻空间相邻节点之间连边,所以当前时刻节点到下一时刻节点的邻接矩阵At~(t+1),应表示为当前时刻的标准邻接矩阵A。最终,A’可以表示为分块矩阵的形式。图3的(b)中空间局部时空图的邻接矩阵A’可以表示为/>例如:节点集合V’={a,b,c,d,a’,b’,c’,d’},边集合E={(a,b),(b,c),(c,d),(a’,b’),(b’,c’),(c’,d’),(a,b’),(b,c’),(c,d’),(a’,b),(b’,c),(c’,d)},最终得到矩阵如下。
方法三:结合方法一和方法二在相邻时刻的自身节点之间连边,同时在当前时刻节点与后一时刻空间相邻节点之间连边。所以当前时刻节点到下一时刻节点的邻接矩阵At~(t+1)应表示为单位矩阵I加上当前时刻的标准邻接矩阵A。最终,A’可以表示为分块矩阵的形式。图3的(c)中全连接局部时空图的邻接矩阵A’可以表示为例如:节点集合V’={a,b,c,d,a’,b’,c’,d’},边集合E={(a,b),(b,c),(c,d),(a’,b’),(b’,c’),(c’,d’),(a,b’),(b,c’),(c,d’),(a’,b),(b’,c),(c’,d),(a,a’),(b,b’),(c,c’),(d,d’)},最终得到矩阵如下。
步骤S3:构建局部时空图卷积网络模型,用于挖掘局部时空图的时空关联性,预测未来交通流量,包括:
步骤S31:将得到的数据和邻接矩阵通过第一时域卷积模块进行卷积。
局部时空图卷积网络模型如图5所示,模型采用瓶颈结构,由两个时域卷积模块(第一时域卷积模块和第二时域卷积模块)和一个空域卷积模块构成,在第一时域卷积模块和第二时域卷积模块中间插入一层空域卷积模块。最后通过一层全连接层输出预测结果。
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:构建空域卷积模块,对第一时域卷积模块的结果进行卷积。
图卷积神经网络GCN(Graph Convolution Neural Networks)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,单层的图卷积公式为:
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
本发明中的空域卷积模块通过多个GCN堆叠来构建得到,通过快速聚合邻居节点的特征来捕获局部时空图中的时空特征。空域卷积模块以第一时域卷积模块的输出为输入,输出空域卷积的中间结果,再经过第二时域卷积模块,最后使用全连接层来得到模型的最终预测结果。
步骤S33:将空域卷积模块结果输入到第二时域卷积模块,得到交通流量数据的时空特征;
将空域卷积模块的输出结果输入到第二层时域卷积模块来得到交通流量数据的时空特征。
步骤S34:通过全连接层得到最终预测结果
最后将得到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。
如图6所示,本发明实施例还提供了一种局部时空图卷积的地铁交通流量预测系统,包括地铁实时流量模块、数据预处理模块和交通流量预测模型模块,还可包括地铁满载率的实时分析模块。具体为:
地铁实时流量数据模块将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,作为预测后一时间点的训练数据。在时间维度进行连边,相邻时间节点之间构成局部时空图、构建相应的局部时空邻接矩阵。
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。
地铁满载率的实时分析模块,根据实时地铁客流量数据与地铁最大运载量进行分析,提供实时地铁满载率,帮助乘客规划出行路线。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (8)
1.一种局部时空图卷积交通流量预测方法,对图卷积网络模型结构进行改进,在交通数据的时间维度添加边,在相邻两个时间点的节点之间连边,构建局部时空图,将构造的局部时空图表示为邻接矩阵;构建局部时空图卷积网络模型,用于捕获局部时空图时空数据中的时空关联性,实现局部时空图卷积交通流量预测;包括如下步骤:
步骤S1:进行数据预处理,构建局部时空图;
对原始交通流量数据集进行数据处理,得到交通站点的个数、交通站点之间连通线的条数、历史交通流量的时长即时间点数、进站或出站方向特征;在交通道路网的时间维度上进行连边,将交通站点作为局部时空图的节点,交通站点之间连通线作为局部时空图的边;即用边将相邻两个时刻的节点相连接,从而将局部时间信息与空间信息相结合,构成同时含有局部时间特征、局部时空特征和空间特征的局部时空图结构;
局部时空图包括:时序局部时空图、空间局部时空图和全连接局部时空图;局部时空图中的任何一个节点,均可以在两跳内对其时空邻居进行信息传播;
步骤S2:将步骤S1构建的局部时空图表示为邻接矩阵形式;包括:
步骤S21:将交通流量在不同时序上的交通道路图表示为一个图G=(V,E),其中,V为节点集合,即交通站点集合;E为边集合;交通道路图的邻接矩阵A中的元素为1或0;
步骤S22:构建局部时空图的邻接矩阵A’;
构建的局部时空图的节点数为2N,其中包括前一时刻的节点Vt和后一时刻的节点Vt+1;N表示交通站点的数量;
局部时空图的邻接矩阵包括两部分:当前时刻的邻接矩阵At-1与后一时刻的邻接矩阵At,即交通道路网的标准邻接矩阵A;局部时空图在两个时刻之间相连的边;
时序局部时空图的邻接矩阵A’表示为分块矩阵的形式:I为单位矩阵;
空间局部时空图的邻接矩阵A’表示为分块矩阵的形式:
全连接局部时空图的邻接矩阵A’表示为分块矩阵的形式:
步骤S3:构建局部时空图卷积网络模型,用于挖掘局部时空图的时空关联性,预测未来交通流量,包括:
步骤S31:将得到的数据和邻接矩阵通过时域卷积模块进行卷积;
构建的局部时空图卷积网络模型采用瓶颈结构,在第一时域卷积模块和第二时域卷积模块中间插入一层空域卷积模块,最后通过全连接层输出预测结果;
两个时域卷积模块结构均包括一维卷积神经网络层CNN和门控线性单元GLU,其中,CNN用来捕获时空数据中的时间信息,GLU用来选择保留的时间信息;
步骤S32:通过多个图卷积神经网络GCN堆叠构建空域卷积模块,对第一时域卷积模块的结果,采用GCN基于谱域的方法进行卷积,得到空域卷积模块结果;
步骤S33:将空域卷积模块结果输入到第二时域卷积模块,得到交通流量数据的时空特征;
步骤S34:将步骤S33得到的结果输入到局部时空图卷积网络模型的全连接层,得到最终的预测结果X,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。
2.如权利要求1所述的局部时空图卷积交通流量预测方法,其特征是,局部时空图按照构造方法包括:
第一种方法具体是将节点与其下一个时间点的节点自身相连接,构造得到时序局部时空图,
第二种方法具体是将节点与其下一个时刻的相邻节点相连接,构造得到空间局部时空图,
第三种方法具体是不仅将两个时刻节点自身相连,同时将节点和相邻时刻的邻居相连,构造得到全连接局部时空图。
3.如权利要求1所述的局部时空图卷积交通流量预测方法,其特征是,所述时空邻居为相邻时刻的交通站点邻居。
4.如权利要求1所述的局部时空图卷积交通流量预测方法,其特征是,交通道路图的邻接矩阵A中的元素hij表示为:
其中,vi和vj分别为不同的交通站点,i和j分别代表邻接矩阵的行和列。
5.如权利要求1所述的局部时空图卷积交通流量预测方法,其特征是,局部时空图的邻接矩阵A’的构造方法包括:
方法一是只在相邻时刻的自身节点之间连边,构建时序局部时空图;
方法二是在当前时刻节点与后一时刻空间相邻节点之间连边,构建空间局部时空图;
方法三是在相邻时刻的自身节点之间连边,同时在当前时刻节点与后一时刻空间相邻节点之间连边,构建全连接局部时空图。
6.一种利用权利要求1所述的局部时空图卷积交通流量预测方法实现的局部时空图卷积的地铁交通流量预测系统,其特征是,包括地铁实时流量数据模块、数据预处理模块和交通流量预测模型模块;其中:
地铁实时流量数据模块用于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,在时间维度进行连边,相邻时间节点之间构成局部时空图、构建相应的局部时空邻接矩阵;
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当中,得到未来时段内各个交通站点的流量数据。
7.如权利要求6所述的局部时空图卷积的地铁交通流量预测系统,其特征是,还可包括地铁满载率的实时分析模块;所述地铁满载率的实时分析模块用于根据实时地铁客流量数据与地铁最大运载量进行分析,提供实时地铁满载率,帮助乘客规划出行路线。
8.如权利要求6所述的局部时空图卷积的地铁交通流量预测系统,其特征是,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211148650.1A CN115565370B (zh) | 2022-09-20 | 2022-09-20 | 一种局部时空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 |
---|---|---|---|
CN202211148650.1A CN115565370B (zh) | 2022-09-20 | 2022-09-20 | 一种局部时空图卷积交通流量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115565370A CN115565370A (zh) | 2023-01-03 |
CN115565370B true CN115565370B (zh) | 2024-04-23 |
Family
ID=84740749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211148650.1A Active CN115565370B (zh) | 2022-09-20 | 2022-09-20 | 一种局部时空图卷积交通流量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565370B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861822B (zh) * | 2023-02-07 | 2023-05-12 | 海豚乐智科技(成都)有限责任公司 | 一种目标局部点与全局结构化匹配方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021186158A1 (en) * | 2020-03-17 | 2021-09-23 | The University Court Of The University Of Edinburgh | A distributed network traffic data decomposition method |
CN113935548A (zh) * | 2021-11-14 | 2022-01-14 | 北京工业大学 | 基于图变换的动态多图卷积网络交通流量预测方法 |
CN114038200A (zh) * | 2021-11-29 | 2022-02-11 | 东北大学 | 基于注意力机制的时空同步图卷积网络交通流量预测方法 |
CN114169647A (zh) * | 2022-01-07 | 2022-03-11 | 重庆大学 | 持续记忆的自适应异质时空图卷积的交通预测方法及系统 |
-
2022
- 2022-09-20 CN CN202211148650.1A patent/CN115565370B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021186158A1 (en) * | 2020-03-17 | 2021-09-23 | The University Court Of The University Of Edinburgh | A distributed network traffic data decomposition method |
CN113935548A (zh) * | 2021-11-14 | 2022-01-14 | 北京工业大学 | 基于图变换的动态多图卷积网络交通流量预测方法 |
CN114038200A (zh) * | 2021-11-29 | 2022-02-11 | 东北大学 | 基于注意力机制的时空同步图卷积网络交通流量预测方法 |
CN114169647A (zh) * | 2022-01-07 | 2022-03-11 | 重庆大学 | 持续记忆的自适应异质时空图卷积的交通预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting;Shengnan Guo et al.;《The Thirty-Third AAAI Conference on Artificial Intelligence》;20191231;第922-929页 * |
基于时空图卷积网络的城市交通流预测模型;路佳玲 等;《武汉理工大学学报(交通科学与工程版)》;20220707;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115565370A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108053080B (zh) | 区域用户数量统计值预测方法、装置、设备及介质 | |
Tang et al. | Multi-community passenger demand prediction at region level based on spatio-temporal graph convolutional network | |
CN110929962A (zh) | 一种基于深度学习的交通流量预测方法及装置 | |
CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
CN109299401B (zh) | 基于混合深度学习模型LSTM-ResNet的城域时空流预测方法 | |
CN112257934A (zh) | 一种基于时空动态神经网络的城市人流预测方法 | |
CN112541440B (zh) | 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
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 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN110569875B (zh) | 一种基于特征复用的深度神经网络目标检测方法 | |
CN114038200B (zh) | 基于注意力机制的时空同步图卷积网络交通流量预测方法 | |
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 | |
CN115565370B (zh) | 一种局部时空图卷积交通流量预测方法及系统 | |
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 | |
Dai et al. | Spatio-temporal deep learning framework for traffic speed forecasting in IoT | |
Zang et al. | Traffic flow data prediction using residual deconvolution based deep generative network | |
CN114757389A (zh) | 一种基于联邦学习的城市交通流量时空预测方法 | |
Cao et al. | A hybrid deep learning-based traffic forecasting approach integrating adjacency filtering and frequency decomposition | |
CN113570861B (zh) | 一种基于合成数据的交通流量预测方法及装置 | |
Fafoutellis et al. | Dilated LSTM networks for short-term traffic forecasting using network-wide vehicle trajectory data | |
CN117456730A (zh) | 一种基于自适应部分注意力扩散图卷积神经网络的交通流量预测方法 | |
CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
CN112907056B (zh) | 一种基于图神经网络的城市管理投诉事件预测方法及系统 |
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 |