CN115796007A - 一种基于时空图网络的交通流量预测方法 - Google Patents
一种基于时空图网络的交通流量预测方法 Download PDFInfo
- Publication number
- CN115796007A CN115796007A CN202211424117.3A CN202211424117A CN115796007A CN 115796007 A CN115796007 A CN 115796007A CN 202211424117 A CN202211424117 A CN 202211424117A CN 115796007 A CN115796007 A CN 115796007A
- Authority
- CN
- China
- Prior art keywords
- matrix
- model
- network
- node
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于时空图网络的交通流量预测方法,包括:获取城市交通路网数据,构建交通流的特征矩阵;根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。本发明能够充分考虑交通流时空特性的内在关联性和节点差异性,实现对路网流量的精确预测,同时模型对比现有模型有更好的可解释性,可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其是一种基于时空图网络的交通流量预测方法。
背景技术
随着经济社会的蓬勃发展,城市汽车保有量逐年攀升,极大地刺激了市民私家车出行的需求。而城市道路资源的供给量难以满足庞大的出行需求,导致道路交通拥塞的发生。为了缓解交通拥堵问题,研究人员提出建立智能交通系统(IntelligentTransportation System,ITS)对城市交通进行管理和控制。交通流量是城市交通里面的一个重要的参数。对交通流量进行准确的预测,可以为城市交通管理者提供城市路网未来的状况信息,是智能交通系统建立的基础。交通流量预测本质上是通过挖掘路段流量的历史数据的内在关联特征,以此为依据对未来的流量进行预测。
交通流量在时间、空间维度上都具有关联特性:过去的道路交通流分布会对未来的道路状态产生影响;相邻节点的特性、连接道路的特征会对车辆在节点之间的转移过程产生影响。这些因素都会对道路节点交通流量的变化过程产生影响。
在交通流量预测领域,国内外的学者都展开了大量的工作,主流的预测框架分为两类:传统的数理统计模型以及非线性理论预测下机器学习模型。其中数理统计模型主要通过引入卡尔曼滤波、ARIMA回归模型、灰色理论模型、混沌理论模型等基于统计学习框架,具有一定数学理论基础的模型进行预测,该方法的优点是构建的模型具有很强的可解释性,易于人们的理解,但其预测性能依赖于模型的精度。
机器学习模型则是当代人工智能、计算机科学蓬勃发展的产物,其依托各种数据驱动的学习模型,如:人工循环神经网络、卷积神经网络、图卷积网络、注意力机制等模型对输入数据进行关联捕捉,并进行预测,这一类模型的特点是由于是模型直接从数据中获得信息,其解释性一般较差,但模型性能一般较好。同时,很多学者也注意到了交通流量具有时空关联的特点,开始采用不同的模型对其时空特征进行提取。然而,尽管很多方法都考虑到了路网交通量的时空特征,但研究往往将有关联的路段都以同质的方式看待,而忽视了不同节点之间的关联性本身因为一些地理、物理、社会因素而有强弱之分。例如,当多个交通节点之间存在直接的路径连接,在定义邻接矩阵或者交通量特征矩阵时,过去的研究往往会将它们之间的关联程度看成是相同的,而忽略节点之间距离过大可能会导致上一时刻观测的交通量并不能在对应的时间间隔内到达目标节点的事实。
发明内容
有鉴于此,本发明实施例提供一种基于时空图网络的交通流量预测方法,能够充分考虑交通流时空特性的内在关联性和节点差异性,实现对路网流量的精确预测,同时模型对比现有模型有更好的可解释性。
本发明实施例的一方面提供了一种基于时空图网络的交通流量预测方法,包括:
获取城市交通路网数据,构建交通流的特征矩阵;
根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;其中,所述目标图卷积模型用于提取输入数据中的空间特征;
根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;其中,所述目标长短期记忆模型用于提取输入数据中的时间特征;
融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;
根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。
可选地,所述获取城市交通路网数据,构建交通流的特征矩阵,包括:
根据待预测的交通路网的实际需求,将连续时间划分为离散的时间间隔后,统计各个时间间隔下的交通道路网络信息;
根据交通路网的网络结构,将道路检测器划分为拓扑节点,得到交通道路网络节点;
根据所述交通道路网络节点的拓扑关系,分析各个节点之间的邻接关系,生成交通网络的邻接矩阵,并统计邻接节点之间的距离;
根据划分的时间间隔,统计每一个交通道路网络节点在不同时间间隔内的交通流车辆数,生成交通流的特征矩阵。
可选地,所述根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型,包括:
在空间维度上同时结合图理论知识以及深度学习知识对所述初始图卷积模型进行优化;
其中,在所述图理论知识的层面,从交通图网络本身出发,提出节点间距离改进矩阵和步数改进矩阵对所述初始图卷积模型进行优化;
在所述深度学习知识的层面,将空间注意力机制与初始图卷积模型进行融合,实现对所述初始图卷积模型的优化。
可选地,所述节点间距离改进矩阵的计算过程为:
对于图上的源节点和目标节点,将所述源节点划入已知节点集合,其余节点划入未知节点集合;
遍历寻找已知节点集合中节点与未知节点集合中节点之间的最小边长,并将最小边长对应的路径一侧的节点加入所述已知节点集合中,记录下所述最小边长两端的节点;
重复遍历已知节点集合中节点与未知节点集合中节点之间的最小边长,直至同时包含所述源节点和所述目标节点;
根据遍历结果输出所述源节点和所述目标节点之间的最短路径;
其中,所述节点间距离改进矩阵的计算公式为:
Di,j代表节点vi和节点vj之间的距离,d(vi,vj)代表节点vi和节点vj之间的最短路径长度,dmax代表在交通路网中所有节点之间最短路径长度的最大值;
所述节点间步数改进矩阵的计算过程为:
对交通路网所有节点之间的最小转移步数进行求解,建立步数改进矩阵;
其中,所述步数改进矩阵的计算公式为:
其中,Pi,j代表节点vi和节点vj之间的步数;p(vi,vj)代表车辆在节点vi和节点vj之间转移时经过的最小的步数;而pmax代表在交通路网中所有节点之间最小步数的最大值。
可选地,所述将空间注意力机制与初始图卷积模型进行融合的过程中,空间注意力矩阵的计算公式为:
其中,S1=W1·σ((XtW2)W3(XtW4)T+b)
其中,Xt是输入的交通流特征矩阵;W1、W2、W3、W4以及b是通过数据驱动学习得到的参数矩阵;σ代表网络中使用的激活函数;S′1i,j代表空间注意力矩阵;S1代表路网的计算得到的空间注意力权重;i、j代表路网节点的编号。
可选地,所述优化后的目标图卷积模型的计算公式为:
A’=A⊙D⊙P
Hl=σ(A‘k⊙S′1Hl-1Wl);
其中,A’代表改进后的邻接矩阵;A代表路网节点的邻接矩阵;⊙代表哈达玛积操作;D代表路网距离改进矩阵;P代表路网步数改进矩阵;H代表每一层的输出;Hl代表第l层的输出;W代表网络训练的权重;σ代表激活函数;A‘k代表k阶改进后的邻接矩阵。
可选地,所述根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型这一步骤中,时间注意力矩阵的计算公式为:
S2=U1·σ((XnU2)U3(XnU4)T+b)
其中,S2代表路网时间注意力矩阵;Un、b代表可训练的参数矩阵;σ代表sigmiod激活函数;Xn代表输入的特征矩阵;S2i,j代表计算出来的时间注意力权重;S′2i,j代表归一化后的注意力矩阵;()T代表矩阵转置。
本发明实施例的另一方面还提供了一种基于时空图网络的交通流量预测装置,包括:
第一模块,用于获取城市交通路网数据,构建交通流的特征矩阵;
第二模块,用于根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;其中,所述目标图卷积模型用于提取输入数据中的空间特征;
第三模块,用于根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;其中,所述目标长短期记忆模型用于提取输入数据中的时间特征;
第四模块,用于融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;
第五模块,用于根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例获取城市交通路网数据,构建交通流的特征矩阵;根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;其中,所述目标图卷积模型用于提取输入数据中的空间特征;根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;其中,所述目标长短期记忆模型用于提取输入数据中的时间特征;融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。本发明能够充分考虑交通流时空特性的内在关联性和节点差异性,实现对路网流量的精确预测,同时模型对比现有模型有更好的可解释性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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得其他的附图。
图1为本发明实施例提供的一种改进的GCN模型架构图;
图2为本发明实施例提供的一种改进的LSTM模型框架图;
图3为本发明实施例提供的融合模型STGM框架图;
图4为本发明实施例提供的整体步骤流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明实施例的一方面提供了一种基于时空图网络的交通流量预测方法,如图4所示,本发明的整体步骤包括:
获取城市交通路网数据,构建交通流的特征矩阵;
根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;其中,所述目标图卷积模型用于提取输入数据中的空间特征;
根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;其中,所述目标长短期记忆模型用于提取输入数据中的时间特征;
融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;
根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。
可选地,所述获取城市交通路网数据,构建交通流的特征矩阵,包括:
根据待预测的交通路网的实际需求,将连续时间划分为离散的时间间隔后,统计各个时间间隔下的交通道路网络信息;
根据交通路网的网络结构,将道路检测器划分为拓扑节点,得到交通道路网络节点;
根据所述交通道路网络节点的拓扑关系,分析各个节点之间的邻接关系,生成交通网络的邻接矩阵,并统计邻接节点之间的距离;
根据划分的时间间隔,统计每一个交通道路网络节点在不同时间间隔内的交通流车辆数,生成交通流的特征矩阵。
可选地,所述根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型,包括:
在空间维度上同时结合图理论知识以及深度学习知识对所述初始图卷积模型进行优化;
其中,在所述图理论知识的层面,从交通图网络本身出发,提出节点间距离改进矩阵和步数改进矩阵对所述初始图卷积模型进行优化;
在所述深度学习知识的层面,将空间注意力机制与初始图卷积模型进行融合,实现对所述初始图卷积模型的优化。
可选地,所述节点间距离改进矩阵的计算过程为:
对于图上的源节点和目标节点,将所述源节点划入已知节点集合,其余节点划入未知节点集合;
遍历寻找已知节点集合中节点与未知节点集合中节点之间的最小边长,并将最小边长对应的路径一侧的节点加入所述已知节点集合中,记录下所述最小边长两端的节点;
重复遍历已知节点集合中节点与未知节点集合中节点之间的最小边长,直至同时包含所述源节点和所述目标节点;
根据遍历结果输出所述源节点和所述目标节点之间的最短路径;
其中,所述节点间距离改进矩阵的计算公式为:
Di,j代表节点vi和节点vj之间的距离,d(vi,vj)代表节点vi和节点vj之间的最短路径长度,dmax代表在交通路网中所有节点之间最短路径长度的最大值;
所述节点间步数改进矩阵的计算过程为:
对交通路网所有节点之间的最小转移步数进行求解,建立步数改进矩阵;
其中,所述步数改进矩阵的计算公式为:
其中,Pi,j代表节点vi和节点vj之间的步数;p(vi,vj)代表车辆在节点vi和节点vj之间转移时经过的最小的步数;而pmax代表在交通路网中所有节点之间最小步数的最大值。
可选地,所述将空间注意力机制与初始图卷积模型进行融合的过程中,空间注意力矩阵的计算公式为:
其中,S1=W1·σ((XtW2)W3(XtW4)T+b)
其中,Xt是输入的交通流特征矩阵;W1、W2、W3、W4以及b是通过数据驱动学习得到的参数矩阵;σ代表网络中使用的激活函数;S′1i,j代表空间注意力矩阵;S1代表路网的计算得到的空间注意力权重;i、j代表路网节点的编号。
可选地,所述优化后的目标图卷积模型的计算公式为:
A’=A⊙D⊙P
Hl=σ(A‘k⊙S′1Hl-1Wl);
其中,A’代表改进后的邻接矩阵;A代表路网节点的邻接矩阵;⊙代表哈达玛积操作;D代表路网距离改进矩阵;P代表路网步数改进矩阵;H代表每一层的输出;Hl代表第l层的输出;W代表网络训练的权重;σ代表激活函数;A‘k代表k阶改进后的邻接矩阵。
可选地,所述根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型这一步骤中,时间注意力矩阵的计算公式为:
S2=U1·σ((XnU2)U3(XnU4)T+b)
其中,S2代表路网时间注意力矩阵;Un、b代表可训练的参数矩阵;σ代表sigmiod激活函数;Xn代表输入的特征矩阵;S2i,j代表计算出来的时间注意力权重;S′2i,j代表归一化后的注意力矩阵;()T代表矩阵转置。
本发明实施例的另一方面还提供了一种基于时空图网络的交通流量预测装置,包括:
第一模块,用于获取城市交通路网数据,构建交通流的特征矩阵;
第二模块,用于根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;其中,所述目标图卷积模型用于提取输入数据中的空间特征;
第三模块,用于根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;其中,所述目标长短期记忆模型用于提取输入数据中的时间特征;
第四模块,用于融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;
第五模块,用于根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
下面结合说明书附图,对本发明的具体工作原理进行详细说明:
本实施例将模型应用于美国公路数据集PeMSD8上,PeMSD8是美国加利福利亚州的高速高速公路数据集。PeMSD8是加州Caltrans Performance Measurement System(PeMS)在实际的高速公路路网中采集获得的集计数据。路网中的交通流数据统计间隔为30秒,统计的特征包含车流量、平均速度、占有率。同时数据集还包含所有采集节点的位置信息,有利于研究对于路网空间结构的建模。
下面以图3为例介绍模型的训练过程,包括如下步骤:
1)、针对目标数据集PeMSD8,获取其路网基本信息,包括路网节点交通流量集计数据、交通节点邻接关系以及节点之间的距离信息;并把节点流量数据转化为目标的时间间隔,本实施例将节点流量数据统计间隔转化为5min。
2)、定义改进的GCN模型,如图1,包括以下步骤:
2.1)、定义GCN模型中的距离改进矩阵,其计算方法如下:
首先使用了Dijkstra算法对图节点进行贪心遍历求解最短路径,具体过程为:
2.1.1)、对图上的源节点vo和目标节点vt,将vo划入已知节点集合Vk,其余节点划入未知节点集合Vu。
2.1.2)、遍历寻找已知节点集合Vk中节点与未知节点集合Vu中节点之间的最小边长,并将该路径Vu一侧的节点加入Vk中,记录下该边两端的节点。
2.1.3)、重复循环步骤2.2),直至Vk同时包含vo和vt,此时根据遍历结果输出vo和vt之间的最短路径。
以此为基础建立起了距离改进矩阵D∈RN×N,其计算方式如下:
其中,d(vi,vj)代表节点vi和节点vj之间的最短路径长度,dmax代表在交通路网中所有节点之间最短路径长度的最大值。将节点之间的最短路径长度和路网中最大最短路径长度进行相除,实现了对于路径长度的归一化操作,合理地考虑了所有节点之间最短距离的相对大小关系。
2.2)、定义GCN中的步数改进矩阵,其计算方法如下:
对路网所有节点之间的最小转移步数进行求解,其过程和节点之间的最短路径类似。以此为基础建立起了步数改进矩阵P∈RN×N,它的计算方式如下:
其中,p(vi,vj)代表车辆在节点vi和节点vj之间转移时经过的最小的步数,而pmax代表在交通路网中所有节点之间最小步数的最大值。
2.3)、定义空间注意力矩阵,其计算方法如下:
对于包含有N个节点的图G而,它的空间注意力矩阵S’1∈RN×N计算方式如下:
S1=W1·σ((XtW2)W3(XtW4)T+b)
其中,Xt是输入的交通流特征矩阵,W1、W2、W3、W4以及b是通过数据驱动学习得到的参数矩阵。σ代表网络中使用的激活函数。空间注意力机制的物理含义是,对目标节点流量和路网中其它节点的数据进行迭代计算,从而寻找出和目标节点流量具有更大相关程度的影响节点,为这些节点赋予更大的权重,形成注意力矩阵。注意力矩阵的引入使模型能够关注这些重要的影响节点,挖掘出路网节点之间隐含的空间关联。
2.4)、改进的GCN模型计算方式如下:
A’=A⊙D⊙P
Hl=σ(A‘k⊙S′1Hl-1Wl)
其中,A代表路网节点的邻接矩阵,H代表每一层的输出,W代表网络训练的权重,σ代表激活函数,A’代表改进后的邻接矩阵,A‘k代表k阶改进后的邻接矩阵。从图卷积空域的运算表达式可以看出,GCN实现了对路网k阶领域内所有节点的特征的自适应聚合,从而生成了各节点的聚合特征。
3)、定义改进的LSTM模型,如图2,包括如下步骤:
3.1)、定义时间注意力矩阵S’2∈RT×T,其计算方式如下:
S2=U1·σ((XnU2)U3(XnU4)T+b)
其中的参数定义与空间注意力机制类似。时间注意力机制和空间注意力机制区别在于二者作用的数据维度不同,时间注意力更加注重于挖掘输入序列中发挥最大作用的序列元素,增强该序列元素的作用,实现更好的预测性能。
3.2)、定义改进的长短期记忆模型(LSTM)进行交通流数据时间关联特性的提取。其运算步骤为:
it‘=it⊙S′2i,j
ft=σ(Wf[ot-1,it]+bf)
nt=tanh(Wn[ot-1,it]+bn)
Ct=σ(WC[ot-1,it]+bC)
ht=Ct×ht-1+ft×nt
mt=σ(Wo[ot-1,it]+bo)
ot=mt×tanh(ht)
其中,σ代表sigmoid激活函数操作;ht-1、ot-1是上一时刻的隐含状态和输出;it、ot为当前时空输入和输出。
4)、定义融合模型STGM,如图3,输入序列矩阵X,首先会通过改进后的GCN模块中进行空间相关性的初步提取。随后,GCN模块的输出会被输入到LSTM模块中,每一个节点在GCN模块的输出结果作为一维特征,LSTM模块则会对每一维特征的输入序列提取时间相关性,最终得到时空图网络模型的整体输出Y。
为了对模型进行迭代优化,本发明指定均方误差(Mean Square Error,MSE)作为模型的损失函数。
整个过程使用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(RootMean Square Error,RMSE)作为评估指标。
本发明将实验的数据前80%用于构建训练集和验证集进行模型训练和优化,余下的20%作为测试集进行模型性能的评估以及与baseline模型的横向对比。实验结果见表1
表1
表1展示了STGM和其它基线模型在MAE、RMSE两项指标上的对比,反映模型的预测结果和真实值的实际差距。对比传统的数理统计模型VAR,基于深度学习的图网络模型对时间序列的预测精度更高,这表明深度学习方法在数据驱动的预测模型领域有一定的优势,同时结合了图理论对路网进行空间拓扑关系建模的图模型表现能力更为突出,这也表明对于交通图网络分析建模的必要性。
对比预测实验结果表示,时空图模型在MAE指标下的整体误差为16.83,在RMSE指标下的整体误差为25.94,对比其它的模型有更高的预测性能。
综上所述,本发明针对交通流预测问题交通流预测的问题提出了时空图模型。为了能合理考虑城市路网交通流的时空特征,本发明从交通时空特征建模的角度出发,对现有的模型进行了改进,并在这个基础上提出了新的交通流预测模型。
相较于现有技术,本发明具有以下优点:1.从道路网络空间特征中凝练出修正矩阵,并对GCN中的邻接矩阵对应元素进行了修正,使模型具有考虑路网中的异质性的功能。2.使用时间注意力机制对LSTM进行了改进,使模型可以更好地捕捉交通流序列中的时序特性。3.在对模型进行改进的基础上融合两种不同的模型,提出了时空图模型(Spatio-Temporal Graph Model,STGM)。
本发明提出的模型融合了GCN和LSTM的预测优势,并加入了改进方法提升了模型的预测能力。为了检验模型的预测效果,本发明在PeMSD8数据集上做了一系列的对比实验进行分析验证,结果表明模型具有优秀的预测性能。与前文等提出的模型相比,本发明提出的时空图网络模型不仅考虑了交通网络数据的交通特性,同时融合了注意力机制对交通流数据中隐含的关联特征进行挖掘,在预测任务上能实现更高的预测精度。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本发明所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本发明中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于时空图网络的交通流量预测方法,其特征在于,包括:
获取城市交通路网数据,构建交通流的特征矩阵;
根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;其中,所述目标图卷积模型用于提取输入数据中的空间特征;
根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;其中,所述目标长短期记忆模型用于提取输入数据中的时间特征;
融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;
根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。
2.根据权利要求1所述的一种基于时空图网络的交通流量预测方法,其特征在于,所述获取城市交通路网数据,构建交通流的特征矩阵,包括:
根据待预测的交通路网的实际需求,将连续时间划分为离散的时间间隔后,统计各个时间间隔下的交通道路网络信息;
根据交通路网的网络结构,将道路检测器划分为拓扑节点,得到交通道路网络节点;
根据所述交通道路网络节点的拓扑关系,分析各个节点之间的邻接关系,生成交通网络的邻接矩阵,并统计邻接节点之间的距离;
根据划分的时间间隔,统计每一个交通道路网络节点在不同时间间隔内的交通流车辆数,生成交通流的特征矩阵。
3.根据权利要求1所述的一种基于时空图网络的交通流量预测方法,其特征在于,所述根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型,包括:
在空间维度上同时结合图理论知识以及深度学习知识对所述初始图卷积模型进行优化;
其中,在所述图理论知识的层面,从交通图网络本身出发,提出节点间距离改进矩阵和步数改进矩阵对所述初始图卷积模型进行优化;
在所述深度学习知识的层面,将空间注意力机制与初始图卷积模型进行融合,实现对所述初始图卷积模型的优化。
4.根据权利要求3所述的一种基于时空图网络的交通流量预测方法,其特征在于,
所述节点间距离改进矩阵的计算过程为:
对于图上的源节点和目标节点,将所述源节点划入已知节点集合,其余节点划入未知节点集合;
遍历寻找已知节点集合中节点与未知节点集合中节点之间的最小边长,并将最小边长对应的路径一侧的节点加入所述已知节点集合中,记录下所述最小边长两端的节点;
重复遍历已知节点集合中节点与未知节点集合中节点之间的最小边长,直至同时包含所述源节点和所述目标节点;
根据遍历结果输出所述源节点和所述目标节点之间的最短路径;
其中,所述节点间距离改进矩阵的计算公式为:
Di,j代表节点vi和节点vj之间的距离,d(vi,vj)代表节点vi和节点vj之间的最短路径长度,dmax代表在交通路网中所有节点之间最短路径长度的最大值;
所述节点间步数改进矩阵的计算过程为:
对交通路网所有节点之间的最小转移步数进行求解,建立步数改进矩阵;
其中,所述步数改进矩阵的计算公式为:
其中,Pi,j代表节点vi和节点vj之间的步数;p(vi,vj)代表车辆在节点vi和节点vj之间转移时经过的最小的步数;而pmax代表在交通路网中所有节点之间最小步数的最大值。
6.根据权利要求1所述的一种基于时空图网络的交通流量预测方法,其特征在于,所述优化后的目标图卷积模型的计算公式为:
A’=A⊙D⊙P
Hl=σ(A‘k⊙S′1Hl-1Wl);
其中,A’代表改进后的邻接矩阵;A代表路网节点的邻接矩阵;⊙代表哈达玛积操作;D代表路网距离改进矩阵;P代表路网步数改进矩阵;H代表每一层的输出;Hl代表第l层的输出;W代表网络训练的权重;σ代表激活函数;A‘k代表k阶改进后的邻接矩阵。
8.一种基于时空图网络的交通流量预测装置,其特征在于,包括:
第一模块,用于获取城市交通路网数据,构建交通流的特征矩阵;
第二模块,用于根据所述特征矩阵,融合空间注意力机制对初始图卷积模型进行优化,得到优化后的目标图卷积模型;其中,所述目标图卷积模型用于提取输入数据中的空间特征;
第三模块,用于根据所述特征矩阵,融合时间注意力机制对初始长短期记忆模型进行了优化,得到优化后的目标长短期记忆模型;其中,所述目标长短期记忆模型用于提取输入数据中的时间特征;
第四模块,用于融合所述目标图卷积模型和所述目标长短期记忆模型,构建时空图模型;
第五模块,用于根据所述时空图模型对待预测交通流量数据进行预测,得到交通流量预测结果。
9.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211424117.3A CN115796007A (zh) | 2022-11-15 | 2022-11-15 | 一种基于时空图网络的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211424117.3A CN115796007A (zh) | 2022-11-15 | 2022-11-15 | 一种基于时空图网络的交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796007A true CN115796007A (zh) | 2023-03-14 |
Family
ID=85437602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211424117.3A Pending CN115796007A (zh) | 2022-11-15 | 2022-11-15 | 一种基于时空图网络的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796007A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
CN116187210A (zh) * | 2023-05-04 | 2023-05-30 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 |
CN117133116A (zh) * | 2023-08-07 | 2023-11-28 | 南京邮电大学 | 一种基于时空关联网络的交通流预测方法及系统 |
CN117852730A (zh) * | 2024-03-08 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆流转预测方法、装置、计算机设备和存储介质 |
-
2022
- 2022-11-15 CN CN202211424117.3A patent/CN115796007A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
CN116050672B (zh) * | 2023-03-31 | 2023-06-20 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
CN116187210A (zh) * | 2023-05-04 | 2023-05-30 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种lstm耦合机理模型的时空多源近岸海域水质时序预测方法 |
CN117133116A (zh) * | 2023-08-07 | 2023-11-28 | 南京邮电大学 | 一种基于时空关联网络的交通流预测方法及系统 |
CN117133116B (zh) * | 2023-08-07 | 2024-04-19 | 南京邮电大学 | 一种基于时空关联网络的交通流预测方法及系统 |
CN117852730A (zh) * | 2024-03-08 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆流转预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796007A (zh) | 一种基于时空图网络的交通流量预测方法 | |
Han et al. | Dynamic and multi-faceted spatio-temporal deep learning for traffic speed forecasting | |
Diehl et al. | Graph neural networks for modelling traffic participant interaction | |
Salamanis et al. | Managing spatial graph dependencies in large volumes of traffic data for travel-time prediction | |
CN114802296A (zh) | 一种基于动态交互图卷积的车辆轨迹预测方法 | |
CN114519932B (zh) | 一种基于时空关系抽取的区域交通状况集成预测方法 | |
CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN114944053B (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
CN114529081B (zh) | 一种时空联合的交通流量预测方法及装置 | |
CN113762595A (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
CN109951392B (zh) | 一种基于深度学习的中大型网络智能路由选择方法 | |
CN115346372A (zh) | 一种基于图神经网络的多组件融合交通流量预测方法 | |
CN115206092A (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
Xu et al. | AGNP: Network-wide short-term probabilistic traffic speed prediction and imputation | |
CN115862324A (zh) | 一种智慧交通的时空同步图卷积神经网络及交通预测方法 | |
Lu et al. | Graph sequence neural network with an attention mechanism for traffic speed prediction | |
CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
CN114969234A (zh) | 一种面向全量城市路网的向量表征方法 | |
CN114611814A (zh) | 聚合多尺度时空相似信息的城市交通流预测方法 | |
Mo et al. | Attentive differential convolutional neural networks for crowd flow prediction | |
CN116646021A (zh) | 融合元路径的分子异质图性质预测方法、存储介质及装置 | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
Abbas et al. | Scaling deep learning models for large spatial time-series forecasting | |
Chen et al. | Dynamic path flow estimation using automatic vehicle identification and probe vehicle trajectory data: A 3D convolutional neural network model | |
Zhao et al. | STCGAT: A spatio-temporal causal graph attention network for traffic flow prediction in intelligent transportation systems |
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 |