CN115809747A - 一种基于金字塔式因果网络的耦合信息流长期预测方法 - Google Patents
一种基于金字塔式因果网络的耦合信息流长期预测方法 Download PDFInfo
- Publication number
- CN115809747A CN115809747A CN202310065473.9A CN202310065473A CN115809747A CN 115809747 A CN115809747 A CN 115809747A CN 202310065473 A CN202310065473 A CN 202310065473A CN 115809747 A CN115809747 A CN 115809747A
- Authority
- CN
- China
- Prior art keywords
- time
- pyramid
- information
- network
- causal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000007774 longterm Effects 0.000 title claims abstract description 27
- 230000008878 coupling Effects 0.000 title claims abstract description 19
- 238000010168 coupling process Methods 0.000 title claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 19
- 230000001364 causal effect Effects 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000001965 increasing effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 241000135164 Timea Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于金字塔式因果网络的耦合信息流长期预测方法,适用于预测耦合信息流的长时时空信息,该方案采用因果性指标判断,以交通流为例,通过检测器获取的车辆速度时间序列数据为基础构建因果网络,通过互信息估计方法来计算因果熵,完成因果网络的构建。利用金字塔时空网络模型,从输入预处理层到时空块层,得到预测结果。其中每个时空块包含一个可以双向提取时间序列数据的时间金字塔模块和一个可以总结因果网络和地理网络信息的残差多图卷积网络模块。该方法可达到较高的信息流长时预测精度,可为在智能交通系统提供有效数据支撑。
Description
技术领域
本发明涉及一种预测方法,具体涉及一种基于金字塔式因果网络的耦合信息流长期预测方法,属于预测耦合信息流术领域。
背景技术
随着网络信息平台的不断发展,信息流在现代管理、市场营销、舆情监测、交通等领域都有所体现。信息流预测的目标是通过给出网络结构和历史数据,预测未来一段时间内信息流变化的总体趋势。由于近年来信息流数据类型和数量的爆炸性增长,人们对有效稳定的信息流预测方法有着强烈的需求。一般来说,信息流预测模型大致可以分为两类:经典统计方法和数据驱动方法。
当网络系统不复杂,即检测器单元较少时,利用统计方法预测耦合信息流是可行的。历史均值模型(HA)通过最小二乘法进行估计,一定程度内解决不同时间、时段的信息流变化问题;时间序列算法(ARIMA)等传统统计方法利用时间序列观测值之间的依赖关系和相关性,从而进行动态预测。然而,受统计方法处理高维时间序列数据能力的限制和网络规模和数据量的增加,越来越多的研究人员开始关注基于数据驱动的预测方法。由于神经网络算法在处理人类活动、社会关系、空气质量等复杂数据方面的显著优势,深度神经网络为解决耦合信息流预测问题提供了新的思路。目前已有许多神经网络方法用于信息流预测,如深度置信网络(DBN)、堆叠式自编码器(SAE)等,它们能够有效地学习高维数据的特征。最近提出的T-GCN模型是利用图卷积方法提取图信息,结合循环神经网络(RNN)预测信息流,可以获得良好的预测结果。但是,基于数据驱动的交通流预测方法数据仍面临两个困难:(1)由于受卷积神经网络接收域的限制,T-GCN模型不能有效地总结网络的全局信息。网络具有长距离依赖性,基于网络的T-GCN模型不能保证长期交通流预测的稳定性;(2)受RNN方法性能的限制,T-GCN模型在处理长期预测任务时不能有效地聚合数据的长期依赖性,会导致预测结果不准确。因此,这些基于数据驱动的预测方法仍然不能提取网络的全球空间信息,不能把握时间序列数据的长期依赖性。因此,迫切的需要一种新的方案解决上述技术问题。
发明内容
本发明正是针对现有技术中存在的问题,提供一种金字塔时空网络模型(PSTN)来进行耦合信息流的预测,特别是交通流的长期预测。根据上述分析,网络不能很好地提取数据的长距离依赖性。因此,我们引入因果网络来重新构建交通流网络。通过因果网络构建,每个节点的父节点,即影响该节点产生变化的节点,将是该节点的一阶邻居,然后通过图卷积网络(GCN)获得网络空间的因果关系,利用多种提取方法提取时间序列数据的时间特征。本发明可以更有效地获取耦合信息流网络的时空信息,特别是在长期预测方面有较好的效果。
为了实现上述目的,本发明的技术方案如下,一种基于金字塔式因果网络的耦合信息流长期预测方法,所述方法包括以下步骤:
步骤1:因果网络重构;
步骤2:金字塔时空网络模型建立。
其中,步骤1:因果网络重构,包括以下两个步骤
其中,步骤2:金字塔时空网络模型建立,该阶段包括三个步骤:
步骤21:预处理;
步骤22:时空块;
步骤23:解码输出。
其中,步骤21:预处理,具体如下:将时间数据进行预处理并改变数据的维数,分为两个部分:
1、学习每个时间段的权重,从而找到最重要的时间段,并通过赋予更高的权重来强调该
其中,步骤22:时空块,具体如下:时空块(STBlock)。每个时空块包含一个可以双向提取时间序列数据的时间金字塔模块和一个可以总结因果网络和地理网络信息的残差多图卷积网络模块。
步骤22-1、时间模块,本发明通过金字塔式时间模型提取时间序列信息,具体如下:
步骤22-1.2通过金字塔结构提取数据后,每一层都会得到不同长度的的时间序列数据。然后将门控循环神经网络(GRU)分别应用于每个金字塔层,模型如下:
步骤22-2、空间模块;具体如下:
本发明设定Chebyshev多项式阶为1,并逼近最大特征值为2,由此得到GCN模型为:
步骤22-2.2为了保证STBlock不改变数据维数,空间模块的输出维数将增加,公式如下:
其中,步骤23:解码输出,具体如下,根据一系列线性变换,本发明对提取的信息进行解码,使输出特征维数为1,模型如下:
相对于现有技术,本发明具有如下优点,1)该技术方案本发明利用数据驱动的方法,结合了网络和因果网络,可以通过提取分布式空间特征来捕捉更深层的网络关系;2)本发明对于耦合信息流预测工作有显著的改善,明显优于其他模型;3)本发明在PeMSD7(M)数据集上取得了出色的预测性能,其长期预测精度比其他广泛应用的时空预测模型有较好的提升。
附图说明
图1为本发明整体流程图;
图2为STBlock流程图;
图3 为预处理流程图。
具体实施方式
为了加深对本发明的理解,下面结合附图对本实施例做详细的说明。
实施例1:参见图1-图3,一种基于金字塔式因果网络的耦合信息流长期预测方法,所述方法包括以下步骤:
步骤1:因果网络重构;
步骤2:金字塔时空网络模型建立。
其中,步骤1:因果网络重构,包括以下两个步骤:
以交通流为例,为了根据探测器获得的车辆速度信息重构网络结构,本发明选择将每个探测器视为一个节点,从而组成一个节点集,并假设两个节点的因果熵大于0时,连接两个节点的边归入集合中,矩阵为以因果熵为权值的矩阵。则其因果网络图为,可以描述每一个探测器之间的交通流信息传递情况。
因果性指标判断可分为两个部分:因果节点的聚合和非因果节点的移除。
1、聚合算法:由于变量在时刻对其在时刻的状态有因果影响,该指标可将初始条件集设为。任一节点,将节点的最大因果熵节点记为,并将它添加到条件中。重复上述步骤,直到没有节点能使因果熵大于0,这样我们就可以获得条件集。
其中,步骤2:金字塔时空网络模型建立,该阶段包括三个步骤:
步骤21:预处理;
步骤22:时空块;
步骤23:解码输出。
其中,步骤21:预处理,具体如下:将时间数据进行预处理并改变数据的维数,分为两个部分:
1、学习每个时间段的权重,从而找到最重要的时间段,并通过赋予更高的权重来强调该
其中,步骤22:时空块,具体如下:时空块(STBlock)。每个时空块包含一个可以双向提取时间序列数据的时间金字塔模块和一个可以总结因果网络和地理网络信息的残差多图卷积网络模块。
步骤22-1、时间模块,本发明通过金字塔式时间模型提取时间序列信息,
步骤22-1.2通过金字塔结构提取数据后,每一层都会得到不同长度的的时间序列数据。然后将门控循环神经网络(GRU)分别应用于每个金字塔层,模型如下:
步骤22-2、空间模块;具体如下:
本发明设定Chebyshev多项式阶为1,并逼近最大特征值为2,由此得到GCN模型为:
步骤22-2.2为了保证STBlock不改变数据维数,空间模块的输出维数将增加,公式如下:
其中,步骤23:解码输出,具体如下,根据一系列线性变换,本发明对提取的信息进行解码,使输出特征维数为1,模型如下:
该发明以交通流为例,首先采用因果性指标判断,以检测器获取的车辆速度时间序列数据为基础构建因果网络,通过基于KNN的互信息估计方法来计算因果熵,完成因果网络的构建。接着,该发明利用金字塔时空网络模型,从输入预处理层到时空块层(STBlock),最后得到结果。其中每个时空块包含一个可以双向提取时间序列数据的时间金字塔模块和一个可以总结因果网络和地理网络信息的残差多图卷积网络模块。本发明利用时空数据的邻域信息进行分布式特征提取,保证长期预测的稳定性;所提出的金字塔时空网络模型比其他广泛使用的时空预测模型具有更好的预测效果。
实施例2:一种基于金字塔式因果网络的耦合信息流长期预测方法,所述方法包括以下步骤:
步骤一:以交通流为例,如图1,将节点设为初始条件集,其中为探测器节点集。任一节点,从而组成一个将节点的最大因果熵节点记为,并将它添加到条件中。重复上述步骤,直到没有节点能使因果熵大于0,这样我们就可以获得条件集;
步骤四:通过互信息公式
从而得到因果熵的值,构建出因果网络;
表1 本发明与其他时空预测模型预测效果对比;
通过表1数据,我们可以发现本发明在PeMSD7(M)数据集上取得了较为出色的预测性能,其长期预测精度比其他时空预测模型更高。
需要说明的是上述实施例,并非用来限定本发明的保护范围,在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。
Claims (10)
1.一种基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,所述方法包括以下步骤:
步骤1:因果网络重构;
步骤2:金字塔时空网络模型建立。
2.根据权利要求1所述的基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,步骤1:因果网络重构,包括两个步骤:
步骤11:构建复杂因果网络;
步骤12:计算因果熵。
3.根据权利要求2所述的基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,步骤11:采用基于因果性指标的因果推理方法来构建复杂的因果网络,对于事件 ,通过信息熵来反映信息的不确定性,其公式为:
5.根据权利要求1所述的基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,步骤2:金字塔时空网络模型建立,包括三个步骤:
步骤21:预处理;
步骤22:时空块;
步骤23:解码输出。
6.根据权利要求5所述的基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,步骤21:预处理,具体如下:将时间数据进行预处理并改变数据的维数,分为两个部分:
(1)学习每个时间段的权重,从而找到最重要的时间段,并通过赋予更高的权重来强调该
7.根据权利要求6所述的基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,步骤22:时空块,包括两个模块:
步骤22-1、时间模块;
步骤22-2、空间模块。
8.根据权利要求7所述的基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,步骤22-1、时间模块;通过金字塔式时间模型提取时间序列信息,具体如下:
步骤22-1.2通过金字塔结构提取数据后,每一层都会得到不同长度的的时间序列数据,然后将门控循环神经网络(GRU)分别应用于每个金字塔层,模型如下:
9.根据权利要求8所述的基于金字塔式因果网络的耦合信息流长期预测方法,其特征在于,步骤22-2、空间模块,具体如下:
设定Chebyshev多项式阶为1,并逼近最大特征值为2,由此得到GCN模型为:
步骤22-2.2为了保证STBlock不改变数据维数,空间模块的输出维数将增加,公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065473.9A CN115809747B (zh) | 2023-02-06 | 2023-02-06 | 一种基于金字塔式因果网络的耦合信息流长期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065473.9A CN115809747B (zh) | 2023-02-06 | 2023-02-06 | 一种基于金字塔式因果网络的耦合信息流长期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115809747A true CN115809747A (zh) | 2023-03-17 |
CN115809747B CN115809747B (zh) | 2023-05-09 |
Family
ID=85487533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310065473.9A Active CN115809747B (zh) | 2023-02-06 | 2023-02-06 | 一种基于金字塔式因果网络的耦合信息流长期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809747B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851920A (zh) * | 2024-03-07 | 2024-04-09 | 国网山东省电力公司信息通信公司 | 电力物联数据异常检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
CN112348222A (zh) * | 2020-05-08 | 2021-02-09 | 东南大学 | 一种基于因果逻辑和图卷积特征提取的网络耦合时序信息流预测方法 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
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 |
CN114626607A (zh) * | 2022-03-16 | 2022-06-14 | 福建工程学院 | 一种基于时空图小波卷积神经网络的交通流预测方法 |
CN115240418A (zh) * | 2022-07-20 | 2022-10-25 | 浙江科技学院 | 基于因果门控-低通图卷积网络的短时交通流量预测方法 |
CN115240425A (zh) * | 2022-07-26 | 2022-10-25 | 西北师范大学 | 一种基于多尺度时空融合图网络的交通预测方法 |
CN115660135A (zh) * | 2022-09-02 | 2023-01-31 | 天津大学 | 基于贝叶斯方法和图卷积的交通流预测方法及系统 |
-
2023
- 2023-02-06 CN CN202310065473.9A patent/CN115809747B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348222A (zh) * | 2020-05-08 | 2021-02-09 | 东南大学 | 一种基于因果逻辑和图卷积特征提取的网络耦合时序信息流预测方法 |
CN112289034A (zh) * | 2020-12-29 | 2021-01-29 | 四川高路交通信息工程有限公司 | 基于多模态时空数据的深度神经网络鲁棒交通预测方法 |
CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
CN113268916A (zh) * | 2021-04-07 | 2021-08-17 | 浙江工业大学 | 一种基于时空图卷积网络的交通事故预测方法 |
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 |
CN114626607A (zh) * | 2022-03-16 | 2022-06-14 | 福建工程学院 | 一种基于时空图小波卷积神经网络的交通流预测方法 |
CN115240418A (zh) * | 2022-07-20 | 2022-10-25 | 浙江科技学院 | 基于因果门控-低通图卷积网络的短时交通流量预测方法 |
CN115240425A (zh) * | 2022-07-26 | 2022-10-25 | 西北师范大学 | 一种基于多尺度时空融合图网络的交通预测方法 |
CN115660135A (zh) * | 2022-09-02 | 2023-01-31 | 天津大学 | 基于贝叶斯方法和图卷积的交通流预测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851920A (zh) * | 2024-03-07 | 2024-04-09 | 国网山东省电力公司信息通信公司 | 电力物联数据异常检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115809747B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507521B (zh) | 台区电力负荷预测方法及预测装置 | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
Chen et al. | Short-term wind speed forecasting with principle-subordinate predictor based on Conv-LSTM and improved BPNN | |
Bo et al. | Wind speed forecasting system based on the variational mode decomposition strategy and immune selection multi-objective dragonfly optimization algorithm | |
CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN114299723B (zh) | 一种交通流量预测方法 | |
CN115240425A (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN112364975A (zh) | 基于图神经网络的终端运行状态预测方法及系统 | |
CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
Xu et al. | Graph partitioning and graph neural network based hierarchical graph matching for graph similarity computation | |
CN117117859B (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
CN114548592A (zh) | 一种基于cemd和lstm的非平稳时间序列数据预测方法 | |
CN115809747A (zh) | 一种基于金字塔式因果网络的耦合信息流长期预测方法 | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
CN115862319A (zh) | 一种面向时空图自编码器的交通流量预测方法 | |
CN111277646B (zh) | 群智感知中基于关联关系和地理位置预测的任务分发方法 | |
CN115510975A (zh) | 基于并行Transofmer-GRU的多变量时序异常检测方法及系统 | |
CN115630101A (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
CN117494898A (zh) | 一种结合注意力机制的时间序列预测方法 | |
CN117175588A (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
CN111832623A (zh) | 一种基于相空间重构的回声状态网络时间序列预测算法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 |
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 |