CN115935796A - 一种基于时空异质的和同步的图卷积网络交通流预测方法 - Google Patents
一种基于时空异质的和同步的图卷积网络交通流预测方法 Download PDFInfo
- Publication number
- CN115935796A CN115935796A CN202211454654.2A CN202211454654A CN115935796A CN 115935796 A CN115935796 A CN 115935796A CN 202211454654 A CN202211454654 A CN 202211454654A CN 115935796 A CN115935796 A CN 115935796A
- Authority
- CN
- China
- Prior art keywords
- time
- traffic
- space
- data
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 47
- 230000001364 causal effect Effects 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 73
- 238000012360 testing method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 241000970807 Thermoanaerobacterales Species 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空异质的和同步的图卷积网络交通流预测方法，包括：生成时间序列的交通数据、交通节点图和邻接矩阵；利用交通数据和邻接矩阵训练图自编码器，得到交通数据的高阶表示，对交通节点进行聚类；构建时空异质的和同步的图卷积网络，该网络中对不同簇的交通节点部署不同的网络，对每一簇的交通节点构建扩张因果时空同步图，同时在每一簇中不同时间步也使用不同的时空同步图卷积模块。本发明将交通节点划分为不同类别，针对不同类别构建不同模型，体现了空间异质性，同时在每个模型中针对不同时间步部署不同的模块，以体现时间异质性，另外通过构建扩张因果时空同步图来同时捕获时间和空间相关性，进而使模型达到精确的预测精度。
Description
技术领域
本发明属于交通预测技术领域，涉及一种基于时空异质的和同步的图卷积网络交通流预测方法。
背景技术
随着经济社会的不断发展，人民生活水平的提高，汽车保有量逐年显著增加，很多情况下交通路网的建设速度跟不上汽车数量的增长速度，由此导致交通路网的负荷越来越大，带来了交通拥堵等一系列的交通问题。在有限的路网条件下，智能交通控制系统(ITS)是解决交通问题的最有效的科学方法之一。通过智能交通控制系统科学调度路网中的通行车辆，诱导交通流平稳运行，对解决交通问题具有重要的实际意义。准确的交通流预测是智能交通系统的重要功能，不仅可以帮助人们更合理地规划车辆路线，改善出行体验，而且还能够为交通部门制定管理方案、合理分配交通资源等提供参考依据。因此，如何设计更有效的交通流预测模型，提高交通流预测的精度显得尤为重要。
交通流数据有以下三个特点：(1)时间相关性和空间相关性，即时间依赖和空间依赖。交通节点在每个时刻的交通流自身节点历史时刻交通流的影响，同一个时刻每个交通节点的交通流也受其他交通节点交通流的影响，时间依赖和空间依赖同时存在，且随时间和空间的变化而不同；(2)时间异质性和空间异质性。交通节点在不同时刻的交通流存在不同的规律，在同一时刻，不同交通节点的交通流模式也不相同；(3)时间上的因果性。在时间维度上，历史时刻的交通流与当前时刻的交通流存在单向的因果关系，历史时刻的交通流造成了当前时刻的交通流，而当前时刻的交通流并不会导致历史时刻的交通流。如果建模时同时考虑交通流数据的以上特点，模型的预测精度将会更佳。
随着深度学习技术的发展，图卷积网络(GCN)因其出色的特征提取能力而被广泛地应用于交通流预测领域。同时，循环神经网络(RNN)以其变体长短期记忆网络(LSTM)和门控循环单位(GRU)也大量被用于提取交通时间序列的时间相关性。但以往的方法大多分别去捕获时间依赖和空间依赖，少部分方法能同时提取时间特征和空间特征，但没有同时考虑到交通流数据的时间异质性和空间异质性，另外，对交通流数据在时间上的因果性也体现的不够充分。
发明内容
发明目的：针对上述问题，本发明引入一种基于时空异质的和同步的图卷积网络交通流预测方法。该方法能同时捕获交通流数据的时间依赖和空间依赖，同时考虑到了交通流数据的时间异质性和空间异质性，也充分体现了交通流数据在时间上的因果性，能有效提升模型的预测精度。
技术方案：一种基于时空异质的和同步的图卷积网络交通流预测方法，包括如下步骤：
步骤1)通过数据采集设备采集路网中的交通流数据，远程传输并存储至交通数据服务器，根据数据采集时间生成时间序列的交通数据；
步骤2)按照数据采集设备在路网中的位置生成交通节点图和邻接矩阵，并将时间序列的交通数据按Z-score方法进行标准化，然后将其划分为训练集、验证集、测试集；
步骤3)利用交通数据和邻接矩阵训练图自编码器GAE，得到交通流数据的高阶表示，根据交通流数据的高阶表示，通过bi-kmeans算法对交通节点进行聚类；
步骤4)根据聚类结果，构建时空异质的和同步的图卷积网络，该网络中对不同簇的交通节点部署不同的网络，对每一簇的交通节点构建扩张因果时空同步图，同时在每一簇中不同时间步也使用不同的时空同步图卷积模块；
步骤5)用训练集训练时空异质的和同步的图卷积网络，用验证集验证训练效果，并用测试集测试模型的预测精度。
进一步，所述步骤1)中，在路网中部署N个数据采集设备；以五分钟为一个时间步，每个数据采集设备在每个时间步均采集一次交通流数据，包含C个交通流特征，包括该时间步内通过的交通流量、车辆平均速度、车道占有率等；采集过程的时间跨度为T，即包含T个时间步；最终远程传输并存储至交通数据服务器的时间序列交通数据集为
进一步，所述步骤2)中，按照数据采集设备在路网中的位置生成交通节点图和邻接矩阵，并将时间序列的交通数据按Z-score方法进行标准化，然后将其划分为训练集、验证集、测试集，具体步骤包括：
步骤2-1：按照数据采集设备在路网中的位置生成交通节点图G＝(V,E,A)，其中，V为交通节点的集合，代表部署在路网中的N个采集设备；E为交通节点图中的边，表示各交通节点之间的关系；A代表图结构中的邻接矩阵；根据数据采集设备之间的位置关系生成邻接矩阵，其结构为
邻接矩阵中每个元素的值定义为：
步骤2-2：使用Z-score方法对时间序列的交通数据X进行标准化处理，计算方法如下：
其中mean(X)表示X的均值，std(X)代表X的标准差；
步骤2-3：将标准化处理后的交通数据X'按6：2：2的比例划分成训练集、验证集和数据集。
进一步，所述步骤3)中，利用交通数据和邻接矩阵训练图自编码器GAE，得到交通流数据的高阶表示，根据交通流数据的高阶表示，通过bi-kmeans算法对交通节点进行聚类，其具体过程为：
步骤3-1：构造图自编码器GAE，由一个编码器和一个解码器构成；具体步骤如下：
步骤3-1-1：编码器由两层注意力机制叠加组成，对于节点vi，单层注意力机制表达式为：
其中
分别代表节点vi在第l层和第l+1层的节点状态，
表示第l层中节点vi和节点vj之间的注意力系数；该注意力系数分三步求得，首先定义非线性变换函数为f(x)＝LeakyReLU(xW+b)；然后利用缩放点积法计算节点vi和节点vj之间的相关系数
其中C为交通节点的特征通道数；再对相关系数
进行softmax归一化，得到注意力系数
两层注意力机制的编码器表达式为：
步骤3-1-2：解码器通过计算节点对的内积来重构原始网络结构，得到重构的邻接矩阵
该邻接矩阵中的元素计算方式为：
步骤3-2：通过重构损失函数
来训练GAE，得到交通流数据的高阶表示
T表示采集过程的时间跨度，N表示探测设备的数量，将交通节点的特征从C维的交通流特征变换为C'维的隐藏特征，以提高其特征表达能力；
步骤3-3：将交通流数据的高阶表示
变换为
通过bi-kmeans算法对交通节点进行聚类；定义节点vi和节点vj之间的距离为
簇内误差平方和
其中K表示簇的总数，Gj表示第j个簇，μj为第j个簇的中心；聚类过程为：将所有节点视为一个簇；当簇的个数小于K时，选择能最大程度降低SSE的簇进行二分，即k＝2的k-means聚类；重复上一步，直到簇的个数达到K；画出一定范围内K的取值和SSE的曲线，然后根据手肘法确定K的值：SSE和K的关系图是一个手肘的形状，而肘部对应的K值就是数据的真实聚类数；聚类完成之后，交通节点分为K簇：V＝(VG1,VG2,…,VGK)，交通节点数为：N＝NG1+NG2+…+NGK,对应的交通流数据为：X＝(XG1,XG2,…,XGK)。
进一步，所述步骤4)中，根据聚类结果构建时空异质的和同步的图卷积网络的具体步骤如下：
步骤4-1：对每个交通节点簇VGi,1≤i≤K，部署一个扩张因果时空同步图卷积网络DCSTS-GCN，以体现交通数据的空间异质性，其输入数据为
输出数据
其中Th表示历史时间序列的长度，Tp表示预测时间序列的长度；
步骤4-2：对每个扩张因果时空同步图卷积网络的输入数据增加时空嵌入，以提高模型捕获时空依赖的能力；空间嵌入为
时间嵌入为
步骤4-3：在扩张因果时空同步图卷积网络中，先通过全连接层对输入数据进行维度变换，得到输入数据的高维表示，然后堆叠三层扩张因果时空同步图卷积层DCSTS-GCL；
步骤4-4：在每层扩张因果时空同步图卷积层中，根据簇内交通节点的时空关系，构建相应数量的扩张因果时空同步图DCSTSG，详细过程如下：
步骤4-4-1：每个扩张因果时空同步图由两个时间步组成，同时包含了时间和空间依赖，其邻接矩阵AST形状为2N*2N；将第l层的扩张率设置为2l，时间步t中的任一节点vi不仅与其空间邻居节点相连，而且与距离为2l的时间步t-2l中的自身节点相连，但并不与时间步t+2l的自身节点相连，以体现因果性；
步骤4-4-2：设第l层的输入历史时间序列长度为
则在第l层中分别选取距离为2l时间步对
构建h-2l个扩张因果时空同步图。
步骤4-5：在每层扩张因果时空同步图卷积层中，针对不同的扩张因果时空同步图，部署不同时空同步图卷积模块DCSTS-GCM，以体现时间异质性；第l层中部署的时空同步图卷积模块的数量为h-2l；
步骤4-6：通过扩张因果时空同步图和时空同步图卷积模块来同时提取时空依赖；其具体步骤如下：
步骤4-6-1：在每个时空同步图卷积模块中，堆叠M层门控GCN，上一层门控GCN的输出作为下一层门控GCN的输入；
步骤4-6-2：每个门控GCN中，先设计时空注意力矩阵
其形状为2N*2N，其主对角线上为两个形状为N*N的空间注意力矩阵
和
表示两个时间步中各节点之间的权重；副对角线上分别为形状为N*N的时间注意力矩阵
和形状为N*N的全零矩阵，
表示两个时间步之间N个节点与自身节点的权重；将时空注意力矩阵
与扩张因果时空图的邻接矩阵AST按位相乘得到新邻接矩阵
作为下一步门控GCN中的邻接矩阵；
步骤4-6-3：使用门控GCN聚合输入时间序列的时空特征，公式为：hm＝tanh(A'STh(m-1)W1+b1)⊙σ(A'STh(m-1)W2+b2)，其中h(m-1)为第m个门控GCN的输入，hm为第m个门控GCN的输出；tanh(·)表示tanh激活函数，σ(·)表示sigmoid激活函数；
步骤4-6-4：三层门控GCN之间采用跳跃知识连接，对所有门控GCN的输出进行最大池化，hmp＝MaxPooling(h1,h1,…,hM)，再经过一个全连接层，得到对应的扩张因果时空同步图卷积层的输出。
步骤4-7：将所有扩张因果时空同步图卷积层的输出进行拼接，经过双层全连接层，得到该扩张因果时空同步图卷积网络的输出YGi；K个扩张因果时空同步图卷积网络的输出组成了时空异质的和同步的图卷积网络的输出：Y＝(YG1,YG2,…,YGK)。
进一步，所述步骤5)中，用训练集训练时空异质的和同步的图卷积网络，用验证集验证训练效果，并用测试集测试模型的预测精度，其具体步骤如下：
步骤5-1：确定时空异质的和同步的图卷积网络的各项超参数，包括交通节点的簇数、扩张因果时空同步图卷积层的层数、扩张因果时空同步图卷积模块的个数、门控GCN的个数及输入输出维度、各全连接层的输入输出维度；设置训练过程中的超参数，包括批处理大小、可变学习率、步长等，初始化各项权重参数；
步骤5-2：利用训练集训练模型，选择平均绝对误差函数为损失函数，通过模型正向传播、误差反向传播、随机梯度下降法来迭代更新模型中的各项权重，训练过程中使用验证集验证模型的训练效果；
步骤5-3：迭代次数或损失函数达到预设值后结束训练，将测试集输入训练得到的模型，测试模型的预测精度。
有益效果：本发明针对以往的方法大多分别去捕获时间依赖和空间依赖，而且没有同时考虑到交通流数据的时间异质性和空间异质性，另外，对交通流数据在时间上的因果性也体现的不够充分，因此模型的预测精度还有较大提升空间。为此，本发明引入一种基于时空异质的和同步的图卷积网络交通流预测方法。该方法能同时捕获交通流数据的时间依赖和空间依赖，同时考虑到了交通流数据的时间异质性和空间异质性，也充分体现了交通流数据在时间上的因果性，能有效提升模型的预测精度。
附图说明
图1为本发明的基于时空异质的和同步的图卷积网络交通流预测方法步骤示意图；
图2为本发明的基于时空异质的和同步的图卷积网络模型结构图；
图3为本发明中扩张因果时空同步图卷积网络模型结构图；
图4为本发明的基于时空异质的和同步的图卷积网络模型测试集数据拟合图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图3所示，一种基于时空异质的和同步的图卷积网络交通流预测方法，包括如下步骤：
步骤1)通过数据采集设备采集路网中的交通流数据，远程传输并存储至交通数据服务器，根据数据采集时间生成时间序列的交通数据；
所述步骤1)中，在路网中部署N个数据采集设备；以五分钟为一个时间步，每个数据采集设备在每个时间步均采集一次交通流数据，包含C个交通流特征，包括该时间步内通过的交通流量、车辆平均速度、车道占有率等；采集过程的时间跨度为T，即包含T个时间步；最终远程传输并存储至交通数据服务器的时间序列交通数据集为
步骤2)按照数据采集设备在路网中的位置生成交通节点图和邻接矩阵，并将时间序列的交通数据按Z-score方法进行标准化，然后将其划分为训练集、验证集、测试集；
所述步骤2)中，按照数据采集设备在路网中的位置生成交通节点图和邻接矩阵，并将时间序列的交通数据按Z-score方法进行标准化，然后将其划分为训练集、验证集、测试集，具体步骤包括：
步骤2-1：按照数据采集设备在路网中的位置生成交通节点图G＝(V,E,A)，其中，V为交通节点的集合，代表部署在路网中的N个采集设备；E为交通节点图中的边，表示各交通节点之间的关系；A代表图结构中的邻接矩阵；根据数据采集设备之间的位置关系生成邻接矩阵，其结构为
邻接矩阵中每个元素的值定义为：
步骤2-2：使用Z-score方法对时间序列的交通数据X进行标准化处理，计算方法如下：
其中mean(X)表示X的均值，std(X)代表X的标准差；
步骤2-3：将标准化处理后的交通数据X'按6：2：2的比例划分成训练集、验证集和数据集。
步骤3)利用交通数据和邻接矩阵训练图自编码器GAE，得到交通流数据的高阶表示，根据交通流数据的高阶表示，通过bi-kmeans算法对交通节点进行聚类；
所述步骤3)中，利用交通数据和邻接矩阵训练图自编码器GAE，得到交通流数据的高阶表示，根据交通流数据的高阶表示，通过bi-kmeans算法对交通节点进行聚类，其具体过程为：
步骤3-1：构造图自编码器GAE，由一个编码器和一个解码器构成；具体步骤如下：
步骤3-1-1：编码器由两层注意力机制叠加组成，对于节点vi，单层注意力机制表达式为：
其中
分别代表节点vi在第l层和第l+1层的节点状态，
表示第l层中节点vi和节点vj之间的注意力系数；该注意力系数分三步求得，首先定义非线性变换函数为f(x)＝LeakyReLU(xW+b)；然后利用缩放点积法计算节点vi和节点vj之间的相关系数
其中C为交通节点的特征通道数；再对相关系数
进行softmax归一化，得到注意力系数
两层注意力机制的编码器表达式为：
步骤3-1-2：解码器通过计算节点对的内积来重构原始网络结构，得到重构的邻接矩阵
该邻接矩阵中的元素计算方式为：
步骤3-2：通过重构损失函数
来训练GAE，得到交通流数据的高阶表示
T表示采集过程的时间跨度，N表示探测设备的数量，将交通节点的特征从C维的交通流特征变换为C'维的隐藏特征，以提高其特征表达能力；
步骤3-3：将交通流数据的高阶表示
变换为
通过bi-kmeans算法对交通节点进行聚类；定义节点vi和节点vj之间的距离为
簇内误差平方和
其中K表示簇的总数，Gj表示第j个簇，μj为第j个簇的中心；聚类过程为：将所有节点视为一个簇；当簇的个数小于K时，选择能最大程度降低SSE的簇进行二分，即k＝2的k-means聚类；重复上一步，直到簇的个数达到K；画出一定范围内K的取值和SSE的曲线，然后根据手肘法确定K的值：SSE和K的关系图是一个手肘的形状，而肘部对应的K值就是数据的真实聚类数；聚类完成之后，交通节点分为K簇:V＝(VG1,VG2,…,VGK)，交通节点数为：N＝NG1+NG2+…+NGK，对应的交通流数据为：X＝(XG1,XG2,…,XGK)。
步骤4)根据聚类结果，构建时空异质的和同步的图卷积网络，该网络中对不同簇的交通节点部署不同的网络，对每一簇的交通节点构建扩张因果时空同步图，同时在每一簇中不同时间步也使用不同的时空同步图卷积模块；
所述步骤4)中，根据聚类结果构建时空异质的和同步的图卷积网络的具体步骤如下：
步骤4-1：对每个交通节点簇VGi,1≤i≤K，部署一个扩张因果时空同步图卷积网络DCSTS-GCN，以体现交通数据的空间异质性，其输入数据为
输出数据
其中Th表示历史时间序列的长度，Tp表示预测时间序列的长度；
步骤4-2：对每个扩张因果时空同步图卷积网络的输入数据增加时空嵌入，以提高模型捕获时空依赖的能力；空间嵌入为
时间嵌入为
步骤4-3：在扩张因果时空同步图卷积网络中，先通过全连接层对输入数据进行维度变换，得到输入数据的高维表示，然后堆叠三层扩张因果时空同步图卷积层DCSTS-GCL；
步骤4-4：在每层扩张因果时空同步图卷积层中，根据簇内交通节点的时空关系，构建相应数量的扩张因果时空同步图DCSTSG，详细过程如下：
步骤4-4-1：每个扩张因果时空同步图由两个时间步组成，同时包含了时间和空间依赖，其邻接矩阵AST形状为2N*2N；将第l层的扩张率设置为2l，时间步t中的任一节点vi不仅与其空间邻居节点相连，而且与距离为2l的时间步t-2l中的自身节点相连，但并不与时间步t+2l的自身节点相连，以体现因果性；
步骤4-4-2：设第l层的输入历史时间序列长度为
则在第l层中分别选取距离为2l时间步对
构建h-2l个扩张因果时空同步图。
步骤4-5：在每层扩张因果时空同步图卷积层中，针对不同的扩张因果时空同步图，部署不同时空同步图卷积模块DCSTS-GCM，以体现时间异质性；第l层中部署的时空同步图卷积模块的数量为h-2l；
步骤4-6：通过扩张因果时空同步图和时空同步图卷积模块来同时提取时空依赖；其具体步骤如下：
步骤4-6-1：在每个时空同步图卷积模块中，堆叠M层门控GCN，上一层门控GCN的输出作为下一层门控GCN的输入；
步骤4-6-2：每个门控GCN中，先设计时空注意力矩阵
其形状为2N*2N，其主对角线上为两个形状为N*N的空间注意力矩阵
和
表示两个时间步中各节点之间的权重；副对角线上分别为形状为N*N的时间注意力矩阵
和形状为N*N的全零矩阵，
表示两个时间步之间N个节点与自身节点的权重；将时空注意力矩阵
与扩张因果时空图的邻接矩阵AST按位相乘得到新邻接矩阵
作为下一步门控GCN中的邻接矩阵；
步骤4-6-3：使用门控GCN聚合输入时间序列的时空特征，公式为：hm＝tanh(A'STh(m-1)W1+b1)⊙σ(A'STh(m-1)W2+b2)，其中h(m-1)为第m个门控GCN的输入，hm为第m个门控GCN的输出；tanh(·)表示tanh激活函数，σ(·)表示sigmoid激活函数；
步骤4-6-4：三层门控GCN之间采用跳跃知识连接，对所有门控GCN的输出进行最大池化，hmp＝MaxPooling(h1,h1,…,hM)，再经过一个全连接层，得到对应的扩张因果时空同步图卷积层的输出。
步骤4-7：将所有扩张因果时空同步图卷积层的输出进行拼接，经过双层全连接层，得到该扩张因果时空同步图卷积网络的输出YGi；K个扩张因果时空同步图卷积网络的输出组成了时空异质的和同步的图卷积网络的输出：Y＝(YG1,YG2,…,YGK)。
步骤5)用训练集训练时空异质的和同步的图卷积网络，用验证集验证训练效果，并用测试集测试模型的预测精度。
所述步骤5)中，用训练集训练时空异质的和同步的图卷积网络，用验证集验证训练效果，并用测试集测试模型的预测精度，其具体步骤如下：
步骤5-1：确定时空异质的和同步的图卷积网络的各项超参数，包括交通节点的簇数、扩张因果时空同步图卷积层的层数、扩张因果时空同步图卷积模块的个数、门控GCN的个数及输入输出维度、各全连接层的输入输出维度；设置训练过程中的超参数，包括批处理大小、可变学习率、步长等，初始化各项权重参数；
步骤5-2：利用训练集训练模型，选择平均绝对误差函数为损失函数，通过模型正向传播、误差反向传播、随机梯度下降法来迭代更新模型中的各项权重，训练过程中使用验证集验证模型的训练效果；
步骤5-3：迭代次数或损失函数达到预设值后结束训练，将测试集输入训练得到的模型，测试模型的预测精度。
如如图4所示，一种基于时空异质的和同步的图卷积网络交通流预测方法在测试集上能取得出色的预测效果，对未来15分钟和未来60分钟的交通流预测均具有良好的精度。
本发明针对以往的方法大多分别去捕获时间依赖和空间依赖，而且没有同时考虑到交通流数据的时间异质性和空间异质性，另外，对交通流数据在时间上的因果性也体现的不够充分，因此模型的预测精度还有较大提升空间。为此，本发明引入一种基于时空异质的和同步的图卷积网络交通流预测方法。该方法能同时捕获交通流数据的时间依赖和空间依赖，同时考虑到了交通流数据的时间异质性和空间异质性，也充分体现了交通流数据在时间上的因果性，能有效提升模型的预测精度。
以上所述仅为本发明在交通干线或高速公路数据集下较好的实施方式，本发明保护范围并不以上述实施方式为限制，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修改和修饰变化，皆应纳入权利要求书记载的保护范围。
Claims (9)
1.一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：所述方法包括如下步骤：
步骤1)通过数据采集设备采集路网中的交通流数据，远程传输并存储至交通数据服务器，根据数据采集时间生成时间序列的交通数据；
步骤2)按照数据采集设备在路网中的位置生成交通节点图和邻接矩阵，并将时间序列的交通数据按Z-score方法进行标准化，然后将其划分为训练集、验证集、测试集；
步骤3)利用交通数据和邻接矩阵训练图自编码器GAE，得到交通流数据的高阶表示，根据交通流数据的高阶表示，通过bi-kmeans算法对交通节点进行聚类；
步骤4)根据聚类结果，构建时空异质的和同步的图卷积网络，该网络中对不同簇的交通节点部署不同的网络，对每一簇的交通节点构建扩张因果时空同步图，同时在每一簇中不同时间步也使用不同的时空同步图卷积模块；
步骤5)用训练集训练时空异质的和同步的图卷积网络，用验证集验证训练效果，并用测试集测试模型的预测精度。
2.根据权利要求1所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：所述步骤1)中通过数据采集设备采集路网中的交通流数据，远程传输并存储至交通数据服务器的具体步骤为：在路网中部署N个数据采集设备；以五分钟为一个时间步，每个数据采集设备在每个时间步均采集一次交通流数据，包含C个交通流特征，包括该时间步内通过的交通流量、车辆平均速度、车道占有率等；采集过程的时间跨度为T，即包含T个时间步；最终远程传输并存储至交通数据服务器的时间序列交通数据集为
3.根据权利要求1所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：所述步骤2)中的具体过程包括：
步骤1-1：按照数据采集设备在路网中的位置生成交通节点图G＝(V,E,A)，其中，V为交通节点的集合，代表部署在路网中的N个采集设备；E为交通节点图中的边，表示各交通节点之间的关系；A代表图结构中的邻接矩阵；根据数据采集设备之间的位置关系生成邻接矩阵，其结构为
邻接矩阵中每个元素的值定义为：
步骤1-2：使用Z-score方法对时间序列的交通数据X进行标准化处理，计算方法如下：
其中mean(X)表示X的均值，std(X)代表X的标准差；
步骤1-3：将标准化处理后的交通数据X'按6：2：2的比例划分成训练集、验证集和数据集。
4.根据权利要求1所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：所述步骤3)的详细步骤为：
步骤2-1：构造图自编码器GAE，由一个编码器和一个解码器构成；
步骤2-2：通过重构损失函数
来训练GAE，得到交通流数据的高阶表示
T表示采集过程的时间跨度，N表示数据采集设备的数量，将交通节点的特征从C维的交通流特征变换为C'维的隐藏特征，以提高其特征表达能力；
步骤2-3：将交通流数据的高阶表示
变换为
通过bi-kmeans算法对交通节点进行聚类；定义节点vi和节点vj之间的距离为
簇内误差平方和
其中K表示簇的总数，Gj表示第j个簇，μj为第j个簇的中心；聚类过程为：将所有节点视为一个簇；当簇的个数小于K时，选择能最大程度降低SSE的簇进行二分，即k＝2的k-means聚类；重复上一步，直到簇的个数达到K；画出一定范围内K的取值和SSE的曲线，然后根据手肘法确定K的值：SSE和K的关系图是一个手肘的形状，而肘部对应的K值就是数据的真实聚类数；聚类完成之后，交通节点分为K簇：V＝(VG1,VG2,…,VGK)，交通节点数为：N＝NG1+NG2+…+NGK，对应的交通流数据为：X＝(XG1,XG2,…,XGK)。
5.根据权利要求4所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：步骤2-1的具体步骤如下：
步骤3-1：编码器由两层注意力机制叠加组成，对于节点vi，单层注意力机制表达式为：
其中
分别代表节点vi在第l层和第l+1层的节点状态，
表示第l层中节点vi和节点vj之间的注意力系数；该注意力系数分三步求得，首先定义非线性变换函数为f(x)＝LeakyReLU(xW+b)；然后利用缩放点积法计算节点vi和节点vj之间的相关系数
其中C为交通节点的特征通道数；再对相关系数
进行softmax归一化，得到注意力系数
两层注意力机制的编码器表达式为：
步骤3-2：解码器通过计算节点对的内积来重构原始网络结构，得到重构的邻接矩阵
该邻接矩阵中的元素计算方式为：
6.根据权利要求1所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：所述步骤4)根据聚类结果构建时空异质的和同步的图卷积网络的具体步骤如下：
步骤4-1：对每个交通节点簇VGi,1≤i≤K，部署一个扩张因果时空同步图卷积网络DCSTS-GCN，以体现交通数据的空间异质性，其输入数据为
输出数据
其中Th表示历史时间序列的长度，Tp表示预测时间序列的长度；
步骤4-2：对每个扩张因果时空同步图卷积网络的输入数据增加时空嵌入，以提高模型捕获时空依赖的能力；空间嵌入为
时间嵌入为
步骤4-3：在扩张因果时空同步图卷积网络中，先通过全连接层对输入数据进行维度变换，得到输入数据的高维表示，然后堆叠三层扩张因果时空同步图卷积层DCSTS-GCL；
步骤4-4：在每层扩张因果时空同步图卷积层中，根据簇内交通节点的时空关系，构建相应数量的扩张因果时空同步图DCSTSG；
步骤4-5：在每层扩张因果时空同步图卷积层中，针对不同的扩张因果时空同步图，部署不同时空同步图卷积模块DCSTS-GCM，以体现时间异质性；第l层中部署的时空同步图卷积模块的数量为h-2l；
步骤4-6：通过扩张因果时空同步图和时空同步图卷积模块来同时提取时空依赖；
步骤4-7：将所有扩张因果时空同步图卷积层的输出进行拼接，经过双层全连接层，得到该扩张因果时空同步图卷积网络的输出YGi；K个扩张因果时空同步图卷积网络的输出组成了时空异质的和同步的图卷积网络的输出：Y＝(YG1,YG2,…,YGK)。
7.根据权利要求6所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：步骤4-4的详细过程如下：
步骤5-1：每个扩张因果时空同步图由两个时间步组成，同时包含了时间和空间依赖，其邻接矩阵AST形状为2N*2N；将第l层的扩张率设置为2l，时间步t中的任一节点vi不仅与其空间邻居节点相连，而且与距离为2l的时间步t-2l中的自身节点相连，但并不与时间步t+2l的自身节点相连，以体现因果性；
步骤5-2：设第l层的输入历史时间序列长度为
则在第l层中分别选取距离为2l时间步对
构建h-2l个扩张因果时空同步图。
8.根据权利要求6所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：步骤4-6的详细过程如下：
步骤6-1：在每个时空同步图卷积模块中，堆叠M层门控GCN，上一层门控GCN的输出作为下一层门控GCN的输入；
步骤6-2：每个门控GCN中，先设计时空注意力矩阵
其形状为2N*2N，其主对角线上为两个形状为N*N的空间注意力矩阵
和
表示两个时间步中各节点之间的权重；副对角线上分别为形状为N*N的时间注意力矩阵
和形状为N*N的全零矩阵，
表示两个时间步之间N个节点与自身节点的权重；将时空注意力矩阵
与扩张因果时空图的邻接矩阵AST按位相乘得到新邻接矩阵
作为下一步门控GCN中的邻接矩阵；
步骤6-3：使用门控GCN聚合输入时间序列的时空特征，公式为：hm＝tanh(A'STh(m-1)W1+b1)⊙σ(A'STh(m-1)W2+b2)，其中h(m-1)为第m个门控GCN的输入，hm为第m个门控GCN的输出；tanh(·)表示tanh激活函数，σ(·)表示sigmoid激活函数；
步骤6-4：三层门控GCN之间采用跳跃知识连接，对所有门控GCN的输出进行最大池化，hmp＝MaxPooling(h1,h1,…,hM)，再经过一个全连接层，得到对应的扩张因果时空同步图卷积层的输出。
9.根据权利要求1所述的一种基于时空异质的和同步的图卷积网络交通流预测方法，其特征在于：所述步骤5)的具体步骤如下：
步骤7-1：确定时空异质的和同步的图卷积网络的各项超参数，包括交通节点的簇数、扩张因果时空同步图卷积层的层数、扩张因果时空同步图卷积模块的个数、门控GCN的个数及输入输出维度、各全连接层的输入输出维度；设置训练过程中的超参数，包括批处理大小、可变学习率、步长等，初始化各项权重参数；
步骤7-2：利用训练集训练模型，选择平均绝对误差函数为损失函数，通过模型正向传播、误差反向传播、随机梯度下降法来迭代更新模型中的各项权重，训练过程中使用验证集验证模型的训练效果；
步骤7-3：迭代次数或损失函数达到预设值后结束训练，将测试集输入训练得到的模型，测试模型的预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211454654.2A CN115935796A (zh) | 2022-11-21 | 2022-11-21 | 一种基于时空异质的和同步的图卷积网络交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211454654.2A CN115935796A (zh) | 2022-11-21 | 2022-11-21 | 一种基于时空异质的和同步的图卷积网络交通流预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115935796A true CN115935796A (zh) | 2023-04-07 |
Family
ID=86651559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211454654.2A Withdrawn CN115935796A (zh) | 2022-11-21 | 2022-11-21 | 一种基于时空异质的和同步的图卷积网络交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115935796A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597657A (zh) * | 2023-07-17 | 2023-08-15 | 四川省商投信息技术有限责任公司 | 基于人工智能的城市交通预测方法、设备及介质 |
| CN116681176A (zh) * | 2023-06-12 | 2023-09-01 | 济南大学 | 一种基于聚类和异构图神经网络的交通流预测方法 |
| CN116915626A (zh) * | 2023-07-24 | 2023-10-20 | 青海师范大学 | 一种k-均匀超网络同步能力的评估方法及系统 |
-
2022
- 2022-11-21 CN CN202211454654.2A patent/CN115935796A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116681176A (zh) * | 2023-06-12 | 2023-09-01 | 济南大学 | 一种基于聚类和异构图神经网络的交通流预测方法 |
| CN116681176B (zh) * | 2023-06-12 | 2024-05-03 | 济南大学 | 一种基于聚类和异构图神经网络的交通流预测方法 |
| CN116597657A (zh) * | 2023-07-17 | 2023-08-15 | 四川省商投信息技术有限责任公司 | 基于人工智能的城市交通预测方法、设备及介质 |
| CN116915626A (zh) * | 2023-07-24 | 2023-10-20 | 青海师范大学 | 一种k-均匀超网络同步能力的评估方法及系统 |
| CN116915626B (zh) * | 2023-07-24 | 2024-04-19 | 青海师范大学 | 一种k-均匀超网络同步能力的评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111161535B (zh) | 基于注意力机制的图神经网络交通流量预测方法及系统 | |
| CN111899510B (zh) | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 | |
| CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN111223301B (zh) | 一种基于图注意力卷积网络的交通流量预测方法 | |
| CN115935796A (zh) | 一种基于时空异质的和同步的图卷积网络交通流预测方法 | |
| CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
| CN109887282A (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
| CN114299723B (zh) | 一种交通流量预测方法 | |
| CN112767682A (zh) | 一种基于图卷积神经网络的多尺度交通流量预测方法 | |
| CN114692984B (zh) | 基于多步耦合图卷积网络的交通预测方法 | |
| CN112905379B (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
| CN114202122A (zh) | 基于马尔可夫聚类图注意力网络的城市交通流量预测方法 | |
| CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
| CN115206092B (zh) | 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法 | |
| CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
| CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
| CN111341109B (zh) | 一种基于时空相似性的城市级信号推荐系统 | |
| CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
| CN115641720A (zh) | 基于时空融合图神经网络的交通预测方法及系统 | |
| CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN115936069A (zh) | 一种基于时空注意力网络的交通流预测方法 | |
| CN115376317A (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 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230407 |