CN115952934B - 基于增量输出分解循环神经网络的交通流预测方法及系统 - Google Patents

基于增量输出分解循环神经网络的交通流预测方法及系统 Download PDF

Info

Publication number
CN115952934B
CN115952934B CN202310249117.2A CN202310249117A CN115952934B CN 115952934 B CN115952934 B CN 115952934B CN 202310249117 A CN202310249117 A CN 202310249117A CN 115952934 B CN115952934 B CN 115952934B
Authority
CN
China
Prior art keywords
increment
representing
traffic flow
data
prediction
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
CN202310249117.2A
Other languages
English (en)
Other versions
CN115952934A (zh
Inventor
彭理群
贺佳迷
周涂强
刘凯枫
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong 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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202310249117.2A priority Critical patent/CN115952934B/zh
Publication of CN115952934A publication Critical patent/CN115952934A/zh
Application granted granted Critical
Publication of CN115952934B publication Critical patent/CN115952934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于增量输出分解循环神经网络的交通流预测方法及系统，应用于智能交通技术领域。包括以下步骤：对道路路网中的点观测数据和面观测数据进行多特征提取作为输入数据；将多特征时空图输入数据进行两次仿射变换成为单特征输出形式输入到编码器中，在编码器中使用双头自注意力层，从而获取两个不同的增量子状态，并将两个不同的增量子状态分别作为增量大小和预测基础值；根据增量大小和预测基础值，基于门控循环单元结构得到不确定性增量和预测输出；使用长期交叉注意力机制与解码器耦合；使用移位散度差作为交通流预测结果的延迟程度评估指标。本发明能够有效缓解交通流预测的延迟现象，得到有效稳定的预测结果。

Description

基于增量输出分解循环神经网络的交通流预测方法及系统
技术领域
本发明涉及智能交通技术领域，更具体的说是涉及基于增量输出分解循环神经网络的交通流预测方法及系统。
背景技术
随着智能交通系统（ITS）的快速发展和部署，交通流预测得到了越来越多的关注，准确的预测有利于城市交通的控制和管理，道路交通流预测是对交通流进行诱导和控制的必要前提，其不仅便于出行者制定更好的出行计划，还有利于交通管理部门做出更好的管理决策。此外，道路交通流预测在智能交通中也发挥着不可替代的作用，为许多实际的下游任务如拥堵管理和导航系统等提供高质量的解决方案。
随着深度学习的进步，如何基于深度神经网络构建合适的交通预测模型已成为交通领域广泛关注的问题，现有的交通流预测模型在选定的指标上普遍取得了较好的预测精度，然而很少有模型考虑到了预测的有效性，这导致尤其在面对高频变化的复杂交通数据时，模型得到看似有效但实际无效的预测结果（例如，预测结果存在大量延迟）。因此亟需一种模型，能够考虑到交通流预测中的时间延迟现象，进而实现准确有效的交通流预测。
因此，提出基于增量输出分解循环神经网络的交通流预测方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了基于增量输出分解循环神经网络的交通流预测方法及系统，通过自注意力机制定义并加入了不确定性增量，使模型的预测输出将不再是一个固定的值，而是允许一定的、灵活的幅度变化范围，从而最终实现对一个模型的值和方向的双重数据挖掘，进一步提高预测的稳定性。
为了实现上述目的，本发明采用如下技术方案：
基于增量输出分解循环神经网络的交通流预测方法，包括以下步骤：
S1、获取道路路网中的点观测数据和面观测数据；
S2、对S1中的点观测数据和面观测数据进行多特征提取形成多特征时空图数据，对多特征时空图数据进行标准化处理作为输入数据；
S3、将S2中的输入数据进行两次仿射变换成为单特征输出形式输入到编码器中，在编码器中使用双头自注意力层，从而获取两个不同的增量子状态，并将两个不同的增量子状态分别作为增量大小和预测基础值；
S4、根据增量大小和预测基础值，基于门控循环单元结构得到不确定性增量和预测输出；
S5、将长期交叉注意力机制与解码器耦合；
S6、利用移位散度差作为交通流预测结果的延迟程度评估指标。
可选的，S2具体为：
S21、将目标区域定义为一个无向带权图
Figure SMS_1
，其中V表示节点集，其元素为子区域；E表示包含各个子区域之间关联的边集；W表示图的加权邻接矩阵；
S22、在每个子区域中心位置点提取交通特征，包括时间戳、每分钟交通流量、零速定位数和一周的周期性，然后将目标区域点观测和面观测数据组织成一个多特征时空图张量
Figure SMS_2
，其中N为节点，F为特征数，T为时间长度；
S23、将组织好的多特征时空图数据集经Z-Score标准化后，送入模型进行训练。
可选的，S3具体为：
S31、在模型的输入端将多特征时空图数据经过两次仿射变换为，
Figure SMS_3
Figure SMS_4
，/>
Figure SMS_5
成为单特征时空图输出形式；
S32、将单特征时空图输出形式的数据输入到编码器中，使用如下双头自注意力层获得两个增量子状态
Figure SMS_6
和/>
Figure SMS_7
，并将增量子状态/>
Figure SMS_8
作为预测基础值/>
Figure SMS_9
，另一个增量子状态/>
Figure SMS_10
作为增量大小/>
Figure SMS_11
，其公式为：
Figure SMS_12
Figure SMS_13
其中，
Figure SMS_14
，/>
Figure SMS_15
表示每个图中的节点数，/>
Figure SMS_16
表示双头自注意力层；/>
Figure SMS_17
表示t时刻的单特征时空图数据，/>
Figure SMS_18
表示1到t-1时刻的单特征时空图数据，/>
Figure SMS_19
表示t+1到T时刻的单特征时空图数据。
可选的，S4具体为：
S41、通过使用增量大小和预测基础值来计算逆概率和逆方向；
S42、根据逆概率和逆方向基于门控循环单元结构得到不确定性增量和预测输出。
可选的，S41中逆概率的计算方法为：
Figure SMS_20
S41中逆方向的计算方法为：
Figure SMS_21
Figure SMS_22
Figure SMS_23
其中，
Figure SMS_25
表示逆概率，/>
Figure SMS_30
表示t时刻保持原方向的概率；/>
Figure SMS_35
表示sigmoid函数，通过这个函数可以将括号内的数值变为0-1范围的数值；/>
Figure SMS_24
表示为阈值矩阵，/>
Figure SMS_28
表示i从1时刻到t-1时刻的累加增量；/>
Figure SMS_32
表示阈值矩阵/>
Figure SMS_36
中的数值；/>
Figure SMS_26
表示/>
Figure SMS_29
增量矩阵中的增量数值；/>
Figure SMS_33
表示符号函数，括号内的值大于0时，函数值为1，括号内的值小于0时，函数值为-1，括号内的值等于0时，函数值为0；/>
Figure SMS_37
表示预设阈值，其作用是防止/>
Figure SMS_27
完全由累加值/>
Figure SMS_31
的符号决定；/>
Figure SMS_34
表示逆方向，表示两个概率之差的符号；
S42中不确定性增量的计算方法为：
Figure SMS_38
S42中预测输出的计算方法为：
Figure SMS_39
Figure SMS_40
Figure SMS_41
Figure SMS_42
其中，
Figure SMS_53
表示不确定性增量，/>
Figure SMS_45
是可学习参数，表示期望对增量大小微调的比例因子；/>
Figure SMS_49
表示增量大小；/>
Figure SMS_46
表示门控循环单元结构的重置门；/>
Figure SMS_51
表示门控循环单元结构的更新门；/>
Figure SMS_55
表示图卷积算子；/>
Figure SMS_60
和/>
Figure SMS_52
表示对应的图卷积核；/>
Figure SMS_56
表示门控循环单元在时间t-1的隐藏状态；/>
Figure SMS_43
表示连接操作；/>
Figure SMS_48
表示t时刻的候选隐藏状态；/>
Figure SMS_57
表示/>
Figure SMS_62
函数，通过这个函数可以将括号内数值变为/>
Figure SMS_58
范围的数值；/>
Figure SMS_61
表示预测的基础值；/>
Figure SMS_47
表示逐元素乘积；/>
Figure SMS_50
表示新的隐藏状态；/>
Figure SMS_54
表示预测输出；/>
Figure SMS_59
表示权重参数；/>
Figure SMS_44
表示偏差参数。
可选的，S5具体为：
S51、将预测长度K、编码器隐藏状态序列
Figure SMS_63
、初始输入/>
Figure SMS_64
发送到解码端；
S52、连接编码器的所有隐藏状态表示为
Figure SMS_65
；
S53、通过增量子状态算法得到
Figure SMS_66
；
S54、通过不确定性增量和预测输出算法得到
Figure SMS_67
；
S55、对i从1到K-1的每一步均计算得到
Figure SMS_68
、/>
Figure SMS_69
和/>
Figure SMS_70
。
可选的，S6具体为：
S61、假设对于长度为N的预测序列，其真实序列为
Figure SMS_71
，长度为s的预测序列为/>
Figure SMS_72
，偏移等于预测长度s；
S62、分别取L前后长度为N-S的切片，得到两个切片
Figure SMS_73
Figure SMS_74
、
Figure SMS_75
，然后使用SoftMax函数对这两个数列进行概率商归一化得到/>
Figure SMS_76
和/>
Figure SMS_77
；
S63、分别计算
Figure SMS_78
和/>
Figure SMS_79
与F的散度，以两个散度之差作为指标，称为移位散度差SDD；
S64、将移位散度差SDD作为交通流预测结果的延迟程度评估指标。
可选的，S62中
Figure SMS_80
的计算方法为：
Figure SMS_81
S62中
Figure SMS_82
的计算方法为：
Figure SMS_83
。
可选的，S63中移位散度差SDD计算方法为：
Figure SMS_84
Figure SMS_85
Figure SMS_86
。
基于增量输出分解循环神经网络的交通流预测系统，应用上述任一项的基于增量输出分解循环神经网络的交通流预测方法，包括依次连接的数据获取模块、数据提取模块、获取状态模块、数据输出模块、耦合模块、结果评估模块；其中，
数据获取模块，用于获取道路路网中的点观测和面观测数据；
数据提取模块：对数据获取模块中的点观测数据和面观测数据进行多特征提取形成多特征时空图数据，对多特征时空图数据进行标准化处理作为输入数据；
获取状态模块：将数据提取模块中的输入数据进行两次仿射变换成为单特征输出形式输入到编码器中，在编码器中使用双头自注意力层，从而获取两个不同的增量子状态，并将两个不同的增量子状态分别作为增量大小和预测基础值；
数据输出模块：根据增量大小和预测基础值，基于门控循环单元结构得到不确定性增量和预测输出；
耦合模块：将长期交叉注意力机制与解码器耦合；
结果评估模块：利用移位散度差作为交通流预测结果的延迟程度评估指标。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了基于增量输出分解循环神经网络的交通流预测方法及系统，具有以下有益效果：提出增量输出分解概念，获取不确定性增量和预测输出，使模型能够有效地捕捉时空依赖关系，并能够缓解交通流预测中的延迟现象，从而得到稳定有效的预测结果；使用移位散度差来评估交通流预测模型的预测结果，从而能够定量分析预测结果的延迟程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于增量输出分解循环神经网络的交通流预测方法的流程图；
图2为本发明提供的基于增量输出分解循环神经网络的交通流预测系统的结构框图；
图3为本发明提供的增量子状态生成示意图；
图4为本发明提供的的解码器流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1所示，基于增量输出分解循环神经网络的交通流预测方法，包括以下步骤：
S1、获取道路路网中的点观测数据和面观测数据；
S2、对S1中的点观测数据和面观测数据进行多特征提取形成多特征时空图数据，对多特征时空图数据进行标准化处理作为输入数据；
S3、将S2中的输入数据进行两次仿射变换成为单特征输出形式输入到编码器中，在编码器中使用双头自注意力层，从而获取两个不同的增量子状态，并将两个不同的增量子状态分别作为增量大小和预测基础值；
S4、根据增量大小和预测基础值，基于门控循环单元结构得到不确定性增量和预测输出；
S5、将长期交叉注意力机制与解码器耦合；
S6、利用移位散度差作为交通流预测结果的延迟程度评估指标。
进一步的，S2具体为：
S21、将目标区域定义为一个无向带权图
Figure SMS_87
，其中V表示节点集，其元素为子区域；E表示包含各个子区域之间关联的边集；W表示图的加权邻接矩阵；
S22、在每个子区域中心位置点提取交通特征，包括时间戳、每分钟交通流量、零速定位数和一周的周期性，然后将目标区域点观测和面观测数据组织成一个多特征时空图张量
Figure SMS_88
，其中N为节点，F为特征数，T为时间长度；
S23、将组织好的多特征时空图数据集经Z-Score标准化后，送入模型进行训练。
进一步的，S3具体为：
S31、在模型的输入端将多特征时空图数据经过两次仿射变换为，
Figure SMS_89
Figure SMS_90
，
Figure SMS_91
成为单特征时空图输出形式；
S32、将单特征时空图输出形式的数据输入到编码器中，使用如下双头自注意力层获得两个增量子状态
Figure SMS_92
和/>
Figure SMS_93
，并将增量子状态/>
Figure SMS_94
作为预测基础值/>
Figure SMS_95
，另一个增量子状态/>
Figure SMS_96
作为增量大小/>
Figure SMS_97
，其公式为：
Figure SMS_98
Figure SMS_99
其中，
Figure SMS_100
，/>
Figure SMS_101
表示每个图中的节点数，/>
Figure SMS_102
表示双头自注意力层；
Figure SMS_103
表示t时刻的单特征时空图数据，/>
Figure SMS_104
表示1到t-1时刻的单特征时空图数据，
Figure SMS_105
表示t+1到T时刻的单特征时空图数据。
具体的，参见图3所示，为了使用双头自注意力层获得两个不同的增量子状态，不执行最终的多头连接操作。
进一步的，S4具体为：
S41、通过使用增量大小和预测基础值来计算逆概率和逆方向；
S42、根据逆概率和逆方向基于门控循环单元结构得到不确定性增量和预测输出。
进一步的，S41中逆概率的计算方法为：
Figure SMS_106
S41中逆方向的计算方法为：
Figure SMS_107
Figure SMS_108
Figure SMS_109
其中，
Figure SMS_112
表示逆概率，/>
Figure SMS_114
表示t时刻保持原方向的概率；/>
Figure SMS_118
表示sigmoid函数，通过这个函数可以将括号内的数值变为0-1范围的数值；/>
Figure SMS_113
表示为阈值矩阵，/>
Figure SMS_116
表示i从1时刻到t-1时刻的累加增量；/>
Figure SMS_120
表示阈值矩阵/>
Figure SMS_123
中的数值；/>
Figure SMS_110
表示/>
Figure SMS_115
增量矩阵中的增量数值；/>
Figure SMS_119
表示符号函数，括号内的值大于0时，函数值为1，括号内的值小于0时，函数值为-1，括号内的值等于0时，函数值为0；/>
Figure SMS_122
表示预设阈值，其作用是防止/>
Figure SMS_111
完全由累加值/>
Figure SMS_117
的符号决定；/>
Figure SMS_121
表示逆方向，表示两个概率之差的符号；
S42中不确定性增量的计算方法为：
Figure SMS_124
S42中预测输出的计算方法为：
Figure SMS_125
Figure SMS_126
Figure SMS_127
Figure SMS_128
其中，
Figure SMS_130
表示不确定性增量，/>
Figure SMS_136
是可学习参数，表示期望对增量大小微调的比例因子；/>
Figure SMS_139
表示增量大小；/>
Figure SMS_131
表示门控循环单元结构的重置门；/>
Figure SMS_135
表示门控循环单元结构的更新门；/>
Figure SMS_138
表示图卷积算子；/>
Figure SMS_141
和/>
Figure SMS_129
表示对应的图卷积核；/>
Figure SMS_134
表示门控循环单元在时间t-1的隐藏状态；/>
Figure SMS_140
表示连接操作；/>
Figure SMS_142
表示t时刻的候选隐藏状态；/>
Figure SMS_132
表示/>
Figure SMS_133
函数，通过这个函数可以将括号内数值变为/>
Figure SMS_137
范围的数值；
Figure SMS_143
表示预测的基础值；/>
Figure SMS_144
表示逐元素乘积；/>
Figure SMS_145
表示新的隐藏状态；/>
Figure SMS_146
表示预测输出；/>
Figure SMS_147
表示权重参数；/>
Figure SMS_148
表示偏差参数。
进一步的，参见图4所示，S5具体为：
S51、将预测长度K、编码器隐藏状态序列
Figure SMS_149
、初始输入/>
Figure SMS_150
发送到解码端；
S52、连接编码器的所有隐藏状态表示为
Figure SMS_151
；
S53、通过增量子状态算法得到
Figure SMS_152
；
S54、通过不确定性增量和预测输出算法得到
Figure SMS_153
；
S55、对i从1到K-1的每一步均计算得到
Figure SMS_154
、/>
Figure SMS_155
和/>
Figure SMS_156
。
进一步的，S6具体为：
S61、假设对于长度为N的预测序列，其真实序列为
Figure SMS_157
，长度为s的预测序列为/>
Figure SMS_158
，偏移等于预测长度s；
S62、分别取L前后长度为N-S的切片，得到两个切片
Figure SMS_159
Figure SMS_160
、
Figure SMS_161
，然后使用SoftMax函数对这两个数列进行概率商归一化得到/>
Figure SMS_162
和/>
Figure SMS_163
；
S63、分别计算
Figure SMS_164
和/>
Figure SMS_165
与F的散度，以两个散度之差作为指标，称为移位散度差SDD；
S64、将移位散度差SDD作为交通流预测结果的延迟程度评估指标。
进一步的，S62中
Figure SMS_166
的计算方法为：
Figure SMS_167
S62中
Figure SMS_168
的计算方法为：
Figure SMS_169
。
进一步的，S63中移位散度差SDD计算方法为：
Figure SMS_170
Figure SMS_171
Figure SMS_172
。
具体的，
Figure SMS_173
的作用是扩大差值比，使其数值与谐波权重/>
Figure SMS_174
处于同一尺度。使用真实散度值和散度差值的谐波平均值，综合考虑预测效果和偏移程度，可以防止因模型预测不佳而造成的误判，并且指数越小，预测效果越好。
与图1所述的方法相对应，本发明还提供了基于增量输出分解循环神经网络的交通流预测系统，用于对图1中方法的具体实现，其结构示意图参见图2所示，包括依次连接的数据获取模块、数据提取模块、获取状态模块、数据输出模块、耦合模块、结果评估模块；其中，
数据获取模块，用于获取道路路网中的点观测和面观测数据；
数据提取模块：对数据获取模块中的点观测数据和面观测数据进行多特征提取形成多特征时空图数据，对多特征时空图数据进行标准化处理作为输入数据；
获取状态模块：将数据提取模块中的输入数据进行两次仿射变换成为单特征输出形式输入到编码器中，在编码器中使用双头自注意力层，从而获取两个不同的增量子状态，并将两个不同的增量子状态分别作为增量大小和预测基础值；
数据输出模块：根据增量大小和预测基础值，基于门控循环单元结构得到不确定性增量和预测输出；
耦合模块：将长期交叉注意力机制与解码器耦合；
结果评估模块：利用移位散度差作为交通流预测结果的延迟程度评估指标。
一种存储介质，存储介质包括存储的指令，其中，在指令运行时控制存储介质所在的设备执行上述任一项的基于增量输出分解循环神经网络的交通流预测方法。
一种电子设备，包括存储器，以及一个或者一个以上的指令，其中一个或者一个以上指令存储于存储器中，且经配置以由一个或者一个以上处理器执行上述任一项的基于增量输出分解循环神经网络的交通流预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.基于增量输出分解循环神经网络的交通流预测方法，其特征在于，包括以下步骤：
S1、获取道路路网中的点观测数据和面观测数据；
S2、对S1中的点观测数据和面观测数据进行多特征提取形成多特征时空图数据，对多特征时空图数据进行标准化处理作为输入数据；
S3、将S2中的输入数据进行两次仿射变换成为单特征输出形式输入到编码器中，在编码器中使用双头自注意力层，从而获取两个不同的增量子状态，并将两个不同的增量子状态分别作为增量大小和预测基础值；
S4、根据增量大小和预测基础值，基于门控循环单元结构得到不确定性增量和预测输出；
S5、将长期交叉注意力机制与解码器耦合；
S6、利用移位散度差作为交通流预测结果的延迟程度评估指标；
S4具体为：
S41、通过使用增量大小和预测基础值来计算逆概率和逆方向；
S42、根据逆概率和逆方向基于门控循环单元结构得到不确定性增量和预测输出；
S41中逆概率的计算方法为：
Figure FDA0004208004370000011
S41中逆方向的计算方法为：
Figure FDA0004208004370000021
Figure FDA0004208004370000022
Figure FDA0004208004370000023
其中，
Figure FDA0004208004370000024
表示逆概率，/>
Figure FDA0004208004370000025
表示t时刻保持原方向的概率；σ表示sigmoid函数，通过这个函数可以将括号内的数值变为0-1范围的数值；/>
Figure FDA00042080043700000213
表示为阈值矩阵，/>
Figure FDA0004208004370000026
表示i从1时刻到t-1时刻的累加增量；φj1表示阈值矩阵φ中的数值；/>
Figure FDA0004208004370000027
表示/>
Figure FDA0004208004370000028
增量矩阵中的增量数值；sign表示符号函数，括号内的值大于0时，函数值为1，括号内的值小于0时，函数值为-1，括号内的值等于0时，函数值为0；/>
Figure FDA0004208004370000029
表示预设阈值，其作用是防止
Figure FDA00042080043700000210
完全由累加值∑iΔ(i)的符号决定；direction表示逆方向，表示两个概率之差的符号；
S42中不确定性增量的计算方法为：
Figure FDA00042080043700000211
S42中预测输出的计算方法为：
Figure FDA00042080043700000212
Figure FDA0004208004370000031
h(t)＝u(t)⊙h(t-1)+(1-u(t))⊙C(t)
O(t)＝(Wh(t)+b)+Δ(t)
其中，Δ(t)表示不确定性增量，λ是可学习参数，表示期望对增量大小微调的比例因子；δ(t)表示增量大小；r(t)表示门控循环单元结构的重置门；u(t)表示门控循环单元结构的更新门；
Figure FDA0004208004370000032
表示图卷积算子；Θr和Θc表示对应的图卷积核；h(t-1)表示门控循环单元在时间t-1的隐藏状态；[·；·]表示连接操作；C(t)表示t时刻的候选隐藏状态；Tanh表示Tanh函数，通过这个函数可以将括号内数值变为[-1，1]范围的数值；Y(t)表示预测的基础值；⊙表示逐元素乘积；h(t)表示新的隐藏状态；O(t)表示预测输出；W表示权重参数；b表示偏差参数。
2.根据权利要求1所述的基于增量输出分解循环神经网络的交通流预测方法，其特征在于，S2具体为：
S21、将目标区域定义为一个无向带权图G(V，E，W)，其中V表示节点集，其元素为子区域；E表示包含各个子区域之间关联的边集；W表示图的加权邻接矩阵；
S22、在每个子区域中心位置点提取交通特征，包括时间戳、每分钟交通流量、零速定位数和一周的周期性然后将目标区域点观测和面观测数据组织成一个多特征时空图张量
Figure FDA0004208004370000041
其中N为节点，F为特征数，T为时间长度；
S23、将组织好的多特征时空图数据集经Z-Score标准化后，送入模型进行训练。
3.根据权利要求1所述的基于增量输出分解循环神经网络的交通流预测方法，其特征在于，S3具体为：
S31、在模型的输入端将多特征时空图数据经过两次仿射变换为，
Figure FDA0004208004370000042
成为单特征时空图输出形式；
S32、将单特征时空图输出形式的数据输入到编码器中，使用如下双头自注意力层获得两个增量子状态
Figure FDA0004208004370000043
和/>
Figure FDA0004208004370000044
并将增量子状态/>
Figure FDA0004208004370000045
作为预测基础值γ(t)，另一个增量子状态
Figure FDA0004208004370000046
作为增量大小δ(t)，其公式为：
Figure FDA0004208004370000047
Figure FDA0004208004370000048
其中，
Figure FDA0004208004370000049
n表示每个图中的节点数，MultiHeadAtt.表示双头自注意力层；X(t)表示t时刻的单特征时空图数据，X(1)，...，X(t-1)表示1到t-1时刻的单特征时空图数据，
X(t+1)，...，X(T)表示t+1到T时刻的单特征时空图数据。
4.根据权利要求1所述的基于增量输出分解循环神经网络的交通流预测方法，其特征在于，S5具体为：
S51、将预测长度K、编码器隐藏状态序列
Figure FDA0004208004370000051
初始输入/>
Figure FDA0004208004370000052
发送到解码端；
S52、连接编码器的所有隐藏状态表示为H(0)；
S53、通过增量子状态算法得到
Figure FDA0004208004370000053
S54、通过不确定性增量和预测输出算法得到
Figure FDA0004208004370000058
S55、对i从1到K-1的每一步均计算得到
Figure FDA0004208004370000054
和/>
Figure FDA0004208004370000055
5.根据权利要求1所述的基于增量输出分解循环神经网络的交通流预测方法，其特征在于，S6具体为：
S61、假设对于长度为N的预测序列，其真实序列为L＝[l1 l2 ... lN]，长度为s的预测序列为F＝[fs+1 fs+2 … fN]，偏移等于预测长度s；
S62、分别取L前后长度为N-S的切片，得到两个切片L1＝[l1 l2 ... lN-s]、L2＝[ls+1 ls+2… lN]，然后使用SoftMax函数对这两个数列进行概率商归一化得到
Figure FDA0004208004370000056
和/>
Figure FDA0004208004370000057
S63、分别计算
Figure FDA0004208004370000066
和/>
Figure FDA0004208004370000067
与F的散度，以两个散度之差作为指标，称为移位散度差SDD；
S64、将移位散度差SDD作为交通流预测结果的延迟程度评估指标。
6.根据权利要求5所述的基于增量输出分解循环神经网络的交通流预测方法，其特征在于，S62中
Figure FDA0004208004370000068
的计算方法为：
Figure FDA0004208004370000061
S62中
Figure FDA0004208004370000069
的计算方法为：
Figure FDA0004208004370000062
7.根据权利要求5所述的基于增量输出分解循环神经网络的交通流预测方法，其特征在于，S63中移位散度差SDD计算方法为：
Figure FDA0004208004370000063
Figure FDA0004208004370000064
Figure FDA0004208004370000065
8.基于增量输出分解循环神经网络的交通流预测系统，其特征在于，应用权利要求1-7任一项所述的基于增量输出分解循环神经网络的交通流预测方法，包括依次连接的数据获取模块、数据提取模块、获取状态模块、数据输出模块、耦合模块、结果评估模块；其中，
数据获取模块，用于获取道路路网中的点观测和面观测数据；
数据提取模块：对数据获取模块中的点观测数据和面观测数据进行多特征提取形成多特征时空图数据，对多特征时空图数据进行标准化处理作为输入数据；
获取状态模块：将数据提取模块中的输入数据进行两次仿射变换成为单特征输出形式输入到编码器中，在编码器中使用双头自注意力层，从而获取两个不同的增量子状态，并将两个不同的增量子状态分别作为增量大小和预测基础值；
数据输出模块：根据增量大小和预测基础值，基于门控循环单元结构得到不确定性增量和预测输出；
耦合模块：将长期交叉注意力机制与解码器耦合；
结果评估模块：利用移位散度差作为交通流预测结果的延迟程度评估指标。
CN202310249117.2A 2023-03-15 2023-03-15 基于增量输出分解循环神经网络的交通流预测方法及系统 Active CN115952934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310249117.2A CN115952934B (zh) 2023-03-15 2023-03-15 基于增量输出分解循环神经网络的交通流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310249117.2A CN115952934B (zh) 2023-03-15 2023-03-15 基于增量输出分解循环神经网络的交通流预测方法及系统

Publications (2)

Publication Number Publication Date
CN115952934A CN115952934A (zh) 2023-04-11
CN115952934B true CN115952934B (zh) 2023-06-16

Family

ID=85891445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310249117.2A Active CN115952934B (zh) 2023-03-15 2023-03-15 基于增量输出分解循环神经网络的交通流预测方法及系统

Country Status (1)

Country Link
CN (1) CN115952934B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543697A (zh) * 2012-07-16 2014-01-29 上海宝信软件股份有限公司 交通隧道设备集群式智能控制方法
CN106778795A (zh) * 2015-11-24 2017-05-31 华为技术有限公司 一种基于增量学习的分类方法及装置
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法
CN109961180A (zh) * 2019-03-15 2019-07-02 浙江工业大学 一种基于时空相关性的短时交通流量预测方法
JP2019220048A (ja) * 2018-06-22 2019-12-26 株式会社日立製作所 交通流予測装置及び交通流予測システム
WO2020147920A1 (en) * 2019-01-14 2020-07-23 Huawei Technologies Co., Ltd. Traffic signal control by spatio-temporal extended search space of traffic states
CN111696345A (zh) * 2020-05-08 2020-09-22 东南大学 一种基于网络社区检测和gcn的耦合大规模数据流宽度学习快速预测智能算法
WO2021058099A1 (en) * 2019-09-25 2021-04-01 Huawei Technologies Co., Ltd. Multi-step traffic prediction
US11238729B1 (en) * 2020-09-11 2022-02-01 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for traffic flow prediction
CN114299727A (zh) * 2021-12-28 2022-04-08 杭州电子科技大学 一种基于物联网和边缘计算的交通流预测系统及云平台
CN115526382A (zh) * 2022-09-09 2022-12-27 扬州大学 一种路网级交通流预测模型可解释性分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11210937B2 (en) * 2019-04-04 2021-12-28 Denso International America, Inc. Method for un-signalized intersection traffic flow management

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103543697A (zh) * 2012-07-16 2014-01-29 上海宝信软件股份有限公司 交通隧道设备集群式智能控制方法
CN106778795A (zh) * 2015-11-24 2017-05-31 华为技术有限公司 一种基于增量学习的分类方法及装置
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法
JP2019220048A (ja) * 2018-06-22 2019-12-26 株式会社日立製作所 交通流予測装置及び交通流予測システム
WO2020147920A1 (en) * 2019-01-14 2020-07-23 Huawei Technologies Co., Ltd. Traffic signal control by spatio-temporal extended search space of traffic states
CN113316808A (zh) * 2019-01-14 2021-08-27 华为技术有限公司 通过交通状态的时空扩展搜索空间控制交通信号
CN109961180A (zh) * 2019-03-15 2019-07-02 浙江工业大学 一种基于时空相关性的短时交通流量预测方法
WO2021058099A1 (en) * 2019-09-25 2021-04-01 Huawei Technologies Co., Ltd. Multi-step traffic prediction
CN111696345A (zh) * 2020-05-08 2020-09-22 东南大学 一种基于网络社区检测和gcn的耦合大规模数据流宽度学习快速预测智能算法
US11238729B1 (en) * 2020-09-11 2022-02-01 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for traffic flow prediction
CN114299727A (zh) * 2021-12-28 2022-04-08 杭州电子科技大学 一种基于物联网和边缘计算的交通流预测系统及云平台
CN115526382A (zh) * 2022-09-09 2022-12-27 扬州大学 一种路网级交通流预测模型可解释性分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于时空权重相关性的交通流大数据预测方法;李欣;罗庆;孟德友;;北京大学学报(自然科学版)(04);全文 *
基于时空相关性和遗传小波神经网络的路网短时交通流预测;陆百川;李玉莲;舒芹;;重庆理工大学学报(自然科学)(05);全文 *

Also Published As

Publication number Publication date
CN115952934A (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN110827544B (zh) 一种基于图卷积循环神经网络的短时交通流控制方法
Pan et al. AutoSTG: Neural Architecture Search for Predictions of Spatio-Temporal Graph✱
Zhao et al. High-order Gaussian process dynamical models for traffic flow prediction
Xu et al. Accurate and interpretable bayesian mars for traffic flow prediction
CN112071065A (zh) 一种基于全局扩散卷积残差网络的交通流预测方法
Septier et al. Langevin and Hamiltonian based sequential MCMC for efficient Bayesian filtering in high-dimensional spaces
He et al. STNN: A spatio-temporal neural network for traffic predictions
CN115144934B (zh) 基于变分量子线路的气象预测方法及相关设备
Cheng et al. Multi-task and multi-view learning based on particle swarm optimization for short-term traffic forecasting
CN112801386A (zh) 一种基于三阶段模型的短时交通流预测方法
CN116562414A (zh) 一种基于多源水文气象数据的陆地水储量变化预测方法
Feng et al. Traffic data recovery from corrupted and incomplete observations via spatial-temporal trpca
Wang et al. TYRE: A dynamic graph model for traffic prediction
Alsadi et al. Intelligent estimation: A review of theory, applications, and recent advances
Rico et al. Graph neural networks for traffic forecasting
Zhang et al. Ctfnet: Long-sequence time-series forecasting based on convolution and time–frequency analysis
CN114694379A (zh) 一种基于自适应动态图卷积的交通流预测方法及系统
Li et al. A Hidden Markov Model-based fuzzy modeling of multivariate time series
CN115952934B (zh) 基于增量输出分解循环神经网络的交通流预测方法及系统
Pandhiani et al. Time series forecasting by using hybrid models for monthly streamflow data
CN113408663A (zh) 融合模型构建方法、融合模型使用方法、装置和电子设备
Cen et al. Enhanced simulation metamodeling via graph and generative neural networks
Baer et al. Energy renormalization-group method for electronic structure of large systems
CN116882539A (zh) 基于改进的Re-GCN模型的水质数据预测方法
Sannia et al. Dissipation as a resource for quantum reservoir computing

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