CN116052427A - 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 - Google Patents

基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 Download PDF

Info

Publication number
CN116052427A
CN116052427A CN202310053817.4A CN202310053817A CN116052427A CN 116052427 A CN116052427 A CN 116052427A CN 202310053817 A CN202310053817 A CN 202310053817A CN 116052427 A CN116052427 A CN 116052427A
Authority
CN
China
Prior art keywords
travel
flow
data
urban
city
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
Application number
CN202310053817.4A
Other languages
English (en)
Other versions
CN116052427B (zh
Inventor
肖竹
肖慧
蒋洪波
陈文婕
曾凡仔
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.)
Shenzhen Research Institute Of Hunan University
Original Assignee
Shenzhen Research Institute Of Hunan 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 Shenzhen Research Institute Of Hunan University filed Critical Shenzhen Research Institute Of Hunan University
Priority to CN202310053817.4A priority Critical patent/CN116052427B/zh
Priority claimed from CN202310053817.4A external-priority patent/CN116052427B/zh
Publication of CN116052427A publication Critical patent/CN116052427A/zh
Application granted granted Critical
Publication of CN116052427B publication Critical patent/CN116052427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置，方法包括：获取城市群跨区域出行的私家车轨迹数据和驾驶状态数据，提取历史出行流量数据、时空地理数据和POI数据；基于城市群区域划分，根据提取数据构建城市群的空间邻接矩阵S、语义邻接矩阵W和建模三维图信号张量χ；采用基于时空图常微分方程网络的预测模型，根据城市群的S和W及χ预测城市群未来出行流量；基于交通流理论，从历史出行流量数据中获取出行流量初始状态，再采用基于神经常微分方程网络的预测模型，根据初始状态预测未来出行流量；最终融合两个预测模型的出行流量预测结果，保证了城市间出行流量预测结果的准确性和有效性。

Description

基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
技术领域
本发明涉及城市计算和智能交通领域，具体涉及一种基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置。
背景技术
近些年来，城市群快速发展，受益于城市群的发展，人口不局限于单一城市。相反，他们愿意在城市群的城市之间移动，以实现各种旅行需求，例如，在不同城市的各个功能区域实现工作与生活的平衡或寻求更多机会。另一方面，城市间流动性反过来又加强了城市群中城市之间的联系，从而促进了更好的公共服务和社会联系。预测城市间的移动性有助于缓解交通压力，有效利用有限的城市基础设施。
目前交通流预测方法主要有基于物理的和基于数据驱动的，基于物理的方法主要依赖于交通流理论，通过用耦合微分方程(DE)来表示交通系统，进行系统模拟实现预测，这种方法可以保证预测结果吻合整个领域的交通动态，不是仅仅通过观测数据来进行纠正，但是该种方法通常使用一小组参数来进行模拟，可能无法完全捕获现实交通的不确定因素，并且求解需要大量的计算量。基于数据驱动的方法主要依赖于深度学习等方法，使用递归神经网络，时间卷积神经网络，图卷积等方法来利用历史观测数据训练统计学习模型，生成预测结果，但是没有物理知识来保证泛化能力，数据驱动的模型很可能在没有训练数据采样的场景中失效，并且‘黑盒结构’缺乏可解释性。
因此，如何结合基于物理的和基于数据驱动的方法预测城市间的移动性是十分必要的。
发明内容
本发明提供一种基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置，将基于交通流理论的因果预测模型和基于时空图常微分方程网络的城市群移动性预测模型结合进行联合预测，保证了预测结果的有效性。
为实现上述技术目的，本发明采用如下技术方案：
一种基于私家车出行轨迹数据的城市间跨区域移动性预测方法，包括：
步骤1，获取城市群跨区域出行的私家车轨迹数据和驾驶状态数据，从中提取城市群历史出行的流量数据、时空地理数据和起止点POI数据；
步骤2，基于城市群区域划分，根据时空地理数据构建城市群的空间邻接矩阵S，根据出行起止点POI数据构建城市群的语义邻接矩阵W，以及将历史出行的流量数据建模为三维图信号张量χ；
步骤3，采用基于时空图常微分方程网络的城市群移动性预测模型，根据城市群的空间邻接矩阵S和语义邻接矩阵W以及历史出行流量的三维图信号张量，预测城市群未来出行流量；
步骤4，基于交通流理论，从历史出行流量数据中获取出行流量初始状态，再采用基于神经常微分方程网络的城市群移动性预测模型，根据出行流量初始状态预测未来出行流量；
步骤5，融合步骤3和步骤4的出行流量预测结果，即为城市群未来出行流量的最终预测结果。
进一步地，时空地理数据是指跨区域出行的起点及终点的时间和经纬度；空间邻接矩阵S中的元素表示城市群不同区域之间的地理相邻程度，使用高斯核距离表征：
Figure BDA0004059546500000021
其中，spq表示区域p和q之间的高斯核距离，dpq是区域p和q之间的空间距离，σ2是控制矩阵S稀疏性的阈值。
进一步地，起止点POI数据是指跨区域出行的起点兴趣点和终点兴趣点，基于起止点的经纬度从地图软件中爬取获得；语义邻接矩阵W中的元素表示城市群不同区域之间的功能相似性，使用如下计算式表征：
Figure BDA0004059546500000022
其中，wpq表示区域p和q之间的功能相似性，up表示区域p的POI上下文信息，且有up＝(c1p,…,cip,…,cHp)，H表示POI类别总数，i为POI类别索引，cip表示区域p的第i类POI的分数，定义为：
cip＝TFip*IDFi
Figure BDA0004059546500000023
Figure BDA0004059546500000024
其中，TFip表示第i类POI在区域中出现的频率，nip表示区域p的第i类POI的POI数量，IDFi表示第i类POI的在区域中的重要程度，fi,M表示含有第i类POI的区域数量，M表示城市群划分的区域数量。
进一步地，将历史出行的流量数据建模为三维图信号张量
χ(0；T)＝(X0,...,Xt,...,XT)∈RM×M×T，M表示城市群划分的区域数量，T表示历史出行流量数据的时间片长度，Xt表示城市群所有区域之间在时间t的出行流量转移图，即Xt＝(x11,x12,…,x1M,x21,x22,…,xMM)∈RM×M，xpq表示在某个时间片t内从区域p向区域q的私家车出行流量。
进一步地，所述基于时空图常微分方程网络的城市群移动性预测模型，由多个STGODE块、一个最大池化层和一个输出层组成，各STGODE块由两个时间空洞卷积块TCN和一个基于张量的ODE求解器组成；
其中，第一个时间空洞卷积块TCN对输入的代表历史出行流量的三维图信号张量提取特征，表示为：
Figure BDA0004059546500000031
式中，χ(0；T)表示输入的代表历史出行流量的三维图信号张量；
Figure BDA0004059546500000032
是第一个TCN的第l层输出，
Figure BDA0004059546500000033
为第二个TCN的第l-1层输出，Vl是第l层的卷积核，时间卷积采用指数膨胀率dl，L是TCN的层数，σ为激活函数；
第二个时间空洞卷积块TCN对经过ODESolve处理后的出行流量处理，表示为：
Figure BDA0004059546500000034
式中，
Figure BDA0004059546500000035
是第二个TCN的第l层输出，Hl(t)是第l层的ODESolve输出的出行流量；
STGODE块预测出行流量表示为：
Figure BDA0004059546500000036
式中，
Figure BDA0004059546500000037
H0表示初始值，来自上游网络TCN，其中H(t)表示是STGODE块中第t个图卷积层的输出，×i表示张量模式i上的矩阵乘法，
Figure BDA0004059546500000038
是对W,S归一化得到的语义邻接矩阵和空间邻接矩阵，
Figure BDA0004059546500000039
是可学习的参数矩阵，用于模拟不同特征之间的相互作用，T对应为总卷积层个数，C’对应可学习的参数个数，ODESolve为ODE求解器，I表示单位矩阵。
进一步地，所述采用基于神经常微分方程网络的城市群移动性预测模型，根据出行流量初始状态预测未来出行流量，表示为：
Figure BDA0004059546500000041
其中，
Figure BDA0004059546500000042
表示出行流量初始状态，即初始时刻t0的出行流量；Z(T:T+h)表示未来时刻T至T+h的出行流量序列；Φ表示所有可训练参数，包括超参α和φ；FG表示为残差图卷积网络，其中重复的神经网络层为：
FG(Φ,t,zt)＝-φ⊙tanh(αΔzt)
其中Δ是图拉普拉斯算子，用于计算区域节点i的状态zi与其邻居节点的状态之间的差异，使用α作为卷积内核来聚合感受野中节点的状态；tanh(·)为双曲正切激活函数；使用φi∈φ对卷积结果进行组合。
进一步地，所述从历史出行流量数据中获取出行流量初始状态，具体为：
从分布
Figure BDA0004059546500000043
中采样获得出行流量初始状态
Figure BDA0004059546500000044
且让
Figure BDA0004059546500000045
由高斯分布生成，其中均值和标准差由历史出行流量张量
Figure BDA0004059546500000046
确定为
Figure BDA0004059546500000047
Figure BDA0004059546500000048
采用门控循环单元GRU作为编码器从
Figure BDA0004059546500000049
中提取信息，g(·)是一个全连接网络，用于将GRU的最终隐藏状态转换为
Figure BDA00040595465000000410
的均值和标准差；
然后根据下式计算每个区域节点i的
Figure BDA00040595465000000411
为：
Figure BDA00040595465000000412
其中，∈i表示可学习参数，从标准正态分布N(0,1)中采样得到。
进一步地，所述融合步骤3和步骤4的出行流量预测结果，表示为：
Figure BDA00040595465000000413
其中，
Figure BDA00040595465000000414
和Z(T；T+h)分别是步骤3和步骤4的出行流量预测结果，
Figure BDA00040595465000000415
是融合预测模型参数，β是一个恒等函数，
Figure BDA00040595465000000416
表示城市群M个区域之间出行流量在时间T+h的预测结果。
一种基于私家车出行轨迹数据的城市间移动性预测装置，包括：
数据获取模块，用于：获取城市群跨区域出行的私家车轨迹数据和驾驶状态数据，从中提取城市群历史出行的流量数据、时空地理数据和起止点POI数据；
预处理模块，用于：基于城市群区域划分，根据时空地理数据构建城市群的空间邻接矩阵S，根据出行起止点POI数据构建城市群的语义邻接矩阵W，以及将历史出行的流量数据建模为三维图信号张量χ；
第一预测模块，用于：采用基于时空图常微分方程网络的城市群移动性预测模型，根据城市群的空间邻接矩阵S和语义邻接矩阵W以及历史出行流量的三维图信号张量，预测城市群未来出行流量；
第二预测模块，用于：基于交通流理论，从历史出行流量数据中获取出行流量初始状态，再采用基于神经常微分方程网络的城市群移动性预测模型，根据出行流量初始状态预测未来出行流量；
融合预测模块，用于：融合第一和第二预测模块的出行流量预测结果，即为城市群未来出行流量的最终预测结果。
有益效果
本发明是一种基于私家车多源数据的城市间移动性组合预测方法，包括基于时空图常微分方程网络的城市群移动性预测模型和基于神经常微分方程网络的城市群移动性预测模型。基于时空图常微分方程网络的城市群移动性预测模型，提取空间邻接矩阵S和语义邻接矩阵W表征城市群行政区空间特征和相关性，再根据构建的有关于出行流量的图信号张量预测城市间的移动性。基于神经常微分方程网络的城市群移动性预测模型，引入交通流理论，来保证预测结果吻合交通动态，存在一定解释性，以此来预测城市间的移动性。最终融合两个预测模型的出行流量预测结果，保证了预测结果的有效性。同时组合预测也充分发挥各单项预测模型优势，提高了模型的泛化能力，进一步提高预测的精准度。
附图说明
图1是本申请实施例所述方法及装置的整体流程图；
图2是本申请实施例所述方法及装置的预测框架结构。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
如图1所示为本发明基于城市间跨区域移动性预测方法及装置的整体流程图，其包括基于STGODE移动性预测模型和因果预测模型。基于私家车轨迹和城市群区域数据，将城市间私家车出行和城市区域之间的动态关联建模为图信号张量，构建时空张量以同时考虑空间和时间模式，并对复杂的时空相互作用进行建模，并且根据图信号张量得到在不同时间段行政区域转移图，转移图是有向图，图的边是不同时间段的行政区之间的出行流量转移。然后采用了两种邻接矩阵，空间邻接矩阵S和语义邻接矩阵W提取城市群行政区空间特征和相关性，利用STGODE模块预测城市间的移动性。因果预测模块采用基于势能场的因果特征矩阵，依赖于交通流理论来预测城市间的移动性。最后将因果预测模块和STGODE模块结合进行联合预测，输出未来城市间移动性信息。
图2所示为为本发明基于城市间跨区域移动性预测方法及装置的整体框架，其包括：ST GODE模块。它主要多个STGODE块、一个最大池化层和一个输出层组成。STGODE块由两个时间空洞卷积(TCN)块和一个基于张量的ODE求解器组成，用于同时捕获复杂和远程时空关系。然后将空间邻接矩阵S和语义邻接矩阵W将分别输ODE求解器，以获得不同级别的特征。因果预测模块利用基于势能场的因果特征矩阵，依赖于交通流理论引导的深度学习来预测城市间的移动性：一个编码器，用于将移动性映射到潜在势能场；一个DE网络，用于随着时间的推移持续预测潜在势能场的动力学，以及一个解码器用于从潜在势能场生成预测。分别从因果预测模块和STGODE模块中得出两个预测，通过融合预测模块输出最终预测结果，因为它通过输出层嵌入来自两个模块的隐藏信息，以此获得优化后的预测交通流。
本实施例提供一种基于私家车多源数据的城市间移动性组合预测方法，包括以下步骤：
步骤1，数据获取，包括车辆目的地停留数据采集和POI信息爬取。
首先采集来自于机动车OBD接口的车辆驾驶状态数据(包括车辆点火、熄火指令，即车辆开车和停车状态，速度和方向等)，和来源于机动车GPS接口的车辆轨迹数据(包括车辆匿名化ID、车辆所在经纬度、当前时刻、位置语义信息等)，采集频率为10s/次，结合以上信息可以计算出车辆停留的时空地理信息。所述POI信息数据为基于车辆经纬度所匹配的POI类别，从高德、百度等地图软件中爬取获得轨迹数据的起点兴趣点和目的地兴趣点。
然后对采集到的上述私家车轨迹数据和驾驶状态数据进行数据清洗：检测并删除开车时间间隔少于1分钟的数据、开车距离少于3米的数据、合并了上段行程终点和下段行程起点距离小于10米，且间隔时间小于1分钟的行程。再从清洗得到的数据中提取城市群历史出行的流量数据、时空地理数据和起止点POI数据。
步骤2，数据预处理。
(1)空间邻接矩阵S
本发明中基于行政区将城市群划分为M个区域。
根据地理学第一定律，该定律指出“一切事物与其他所有事物相关，但近处的事物比其他更遥远的事物更相关。根据该定律，构建地理邻接度矩阵，有如下定义。S∈RM×M，S的(p,q)元素spq，是描述城市区域p和q之间的地理相邻程度(例如旅行距离、旅行持续时间)，使用高斯核距离表征：
Figure BDA0004059546500000071
其中dpq是区域p和q之间的空间距离，σ2是控制矩阵S稀疏性的阈值。
(2)语义邻接矩阵W
实际上居民出行行为不仅与城市时空格局有关，而且与所谓的城市环境密切相关。城市环境是指城市区域内可以影响该区域的出行行为的环境。一种典型的城市环境是所谓的兴趣点，包括住宅楼、写字楼、商场等。有以下定义。的事物比其他更遥远的事物更相关。根据该定律，构建语义邻接度矩阵，有如下定义。W∈RM×M，W的(p,q)元素wpq，是一个系数，用于描述城市区域p和q之间的功能相似性。
根据“词频—逆文档频率”(TF-IDF)。这是一种量化一组文档中的单词的技术。这里将把区域看成一个文档，POI就是文档中的一个词，所以可以用TF-IDF单独计算POI类别在这个区域的重要性。假设城市总共有H POI类别，并将nip表示为城市p区域的类别i中的POI数量。
Figure BDA0004059546500000072
Figure BDA0004059546500000073
fi,M表示含有i类POI的城市区域数量，TFi,p表示第i类POI在城市p区域中出现的频率，IDFi表示第i类POI的逆文档频率，如果包含i类POI的区域越少,IDFi越大，则说明i类POI具有很好的功能区分能力。因此p区域的第i类POI的分数定义为cip＝TFip*IDFi，cip越大说明第i类POI在p区域具有代表性。
用向量up＝(c1p,…,cip,…,cHp)来描述p区域的POI上下文信息。则两个城市区域p和q的功能相似度可以计算为：
Figure BDA0004059546500000074
(3)正则化邻接矩阵
给定一个邻接矩阵A∈RM×M，A∈{S,W}，通常将其归一化为
Figure BDA0004059546500000081
其中D是A的度矩阵。
Figure BDA0004059546500000082
具有特征值分解，特征值位于区间[-1，1]中。负特征值会导致训练过程不稳定，因此通常会添加一个自循环来避免它，因此本实施例对前述构建的空间邻接矩阵S和语义邻接矩阵W，均采用了
Figure BDA0004059546500000083
的正则化形式：
Figure BDA0004059546500000084
其中α∈(0，1)是超参数，因此
Figure BDA0004059546500000085
的特征值位于区间[0,α]中。
(4)图信号张量χ
本实施例中，将城市群区域划分为M区域，将一天划分为N个时间片，令xpq,t∈RN表示在时间片内t∈{1,…,N},从起始区p∈{1,…,M}到目的地区q∈{1,…,M}的出行流量,N是观察向量的长度。Xt＝(x11,x12,…,x1M,x21,x22,…,xMM)∈RM×M表示所有区域之间在时间t的观察，因此一个三维图信号张量是χ(0；T)＝(X0,X1,...,XT)∈RM×M×T，表示所有区域间出行流量在0到T时刻的观察。根据图信号张量可以得到在不同时间段行政区出行流量转移图，将区域出行流量转移图表示为图形G＝(V,E,A)，其中V＝{v1,v2,...vM}是一组M个区域节点；E＝sum(xpq,t)∈[0,∞)是一组边，表示在[t,t+ζ)时间段内，起始区p和目的地区q的出行流量的总和。因此图的顶点为城市的各个区域，边为区域之间出行流量的动态转移。A为邻接矩阵，本实施例采用两种邻接矩阵：空间邻接矩阵S和语义邻接矩阵W。
步骤3，基于神经常微分方程网络的第一预测。
当网络深入时，GNN已被证明会遭受过度平滑的问题，这在很大程度上限制了对长期依赖关系进行建模的能力。基于原因，本实施例选择STGODE(时空图常微分方程网络)框架来进行出行流量预测。
本实施例基于时空图常微分方程网络的城市群移动性预测模型，由多个STGODE块、一个最大池化层和一个输出层组成，各STGODE块由两个时间空洞卷积块TCN和一个基于张量的ODE求解器组成，用于同时捕获复杂和远程时空关系。
为了提高提取长期时间依赖性的性能，采用了沿时间轴的一维扩张时间卷积网络(TCN)，对输入的代表历史出行流量的三维图信号张量提取特征。
第一个时间空洞卷积块TCN表示为：
Figure BDA0004059546500000091
式中，χ(0；T)表示输入的代表历史出行流量的三维图信号张量；
Figure BDA0004059546500000092
是TCN的第l层输出，
Figure BDA0004059546500000093
为第二个TCN的第l-1层输出，Vl是第l层的卷积核；为了扩大接受领域，时间卷积采用指数膨胀率dl＝2l-1，在此过程中，利用零填充策略来保持时序长度不变。L是TCN的层数，σ为激活函数。
第二个时间空洞卷积块TCN对经过ODESolve处理后的出行流量处理，表示为：
Figure BDA0004059546500000094
式中，
Figure BDA0004059546500000095
是第二个TCN的第l层输出，Hl(t)是第l层的ODESolve输出的出行流量，Vl是第l层的卷积核，时间卷积采用指数膨胀率dl，L是TCN的层数，σ为激活函数；
STGODE块预测出行流量表示为：
Figure BDA0004059546500000096
其中
Figure BDA0004059546500000097
Figure BDA00040595465000000910
表示初始值，来自上游网络，其中
Figure BDA00040595465000000911
表示第t个图卷积层的输出，
Figure BDA0004059546500000098
是归一化语义邻接特征矩阵和空间邻接特征矩阵，
Figure BDA0004059546500000099
是可学习的参数矩阵，用于模拟不同特征之间的相互作用。在该模型中选择ODESolver作为欧拉求解器。
如图2所示，将历史出行流量χ(0；T)输入基于时空图常微分方程网络的城市群移动性预测模型，再将空间邻接矩阵S和语义邻接矩阵W输入基于时空图常微分方程网络的城市群移动性预测模型中，得到预测的出行流量。
步骤4，基于神经常微分方程网络的第二预测。
依赖于交通流理论，该理论将交通系统表示为耦合微分方程(DE)。然后通过进行由DE控制的系统模拟来实现交通流预测。假设道路网络上的出行流量是由潜在的势能场驱动的(就像水流是由重力场驱动的)。
给定一个道路网络G＝(V,E,A)，对于vi∈V，将其定义为具有能量密度ui。vi的势能与其能量密度成正比，因此bi＝φi·ui，其中φi是可训练的节点体积。节点体积由节点的内部特征决定，及城市行政区大小，人口密度，POI种类等内部特征，类似于重力场中的质量。对于V中的所有节点，其势能b＝(bi,...,bn)T和能量密度u＝(ui,...,un)T：
b＝φ⊙u
其中φ＝(φi,...,φn)T，⊙是哈达马德积。
在G上定义的交通系统中，交通势能只能沿边缘集E中的边缘传输。因此，将eij∈E的能量通量定义为qij，对出行流量能量的度量，qij越大，则出行流量越大。将出行流量fij＝-(▽z)ij＝-(zi-zj)视为能量通量qij的主要组成部分，并引入一个共享参数α来测量每个边缘的出行流量与能量通量的贡献比，
f＝α-1q
其中f＝(fij)T，q＝(qij)T
基于势能场的出行流量如下：
zt+1-zt＝-φ⊙(αΔbt)        (27)
Δ是拉普拉斯算子，α和φ为超参，路网边上的出行流量是相邻节点之间的势能梯度，即f＝-▽b。zt表示时间t时城市群的出行流量，因此基于基于势能场的出行流量表达式可以求解得到zt+1时间t+1时城市群区域的出行流量。
本发明基于神经常微分方程网络求解zt+1，因此可以使用给予出行流量初始值的常微分方程求解器(ODEsolver)来进行预测，表示为：
Figure BDA0004059546500000101
其中，
Figure BDA0004059546500000102
表示出行流量初始状态，即初始时刻t0的出行流量；Z(T:T+h)未来时刻T至T+h的出行流量序列；Φ表示所有可训练参数，包括超参α和φ。函数
Figure BDA0004059546500000106
是由基于势能场的出行流量表达式所示物理模型引导的神经网络，将其表示为残差图卷积网络(GCN)形式，其中重复的神经网络层为：
Figure BDA0004059546500000107
其中Δ是图拉普拉斯算子，用于计算区域节点i的状态zi与其邻居节点的状态之间的差异，使用α作为卷积内核来聚合感受野中节点的状态；tanh(·)为双曲正切激活函数；使用φi∈φ对卷积结果进行组合。
另外，预测中的出行流量初始状态
Figure BDA0004059546500000103
是从分布
Figure BDA0004059546500000104
中采样的，让
Figure BDA0004059546500000105
由高斯分布生成，其中均值和标准差由历史出行流量张量
Figure BDA0004059546500000111
确定为
Figure BDA0004059546500000112
其中
Figure BDA0004059546500000113
采用门控循环单元(GRU)作为编码器从
Figure BDA0004059546500000114
中提取信息。g(·)是一个全连接网络，用于将GRU的最终隐藏状态转换为
Figure BDA0004059546500000115
的均值和标准差。
等式中
Figure BDA0004059546500000116
的生成过程g(·)。具体来说，给定一批训练数据，计算每个节点i的
Figure BDA0004059546500000117
为
Figure BDA0004059546500000118
其中∈i是从标准正态分布N(0,1)中采样的。这样，对于给定的训练数据批次，
Figure BDA0004059546500000119
是固定的，因此，方程(31)在神经网络训练的反向传播算法中是可微分的。在预测阶段，将为每个输入示例对∈i进行采样。
从空间角度来看，将t设置为离散值，方程(27)等效于残差GCN，其中每层的输入对于道路网络的所有节点都是zt。从时间的角度来看，时间t是连续的，因此可以计算任何t时刻的zt，从而来预测出行流量。
因此，在该步骤4中，根据有关于历史出行流量的三维图信号张量
Figure BDA00040595465000001110
提取出行流量高斯分布的均值和标准差，进而采样作为出行流量初始状态
Figure BDA00040595465000001111
然后即可采用基于神经常微分方程网络的城市群移动性预测模型，根据该出行流量初始状态
Figure BDA00040595465000001112
预测未来T至T+h时刻的出行流量序列Z(T:T+h)。
步骤5，融合预测。
将上述步骤3中最后一个STGODE层的出行流量输出
Figure BDA00040595465000001113
与步骤4的出行流量预测输出Z(T:T+h)连接起来，执行最大池化操作以有选择地聚合来自不同块的信息,得到最终预测：
Figure BDA00040595465000001114
其中
Figure BDA00040595465000001115
是模型参数，β是一个恒等函数，
Figure BDA00040595465000001116
表示M个区域之间出行流量在时间T+h的预测。
在本实施例中，基于时空图常微分方程网络的城市群移动性预测模型，基于神经常微分方程网络的城市群移动性预测模型，以及融合预测模型，作为一个综合预测模型，在训练的损失函数中考虑因果损失和STGODE预测损失，然后通过梯度下降优化l1范数损失：
Figure BDA00040595465000001117
其中，
Figure BDA00040595465000001118
表示基于时空图常微分方程网络的城市群移动性预测模型的出行流量预测。
Figure BDA00040595465000001119
表示基于神经常微分方程网络的城市群移动性预测模型对M个区域的出行流量预测，Ys和Yc表示相应的基本实值。计算损失时不区分细分区域。在本发明框架中，给定一个目标，分别从因果预测模块和STGODE模块中得出两个预测，通过融合预测模块输出最终预测，因为它通过输出层嵌入来自两个模块的隐藏信息。
实验设置：本实验选择在深圳市，中山市，佛山市，广州市和东莞市采集到的城市间私家车轨迹数据进行实验，实验选用RMSE(root mean square error，均方根误差)和MAPE(mean absolute percentage error，平均绝对百分比误差)两个评价指标对实验结果进行评估：
Figure BDA0004059546500000121
Figure BDA0004059546500000122
RMSE和MAPE能够很好的表示本发明预测方法框架所提供的误差，以及稳定性。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而以限定本发明。任何熟悉并非用本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (9)

1.一种基于私家车出行轨迹数据的城市间跨区域移动性预测方法，其特征在于，包括：
步骤1，获取城市群跨区域出行的私家车轨迹数据和驾驶状态数据，从中提取城市群历史出行的流量数据、时空地理数据和起止点POI数据；
步骤2，基于城市群区域划分，根据时空地理数据构建城市群的空间邻接矩阵S，根据出行起止点POI数据构建城市群的语义邻接矩阵W，以及将历史出行的流量数据建模为三维图信号张量χ；
步骤3，采用基于时空图常微分方程网络的城市群移动性预测模型，根据城市群的空间邻接矩阵S和语义邻接矩阵W以及历史出行流量的三维图信号张量，预测城市群未来出行流量；
步骤4，基于交通流理论，从历史出行流量数据中获取出行流量初始状态，再采用基于神经常微分方程网络的城市群移动性预测模型，根据出行流量初始状态预测未来出行流量；
步骤5，融合步骤3和步骤4的出行流量预测结果，即为城市群未来出行流量的最终预测结果。
2.根据权利要求1所述的城市间跨区域移动性预测方法，其特征在于，时空地理数据是指跨区域出行的起点及终点的时间和经纬度；空间邻接矩阵S中的元素表示城市群不同区域之间的地理相邻程度，使用高斯核距离表征：
Figure FDA0004059546480000011
其中，spq表示区域p和q之间的高斯核距离，dpq是区域p和q之间的空间距离，σ2是控制矩阵S稀疏性的阈值。
3.根据权利要求1所述的城市间跨区域移动性预测方法，其特征在于，起止点POI数据是指跨区域出行的起点兴趣点和终点兴趣点，基于起止点的经纬度从地图软件中爬取获得；语义邻接矩阵W中的元素表示城市群不同区域之间的功能相似性，使用如下计算式表征：
Figure FDA0004059546480000012
其中，wpq表示区域p和q之间的功能相似性，up表示区域p的POI上下文信息，且有up＝(c1p,…,cip,…,cHp)，H表示POI类别总数，i为POI类别索引，cip表示区域p的第i类POI的分数，定义为：
cip＝TFip*IDFi
Figure FDA0004059546480000021
Figure FDA0004059546480000022
其中，TFip表示第i类POI在区域中出现的频率，nip表示区域p的第i类POI的POI数量，IDFi表示第i类POI的在区域中的重要程度，fi,M表示含有第i类POI的区域数量，M表示城市群划分的区域数量。
4.根据权利要求1所述的城市间跨区域移动性预测方法，其特征在于，将历史出行的流量数据建模为三维图信号张量χ(0；T)＝(X0,...,Xt,...,XT)∈RM×M×T，M表示城市群划分的区域数量，T表示历史出行流量数据的时间片长度，Xt表示城市群所有区域之间在时间t的出行流量转移图，即Xt＝(x11,x12,…,x1M,x21,x22,…,xMM)∈RM×M，xpq表示在某个时间片t内从区域p向区域q的私家车出行流量。
5.根据权利要求1所述的城市间跨区域移动性预测方法，其特征在于，所述基于时空图常微分方程网络的城市群移动性预测模型，由多个STGODE块、一个最大池化层和一个输出层组成，各STGODE块由两个时间空洞卷积块TCN和一个基于张量的ODE求解器组成；
其中，第一个时间空洞卷积块TCN对输入的代表历史出行流量的三维图信号张量提取特征，表示为：
Figure FDA0004059546480000023
式中，χ(0；T)表示输入的代表历史出行流量的三维图信号张量；
Figure FDA0004059546480000024
是第一个TCN的第l层输出，
Figure FDA0004059546480000025
为第二个TCN的第l-1层输出，Vl是第l层的卷积核，时间卷积采用指数膨胀率dl，L是TCN的层数，σ为激活函数；
第二个时间空洞卷积块TCN对经过ODESolve处理后的出行流量处理，表示为：
Figure FDA0004059546480000026
式中，
Figure FDA0004059546480000027
是第二个TCN的第l层输出，
Figure FDA0004059546480000028
是第l层的ODESolve输出的出行流量；
STGODE块预测出行流量表示为：
Figure FDA0004059546480000031
式中，
Figure FDA0004059546480000032
Figure FDA0004059546480000033
表示初始值，来自上游网络TCN，其中
Figure FDA0004059546480000034
表示是STGODE块中第t个图卷积层的输出，×i表示张量模式i上的矩阵乘法，
Figure FDA0004059546480000035
是对W,S归一化得到的语义邻接矩阵和空间邻接矩阵，
Figure FDA0004059546480000036
是可学习的参数矩阵，用于模拟不同特征之间的相互作用，T对应为总卷积层个数，C’对应可学习的参数个数，ODESolve为ODE求解器；I表示单位矩阵。
6.根据权利要求1所述的城市间跨区域移动性预测方法，其特征在于，所述采用基于神经常微分方程网络的城市群移动性预测模型，根据出行流量初始状态预测未来出行流量，表示为：
Figure FDA0004059546480000037
其中，
Figure FDA0004059546480000038
表示出行流量初始状态，即初始时刻t0的出行流量；Z(T:T+h)表示未来时刻T至T+h的出行流量序列；Φ表示所有可训练参数，包括超参α和φ；
Figure FDA0004059546480000039
表示为残差图卷积网络，其中重复的神经网络层为：
Figure FDA00040595464800000310
其中Δ是图拉普拉斯算子，用于计算区域节点i的状态zi与其邻居节点的状态之间的差异，使用α作为卷积内核来聚合感受野中节点的状态；tanh(·)为双曲正切激活函数；使用φi∈φ对卷积结果进行组合。
7.根据权利要求4所述的城市间跨区域移动性预测方法，其特征在于，所述从历史出行流量数据中获取出行流量初始状态，具体为：
从分布
Figure FDA00040595464800000311
中采样获得出行流量初始状态
Figure FDA00040595464800000312
且让
Figure FDA00040595464800000313
由高斯分布生成，其中均值和标准差由历史出行流量张量
Figure FDA00040595464800000314
确定为
Figure FDA00040595464800000315
Figure FDA00040595464800000316
采用门控循环单元GRU作为编码器从
Figure FDA00040595464800000317
中提取信息，g(·)是一个全连接网络，用于将GRU的最终隐藏状态转换为
Figure FDA00040595464800000318
的均值和标准差；
然后根据下式计算每个区域节点i的
Figure FDA0004059546480000041
为：
Figure FDA0004059546480000042
其中，∈i表示可学习参数，从标准正态分布
Figure FDA0004059546480000043
中采样得到。
8.根据权利要求1所述的城市间跨区域移动性预测方法，其特征在于，所述融合步骤3和步骤4的出行流量预测结果，表示为：
Figure FDA0004059546480000044
其中，
Figure FDA0004059546480000045
和Z(T；T+h)分别是步骤3和步骤4的出行流量预测结果，
Figure FDA0004059546480000046
是融合预测模型参数，β是一个恒等函数，
Figure FDA0004059546480000047
表示城市群M个区域之间出行流量在时间T+h的预测结果。
9.一种基于私家车出行轨迹数据的城市间跨区域移动性预测装置，其特征在于，包括：
数据获取模块，用于：获取城市群跨区域出行的私家车轨迹数据和驾驶状态数据，从中提取城市群历史出行的流量数据、时空地理数据和起止点POI数据；
预处理模块，用于：基于城市群区域划分，根据时空地理数据构建城市群的空间邻接矩阵S，根据出行起止点POI数据构建城市群的语义邻接矩阵W，以及将历史出行的流量数据建模为三维图信号张量χ；
第一预测模块，用于：采用基于时空图常微分方程网络的城市群移动性预测模型，根据城市群的空间邻接矩阵S和语义邻接矩阵W以及历史出行流量的三维图信号张量，预测城市群未来出行流量；
第二预测模块，用于：基于交通流理论，从历史出行流量数据中获取出行流量初始状态，再采用基于神经常微分方程网络的城市群移动性预测模型，根据出行流量初始状态预测未来出行流量；
融合预测模块，用于：融合第一和第二预测模块的出行流量预测结果，即为城市群未来出行流量的最终预测结果。
CN202310053817.4A 2023-02-03 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置 Active CN116052427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310053817.4A CN116052427B (zh) 2023-02-03 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310053817.4A CN116052427B (zh) 2023-02-03 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置

Publications (2)

Publication Number Publication Date
CN116052427A true CN116052427A (zh) 2023-05-02
CN116052427B CN116052427B (zh) 2024-05-31

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363878A (zh) * 2023-05-26 2023-06-30 云南大学 基于连续动态常微分方程的交通流量预测系统及方法
CN117935560A (zh) * 2024-03-14 2024-04-26 中南大学 一种交通出行交互流量预测方法、系统、终端设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法
AU2020101405A4 (en) * 2020-07-18 2020-08-20 Guizhou Minzu University An Efficient Distributed Method for Real-Time Traffic Flow Prediction
CN111931978A (zh) * 2020-06-29 2020-11-13 南京熊猫电子股份有限公司 一种基于时空特性的城市轨道交通客流状态预测方法
CN112669606A (zh) * 2020-12-24 2021-04-16 西安电子科技大学 利用动态时空图训练卷积神经网络的交通流预测方法
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
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
CN113724504A (zh) * 2021-08-06 2021-11-30 之江实验室 一种面向车辆轨迹大数据的城市区域流量预测系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法
WO2021109318A1 (zh) * 2019-12-03 2021-06-10 东南大学 一种城市路网短期交通运行状态估计与预测方法
CN111931978A (zh) * 2020-06-29 2020-11-13 南京熊猫电子股份有限公司 一种基于时空特性的城市轨道交通客流状态预测方法
AU2020101405A4 (en) * 2020-07-18 2020-08-20 Guizhou Minzu University An Efficient Distributed Method for Real-Time Traffic Flow Prediction
CN112669606A (zh) * 2020-12-24 2021-04-16 西安电子科技大学 利用动态时空图训练卷积神经网络的交通流预测方法
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
CN113724504A (zh) * 2021-08-06 2021-11-30 之江实验室 一种面向车辆轨迹大数据的城市区域流量预测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张健钦;仇培元;杜明义;: "基于时空轨迹数据的出行特征挖掘方法", 交通运输系统工程与信息, no. 06, 15 December 2014 (2014-12-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363878A (zh) * 2023-05-26 2023-06-30 云南大学 基于连续动态常微分方程的交通流量预测系统及方法
CN116363878B (zh) * 2023-05-26 2023-08-11 云南大学 基于连续动态常微分方程的交通流量预测系统及方法
CN117935560A (zh) * 2024-03-14 2024-04-26 中南大学 一种交通出行交互流量预测方法、系统、终端设备及介质

Similar Documents

Publication Publication Date Title
CN107529651B (zh) 一种基于深度学习的城市交通客流预测方法和设备
Zhu et al. Parallel transportation systems: Toward IoT-enabled smart urban traffic control and management
Li et al. Learning heterogeneous spatial-temporal representation for bike-sharing demand prediction
CN115240425B (zh) 一种基于多尺度时空融合图网络的交通预测方法
Sadeghi-Niaraki et al. Short-term traffic flow prediction using the modified elman recurrent neural network optimized through a genetic algorithm
Lv et al. Blind travel prediction based on obstacle avoidance in indoor scene
CN109035761A (zh) 基于辅助监督学习的行程时间估计方法
CN114299723B (zh) 一种交通流量预测方法
CN113762338B (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
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
Xu et al. Urban noise mapping with a crowd sensing system
US20240143999A1 (en) Multi-modal data prediction method based on causal markov model
Xu et al. Short‐term traffic flow prediction based on whale optimization algorithm optimized BiLSTM_Attention
Dai et al. Spatio-temporal deep learning framework for traffic speed forecasting in IoT
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
Awad et al. Prediction of water demand using artificial neural networks models and statistical model
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
Zhang et al. Boosted trajectory calibration for traffic state estimation
Li et al. A reinforcement learning-based routing algorithm for large street networks
Jia et al. Physics-guided graph diffusion network for combining heterogeneous simulated data: An application in predicting stream water temperature
Zhang et al. Road section traffic flow prediction method based on the traffic factor state network
CN116052427B (zh) 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
Qu et al. Improving parking occupancy prediction in poor data conditions through customization and learning to learn
CN116052427A (zh) 基于私家车出行轨迹数据的城市间跨区域移动性预测方法及装置
CN113408786B (zh) 一种交通特征预测方法及系统

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