CN116153089B - 基于时空卷积与动态图的交通流量预测系统及方法 - Google Patents

基于时空卷积与动态图的交通流量预测系统及方法 Download PDF

Info

Publication number
CN116153089B
CN116153089B CN202310448928.5A CN202310448928A CN116153089B CN 116153089 B CN116153089 B CN 116153089B CN 202310448928 A CN202310448928 A CN 202310448928A CN 116153089 B CN116153089 B CN 116153089B
Authority
CN
China
Prior art keywords
time
layer
convolution
sequence
dynamic
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
CN202310448928.5A
Other languages
English (en)
Other versions
CN116153089A (zh
Inventor
刘成
王炜
范启强
郭元萍
赵腾
潘佳艺
蒋晓雨
尹国强
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN202310448928.5A priority Critical patent/CN116153089B/zh
Publication of CN116153089A publication Critical patent/CN116153089A/zh
Application granted granted Critical
Publication of CN116153089B publication Critical patent/CN116153089B/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
    • G08G1/0125—Traffic data processing
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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

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

Abstract

本发明公开了一种基于时空卷积与动态图的交通流量预测系统及方法，所述系统具有：依次连接的输入层、时空模块、多层感知器和输出层；其中，输入层用于获取历史交通数据序列；时空模块用于根据历史交通数据序列预测时空特征序列；所述多层感知器将时空特征序列映射到输出层；所述输出层输出交通流量预测结果。本发明将交通网络视为一个连续的时变结构，并将交通数据中的动态分为网络动态和节点动态两部分，由此将交通预测形式化为交通网络拓扑结构约束下的多元时间序列预测问题，实现准确性与稳定性更高的交通流量预测。

Description

基于时空卷积与动态图的交通流量预测系统及方法
技术领域
本发明涉及交通流量预测技术领域，尤其涉及到一种基于时空卷积与动态图的交通流量预测系统及方法。
背景技术
交通流量预测的目的是基于历史交通数据(如车速、行人数量)预测未来的交通量。由于其在交通管理、城市规划、路线规划等方面的重要意义，已成为智能交通系统(ITS)的重要组成部分。然而，交通数据的非线性和复杂性使得交通流预测成为一项具有挑战性的任务。凭借非凡的特征工程和功能拟合能力，深度学习(DL)和图神经网络(GNN)在许多不同的领域都取得了巨大的成功，一些研究人员研究了应用不同的DL算法和图神经网络来提高交通流预测的性能，已成为该研究交通流预测领域的主导范式。STSGCN提出了时空同步图来同时捕获时空关系，在一定程度上验证了同步时空图的可行性。STSGCN之后，ASTGCN的每个独立部分包含两部分时空注意力机制，有效地捕捉交通数据中的动态时空关联，其中的时空卷积用图卷积来捕捉空间模式，用的标准卷积来描述时间特征。此后DGCN引入了一种潜在网络以提取时空特征，以自适应地构建动态道路网图邻接矩阵。然而，最近的研究表明，自适应邻接矩阵会增加交通流预测结果的不稳定性。为了缓解这一问题，MDRGCN使用基于固定指标的邻接矩阵来平滑基于节点嵌入的邻接矩阵的不稳定性。
目前，有许多基于邻接矩阵的自适应方法被提出。与基于物理指标的邻接矩阵相比，自适应邻接矩阵的元素要么由节点嵌入之间的相似性定义，要么仅由学习过程定义。然而，这一策略在实际应用中仍然面临困难。首先，根据最近的研究，自适应邻接矩阵会增加预测结果的不稳定性。由于训练过程中的不确定性，自适应邻接矩阵无法有效模拟交通网络的拓扑结构，使得预测结果不稳定。其次，现有的方法通常是直推式的方法，这需要交通网络的拓扑结构是固定的。它不能为新节点生成嵌入。上述缺点限制了自适应邻接矩阵在大规模动态流量网络中的应用。
为了对节点动态进行编码，现有的技术大致可以分为两种:离散方法和连续方法。离散方法将交通网络抽象为一系列按预定时间间隔采样的静态网络快照。节点动态可以通过在每个间隔上使用静态网络表示学习技术进行编码。离散方法的一个挑战是如何选择适当的间隔。如果一个事件恰好发生在两个间隔的中间，那么将不会捕获该事件对节点嵌入的影响。因此，离散方法在编码流量事件对节点嵌入的细粒度影响方面的能力有限。与离散方法不同，连续方法将节点动态抽象为按时间顺序排列的流量事件列表。流量事件提供比快照更细粒度的信息，因为每个快照可能包含多个流量事件，例如交通事故或流量控制，并且每个流量事件都有自己的时间戳、事件类型和附带的节点。因此，如何提高交通流量预测的准确性与稳定性，是一个亟需解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于时空卷积与动态图的交通流量预测系统及方法，旨在解决目前交通流量预测的准确性与稳定性不高的技术问题。
为实现上述目的，本发明提供一种基于时空卷积与动态图的交通流量预测系统，所述系统，具有：依次连接的输入层、时空模块、多层感知器和输出层；其中，输入层用于获取历史交通数据序列；时空模块用于根据历史交通数据序列预测时空特征序列；所述多层感知器将时空特征序列映射到输出层；所述输出层输出交通流量预测结果；
其中，所述输入层获取并输入历史交通数据序列X=(X1,X2,…,XH)∈RN×H×F，并将序列X分割成一堆子序列(I1,I2,…,IL)，其中Ii∈RN×W×F；分组大小W是超参数，当1<W<H时，序列X被分为L<H个子序列；
其中，所述时空模块，具有：依次连接的时间依赖关系层、卷积注意层、连续空间依赖层和批处理层；
所述时间依赖关系层从子序列(I1,I2,…,IL)中获取时间依赖序列(T1,T2,…,TL)，Ti∈RN×W×F；其中，Ti的表达式，具体为：
Figure SMS_1
，
其中ci:{0,…,K}→R是卷积核；
所述连续空间依赖层包括动态邻接矩阵生成模块；其中，所述动态邻接矩阵生成模块，具有：
动态相关性定义单元，给定t时刻节点j和k的两个交通流序列
Figure SMS_2
与/>
Figure SMS_3
，动态相关性定义如下：
Figure SMS_4
，
其中，
Figure SMS_7
是/>
Figure SMS_9
与/>
Figure SMS_11
在时刻T之间的上下文相关性；/>
Figure SMS_6
是相互作用的延迟；两个节点之间的上下文相关性定义为/>
Figure SMS_8
与/>
Figure SMS_10
的KL散度，*为卷积运算，其中
Figure SMS_12
；其中，/>
Figure SMS_5
的表达式，具体为：
Figure SMS_13
,
Figure SMS_14
,
Figure SMS_15
,
式中
Figure SMS_16
与/>
Figure SMS_17
分别为t时刻j结点和k结点的流量数据，将两个结点的流量数据进行卷积后形成一行交互延时，后从中选择一个值最大的交互延时/>
Figure SMS_18
；
动态邻接矩阵生成单元，生成L个邻接矩阵，具体为：
Figure SMS_19
。
可选的，所述连续空间依赖层包括邻接矩阵预测模块；其中，所述邻接矩阵预测模块，具有：
邻接矩阵预测单元，采用基于LSTM的霍克斯过程，根据动态邻接矩阵预测邻接矩阵
Figure SMS_20
；其中，邻接矩阵/>
Figure SMS_21
的表达式，具体为：
Figure SMS_22
，
Figure SMS_23
，
其中，
Figure SMS_24
为上一时刻的第i行，第j列元素的值，/>
Figure SMS_25
为k型事件的基本强度，/>
Figure SMS_26
为l型调整事件对k型调整事件的影响；/>
Figure SMS_27
是一个指数衰减函数，它模拟了过去调整事件到当前调整事件的自激现象，/>
Figure SMS_28
为可学习参数，用于调节邻接矩阵的变化。
可选的，所述连续空间依赖层包括动态节点捕获模块；其中，所述动态节点捕获模块，具有：
邻域定义单元，基于
Figure SMS_29
随机抽取目标节点v的一部分两跳邻居节点N(v)；
邻居聚合单元，对N(v)的嵌入进行聚合，生成潜在的邻居表示：
Figure SMS_30
，
其中AGGREGATEt为时间步t的聚合函数，每个节点
Figure SMS_31
的初始表示为时间依赖项(T1,T2,…,Tl)；
图卷积定义单元，基于潜在的邻居表示，将图卷积定义为：
Figure SMS_32
，
其中CONCAT(·)是连接运算，
Figure SMS_33
是激活函数；
时空特征序列确定单元，基于给定的时间依赖序列(T1,T2,…,TL)，确定对应的时空特征序列(Z1,Z2,…,Zt)，Zi∈RN×F×W。
可选的，所述卷积注意层，具有：
填充单元，执行填充动作，以使输入序列的维数在卷积前后不发生变化，填充大小定义为(c−1)d，其中c是卷积核，d是膨胀系数；
卷积注意单元，对时空特征序列(Z1,Z2,…,Zt)进行普通一维卷积和扩张卷积，获得注意力权重，具体为：
Figure SMS_34
，
Figure SMS_35
，
其中，
Figure SMS_36
，/>
Figure SMS_37
为卷积核，V、/>
Figure SMS_38
和/>
Figure SMS_39
为可学习参数，/>
Figure SMS_40
为激活函数；
输出单元，根据注意力权重，确定输出，具体为：
Figure SMS_41
。
可选的，所述批处理层使用批量法向法加快收敛速度；其中，批量法向法的表达式，具体为：
Figure SMS_42
，
其中，
Figure SMS_43
为/>
Figure SMS_44
沿着最后一维求和后的平均值，/>
Figure SMS_45
为归一化的方差，/>
Figure SMS_46
为超参数，防止分母为0，默认为0.00001，/>
Figure SMS_47
均值为0，方差为1。
为了实现上述目的，本发明还提供一种基于时空卷积与动态图的交通流量预测方法，所述方法，包括：
S1：通过输入层获取历史交通数据序列；
S2：通过时空模块根据历史交通数据序列预测时空特征序列；
S3：通过多层感知器将时空特征序列映射到输出层；
S4：通过输出层输出交通流量预测结果；
其中，所述输入层获取并输入历史交通数据序列X=(X1,X2,…,XH)∈RN×H×F，并将序列X分割成一堆子序列(I1,I2,…,IL)，其中Ii∈RN×W×F；分组大小W是超参数，当1<W<H时，序列X被分为L<H个子序列；
其中，所述时空模块，具有：依次连接的时间依赖关系层、卷积注意层、连续空间依赖层和批处理层；
所述时间依赖关系层从子序列(I1,I2,…,IL)中获取时间依赖序列(T1,T2,…,TL)，Ti∈RN×W×F；其中，Ti的表达式，具体为：
Figure SMS_48
，
其中ci:{0,…,K}→R是卷积核；
所述连续空间依赖层包括动态邻接矩阵生成模块；其中，所述动态邻接矩阵生成模块，具有：
动态相关性定义单元，给定t时刻节点j和k的两个交通流序列
Figure SMS_49
与/>
Figure SMS_50
，动态相关性定义如下：
Figure SMS_51
，
其中，
Figure SMS_54
是/>
Figure SMS_55
与/>
Figure SMS_57
在时刻T之间的上下文相关性；/>
Figure SMS_53
是相互作用的延迟；两个节点之间的上下文相关性定义为/>
Figure SMS_56
与/>
Figure SMS_58
的KL散度，*为卷积运算，其中
Figure SMS_59
；其中，/>
Figure SMS_52
的表达式，具体为：
Figure SMS_60
，
Figure SMS_61
，
Figure SMS_62
，
式中
Figure SMS_63
与/>
Figure SMS_64
分别为t时刻j结点和k结点的流量数据，将两个结点的流量数据进行卷积后形成一行交互延时，后从中选择一个值最大的交互延时/>
Figure SMS_65
；
动态邻接矩阵生成单元，生成L个邻接矩阵，具体为：
Figure SMS_66
。
可选的，所述连续空间依赖层包括邻接矩阵预测模块；其中，所述邻接矩阵预测模块，具有：
邻接矩阵预测单元，采用基于LSTM的霍克斯过程，根据动态邻接矩阵预测邻接矩阵
Figure SMS_67
；其中，邻接矩阵/>
Figure SMS_68
的表达式，具体为：
Figure SMS_69
，
Figure SMS_70
，
其中，
Figure SMS_71
为上一时刻的第i行，第j列元素的值，/>
Figure SMS_72
为k型事件的基本强度，/>
Figure SMS_73
为l型调整事件对k型调整事件的影响；/>
Figure SMS_74
是一个指数衰减函数，它模拟了过去调整事件到当前调整事件的自激现象，/>
Figure SMS_75
为可学习参数，用于调节邻接矩阵的变化。
可选的，所述连续空间依赖层包括动态节点捕获模块；其中，所述动态节点捕获模块，具有：
邻域定义单元，基于
Figure SMS_76
随机抽取目标节点v的一部分两跳邻居节点N(v)；
邻居聚合单元，对N(v)的嵌入进行聚合，生成潜在的邻居表示：
Figure SMS_77
，
其中AGGREGATEt为时间步t的聚合函数，每个节点
Figure SMS_78
的初始表示为时间依赖项(T1,T2,…,Tl)；
图卷积定义单元，基于潜在的邻居表示，将图卷积定义为：
Figure SMS_79
，
其中CONCAT(·)是连接运算，
Figure SMS_80
Figure SMS_81
是激活函数；
时空特征序列确定单元，基于给定的时间依赖序列(T1,T2,…,TL)，确定对应的时空特征序列(Z1,Z2,…,Zt)，Zi∈RN×F×W。
可选的，所述卷积注意层，具有：
填充单元，执行填充动作，以使输入序列的维数在卷积前后不发生变化，填充大小定义为(c−1)d，其中c是卷积核，d是膨胀系数；
卷积注意单元，对时空特征序列(Z1,Z2,…,Zt)进行普通一维卷积和扩张卷积，获得注意力权重，具体为：
Figure SMS_82
，
Figure SMS_83
，
其中，
Figure SMS_84
，/>
Figure SMS_85
为卷积核，V、/>
Figure SMS_86
和/>
Figure SMS_87
为可学习参数，/>
Figure SMS_88
为激活函数；
输出单元，根据注意力权重，确定输出，具体为：
Figure SMS_89
。
可选的，所述批处理层使用批量法向法加快收敛速度；其中，批量法向法的表达式，具体为：
Figure SMS_90
，
其中，
Figure SMS_91
为/>
Figure SMS_92
沿着最后一维求和后的平均值，/>
Figure SMS_93
为归一化的方差，/>
Figure SMS_94
为超参数，防止分母为0，默认为0.00001，/>
Figure SMS_95
均值为0，方差为1。
本发明实施例提出的一种基于时空卷积与动态图的交通流量预测系统及方法，所述系统具有：依次连接的输入层、时空模块、多层感知器和输出层；其中，输入层用于获取历史交通数据序列；时空模块用于根据历史交通数据序列预测时空特征序列；所述多层感知器将时空特征序列映射到输出层；所述输出层输出交通流量预测结果。本发明将交通网络视为一个连续的时变结构，并将交通数据中的动态分为网络动态和节点动态两部分，由此将交通预测形式化为交通网络拓扑结构约束下的多元时间序列预测问题，实现准确性与稳定性更高的交通流量预测。
附图说明
图1为本发明基于时空卷积与动态图的交通流量预测系统的结构示意图；
图2为本发明基于时空卷积与动态图的交通流量预测方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
本发明实施例提供了一种基于时空卷积与动态图的交通流量预测系统，参照图1，图1为本发明基于时空卷积与动态图的交通流量预测系统的实施例的示意图。
具体而言，本实施例将交通预测形式化为交通网络拓扑结构约束下的多元时间序列预测问题。交通网络抽象为G=(V,E,A)，其中V为N=|V|个节点的有限集，E⊆V×V为边集。邻接矩阵∈RN×N包含交通网络的拓扑信息,而Ai,j表示节点i和j之间的依赖关系。t时刻交通网络G采集的交通数据表示为矩阵Xt=(X1t,X2t,…,XNt)∈RN×F，F是数量特征,
Figure SMS_96
∈RF为节点v在t时刻的交通数据。预测问题可以描述为给定一个历史交通数据序列X=(X1,X2,…,XH)∈RN×F×H和一个图G，学习一个函数f(·)来将X映射到接下来t步的交通流。[YH+1，…，YH+t]=f(G;(X1,X2，…，XH))，其中f(·)为基于gnn的模型，YH+i为时间步长H+i的交通流。
如图1所示，展示了本实施例提出的模型的总体框架，基于时空卷积与动态图的交通流量预测系统包括输入层、时空模块、多层感知器和输出层。ADGNN模块使用两个时空模块堆叠处理交通数据，每个时空模块由时间依赖关系层、卷积注意层、连续空间依赖层和批处理层组成。采用了剩余连接克服了过平滑问题。其中：
（1）输入层：
给定一个历史交通数据序列X=(X1,X2，…，XH)∈RN×H×F，将X分割成一堆子序列(I1,I2，…，IL)，其中Ii∈RN×W×F。分组大小W是超参数。当1<W<H时，序列X被分为L<H子序列。
（2）时空模块：
ADGNN模块结构如图1所述，由时间依赖关系层、卷积注意层、连续空间依赖层和批处理层组成，其中，时间依赖关系层、卷积注意层、连续空间依赖层和批处理层组成时空模块，两层时空模块组成ADGNN模块。
1.时间依赖关系层：
在这一层中，1D-CNN处理输入序列(I1,I2，…，IL)，Ii∈RN×W×F。则从原始交通数据中获取时间依赖项(T1,T2，…，TL)，Ti∈RN×W×F，如下所示:
Figure SMS_97
，
其中ci:{0，…，K}→R是卷积核。
2.连续空间依赖层：
在这中，定义了一个新的指标，动态相关，以定义时间t的邻接矩阵。网络动态被建模为邻接矩阵的连续变化，采用神经霍克斯过程来预测未来的邻接矩阵。最后，将预测的邻接矩阵与GraphSAGE集成在一起来捕获节点动态。该层的详细信息如下:
2.1动态邻接矩阵：
邻接矩阵通常由物理指标定义。但在本发明中，节点之间的依赖关系不仅由物理指标决定，还由上下文相关性决定。例如，具有相似交通模式的两个距离较远的节点通常表明它们的交通上下文是相关的，因此提出了一个新的指标，动态相关，来定义邻接矩阵，使用交互延迟来平滑上下文相关的不稳定性。
给定t时刻节点j和k的两个交通流序列
Figure SMS_98
与/>
Figure SMS_99
，动态相关性定义如下:
Figure SMS_100
，
其中，
Figure SMS_102
是/>
Figure SMS_104
与/>
Figure SMS_106
在时刻T之间的上下文相关性；/>
Figure SMS_103
是相互作用的延迟；两个节点之间的上下文相关性定义为/>
Figure SMS_105
与/>
Figure SMS_107
的KL散度，*为卷积运算，其中
Figure SMS_108
；其中，/>
Figure SMS_101
的表达式，具体为：
Figure SMS_109
，
Figure SMS_110
，
Figure SMS_111
，
式中
Figure SMS_112
与/>
Figure SMS_113
分别为t时刻j结点和k结点的流量数据，将两个结点的流量数据进行卷积后形成一行交互延时，后从中选择一个值最大的交互延时/>
Figure SMS_114
；
根据输入层的数据，生成L个邻接矩阵：
Figure SMS_115
。
2.2动态网络：
本实施例将网络动态定义为交通网络中连续的拓扑变化。每个拓扑变化对应一个邻接矩阵调整事件。为了模拟动态，采用霍克斯过程，一种特定类型的时间点过程。霍克斯过程是基于这样一个假设，即过去的事件对未来的事件有相关的影响。在邻接矩阵上，假设存在两种类型的调整事件：依赖增强和依赖退化，依赖不变。t时刻的具体定义定义如下:
Figure SMS_116
，
Figure SMS_117
，
式中
Figure SMS_118
是人为超参数。
由上述计算得到：
Figure SMS_119
。
根据霍克斯过程，霍克斯过程对µ和α施加了正约束，并使用一个简单的指数衰减函数来模拟历史调整事件对未来调整事件的影响。需要说明的是，历史调整事件对未来事件既有刺激作用，也有抑制作用，霍克斯过程的原始设置并不适合本申请的问题。因此，本实施例使用一个连续的LSTM，一个更有表现力的连续函数来模拟自激现象，并放松对µ和α的正约束。具体来说，当一个事件随机发生在两个区间t∈(ti,ti+1]之间时，强度被定义为：
Figure SMS_120
，
其中，
Figure SMS_121
为k型事件的基本强度，/>
Figure SMS_122
为l型调整事件对k型调整事件的影响。
Figure SMS_123
是一个指数衰减函数，它模拟了过去调整事件到当前调整事件的自激现象，/>
Figure SMS_124
为可学习参数，用于调节邻接矩阵的变化。根据连续LSTM，定义/>
Figure SMS_125
，/>
Figure SMS_126
，/>
Figure SMS_127
如下：
Figure SMS_128
，
Figure SMS_129
，
Figure SMS_130
，
Figure SMS_131
，
Figure SMS_132
，
Figure SMS_133
，
Figure SMS_134
，
Figure SMS_135
，
Figure SMS_136
，
Figure SMS_137
，
上述式中的
Figure SMS_142
和/>
Figure SMS_145
为存储信息单元，/>
Figure SMS_149
-/>
Figure SMS_138
为存储单元的差值，
Figure SMS_144
是一个指数衰减函数，/>
Figure SMS_148
为权重函数，对输入的事件类型计算强度，/>
Figure SMS_152
为当前时间，t为上一时刻发生事件的时间，/>
Figure SMS_141
、/>
Figure SMS_146
和/>
Figure SMS_150
分别为LSTM中的输入门和遗忘门和输出门。其中/>
Figure SMS_154
和/>
Figure SMS_153
，/>
Figure SMS_156
和/>
Figure SMS_158
，/>
Figure SMS_160
和/>
Figure SMS_155
为计算式相同但参数不同的遗忘门、输入门和输出门，/>
Figure SMS_157
和/>
Figure SMS_159
为输入的基本强度，/>
Figure SMS_161
用于更新基本强度/>
Figure SMS_139
和/>
Figure SMS_143
，/>
Figure SMS_147
表示新输入的信息，/>
Figure SMS_151
为输入的事件类型，式子中的如下参数/>
Figure SMS_140
为可学习参数。
由于
Figure SMS_162
会违反强度的正约束。因此，本实施例将其通过softplus函数f(x)=slog(1+exp(x/s))来获得正输出。那么本实施例定义t时刻的邻接矩阵如下：
Figure SMS_163
，
Figure SMS_164
为上一时刻的第/>
Figure SMS_165
行，第/>
Figure SMS_166
列元素的值，给定历史调整事件流，使用连续的基于LSTM的霍克斯过程来预测邻接矩阵/>
Figure SMS_167
。具体来说，取邻接矩阵序列{A1,A2，…，At-1}为训练数据,用连续LSTM的目的是预测邻接矩阵/>
Figure SMS_168
。
2.3动态结点：
为了捕获节点动态，本实施例将邻接矩阵At与GraphSAGE集成在一起。(1)邻域定义:与GraphSAGE类似，基于
Figure SMS_169
随机抽取目标节点v的一部分两跳邻居节点N(v)。(2)邻居聚合:对N(v)的嵌入进行聚合，生成潜在的邻居表示:
Figure SMS_170
，
其中AGGREGATEt为时间步t的聚合函数，每个节点
Figure SMS_171
的初始表示为时间依赖项(T1,T2，…，Tl)。
(3)基于潜在邻域表示，将图卷积定义为:
Figure SMS_172
，
其中CONCAT(·)是连接运算，
Figure SMS_173
是激活函数。给定时间依赖序列(T1,T2，…，TL)，对应的时空特征序列为(Z1,Z2，…，Zt)，Zi∈RN×F×W。
3.卷积注意力机制：
在这层中，使用卷积注意力来推导时空特征序列(Z1,Z2，…，ZL)的动态权重。其中包括三个组成部分。(1)填充:保证输入序列的维数在卷积前后不发生变化。填充大小定义为(c−1)d，其中c是卷积核，d是膨胀系数。
(2)卷积注意:对时空特征序列Z=(Z1,Z2，…，ZL)进行普通一维卷积和扩张卷积。然后计算注意力权重并进行归一化操作，注意力权重如下
Figure SMS_174
，
Figure SMS_175
，
其中，
Figure SMS_176
，/>
Figure SMS_177
为卷积核，V、/>
Figure SMS_178
和/>
Figure SMS_179
为可学习参数，/>
Figure SMS_180
为激活函数；
(3)输出:输出由如下定义
Figure SMS_181
。
4.批处理层：
本实施例使用批量法向技术来加快收敛速度，防止梯度消失和爆炸。批量法向的过程如下：
Figure SMS_182
，
其中，
Figure SMS_183
为/>
Figure SMS_184
沿着最后一维求和后的平均值，/>
Figure SMS_185
为归一化的方差，/>
Figure SMS_186
为超参数，防止分母为0，默认为0.00001，/>
Figure SMS_187
均值为0，方差为1。
在本实施例中，使用两阶段动态邻接矩阵。在第一阶段，提出了一个新的指标，动态相关来定义历史时间的邻接矩阵，并使用一个物理指标，交互延迟来平滑自适应邻接矩阵中的不稳定性。在第二阶段，将网络动力学抽象为一个时间顺序的交通事件列表，并利用神经霍克斯过程预测交通事件发生后的邻接矩阵，而不是下一个时间步的邻接矩阵。通过将动态邻接矩阵与GraphSAGE集成，提出了一个生成节点嵌入的归纳框架。其归纳性质决定了它适合于大规模流量网络的应用。
参照图2，图2为本发明基于时空卷积与动态图的交通流量预测方法实施例的结构框图。
如图2所示，本发明实施例提出的基于时空卷积与动态图的交通流量预测方法，用于前述实施例记载的基于时空卷积与动态图的交通流量预测系统，该方法包括：
S1：通过输入层获取历史交通数据序列；
S2：通过时空模块根据历史交通数据序列预测时空特征序列；
S3：通过多层感知器将时空特征序列映射到输出层；
S4：通过输出层输出交通流量预测结果。
本实施例提出了一种用于交通流预测的连续动态图神经网络ADGNN以及对应的交通流量预测方法。与现有大多数基于GNN的方法不同，它将交通网络视为一个连续的时变结构，并将交通数据中的动态分为网络动态和节点动态两部分。网络动态被抽象为交通网络上连续的拓扑变化。每个拓扑变化定义为邻接矩阵上的一个调整事件。使用神经霍克斯过程来模拟这种动态。为了获取节点动态，将动态邻接矩阵与GraphSAGE集成在一起。该模型以归纳的方式捕捉时空依赖关系，使其能够应用于具有高度动态性的大规模交通网络。在三个广泛使用的数据集(PEMS04,PEMS08,NYC_taxi)有着较好的结果。
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.基于时空卷积与动态图的交通流量预测系统，其特征在于，所述系统，具有：依次连接的输入层、时空模块、多层感知器和输出层；其中，输入层用于获取历史交通数据序列；时空模块用于根据历史交通数据序列预测时空特征序列；所述多层感知器将时空特征序列映射到输出层；所述输出层输出交通流量预测结果；
其中，所述输入层获取并输入历史交通数据序列X=(X1,X2,…,XH)∈RN×H×F，并将序列X分割成一堆子序列(I1,I2,…,IL)，其中Ii∈RN×W×F；分组大小W是超参数，当1<W<H时，序列X被分为L<H个子序列；
其中，所述时空模块，具有：依次连接的时间依赖关系层、卷积注意层、连续空间依赖层和批处理层；
所述时间依赖关系层从子序列(I1,I2,…,IL)中获取时间依赖序列(T1,T2,…,TL)，Ti∈RN×W×F；其中，Ti的表达式，具体为：
Figure QLYQS_1
，
其中ci:{0,…,K}→R是卷积核；
所述连续空间依赖层包括动态邻接矩阵生成模块；其中，所述动态邻接矩阵生成模块，具有：
动态相关性定义单元，给定t时刻节点j和k的两个交通流序列
Figure QLYQS_2
与/>
Figure QLYQS_3
，动态相关性定义如下：
Figure QLYQS_4
，
其中，
Figure QLYQS_6
是/>
Figure QLYQS_8
与/>
Figure QLYQS_10
在时刻T之间的上下文相关性；/>
Figure QLYQS_7
是相互作用的延迟；两个节点之间的上下文相关性定义为/>
Figure QLYQS_9
与/>
Figure QLYQS_11
的KL散度，*为卷积运算，其中
Figure QLYQS_12
；其中，/>
Figure QLYQS_5
的表达式，具体为：
Figure QLYQS_13
，/>
Figure QLYQS_14
，/>
Figure QLYQS_15
，
式中
Figure QLYQS_16
与/>
Figure QLYQS_17
分别为t时刻j结点和k结点的流量数据，将两个结点的流量数据进行卷积后形成一行交互延时，后从中选择一个值最大的交互延时/>
Figure QLYQS_18
；
动态邻接矩阵生成单元，生成L个邻接矩阵，具体为：
Figure QLYQS_19
。
2.如权利要求1所述的基于时空卷积与动态图的交通流量预测系统，其特征在于，所述连续空间依赖层包括邻接矩阵预测模块；其中，所述邻接矩阵预测模块，具有：
邻接矩阵预测单元，采用基于LSTM的霍克斯过程，根据动态邻接矩阵预测邻接矩阵
Figure QLYQS_20
；其中，邻接矩阵/>
Figure QLYQS_21
的表达式，具体为：
Figure QLYQS_22
，
Figure QLYQS_23
，
其中，
Figure QLYQS_24
为上一时刻的第i行，第j列元素的值，/>
Figure QLYQS_25
为k型事件的基本强度，
Figure QLYQS_26
为l型调整事件对k型调整事件的影响；/>
Figure QLYQS_27
是一个指数衰减函数，它模拟了过去调整事件到当前调整事件的自激现象，/>
Figure QLYQS_28
为可学习参数，用于调节邻接矩阵的变化。
3.如权利要求2所述的基于时空卷积与动态图的交通流量预测系统，其特征在于，所述连续空间依赖层包括动态节点捕获模块；其中，所述动态节点捕获模块，具有：
邻域定义单元，基于
Figure QLYQS_29
随机抽取目标节点v的一部分两跳邻居节点N(v)；
邻居聚合单元，对N(v)的嵌入进行聚合，生成潜在的邻居表示：
Figure QLYQS_30
，
其中AGGREGATEt为时间步t的聚合函数，每个节点
Figure QLYQS_31
的初始表示为时间依赖项(T1,T2,…,Tl)；
图卷积定义单元，基于潜在的邻居表示，将图卷积定义为：
Figure QLYQS_32
，
其中CONCAT(·)是连接运算，
Figure QLYQS_33
是激活函数；
时空特征序列确定单元，基于给定的时间依赖序列(T1,T2,…,TL)，确定对应的时空特征序列(Z1,Z2,…,Zt)，Zi∈RN×F×W。
4.如权利要求3所述的基于时空卷积与动态图的交通流量预测系统，其特征在于，所述卷积注意层，具有：
填充单元，执行填充动作，以使输入序列的维数在卷积前后不发生变化，填充大小定义为(c−1)d，其中c是卷积核，d是膨胀系数；
卷积注意单元，对时空特征序列(Z1,Z2,…,Zt)进行普通一维卷积和扩张卷积，获得注意力权重，具体为：
Figure QLYQS_34
，
Figure QLYQS_35
，
其中，
Figure QLYQS_36
，/>
Figure QLYQS_37
为卷积核，V、/>
Figure QLYQS_38
和/>
Figure QLYQS_39
为可学习参数，/>
Figure QLYQS_40
为激活函数；
输出单元，根据注意力权重，确定输出，具体为：
Figure QLYQS_41
。
5.如权利要求4所述的基于时空卷积与动态图的交通流量预测系统，其特征在于，所述批处理层使用批量法向法加快收敛速度；其中，批量法向法的表达式，具体为：
Figure QLYQS_42
，
其中，
Figure QLYQS_43
为/>
Figure QLYQS_44
沿着最后一维求和后的平均值，/>
Figure QLYQS_45
为归一化的方差，/>
Figure QLYQS_46
为超参数，防止分母为0，默认为0.00001，/>
Figure QLYQS_47
均值为0，方差为1。
6.一种基于时空卷积与动态图的交通流量预测方法，其特征在于，所述方法，包括：
S1：通过输入层获取历史交通数据序列；
S2：通过时空模块根据历史交通数据序列预测时空特征序列；
S3：通过多层感知器将时空特征序列映射到输出层；
S4：通过输出层输出交通流量预测结果；
其中，所述输入层获取并输入历史交通数据序列X=(X1,X2,…,XH)∈RN×H×F，并将序列X分割成一堆子序列(I1,I2,…,IL)，其中Ii∈RN×W×F；分组大小W是超参数，当1<W<H时，序列X被分为L<H个子序列；
其中，所述时空模块，具有：依次连接的时间依赖关系层、卷积注意层、连续空间依赖层和批处理层；
所述时间依赖关系层从子序列(I1,I2,…,IL)中获取时间依赖序列(T1,T2,…,TL)，Ti∈RN×W×F；其中，Ti的表达式，具体为：
Figure QLYQS_48
，
其中ci:{0,…,K}→R是卷积核；
所述连续空间依赖层包括动态邻接矩阵生成模块；其中，所述动态邻接矩阵生成模块，具有：
动态相关性定义单元，给定t时刻节点j和k的两个交通流序列
Figure QLYQS_49
与/>
Figure QLYQS_50
，动态相关性定义如下：
Figure QLYQS_51
，
其中，
Figure QLYQS_54
是/>
Figure QLYQS_55
与/>
Figure QLYQS_57
在时刻T之间的上下文相关性；/>
Figure QLYQS_53
是相互作用的延迟；两个节点之间的上下文相关性定义为/>
Figure QLYQS_56
与/>
Figure QLYQS_58
的KL散度，*为卷积运算，其中/>
Figure QLYQS_59
；其中，/>
Figure QLYQS_52
的表达式，具体为：
Figure QLYQS_60
，
Figure QLYQS_61
，
Figure QLYQS_62
，,
式中
Figure QLYQS_63
与/>
Figure QLYQS_64
分别为t时刻j结点和k结点的流量数据，将两个结点的流量数据进行卷积后形成一行交互延时，后从中选择一个值最大的交互延时/>
Figure QLYQS_65
；
动态邻接矩阵生成单元，生成L个邻接矩阵，具体为：
Figure QLYQS_66
。
7.如权利要求6所述的基于时空卷积与动态图的交通流量预测方法，其特征在于，所述连续空间依赖层包括邻接矩阵预测模块；其中，所述邻接矩阵预测模块，具有：
邻接矩阵预测单元，采用基于LSTM的霍克斯过程，根据动态邻接矩阵预测邻接矩阵
Figure QLYQS_67
；其中，邻接矩阵/>
Figure QLYQS_68
的表达式，具体为：
Figure QLYQS_69
，
Figure QLYQS_70
，
其中，
Figure QLYQS_71
为上一时刻的第i行，第j列元素的值，/>
Figure QLYQS_72
为k型事件的基本强度，
Figure QLYQS_73
为l型调整事件对k型调整事件的影响；/>
Figure QLYQS_74
是一个指数衰减函数，它模拟了过去调整事件到当前调整事件的自激现象，/>
Figure QLYQS_75
为可学习参数，用于调节邻接矩阵的变化。
8.如权利要求7所述的基于时空卷积与动态图的交通流量预测方法，其特征在于，所述连续空间依赖层包括动态节点捕获模块；其中，所述动态节点捕获模块，具有：
邻域定义单元，基于
Figure QLYQS_76
随机抽取目标节点v的一部分两跳邻居节点N(v)；
邻居聚合单元，对N(v)的嵌入进行聚合，生成潜在的邻居表示：
Figure QLYQS_77
，
其中AGGREGATEt为时间步t的聚合函数，每个节点
Figure QLYQS_78
的初始表示为时间依赖项(T1,T2,…,Tl)；
图卷积定义单元，基于潜在的邻居表示，将图卷积定义为：
Figure QLYQS_79
，
其中CONCAT(·)是连接运算，
Figure QLYQS_80
是激活函数；
时空特征序列确定单元，基于给定的时间依赖序列(T1,T2,…,TL)，确定对应的时空特征序列(Z1,Z2,…,Zt)，Zi∈RN×F×W。
9.如权利要求8所述的基于时空卷积与动态图的交通流量预测方法，其特征在于，所述卷积注意层，具有：
填充单元，执行填充动作，以使输入序列的维数在卷积前后不发生变化，填充大小定义为(c−1)d，其中c是卷积核，d是膨胀系数；
卷积注意单元，对时空特征序列(Z1,Z2,…,Zt)进行普通一维卷积和扩张卷积，获得注意力权重，具体为：
Figure QLYQS_81
，
Figure QLYQS_82
，
其中，
Figure QLYQS_83
，/>
Figure QLYQS_84
为卷积核，V、/>
Figure QLYQS_85
和/>
Figure QLYQS_86
为可学习参数，/>
Figure QLYQS_87
为激活函数；
输出单元，根据注意力权重，确定输出，具体为：
Figure QLYQS_88
。
10.如权利要求9所述的基于时空卷积与动态图的交通流量预测方法，其特征在于，所述批处理层使用批量法向法加快收敛速度；其中，批量法向法的表达式，具体为：
Figure QLYQS_89
，
其中，
Figure QLYQS_90
为/>
Figure QLYQS_91
沿着最后一维求和后的平均值，/>
Figure QLYQS_92
为归一化的方差，/>
Figure QLYQS_93
为超参数，防止分母为0，默认为0.00001，/>
Figure QLYQS_94
均值为0，方差为1。
CN202310448928.5A 2023-04-24 2023-04-24 基于时空卷积与动态图的交通流量预测系统及方法 Active CN116153089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310448928.5A CN116153089B (zh) 2023-04-24 2023-04-24 基于时空卷积与动态图的交通流量预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310448928.5A CN116153089B (zh) 2023-04-24 2023-04-24 基于时空卷积与动态图的交通流量预测系统及方法

Publications (2)

Publication Number Publication Date
CN116153089A CN116153089A (zh) 2023-05-23
CN116153089B true CN116153089B (zh) 2023-06-27

Family

ID=86356552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310448928.5A Active CN116153089B (zh) 2023-04-24 2023-04-24 基于时空卷积与动态图的交通流量预测系统及方法

Country Status (1)

Country Link
CN (1) CN116153089B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117636633B (zh) * 2023-11-27 2024-05-17 香港科技大学(广州) 一种基于时空感知混合图的交通流量预测方法
CN118228894B (zh) * 2024-05-22 2024-08-27 云南大学 一种od交通流量矩阵预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177633A (zh) * 2021-04-20 2021-07-27 浙江大学 一种深度解耦时间序列预测方法
CN113487088A (zh) * 2021-07-06 2021-10-08 哈尔滨工业大学（深圳） 基于动态时空图卷积注意力模型的交通预测方法及装置
CN113935548A (zh) * 2021-11-14 2022-01-14 北京工业大学 基于图变换的动态多图卷积网络交通流量预测方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018035058A1 (en) * 2016-08-15 2018-02-22 University Of Southern California Latent space model for road networks to predict time-varying traffic
CN107562919B (zh) * 2017-09-13 2020-07-17 云南大学 一种基于信息检索的多索引集成软件构件检索方法及系统
US11282379B2 (en) * 2018-11-01 2022-03-22 Inrix Inc. Slowdown detection
CN111524358B (zh) * 2020-05-22 2022-04-15 云南大学 一种区域辐射性交通流量预测方法
CA3131843A1 (en) * 2020-09-25 2022-03-25 Royal Bank Of Canada System and method for structure learning for graph neural networks
EP4016412A1 (en) * 2020-12-18 2022-06-22 Imec VZW Traffic prediction
CN113051811B (zh) * 2021-03-16 2022-08-05 重庆邮电大学 一种基于gru网络的多模式短期交通拥堵预测方法
CN113450568B (zh) * 2021-06-30 2022-07-19 兰州理工大学 一种基于时空注意力机制的卷积网络交通流预测模型
CN114169649A (zh) * 2021-09-14 2022-03-11 浙江财经大学 一种基于时空数据嵌入的交通流量预测方法
CN114021811B (zh) * 2021-11-03 2024-06-25 重庆大学 基于注意力改进的交通预测方法及计算机介质
CN114038200B (zh) * 2021-11-29 2022-09-20 东北大学 基于注意力机制的时空同步图卷积网络交通流量预测方法
CN114169647B (zh) * 2022-01-07 2024-05-07 重庆大学 持续记忆的自适应异质时空图卷积的交通预测方法及系统
CN114495500B (zh) * 2022-01-26 2023-04-18 北京工业大学 一种基于对偶动态时空图卷积的交通预测方法
CN115099328A (zh) * 2022-06-21 2022-09-23 重庆长安新能源汽车科技有限公司 基于对抗网络的交通流量预测方法、系统、设备及存储介质
CN115273464A (zh) * 2022-07-05 2022-11-01 湖北工业大学 一种基于改进的时空Transformer的交通流量预测方法
CN115578852B (zh) * 2022-07-14 2024-06-14 西北师范大学 一种基于dstgcn的交通预测方法
CN115578851B (zh) * 2022-07-14 2024-06-07 西北师范大学 一种基于mgcn的交通预测方法
CN115240425B (zh) * 2022-07-26 2023-07-04 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
CN115512545B (zh) * 2022-09-30 2023-06-27 浙江财经大学 一种基于时空动态图卷积网络的交通速度预测方法
CN115641720A (zh) * 2022-10-28 2023-01-24 重庆大学 基于时空融合图神经网络的交通预测方法及系统
CN115762147B (zh) * 2022-11-07 2023-11-21 重庆邮电大学 一种基于自适应图注意神经网络的交通流量预测方法
CN115966083A (zh) * 2022-12-30 2023-04-14 南京大学 一种基于时空解耦的分布式交通流预测方法与系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177633A (zh) * 2021-04-20 2021-07-27 浙江大学 一种深度解耦时间序列预测方法
CN113487088A (zh) * 2021-07-06 2021-10-08 哈尔滨工业大学（深圳） 基于动态时空图卷积注意力模型的交通预测方法及装置
CN113935548A (zh) * 2021-11-14 2022-01-14 北京工业大学 基于图变换的动态多图卷积网络交通流量预测方法

Also Published As

Publication number Publication date
CN116153089A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN116153089B (zh) 基于时空卷积与动态图的交通流量预测系统及方法
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
He et al. STCNN: A spatio-temporal convolutional neural network for long-term traffic prediction
Chou et al. Efficient computation of robust average of compressive sensing data in wireless sensor networks in the presence of sensor faults
CN111260124A (zh) 一种基于注意力机制深度学习的混沌时间序列预测方法
Zhang et al. Time series prediction using Lyapunov exponents in embedding phase space
CN110570035A (zh) 同时建模时空依赖性和每日流量相关性的人流量预测系统
CN116363878B (zh) 基于连续动态常微分方程的交通流量预测系统及方法
CN116206453B (zh) 一种基于迁移学习的交通流预测方法、装置及相关设备
CN112785848A (zh) 一种交通数据预测方法以及系统
Liu et al. GraphSAGE-based dynamic spatial–temporal graph convolutional network for traffic prediction
Le et al. GCRINT: network traffic imputation using graph convolutional recurrent neural network
Wang et al. Spatio-temporal-categorical graph neural networks for fine-grained multi-incident co-prediction
CN115358485A (zh) 一种基于图自注意力机制与霍克斯过程的交通流预测方法
CN116052419A (zh) 一种基于深度学习的图神经网络交通流预测方法
CN117218837A (zh) 基于动态时空图卷积神经网络的交通预测方法、系统、设备及介质
Han et al. BigST: Linear Complexity Spatio-Temporal Graph Neural Network for Traffic Forecasting on Large-Scale Road Networks
CN117392846A (zh) 一种时空自适应图学习融合动态图卷积的交通流预测方法
CN117975710A (zh) 一种交通流流量预测方法、装置、设备及存储介质
CN116484016B (zh) 一种基于时序路径自动维护的时序知识图谱推理方法和系统
CN116386312A (zh) 一种交通量预测模型的构建方法和系统
CN116110232A (zh) 一种基于分层动态残差图卷积网络的交通流量预测方法
CN115333957A (zh) 基于用户行为和企业业务特征的业务流量预测方法及系统
CN114566048A (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN118228894B (zh) 一种od交通流量矩阵预测方法及系统

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
GR01 Patent grant