CN116205383A - 一种基于元学习的静态动态协同图卷积交通预测方法 - Google Patents

一种基于元学习的静态动态协同图卷积交通预测方法 Download PDF

Info

Publication number
CN116205383A
CN116205383A CN202310496971.9A CN202310496971A CN116205383A CN 116205383 A CN116205383 A CN 116205383A CN 202310496971 A CN202310496971 A CN 202310496971A CN 116205383 A CN116205383 A CN 116205383A
Authority
CN
China
Prior art keywords
graph
convolution
dynamic
features
static
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
CN202310496971.9A
Other languages
English (en)
Other versions
CN116205383B (zh
Inventor
张帅
尹祥
姚家渭
郑翔
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.)
Hangzhou Half Cloud Technology Co ltd
Original Assignee
Hangzhou Half Cloud Technology Co ltd
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 Hangzhou Half Cloud Technology Co ltd filed Critical Hangzhou Half Cloud Technology Co ltd
Priority to CN202310496971.9A priority Critical patent/CN116205383B/zh
Publication of CN116205383A publication Critical patent/CN116205383A/zh
Application granted granted Critical
Publication of CN116205383B publication Critical patent/CN116205383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于元学习的静态动态协同图卷积交通预测方法，采用堆叠图卷积单元的图卷积模块来提取时空特征，每个图卷积单元包括一个基于元学习的时间门控卷积层M‑TGCL和一个静态动态协同图卷积层SDCGCL，M‑TGCL采用元学习来增强空间和时间特征之间的联系，从而能够对拥堵传播过程进行建模，考虑到静态因素和动态因素对交通流量的单独作用和共同作用，SDCGCL旨在对这两类因素进行协同建模，以深入提取空间特征。为了适应不同道路上局部交通状况的多样性，根据特定局部交通状况选择性地聚合不同层次的时空特征，使模型能够提取出细粒度的时空特征，提高了预测模型的稳健性和预测的可靠性。

Description

一种基于元学习的静态动态协同图卷积交通预测方法
技术领域
本申请属于交通预测技术领域，尤其涉及一种基于元学习的静态动态协同图卷积交通预测方法。
背景技术
作为智能交通系统的重要组成部分，交通流量预测对于许多交通应用场景至关重要，如提供交通信息以缓解交通拥堵并为交通管理者决策提供便利。交通流量预测旨在通过分析历史交通状况以预测未来交通流量。然而，交通数据中隐含的复杂时空特征使得实现准确可靠的交通流量预测具有很大的挑战性。
到目前为止，学者们已经开展了许多研究工作，通过捕获时空特征来提高交通流量预测的准确性和可靠性，其中时空模型受到了广泛关注。本质上，时空模型通过分析不同道路上交通流量的相互作用以提取空间特征，并对每条道路上的交通流量进行序列建模以提取时间特征。虽然时空模型取得了可喜的进展，但仍然存在着导致交通流量预测准确性和可靠性不高的诸多问题。例如，现有模型通常不会在空间和时间特征之间建立深度联系，导致模型从交通数据中提取复杂时空特征的能力不足。又如，交通流量受到静态因素(如交通网络拓扑结构、区域功能相似性)和动态(如商业活动、交通事故)因素的单独作用和共同作用的影响。然而，现有模型直接将上述因素进行叠加，导致无法提取出深层次的空间特征。又如，现有模型捕获时空特征时没有考虑不同道路上的局部交通状况，无法捕获细粒度特征。
发明内容
本申请的目的是提供一种基于元学习的静态动态协同图卷积交通预测方法，以解决现有技术无法提取出深层次的空间特征以及无法捕获细粒度特征的问题。
为了实现上述目的，本申请技术方案如下：
一种基于元学习的静态动态协同图卷积交通预测方法，包括：
获取交通流量数据，采用多头自注意力机制提取得到全局特征，对全局特征进行映射操作和节点级注意力聚合操作得到动态图；
根据交通网络图及其节点之间的隐式依赖关系，生成自适应图；
将交通流量数据、隐式依赖关系、自适应图和动态图输入到堆叠图卷积单元的图卷积模块，每个图卷积单元包括一个基于元学习的时间门控卷积层和一个静态动态协同图卷积层，所述基于元学习的时间门控卷积层结合隐式依赖关系从输入的交通流量数据中提取时间特征，输入到静态动态协同图卷积层，所述静态动态协同图卷积层从输入的时间特征、自适应图和动态图中提取出时空特征；
对各个图卷积模块输出的时空特征进行聚合得到聚合特征，然后对聚合特征进行预测操作，得到预测结果。
进一步的，所述对全局特征进行映射操作和节点级注意力聚合操作得到动态图，包括：
Figure SMS_1
；
Figure SMS_2
；
Figure SMS_3
；
Figure SMS_4
；
其中，
Figure SMS_7
表示所有节点的全局特征，/>
Figure SMS_12
是批量大小，N表示节点数，/>
Figure SMS_15
是输入窗口大小；/>
Figure SMS_8
表示卷积核，/>
Figure SMS_11
是隐藏特征的特征维度，/>
Figure SMS_14
是注意力头的数量；/>
Figure SMS_17
是可学习的参数集；/>
Figure SMS_5
是偏置集；/>
Figure SMS_9
是映射操作后的全局特征，/>
Figure SMS_13
是图卷积单元的隐藏维度；/>
Figure SMS_16
表示动态相似图的邻接矩阵；/>
Figure SMS_6
是历史动态图的邻接矩阵；/>
Figure SMS_10
是动态图的邻接矩阵，
Figure SMS_18
是/>
Figure SMS_22
的平均张量表示，/>
Figure SMS_24
和/>
Figure SMS_19
是/>
Figure SMS_21
的前向和后向转移矩阵；/>
Figure SMS_23
是动态图的邻接矩阵集，/>
Figure SMS_25
为映射操作，/>
Figure SMS_20
为节点级注意力聚合操作。
进一步的，所述根据交通网络图及其节点之间的隐式依赖关系，生成自适应图，包括：
第l个自适应图
Figure SMS_26
的邻接矩阵集/>
Figure SMS_27
可以用如下等式表示：
Figure SMS_28
；
其中
Figure SMS_29
和/>
Figure SMS_30
分别是交通网络图/>
Figure SMS_31
的前向和后向转移矩阵，节点之间的隐式依赖关系/>
Figure SMS_32
采用数据驱动的方式进行量化得到。
第l个自适应图
Figure SMS_33
的邻接矩阵集/>
Figure SMS_34
可以用如下等式表示：
Figure SMS_35
；
其中
Figure SMS_36
和/>
Figure SMS_37
分别是交通网络图/>
Figure SMS_38
的前向和后向转移矩阵，节点之间的隐式依赖关系/>
Figure SMS_39
采用数据驱动的方式进行量化得到。
进一步的，所述图卷积单元的传播规则表示为：
Figure SMS_40
；
Figure SMS_41
；/>
其中
Figure SMS_42
和/>
Figure SMS_46
分别表示第l个图卷积单元中基于元学习的时间门控卷积层和静态动态协同图卷积层的输出特征，/>
Figure SMS_48
和/>
Figure SMS_44
分别表示第l个图卷积单元中基于元学习的时间门控卷积层和静态动态协同图卷积层的操作，/>
Figure SMS_45
表示节点之间的隐式依赖关系，/>
Figure SMS_47
表示第l个自适应图/>
Figure SMS_49
的邻接矩阵集，/>
Figure SMS_43
表示动态图的邻接矩阵集。
进一步的，所述基于元学习的时间门控卷积层结合隐式依赖关系从输入的交通流量数据中提取时间特征，包括：
通过映射操作提取元知识：
Figure SMS_50
；
Figure SMS_51
；
其中
Figure SMS_52
和/>
Figure SMS_56
是可学习参数集，/>
Figure SMS_58
和/>
Figure SMS_54
是偏置集，/>
Figure SMS_57
和/>
Figure SMS_59
是第l个图卷积单元中基于元学习的时间门控卷积层中具有空间特征的元知识，/>
Figure SMS_60
是时间门控卷积的卷积核大小，/>
Figure SMS_53
是节点之间的隐式依赖关系，/>
Figure SMS_55
为映射操作；
对于任一节点
Figure SMS_61
，元知识/>
Figure SMS_62
和/>
Figure SMS_63
分别取自/>
Figure SMS_64
和/>
Figure SMS_65
；
然后，将
Figure SMS_66
的矩阵形状由/>
Figure SMS_67
转化为/>
Figure SMS_68
，并将转化后的元知识/>
Figure SMS_69
作为时间门控卷积的卷积核参数/>
Figure SMS_70
，/>
Figure SMS_71
作为时间门控卷积的偏置参数/>
Figure SMS_72
；
时间门控卷积对任一节点的卷积运算可表示为：
Figure SMS_73
；
Figure SMS_74
；
其中
Figure SMS_76
和/>
Figure SMS_79
分别是时间门控卷积对节点/>
Figure SMS_81
卷积运算的输入和输出特征，/>
Figure SMS_75
和/>
Figure SMS_78
是大小相等的特征，/>
Figure SMS_80
表示激活函数，/>
Figure SMS_82
表示哈达玛乘积，/>
Figure SMS_77
表示残差连接函数，第l个图卷积单元中基于元学习的时间门控卷积层的输出表示为：
Figure SMS_83
；
其中
Figure SMS_84
是时间门控卷积对所有节点的输出特征，/>
Figure SMS_85
表示批归一化操作。
进一步的，所述静态动态协同图卷积层从输入的时间特征、自适应图和动态图中提取出时空特征，包括：
在第l个图卷积单元中生成一个共性图：
Figure SMS_86
；
Figure SMS_87
；
Figure SMS_88
；
其中
Figure SMS_91
是共性图的邻接矩阵，/>
Figure SMS_94
和/>
Figure SMS_97
分别是/>
Figure SMS_89
的前向和后向转移矩阵，/>
Figure SMS_92
是共性图的邻接矩阵集，/>
Figure SMS_95
、/>
Figure SMS_98
和/>
Figure SMS_90
分别是
Figure SMS_93
的输入特征、/>
Figure SMS_96
个输入邻接矩阵的集合和可学习参数集，/>
Figure SMS_99
是扩散步长；
然后，基于扩散卷积
Figure SMS_100
，静态动态协同图卷积层通过执行静态动态协同图卷积操作来深度提取空间特征，其过程表示如下：
Figure SMS_101
；
Figure SMS_102
；
Figure SMS_103
；
Figure SMS_104
；
Figure SMS_105
；
Figure SMS_106
；
Figure SMS_107
；
其中
Figure SMS_109
、/>
Figure SMS_115
、/>
Figure SMS_119
、/>
Figure SMS_111
、/>
Figure SMS_112
和/>
Figure SMS_116
是可学习参数集，/>
Figure SMS_120
、
Figure SMS_110
和/>
Figure SMS_113
分别是自适应图、动态图和共性图的第一个扩散卷积运算的输出，大小为
Figure SMS_117
，/>
Figure SMS_121
、/>
Figure SMS_108
和/>
Figure SMS_114
分别是自适应图、动态图和共性图的第二个扩散卷积运算的输出，大小为/>
Figure SMS_118
。
进一步的，所述对各个图卷积模块输出的时空特征进行聚合得到聚合特征，包括：
Figure SMS_122
；
Figure SMS_123
；/>
其中
Figure SMS_124
、/>
Figure SMS_125
、/>
Figure SMS_126
代表卷积核，/>
Figure SMS_127
表示聚合特征的通道维度，/>
Figure SMS_128
表示待聚合的特征集，
Figure SMS_129
表示细粒度的聚合特征，/>
Figure SMS_130
为节点级注意力聚合操作。
进一步的，所述对聚合特征进行预测操作，得到预测结果，包括：
Figure SMS_131
；
Figure SMS_132
；
其中
Figure SMS_133
是可学习的共享参数集，/>
Figure SMS_134
是输出模块进一步提取的空间特征，
Figure SMS_135
是输出模块生成的预测结果，/>
Figure SMS_136
为扩散卷积，/>
Figure SMS_137
表示时间门控卷积。
本申请提出的一种基于元学习的静态动态协同图卷积交通预测方法，通过元学习来增强空间和时间特征之间的联系，并支持空间特征的深度提取；采用注意力机制为每个节点选择性地聚合适当的特征，使模型能够提取出细粒度的时空特征。
附图说明
图1为本申请基于元学习的静态动态协同图卷积交通预测方法流程图。
图2为本申请基于元学习的静态动态协同图卷积网络模型示意图。
图3为基于元学习的时间门控卷积层示意图。
图4为静态动态协同图卷积层示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
交通流量预测可以描述为：学习一个非线性映射函数
Figure SMS_138
，基于交通网络图/>
Figure SMS_139
和历史交通状况的特征矩阵/>
Figure SMS_140
来预测未来的交通流量。形式上，它可以表示为等式(1)。
Figure SMS_141
；
其中
Figure SMS_143
和/>
Figure SMS_147
分别是函数/>
Figure SMS_149
的输入和输出窗口大小，/>
Figure SMS_144
表示在时间步t所有节点交通状况的特征矩阵，/>
Figure SMS_145
表示在时间步t所有节点的交通流量。
Figure SMS_148
表示交通网络图，/>
Figure SMS_150
表示交通网络图中的节点集，/>
Figure SMS_142
表示交通网络图中的边集，/>
Figure SMS_146
表示边属性的加权邻接矩阵，N表示节点数，D表示节点的特征维度。
本申请提出了一种基于元学习的静态动态协同图卷积网络模型(M-SDCGCN)，旨在通过元学习来增强空间和时间特征之间的联系，并支持空间特征的深度提取，其整体结构如图2所示。总体而言，M-SDCGCN模型由一个图生成器模块、堆叠图卷积单元的图卷积模块和一个输出模块组成。堆叠图卷积单元的图卷积模块由多个基于元学习的静态动态协同图卷积单元(M-SDCGCM)堆叠而成，每个图卷积单元包括一个基于元学习的时间门控卷积层(M-TGCL)和一个静态动态协同图卷积层(SDCGCL)。图生成器模块以数据驱动的方式分别构建了自适应图和动态图，以量化节点之间的隐式和时变依赖关系。然后，将自适应图、动态图和节点之间的隐式依赖关系输入M-SDCGCM单元，使模型能够从交通数据中提取出高度相关的空间和时间特征。每个M-SDCGCM单元包含一个用于时间特征提取的M-TGCL组件和一个用于空间特征提取的SDCGCL组件。此外，为了应对不同道路上的不同局部交通状况，采用注意力机制为每个节点选择性地聚合适当的特征，使模型能够提取出细粒度的时空特征。最后，输出模块根据细粒度特征得到预测结果。
在一个实施例中，如图1所示，提出的一种基于元学习的静态动态协同图卷积交通预测方法，包括：
步骤S1、获取交通流量数据，采用多头自注意力机制提取得到全局特征，对全局特征进行映射和节点级注意力聚合操作得到动态图。
捕获不同道路上交通流量的交互模式有利于交通流量预测。然而，仅使用先验知识(如地理邻近度)来描述此类交互模式可能具有欺骗性。此外，此类交互模式会随着时间而改变。本申请利用图生成器模块生成自适应图来量化节点之间的隐式依赖关系，生成动态图来描述节点之间的时变依赖关系。
为了捕获节点之间的时变依赖关系，将各节点(传感器)采集的交通流量数据(采用特征矩阵
Figure SMS_151
来表示)输入到图生成器模块，从特征矩阵/>
Figure SMS_152
中提取全局特征。
具体而言，图生成器模块采用多头自注意力机制来执行全局特征的提取操作。对于每个节点，这个过程可以表示如下：
Figure SMS_153
(2)
Figure SMS_154
(3)
Figure SMS_155
(4)
Figure SMS_156
(5)
其中
Figure SMS_158
和/>
Figure SMS_160
是节点/>
Figure SMS_163
的特征矩阵和隐藏特征；/>
Figure SMS_157
表示卷积操作；/>
Figure SMS_161
是隐藏特征的特征维度；/>
Figure SMS_164
表示卷积核；/>
Figure SMS_166
，/>
Figure SMS_159
和/>
Figure SMS_162
是第j个注意力头/>
Figure SMS_165
的可学习参数；
Figure SMS_168
是queries和keys矩阵的维度；/>
Figure SMS_171
是values矩阵的维度；/>
Figure SMS_173
是注意力头的数量(设为/>
Figure SMS_169
)；/>
Figure SMS_172
是可学习的参数；/>
Figure SMS_174
表示层归一化操作；/>
Figure SMS_175
表示多头自注意力操作；/>
Figure SMS_167
是节点/>
Figure SMS_170
的全局特征。/>
然后，对全局特征进行映射和节点级注意力聚合操作以计算节点之间的动态依赖关系。具体而言，映射操作
Figure SMS_176
由多层感知器执行，如等式(6)所示：
Figure SMS_177
(6)
其中
Figure SMS_178
和/>
Figure SMS_179
分别是/>
Figure SMS_180
的可学习参数集和偏置集，/>
Figure SMS_181
表示激活函数，/>
Figure SMS_182
表示待映射的特征。
令
Figure SMS_183
和/>
Figure SMS_184
分别表示待聚合特征的集合和数量，节点级注意力聚合操作/>
Figure SMS_185
可以表示如下：
Figure SMS_186
(7)
Figure SMS_187
(8)
Figure SMS_188
(9)
其中
Figure SMS_189
和/>
Figure SMS_193
分别是可学习参数和偏置的集合，/>
Figure SMS_196
表示待聚合的第m个特征/>
Figure SMS_191
的注意力值，/>
Figure SMS_192
表示/>
Figure SMS_195
中任一节点的特征，注意力权重/>
Figure SMS_197
是/>
Figure SMS_190
的归一化值，
Figure SMS_194
是所有节点的注意力权重的对角矩阵。
基于映射操作
Figure SMS_198
与节点级注意力聚合操作/>
Figure SMS_199
，节点之间动态依赖关系的计算过程可以表示如下：
Figure SMS_200
(10)
Figure SMS_201
(11)
Figure SMS_202
(12)
Figure SMS_203
(13)
其中，
Figure SMS_206
表示所有节点的全局特征；/>
Figure SMS_210
是批量大小；
Figure SMS_214
表示卷积核；/>
Figure SMS_207
是可学习的参数集；/>
Figure SMS_211
是偏置集；/>
Figure SMS_215
是映射操作后的全局特征；/>
Figure SMS_217
是M-SDCGCN的隐藏维度；/>
Figure SMS_204
表示动态相似图的邻接矩阵，它是基于/>
Figure SMS_209
中节点间相似度获得的，如等式(11)经过激活函数处理得到；
Figure SMS_213
是可用的历史动态图的邻接矩阵(即图生成器在前一个训练或预测步骤中生成的动态图)；/>
Figure SMS_216
是动态图的邻接矩阵，它基于节点属性细粒度地结合了当前和历史空间特征；/>
Figure SMS_205
是/>
Figure SMS_208
的平均张量表示，/>
Figure SMS_212
和
Figure SMS_218
是/>
Figure SMS_219
的前向和后向转移矩阵；/>
Figure SMS_220
是动态图的邻接矩阵集。
步骤S2、根据交通网络图及其节点之间的隐式依赖关系，生成自适应图。
本实施例自适应图由交通网络图和节点之间的隐式依赖关系组成。节点之间的隐式依赖关系
Figure SMS_221
通常采用数据驱动的方式进行量化，如等式(14)所示：
Figure SMS_222
(14)
其中
Figure SMS_223
和/>
Figure SMS_227
分别是第l个源和目标节点的嵌入，/>
Figure SMS_229
是源和目标节点的嵌入的维度。/>
Figure SMS_224
，/>
Figure SMS_226
是图卷积单元M-SDCGCM的数量，在一个具体的实施例中/>
Figure SMS_228
的取值为4，第l个自适应图/>
Figure SMS_230
的邻接矩阵集/>
Figure SMS_225
可以用等式(15)表示：
Figure SMS_231
（15）
其中
Figure SMS_232
和/>
Figure SMS_233
分别是交通网络图/>
Figure SMS_234
的前向和后向转移矩阵。
将交通流量数据、隐式依赖关系、自适应图和动态图输入到堆叠图卷积单元的图卷积模块，每个图卷积单元包括一个基于元学习的时间门控卷积层和一个静态动态协同图卷积层，所述基于元学习的时间门控卷积层结合隐式依赖关系从输入的交通流量数据中提取时间特征，输入到静态动态协同图卷积层，所述静态动态协同图卷积层从输入的时间特征、自适应图和动态图中提取出时空特征。
在得到隐式依赖关系、自适应图和动态图之后，本申请通过堆叠图卷积单元的图卷积模块进一步从交通数据中提取出高度相关的空间和时间特征(时空特征)。每个图卷积单元(M-SDCGCM)包含一个用于时间特征提取的基于元学习的时间门控卷积层(M-TGCL)和一个用于空间特征提取的静态动态协同图卷积层(SDCGCL)。本申请堆叠图卷积单元的图卷积模块包括
Figure SMS_235
个图卷积单元，/>
Figure SMS_236
的取值为4。
第l个图卷积单元的传播规则表示为：
Figure SMS_237
（16）
Figure SMS_238
（17）
其中
Figure SMS_239
和/>
Figure SMS_240
分别表示第l个图卷积单元中M-TGCL组件和SDCGCL组件的输出特征，/>
Figure SMS_241
和/>
Figure SMS_242
分别表示第l个图卷积单元中M-TGCL组件和SDCGCL组件的操作。
需要注意的，第一个图卷积单元(M-SDCGCM)的输入是特征矩阵
Figure SMS_243
和隐式依赖/>
Figure SMS_244
，也就是说/>
Figure SMS_245
的初始输入中/>
Figure SMS_246
是/>
Figure SMS_247
。而之后第l个图卷积单元的输入，则是第l-1个图卷积单元中SDCGCL组件的输出特征/>
Figure SMS_248
，以及对应的隐式依赖/>
Figure SMS_249
。
以下通过具体的实施例，来分别描述基于元学习的时间门控卷积层(M-TGCL)和静态动态协同图卷积层(SDCGCL)。
在一个具体的实施例中，基于元学习的时间门控卷积层：
由于交通网络中拥堵传播过程的特点，获取高度相关的空间和时间特征可以提高交通流量预测的可靠性。现有模型试图通过直接构建时空同步图来捕获高度相关的空间和时间特征，这种扩大邻接矩阵的方法不灵活且计算成本高(如将邻接矩阵
Figure SMS_250
从/>
Figure SMS_251
扩大到/>
Figure SMS_252
)。为了解决上述问题，本申请提出的M-TGCL组件在保留原始邻接矩阵大小的同时，增强了空间和时间特征之间的联系，为此类特征的联合提取提供了更大的灵活性。如图3所示，本申请提出的M-TGCL组件使用元学习从节点之间的隐式依赖关系中提取元知识，然后将其转换为时间门控卷积层(TGCL)的参数以链接空间和时间特征。
为了提取具有空间特征的元知识，节点之间的隐式依赖关系被映射到相应的维度。基于等式(6)中的映射操作
Figure SMS_253
，TGCL的参数可以通过等式(18)和(19)得到。
Figure SMS_254
(18)
Figure SMS_255
(19)
其中
Figure SMS_256
和/>
Figure SMS_259
是可学习参数集，/>
Figure SMS_262
和/>
Figure SMS_258
是偏置集，/>
Figure SMS_260
和/>
Figure SMS_261
是第l个图卷积单元中M-TGCL组件中具有空间特征的元知识，/>
Figure SMS_263
是TGCL的卷积核大小。注意，/>
Figure SMS_257
。
对于任一节点
Figure SMS_265
，元知识/>
Figure SMS_270
和/>
Figure SMS_273
分别取自/>
Figure SMS_264
和/>
Figure SMS_269
。然后，本申请将/>
Figure SMS_272
的矩阵形状由/>
Figure SMS_275
转化为/>
Figure SMS_267
，并将转化后的元知识/>
Figure SMS_268
作为TGCL的卷积核参数/>
Figure SMS_271
。同理，/>
Figure SMS_274
作为TGCL的偏置参数/>
Figure SMS_266
。通常TGCL对任一节点的卷积运算可表示为等式(20)和(21)：
Figure SMS_276
(20)
Figure SMS_277
(21)
其中
Figure SMS_278
和/>
Figure SMS_281
分别是TGCL对节点/>
Figure SMS_283
卷积运算的输入和输出特征，/>
Figure SMS_280
和/>
Figure SMS_282
是大小相等的特征，/>
Figure SMS_284
表示激活函数，/>
Figure SMS_285
表示哈达玛乘积，/>
Figure SMS_279
表示残差连接函数，它使用线性映射或填充来匹配连接维度。最后，第l个M-SDCGCM模块中M-TGCL组件的输出可以表示为等式(22)。
Figure SMS_286
(22)/>
其中
Figure SMS_287
是TGCL对所有节点的输出特征，/>
Figure SMS_288
表示批归一化操作。
在一个具体的实施例中，静态动态协同图卷积层：
交通流量受到静态和动态因素的单独作用和共同作用。虽然使用参数共享策略有助于提取共性特征，但对于静态和动态因素的协同建模可能存在问题。例如，当静态图和动态图的邻接矩阵集大小不一致时，参数不能被直接共享。此外，此类硬参数共享方法可能会传递无效甚至有害信息，从而误导模型学习。因此，本申请所提出的SDCGCL组件通过生成额外的共性图用于静态和动态因素的协同建模，从而能够针对这两类因素对交通流量的单独作用和共同作用进行建模，如图4所示。
具体而言，为了描述静态和动态这两类因素对交通流量的共同作用，本申请生成了一个共性图。在第l个M-SDCGCM模块中，生成过程可以表示为等式(23)和(24)。
Figure SMS_289
(23)
Figure SMS_290
(24)
其中
Figure SMS_291
是共性图的邻接矩阵，/>
Figure SMS_292
和/>
Figure SMS_293
分别是/>
Figure SMS_294
的前向和后向转移矩阵，/>
Figure SMS_295
是共性图的邻接矩阵集。扩散卷积/>
Figure SMS_296
可以表示为等式(25)。
Figure SMS_297
(25)
其中
Figure SMS_298
、/>
Figure SMS_299
和/>
Figure SMS_300
分别是扩散卷积/>
Figure SMS_301
的输入特征、
Figure SMS_302
个输入邻接矩阵的集合和可学习参数集，/>
Figure SMS_303
是扩散步长。
然后，基于扩散卷积
Figure SMS_304
，SDCGCL组件通过执行静态动态协同图卷积操作来深度提取空间特征，其过程表示如下：
Figure SMS_305
(26)
Figure SMS_306
(27)
Figure SMS_307
(28)
Figure SMS_308
(29)
Figure SMS_309
(30)
Figure SMS_310
(31)
Figure SMS_311
(32)
其中
Figure SMS_322
、/>
Figure SMS_313
、/>
Figure SMS_318
、/>
Figure SMS_323
、/>
Figure SMS_326
和/>
Figure SMS_325
是可学习参数集，/>
Figure SMS_327
、/>
Figure SMS_320
和/>
Figure SMS_324
分别是自适应图、动态图和共性图的第一个扩散卷积运算的输出，大小为
Figure SMS_314
，/>
Figure SMS_319
、/>
Figure SMS_315
和/>
Figure SMS_316
分别是自适应图、动态图和共性图的第二个扩散卷积运算的输出，大小为/>
Figure SMS_317
。请注意，本申请将静态和动态因素的共性特征/>
Figure SMS_321
和/>
Figure SMS_312
输入到共性图的扩散卷积运算中，有助于针对这两类因素对交通流量的共同作用进行建模。
步骤S4、对各个图卷积模块输出的时空特征进行聚合得到聚合特征，然后对聚合特征进行预测操作，得到预测结果。
在多个M-SDCGCMs模块在不同层次提取高度相关的空间和时间特征后，输出模块负责聚合适当的时空特征并生成预测。由于不同道路上的局部交通状况各不相同，因此不同道路上的交通流量预测应使用不同层次的时空特征。此外，即使是同一道路上的交通流量在不同时段也可能具有不同的复杂度。受此启发，基于节点观察到的特定局部交通状况，输出模块通过注意力机制选择性地聚合不同层次的时空特征，其过程可以表示为等式(33)和(34)。
Figure SMS_328
(33)
Figure SMS_329
(34)
其中
Figure SMS_330
、/>
Figure SMS_331
、/>
Figure SMS_332
代表卷积核，用于确保待聚合的特征具有相同的维度，/>
Figure SMS_333
(设为/>
Figure SMS_334
)表示聚合特征的通道维度，/>
Figure SMS_335
表示输出模块中待聚合的特征集，/>
Figure SMS_336
表示细粒度的聚合特征。
然后，输出模块进一步提取时空特征并生成预测结果。具体而言，输出模块使用了两个参数共享的图卷积和一个TGCL，如等式(35)和(36)所示。
Figure SMS_337
(35)
Figure SMS_338
(36)
其中
Figure SMS_339
是可学习的共享参数集，/>
Figure SMS_340
是输出模块进一步提取的空间特征，
Figure SMS_341
是输出模块生成的预测结果。/>
Figure SMS_342
表示时间门控卷积，可参照等式(20)和(21)。
为了验证本申请技术方案的有效性，将本申请的M-SDCGCN模型与目前最先进的以下时空模型进行比较：扩散卷积递归神经网络(DCRNN)；Graph WaveNet；MTGNN；自适应图卷积递归网络(AGCRN)；图多注意力网络(GMAN)；基于注意力机制的时空图神经网络(ASTGNN)；时空图神经受控微分方程(STG-NCDE)；自适应时空图神经网络(Ada-STNet)。
采用三个有效且具有代表性的指标来评估上述模型和本申请提出的M-SDCGCN模型的预测性能，即平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)。
实验中超参数设置如下：模型的输入和输出窗口大小
Figure SMS_343
和/>
Figure SMS_346
均设置为12，表明本申请使用前一小时的历史交通状况来预测后一小时的未来交通流量。扩散步长/>
Figure SMS_349
设置为2。源和目标节点的嵌入的维度/>
Figure SMS_344
设置为10。M-SDCGCM模块的数量/>
Figure SMS_348
设置为4。图生成器模块中隐藏特征的维度/>
Figure SMS_351
设置为32。注意力头的数量/>
Figure SMS_352
设置为4。批量大小/>
Figure SMS_345
设置为64。M-SDCGCN模型的隐藏维度/>
Figure SMS_347
设置为40。TGCL的卷积核大小/>
Figure SMS_350
设置为3。优化器设置为Adam。学习率设置为0.001，每5个训练代数的衰减率设置为0.9。训练代数设置为150。早停的容忍度设置为30。
本申请比较了不同模型的短期(提前15分钟)、中期(提前30分钟)和长期(提前60分钟)预测性能。表1中记录了每个模型五次预测实验的平均结果。
表1 不同模型在三个交通流量数据集上的预测性能比较
Figure SMS_353
/>
从表1的结果可以得出以下结论：
(1)所有模型在PeMSD7和PeMSD8上的指标均明显低于在PeMSD4上的指标，说明PeMSD4记录的交通状况更复杂。
(2)在三个数据集上，本申请提出的M-SDCGCN模型在整体预测性能方面优于目前最先进的时空模型，验证了M-SDCGCN模型的有效性和稳健性。
(3)在三个数据集上，DCRNN模型的预测性能均不佳，表明仅使用预定义图不足以完全捕获空间特征。STG-NCDE模型表现出有竞争力的预测性能，验证了使用神经受控微分方程捕捉时空特征的可行性。
(4)与仅使用自适应图的MTGNN模型和AGCRN模型相比，结合了预定义图和自适应图的Graph WaveNet模型在PeMSD4上具有良好的预测性能，而在PeMSD7和PeMSD8上表现更优。这表明，当交通状况更简单时预定义图对模型预测性能的贡献更大。
(5)分别根据时间特征和节点属性调整预定义图的ASTGNN模型和Ada-STNet模型在短期预测时表现良好，但在长期预测时表现一般，而直接计算传感器之间相关性的GMAN模型则相反。这表明，预定义图主要有助于模型在短期预测方面的性能提升。
本申请还通过消融实验，比较了所提出的M-SDCGCN模型的不同变体，以衡量不同组件对M-SDCGCN模型预测性能的贡献。具体而言，设计了如下变体：
AF (w/o a)：在没有注意力聚合操作的情况下获得聚合特征的M-SDCGCN模型。具体而言，它通过元素相加获得聚合特征。
DG (w/o a)：在没有注意力聚合操作的情况下获得动态图的邻接矩阵
Figure SMS_354
的M-SDCGCN模型。具体而言，它在等式(12)中用元素相加代替注意力聚合操作。
SDC (w/o cmn)：在SDCGCL组件中，不对共性图进行扩散卷积操作的M-SDCGCN模型。
SDC (w/o cf)：在不输入静态因素和动态因素的共性特征
Figure SMS_355
和
Figure SMS_356
的情况下，对共性图执行扩散卷积操作的M-SDCGCN模型。
w/o Meta：不使用元学习的M-SDCGCN模型。
：通过元学习得出无空间特征元知识的M-SDCGCN模型。具体而言，它通过等式(14)为元知识的学习生成一个额外的邻接矩阵。注意这个额外的邻接矩阵不参与自适应图上的扩散卷积运算和梯度下降，因此不包含空间特征。
Meta-pre：从预定义图
Figure SMS_357
的邻接矩阵中学习元知识的M-SDCGCN模型。
为了更详细地展示不同组件对本申请提出的M-SDCGCN模型的贡献，分别在复杂数据集PeMSD4和简单数据集PeMSD8上进行了消融实验。表2中报告了每个变体五次实验的平均结果。
表2 M-SDCGCN模型不同变体的预测性能比较
Figure SMS_358
从表2可以得出以下结论：
(1) AF(w/o a)和DG(w/o a)的表现均比本申请提出的M-SDCGCN模型差，表明采用节点级注意力聚合操作来提取细粒度特征有助于提高模型预测性能。
(2) SDC(w/o cmn)的表现比本申请提出的M-SDCGCN模型差，验证了本申请提出的SDCGCL组件的有效性。此外，SDC(w/o cf)与M-SDCGCN模型在PeMSD8上的预测性能差距比在PeMSD4上更小，表明静态因素和动态因素的共性特征的输入在更复杂的交通状况下可以发挥更大的作用。
(3) w/o Meta的预测性能验证了引入元学习以链接空间和时间特征的有效性。此外，Meta (w/o s)的预测性能表明，不增强空间和时间特征之间联系的元学习效果甚微。
(4) Meta-pre在PeMSD4上表现最差，但在PeMSD8上表现最好，表明从预定义图中学习的元知识可以在简单的交通状况下提高模型的预测性能，但在复杂的交通状况下可能会误导模型。
本申请提出了一种M-SDCGCN时空模型来研究节点级交通流量预测。针对交通网络中拥堵传播过程的特点，M-TGCL组件采用元学习来增强空间和时间特征之间的联系，从而能够对拥堵传播过程进行建模。考虑到静态因素和动态因素对交通流量的单独作用和共同作用，本申请提出的SDCGCL组件旨在对这两类因素进行协同建模，以深入提取空间特征。为了适应不同道路上局部交通状况的多样性，M-SDCGCN模型根据特定局部交通状况选择性地聚合不同层次的时空特征，提高了M-SDCGCN模型的稳健性和预测的可靠性。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述基于元学习的静态动态协同图卷积交通预测方法，包括：
获取交通流量数据，采用多头自注意力机制提取得到全局特征，对全局特征进行映射操作和节点级注意力聚合操作得到动态图；
根据交通网络图及其节点之间的隐式依赖关系，生成自适应图；
将交通流量数据、隐式依赖关系、自适应图和动态图输入到堆叠图卷积单元的图卷积模块，每个图卷积单元包括一个基于元学习的时间门控卷积层和一个静态动态协同图卷积层，所述基于元学习的时间门控卷积层结合隐式依赖关系从输入的交通流量数据中提取时间特征，输入到静态动态协同图卷积层，所述静态动态协同图卷积层从输入的时间特征、自适应图和动态图中提取出时空特征；
对各个图卷积模块输出的时空特征进行聚合得到聚合特征，然后对聚合特征进行预测操作，得到预测结果。
2.根据权利要求1所述的基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述对全局特征进行映射操作和节点级注意力聚合操作得到动态图，包括：
Figure QLYQS_1
；
Figure QLYQS_2
；
Figure QLYQS_3
；
Figure QLYQS_4
；
其中，
Figure QLYQS_7
表示所有节点的全局特征，/>
Figure QLYQS_11
是批量大小，N表示节点数，/>
Figure QLYQS_15
是输入窗口大小；/>
Figure QLYQS_5
表示卷积核，/>
Figure QLYQS_10
是隐藏特征的特征维度，/>
Figure QLYQS_14
是注意力头的数量；/>
Figure QLYQS_17
是可学习的参数集；/>
Figure QLYQS_6
是偏置集；/>
Figure QLYQS_9
是映射操作后的全局特征，/>
Figure QLYQS_13
是图卷积单元的隐藏维度；/>
Figure QLYQS_16
表示动态相似图的邻接矩阵；
Figure QLYQS_8
是历史动态图的邻接矩阵；/>
Figure QLYQS_12
是动态图的邻接矩阵，
Figure QLYQS_20
是/>
Figure QLYQS_21
的平均张量表示，/>
Figure QLYQS_23
和/>
Figure QLYQS_18
是/>
Figure QLYQS_22
的前向和后向转移矩阵；/>
Figure QLYQS_24
是动态图的邻接矩阵集，/>
Figure QLYQS_25
为映射操作，/>
Figure QLYQS_19
为节点级注意力聚合操作。
3.根据权利要求1所述的基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述根据交通网络图及其节点之间的隐式依赖关系，生成自适应图，包括：
第l个自适应图
Figure QLYQS_26
的邻接矩阵集/>
Figure QLYQS_27
可以用如下等式表示：
Figure QLYQS_28
；
其中
Figure QLYQS_29
和/>
Figure QLYQS_30
分别是交通网络图/>
Figure QLYQS_31
的前向和后向转移矩阵，节点之间的隐式依赖关系/>
Figure QLYQS_32
采用数据驱动的方式进行量化得到。
4.根据权利要求1所述的基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述图卷积单元的传播规则表示为：
Figure QLYQS_33
；
Figure QLYQS_34
；
其中
Figure QLYQS_37
和/>
Figure QLYQS_39
分别表示第l个图卷积单元中基于元学习的时间门控卷积层和静态动态协同图卷积层的输出特征，/>
Figure QLYQS_41
和/>
Figure QLYQS_35
分别表示第l个图卷积单元中基于元学习的时间门控卷积层和静态动态协同图卷积层的操作，/>
Figure QLYQS_38
表示节点之间的隐式依赖关系，/>
Figure QLYQS_40
表示第l个自适应图/>
Figure QLYQS_42
的邻接矩阵集，/>
Figure QLYQS_36
表示动态图的邻接矩阵集。
5.根据权利要求4所述的基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述基于元学习的时间门控卷积层结合隐式依赖关系从输入的交通流量数据中提取时间特征，包括：
通过映射操作提取元知识：
Figure QLYQS_43
；
Figure QLYQS_44
；
其中
Figure QLYQS_47
和/>
Figure QLYQS_49
是可学习参数集，/>
Figure QLYQS_52
和/>
Figure QLYQS_46
是偏置集，
Figure QLYQS_48
和/>
Figure QLYQS_51
是第l个图卷积单元中基于元学习的时间门控卷积层中具有空间特征的元知识，/>
Figure QLYQS_53
是时间门控卷积的卷积核大小，/>
Figure QLYQS_45
是节点之间的隐式依赖关系，/>
Figure QLYQS_50
为映射操作；
对于任一节点
Figure QLYQS_54
，元知识/>
Figure QLYQS_55
和/>
Figure QLYQS_56
分别取自/>
Figure QLYQS_57
和
Figure QLYQS_58
；
然后，将
Figure QLYQS_59
的矩阵形状由/>
Figure QLYQS_60
转化为/>
Figure QLYQS_61
，并将转化后的元知识/>
Figure QLYQS_62
作为时间门控卷积的卷积核参数/>
Figure QLYQS_63
，/>
Figure QLYQS_64
作为时间门控卷积的偏置参数/>
Figure QLYQS_65
；
时间门控卷积对任一节点的卷积运算可表示为：
Figure QLYQS_66
；
Figure QLYQS_67
；/>
其中
Figure QLYQS_70
和/>
Figure QLYQS_71
分别是时间门控卷积对节点/>
Figure QLYQS_73
卷积运算的输入和输出特征，/>
Figure QLYQS_68
和/>
Figure QLYQS_72
是大小相等的特征，/>
Figure QLYQS_74
表示激活函数，/>
Figure QLYQS_75
表示哈达玛乘积，/>
Figure QLYQS_69
表示残差连接函数，第l个图卷积单元中基于元学习的时间门控卷积层的输出表示为：
Figure QLYQS_76
；
其中
Figure QLYQS_77
是时间门控卷积对所有节点的输出特征，/>
Figure QLYQS_78
表示批归一化操作。
6.根据权利要求4所述的基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述静态动态协同图卷积层从输入的时间特征、自适应图和动态图中提取出时空特征，包括：
在第l个图卷积单元中生成一个共性图：
Figure QLYQS_79
；
Figure QLYQS_80
；
Figure QLYQS_81
；
其中
Figure QLYQS_83
是共性图的邻接矩阵，/>
Figure QLYQS_85
和/>
Figure QLYQS_88
分别是/>
Figure QLYQS_82
的前向和后向转移矩阵，/>
Figure QLYQS_86
是共性图的邻接矩阵集，/>
Figure QLYQS_89
、/>
Figure QLYQS_91
和/>
Figure QLYQS_84
分别是
Figure QLYQS_87
的输入特征、/>
Figure QLYQS_90
个输入邻接矩阵的集合和可学习参数集，/>
Figure QLYQS_92
是扩散步长；
然后，基于扩散卷积
Figure QLYQS_93
，静态动态协同图卷积层通过执行静态动态协同图卷积操作来深度提取空间特征，其过程表示如下：
Figure QLYQS_94
；
Figure QLYQS_95
；
Figure QLYQS_96
；
Figure QLYQS_97
；
Figure QLYQS_98
；
Figure QLYQS_99
；
Figure QLYQS_100
；/>
其中
Figure QLYQS_103
、/>
Figure QLYQS_106
、/>
Figure QLYQS_110
、/>
Figure QLYQS_101
、/>
Figure QLYQS_107
和/>
Figure QLYQS_111
是可学习参数集，/>
Figure QLYQS_114
、/>
Figure QLYQS_102
和
Figure QLYQS_105
分别是自适应图、动态图和共性图的第一个扩散卷积运算的输出，大小为
Figure QLYQS_109
，/>
Figure QLYQS_113
、/>
Figure QLYQS_104
和/>
Figure QLYQS_108
分别是自适应图、动态图和共性图的第二个扩散卷积运算的输出，大小为/>
Figure QLYQS_112
。
7.根据权利要求1所述的基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述对各个图卷积模块输出的时空特征进行聚合得到聚合特征，包括：
Figure QLYQS_115
；
Figure QLYQS_116
；
其中
Figure QLYQS_117
、/>
Figure QLYQS_118
、/>
Figure QLYQS_119
代表卷积核，/>
Figure QLYQS_120
表示聚合特征的通道维度，/>
Figure QLYQS_121
表示待聚合的特征集，
Figure QLYQS_122
表示细粒度的聚合特征，/>
Figure QLYQS_123
为节点级注意力聚合操作。
8.根据权利要求1所述的基于元学习的静态动态协同图卷积交通预测方法，其特征在于，所述对聚合特征进行预测操作，得到预测结果，包括：
Figure QLYQS_124
；
Figure QLYQS_125
；
其中
Figure QLYQS_126
是可学习的共享参数集，/>
Figure QLYQS_127
是输出模块进一步提取的空间特征，/>
Figure QLYQS_128
是输出模块生成的预测结果，/>
Figure QLYQS_129
为扩散卷积，/>
Figure QLYQS_130
表示时间门控卷积。/>
CN202310496971.9A 2023-05-05 2023-05-05 一种基于元学习的静态动态协同图卷积交通预测方法 Active CN116205383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310496971.9A CN116205383B (zh) 2023-05-05 2023-05-05 一种基于元学习的静态动态协同图卷积交通预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310496971.9A CN116205383B (zh) 2023-05-05 2023-05-05 一种基于元学习的静态动态协同图卷积交通预测方法

Publications (2)

Publication Number Publication Date
CN116205383A true CN116205383A (zh) 2023-06-02
CN116205383B CN116205383B (zh) 2023-07-18

Family

ID=86513349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310496971.9A Active CN116205383B (zh) 2023-05-05 2023-05-05 一种基于元学习的静态动态协同图卷积交通预测方法

Country Status (1)

Country Link
CN (1) CN116205383B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456590A (zh) * 2023-12-25 2024-01-26 天津生联智慧科技发展有限公司 一种针对智能城市应用的视觉转换的人脸识别方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161535A (zh) * 2019-12-23 2020-05-15 山东大学 基于注意力机制的图神经网络交通流量预测方法及系统
CN112988723A (zh) * 2021-02-09 2021-06-18 北京工业大学 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法
CN115240425A (zh) * 2022-07-26 2022-10-25 西北师范大学 一种基于多尺度时空融合图网络的交通预测方法
CN115512545A (zh) * 2022-09-30 2022-12-23 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
CN115578851A (zh) * 2022-07-14 2023-01-06 西北师范大学 一种基于mgcn的交通预测方法
CN115618934A (zh) * 2022-10-12 2023-01-17 北京市科学技术研究院 一种基于时空图卷积网络的地铁短时客流量预测方法
US20230058520A1 (en) * 2021-07-27 2023-02-23 Huzhou University Traffic flow forecasting method based on deep graph gaussian processes

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161535A (zh) * 2019-12-23 2020-05-15 山东大学 基于注意力机制的图神经网络交通流量预测方法及系统
CN112988723A (zh) * 2021-02-09 2021-06-18 北京工业大学 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法
US20230058520A1 (en) * 2021-07-27 2023-02-23 Huzhou University Traffic flow forecasting method based on deep graph gaussian processes
CN115578851A (zh) * 2022-07-14 2023-01-06 西北师范大学 一种基于mgcn的交通预测方法
CN115240425A (zh) * 2022-07-26 2022-10-25 西北师范大学 一种基于多尺度时空融合图网络的交通预测方法
CN115512545A (zh) * 2022-09-30 2022-12-23 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
CN115618934A (zh) * 2022-10-12 2023-01-17 北京市科学技术研究院 一种基于时空图卷积网络的地铁短时客流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LING ZHAO等: "T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction", JOURNAL OF L ATE X CLASS FILES, vol. 14, no. 8, pages 1 - 11 *
王竟成等: "基于图卷积网络的交通预测综述", 北京工业大学学报, vol. 47, no. 8, pages 954 - 970 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456590A (zh) * 2023-12-25 2024-01-26 天津生联智慧科技发展有限公司 一种针对智能城市应用的视觉转换的人脸识别方法及装置
CN117456590B (zh) * 2023-12-25 2024-04-02 天津生联智慧科技发展有限公司 一种针对智能城市应用的视觉转换的人脸识别方法及装置

Also Published As

Publication number Publication date
CN116205383B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN112529168B (zh) 一种基于gcn的属性多层网络表示学习方法
Cirstea et al. EnhanceNet: Plugin neural networks for enhancing correlated time series forecasting
CN111737592B (zh) 一种基于异构传播协同知识感知网络的推荐方法
Wang et al. Tdefsi: Theory-guided deep learning-based epidemic forecasting with synthetic information
CN112910711B (zh) 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质
Yao et al. Online truth discovery on time series data
Zhou et al. Accurate traffic matrix completion based on multi-Gaussian models
CN116205383B (zh) 一种基于元学习的静态动态协同图卷积交通预测方法
CN115512545B (zh) 一种基于时空动态图卷积网络的交通速度预测方法
CN113672865A (zh) 一种基于深度图高斯过程的交通流量预测方法
Tang et al. Dynamic origin‐destination flow estimation using automatic vehicle identification data: A 3D convolutional neural network approach
CN113239904B (zh) 基于卷积神经网络的高分辨率密集目标计数方法
Liu et al. Pristi: A conditional diffusion framework for spatiotemporal imputation
Chen et al. Physics-guided graph meta learning for predicting water temperature and streamflow in stream networks
CN115879542A (zh) 一种面向非独立同分布异构数据的联邦学习方法
Ranbaduge et al. Differentially private vertical federated learning
CN116090504A (zh) 图神经网络模型训练方法及装置、分类方法、计算设备
Zhan et al. Neural networks for geospatial data
CN116306780B (zh) 一种动态图链接生成方法
CN117391816A (zh) 一种异质图神经网络推荐方法、装置及设备
Zhang et al. A novel approach of tensor‐based data missing estimation for Internet of Vehicles
CN115953902A (zh) 一种基于多视图时空图卷积网络的交通流预测方法
CN115238134A (zh) 用于生成图数据结构的图向量表示的方法及装置
CN114124580A (zh) 一种基于Slater社会选择理论的网络入侵检测方法
Zhang et al. Dac-ml: domain adaptable continuous meta-learning for urban dynamics prediction

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