CN116259172A - 考虑交通网络时空特征的城市道路速度预测方法 - Google Patents

考虑交通网络时空特征的城市道路速度预测方法 Download PDF

Info

Publication number
CN116259172A
CN116259172A CN202211101767.4A CN202211101767A CN116259172A CN 116259172 A CN116259172 A CN 116259172A CN 202211101767 A CN202211101767 A CN 202211101767A CN 116259172 A CN116259172 A CN 116259172A
Authority
CN
China
Prior art keywords
network
road
traffic
model
speed
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.)
Pending
Application number
CN202211101767.4A
Other languages
English (en)
Inventor
郭海锋
周子盛
许宏伟
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202211101767.4A priority Critical patent/CN116259172A/zh
Publication of CN116259172A publication Critical patent/CN116259172A/zh
Pending legal-status Critical Current

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
    • G06Q50/40—Business processes related to the transportation industry
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

考虑交通网络时空特征的城市道路速度预测方法，用来对城市路段的交通流进行预测。首先，收集交通路网数据信息，如路段的速度时序，描述路段间邻接关系的邻接矩阵，以及各路段所发生的交通事件，并对所收集的数据进行分析和建模，划分为训练集和测试集。其次，利用图注意力网络、门控循环单元和密集连接网络搭建DG‑GRU模型，提取交通路网的时空特征。最后，将训练集送入DG‑GRU模型中训练，调整模型参数，使得模型达到最佳预测性能，并用测试集对模型性能进行评估。本发明还可以应用于其他时空预测任务。

Description

考虑交通网络时空特征的城市道路速度预测方法
技术领域
本发明涉及深度学习，数据分析和智能交通领域，特别是城市交通道路速度预测方法。
背景技术
近年来，随着深度学习的不断发展，交通预测成为智能交通领域一个活跃的研究方向。大多数现有方法仅考虑交通网络的单一化特征，无法充分利用其时空特征和外部环境等因素，导致预测结果和真实交通状态具有较大差距，预测精度低。
发明内容
为了克服现有技术存在的不足，本发明提出一种考虑交通网络时空特征的城市道路速度预测方法。
本发明设计了一种基于GRU的密集连接的时空图注意力网络模型(Dense GraphAttention Network of GRU，DG-GRU)，该模型通过利用交通网络时间和空间特征，捕捉路段速度时序的潜在变化趋势，同时加入交通事件的先验知识，以此来提高路段速度的预测精度。
本发明使用的技术方案：
一种考虑交通网络时空特征的城市道路速度预测方法，包括以下步骤：
步骤1，对交通路网数据进行分析与建模，并构造事件矩阵，过程如下：
1.1记录各路段速度时序；
记录各个路段上的实时平均速度，间隔为15分钟，速度时序X＝(Xt-n,Xt-n+1,…,Xt-1,Xt)，X∈RT*N，其中T代表记录的时间步的数量，N代表路段的数量。
1.2构造路网邻接关系的邻接矩阵；
对具体范围内的城市路段进行观察，用邻接矩阵来描述各路段之间的相邻关系A∈RN*N，其中对应元素为“1”的代表两个路段为相邻路段。
1.3构造交通事件矩阵。
对每条道路上所发生的交通事件进行标记，为了与速度时序相匹配，记录时间窗口同样设为15分钟，并对其进行独热编码，对造成路段当前时间步速度下降到上一时间步速度的50％以上的交通事件标记为“1”，其他为“0”，交通事件矩阵记为K＝(K1,K2,...,KT)，K∈RT*N。
步骤2，搭建DG-GRU模型，过程如下：
2.1建立图注意力网络GAT；
GAT在汇聚节点信息时，对每个邻居节点赋予不同的权重系数，在传播过程中引入自注意力机制，每个节点的隐藏状态通过注意其邻居节点来计算，该网络既可以准确的捕捉到路网的空间特征，又能判断出相邻路段对目标路段不同的影响性。对节点(i,j)的注意力系数计算方法如下：
eij＝LeakyRelu(αT[Whi||Whj]) (1)
其中eij是节点j对节点i的注意权重系数，hi和hj是当前输入层的节点i和节点j的特征表示，W∈RF*F′是线性变化矩阵，F是输入特征的维度，F′是输出特征的维度，||为向量的拼接(concat)。最后对目标节点所有的注意权重系数进行归一化操作，公式为：
Figure BDA0003839763190000021
其中Ni是节点i的所有邻接节点。GAT也可以实现多头(multi-heads)注意力机制，将每一层单头信息传递的向量进行拼接：
Figure BDA0003839763190000022
2.2建立密集连接网络；
密集连接网络通过对每层网络的输入输出进行向量拼接，达到加强空间特征的传递和使用的目的，同时也减轻模型在反向传播过程中出现的梯度消失。将密集连接网络与GAT相结合，多次重复的利用路网的空间特征。传播方式公式为：
xl＝Hl([x0,x1,…,xl-1]) (4)
其中xl表示第l层GAT网络的输出，Hl表示非线性转换函数。
2.3建立门控循环单元GRU；
利用门控循环单元来记忆路段速度序列的长期信息，同时可以有效避免梯度消失问题。计算过程如下：
zt＝σ(Wz·[ht-1,xt]) (5)
rt＝σ(Wr·[ht-1,xt]) (6)
Figure BDA0003839763190000023
Figure BDA0003839763190000024
其中ht-1表示t-1时刻的隐藏状态，xt为t时刻的交通信息。rt是复位门，控制前一时刻状态信息的忽略程度。zt是更新门，控制前一时刻状态信息进入当前状态的程度。
Figure BDA0003839763190000031
为t时刻存储的记忆内容，ht是t时刻的输出状态。
2.4利用上述单元构造基于GRU的密集连接的图注意力神经网络；
利用步骤2.3中的GRU模型构建循环神经网络来捕捉路网的时间特征，同时加入交通事件矩阵K作为先验知识，利用GAT网络组成稠密块来捕捉路网拓扑结构的空间特征。在t时刻最后一层门控循环单元输出信息ht，再经过密集连接的GAT网络提取空间特征，最后通过全连接层预测出T个时间步的未来交通速度。
[Xt+1,Xt+2,…,Xt+T]＝f(G,X|K) (9)
其中G为道路网络，用无向图G＝(V,E)来描述路网的拓扑结构，把每条路段作为一个节点，V是一组道路节点，V＝{v1,v2,…vN}，N是节点数量，E是节点与节点连接的边，用邻接矩阵A来描述节点之间的关系。
步骤3，定义模型训练时的损失函数，以计算预测结果的误差：
模型训练过程中，目的是减少预测值和真实交通速度之间的误差。模型选用的损失函数为：
Figure BDA0003839763190000032
其中Yt表示实际的交通速度，
Figure BDA0003839763190000033
表示模型预测的速度，公式(10)前一项用于减少两者之间误差，后面一项是L2正则化，λ为可训练参数。
步骤4，设置评价指标，对预测结果的准确度进行评估：
采用5个主流的评价指标来描述真实交通速度Yt和预测速度
Figure BDA0003839763190000034
之间的差距。包括：
(1)均方根误差RMSE：
Figure BDA0003839763190000035
(2)平均绝对误差MAE：
Figure BDA0003839763190000036
(3)精确度Accuracy:
Figure BDA0003839763190000041
(4)可决系数R2:
Figure BDA0003839763190000042
(5)解释方差分数Var：
Figure BDA0003839763190000043
其中RMSE和MAE代表Y和
Figure BDA0003839763190000044
之间的真实误差，数值越小，代表模型预测能力越好，Accuracy数值越大，代表预测效果越好，R2和Var是用来衡量预测值代表真实值的能力，数值越大，说明模型预测能力越高。
步骤5，基于上述已构造的网络模型，确立整体预测方法：
首先，收集交通路网路段的速度时序、描述路段间邻接关系的邻接矩阵、以及描述各路段所发生的交通事件矩阵，并对所收集的数据进行分析和建模，划分为训练集和测试集。其次，利用图注意力网络捕捉路网的空间特征，利用门控循环单元记忆路段速度序列的长期信息，利用密集连接网络加强空间特征的传递和使用，上述三个单元共同制造的DG-GR模型可以有效提取交通路网的时空特征，并减轻反向传播过程中的梯度消失问题。最后，将训练集送入DG-GRU模型中训练，选定损失函数和评价指标，调整模型参数，使得模型达到最佳预测性能，并用测试集对模型性能进行评估。
本发明的有益效果为：通过对城市交通路网时空信息的提取，以及提前加入交通事件该先验知识来提高模型对路段速度的预测精度，可以增强交通管理能力，减少交通拥堵成本。
附图说明
图1是本发明具体步骤实施的流程图。
图2是基于GRU的密集连接的图注意力神经网络模型。
具体实施过程
下面结合附图对本发明做进一步详细说明。
参照图1，一种考虑交通网络时空特征的城市道路速度预测方法，所述方法包括以下步骤：
步骤1，路网数据分析与建模，过程如下：
1.1记录各路段速度时序。
本发明需要收集各目标路段的交通数据，记录各个路段上的实时平均速度，间隔为15分钟，速度时序X＝(Xt-n,Xt-n+1,…,Xt-1,Xt)，X∈RT*N，其中T代表记录的时间段的数量，N代表路段的数量。
1.2构造路网邻接关系的邻接矩阵。
描述路段相邻关系的邻接矩阵A∈RN*N，其中对应元素为“1”的代表两个路段为相邻路段。
1.3构造交通事件矩阵。
记录每条道路上所发生的交通事件，记录时间窗口同样设为15分钟，并对其进行独热编码，对造成路段当前时间步速度下降到上一时间步速度的50％以上的交通事件标记为“1”，其他为“0”，交通事件矩阵记为K＝(K1,K2,...,KT)，K∈RT*N。
步骤2，DG-GRU模型搭建，过程如下：
2.1建立图注意力网络GAT。
GAT在汇聚节点信息时，对每个邻居节点赋予不同的权重系数，在传播过程中引入自注意力机制，每个节点的隐藏状态通过注意其邻居节点来计算，该网络既可以准确的捕捉到路网的空间特征，又能判断出相邻路段对目标路段不同的影响性。对节点(i,j)的注意力系数计算方法如下：
eij＝LeakyRelu(αT[Whi||Whj]) (1)
其中eij是节点j对节点i的注意权重系数，hi和hj是当前输入层的节点i和节点j的特征表示，W∈RF*F′是线性变化矩阵，F是输入特征的维度，F′是输出特征的维度，||为向量的拼接(concat)。最后对目标节点所有的注意权重系数进行归一化操作，公式为：
Figure BDA0003839763190000051
其中Ni是节点i的所有邻接节点。GAT也可以实现多头(multi-heads)注意力机制，将每一层单头信息传递的向量进行拼接：
Figure BDA0003839763190000061
2.2建立密集连接网络；
密集连接网络通过对每层网络的输入输出进行向量拼接，达到加强空间特征的传递和使用的目的，同时也减轻模型在反向传播过程中出现的梯度消失。将密集连接网络与GAT相结合，多次重复的利用路网的空间特征。传播方式公式为：
xl＝Hl([x0,x1,…,xl-1]) (4)
其中xl表示第l层GAT网络的输出，Hl表示非线性转换函数。
2.3建立门控循环单元；
利用门控循环单元来记忆序列的长期信息，同时可以有效避免梯度消失问题。计算过程如下：
zt＝σ(Wz·[ht-1,xt]) (5)
rt＝σ(Wr·[ht-1,xt]) (6)
Figure BDA0003839763190000062
Figure BDA0003839763190000063
其中ht-1表示t-1时刻的隐藏状态，xt为t时刻的交通信息。rt是复位门，控制前一时刻状态信息的忽略程度。zt是更新门，控制前一时刻状态信息进入当前状态的程度。
Figure BDA0003839763190000064
为t时刻存储的记忆内容，ht是t时刻的输出状态。
2.4利用上述单元构造基于GRU的密集连接的图注意力神经网络；
本发明可以充分捕获路网的时间和空间特征信息，利用GRU模型构建循环神经网络来捕捉路网的时间特征，同时加入交通事件矩阵K作为先验知识，利用GAT网络组成稠密块来捕捉路网拓扑结构的空间特征。首先将前n个时间步的序列X＝(Xt-n,Xt-n+1,…,Xt-1,Xt)和先验知识矩阵K＝(Kt-n,Kt-n+1,...,Kt-1,Kt)进行向量拼接，然后输入到循环神经网络中学习时间特征，在t时刻最后一层门控循环单元输出信息ht，再经过密集连接的GAT网络提取空间特征，最后通过全连接层预测出T个时间步的未来交通速度。
[Xt+1,Xt+2,…,Xt+T]＝f(G,X|K) (9)
其中G为道路网络，用无向图G＝(V,E)来描述路网的拓扑结构，把每条路段作为一个节点，V是一组道路节点，V＝{v1,v2,…vN}，N是节点数量，E是节点与节点连接的边，用邻接矩阵A来描述节点之间的关系。
步骤3，定义模型训练时的损失函数，以计算预测结果的误差：；
模型训练过程中，目的是减少预测值和真实交通速度之间的误差。模型选用的损失函数为：
Figure BDA0003839763190000071
其中Yt表示实际的交通速度，
Figure BDA0003839763190000072
表示模型预测的速度，公式(10)前一项用于减少两者之间误差，后面一项是L2正则化，λ为可训练参数。
步骤4，设置评价指标，对预测结果的准确度进行评估：
采用5个主流的评价指标来描述真实交通速度Yt和预测速度
Figure BDA0003839763190000073
之间的差距。包括：
(1)均方根误差RMSE：
Figure BDA0003839763190000074
(2)平均绝对误差MAE：
Figure BDA0003839763190000075
(3)精确度Accuracy:
Figure BDA0003839763190000076
(4)可决系数R2:
Figure BDA0003839763190000077
(5)解释方差分数Var：
Figure BDA0003839763190000078
其中RMSE和MAE代表Y和
Figure BDA0003839763190000081
之间的真实误差，数值越小，代表模型预测能力越好，Accuracy数值越大，代表预测效果越好，R2和Var是用来衡量预测值代表真实值的能力，数值越大，说明模型预测能力越高。
步骤5，基于上述已构造的网络模型，确立整体预测方法，具体包括：
将建模后的交通数据划分为训练集和测试集，送入DG-GRU模型中进行训练和测试，不断调整GRU隐藏层数量和GAT多头注意力的头数，观察步骤3中损失函数的变化趋势和步骤4中评估指标的优劣，从而得到模型的最佳参数，使得模型达到最佳预测性能。通过实验发现，本发明中的模型预测精度最高达到了81.64％，与传统数学模型和主流的神经网络模型对比，DG-GRU具有更高的预测精度，可以适应复杂的交通流，进行长期的交通预测任务，同时也能增强交通管理能力，减少交通拥堵成本。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (4)

1.一种考虑交通网络时空特征的城市道路速度预测方法，其特征在于，包括以下步骤：
步骤1，对交通路网数据进行分析与建模，并构造事件矩阵：
记录各个路段上的实时平均速度，间隔为15分钟，速度时序X＝(Xt-n,Xt-n+1,…,Xt-1,Xt)，X∈RT*N，其中T代表记录的时间步的数量，N代表路段的数量，以此作为各路段速度时序；对具体范围内的城市路段进行观察，用矩阵来描述各路段之间的相邻关系A∈RN*N，其中对应元素为“1”的代表两个路段为相邻路段，“0”则代表两路段不相邻，以此作为路网邻接矩阵；对每条道路上所发生的交通事件进行观察，用矩阵来记录路网中发生的交通事件，其中对应元素为“1”的代表该路段在该时间点发生了不可忽视的交通事件，以此作为路网交通事件矩阵；
步骤2，搭建DG-GRU模型，过程如下：
2.1建立图注意力网络GAT；
GAT在汇聚节点信息时，对每个邻居节点赋予不同的权重系数，在传播过程中引入自注意力机制，每个节点的隐藏状态通过注意其邻居节点来计算，该网络既可以准确的捕捉到路网的空间特征，又能判断出相邻路段对目标路段不同的影响性；对节点(i,j)的注意力系数计算方法如下：
eij＝LeakyRelu(αT[Whi||Whj]) (1)
其中eij是节点j对节点i的注意权重系数，hi和hj是当前输入层的节点i和节点j的特征表示，W∈RF*F′是线性变化矩阵，F是输入特征的维度，F′是输出特征的维度，||为向量的拼接(concat)；最后对目标节点所有的注意权重系数进行归一化操作，公式为：
Figure FDA0003839763180000011
其中Ni是节点i的所有邻接节点；GAT也可以实现多头(multi-heads)注意力机制，将每一层单头信息传递的向量进行拼接：
Figure FDA0003839763180000012
2.2建立密集连接网络；
密集连接网络通过对每层网络的输入输出进行向量拼接，达到加强空间特征的传递和使用的目的，同时也减轻模型在反向传播过程中出现的梯度消失；
2.3建立门控循环单元GRU；
利用门控循环单元来记忆路段速度序列的长期信息，同时可以有效避免梯度消失问题；
2.4利用上述单元构造基于GRU的密集连接的图注意力神经网络；
利用步骤2.3中的GRU模型构建循环神经网络来捕捉路网的时间特征，同时加入交通事件矩阵K作为先验知识，利用GAT网络组成稠密块来捕捉路网拓扑结构的空间特征；在t时刻最后一层门控循环单元输出信息ht，再经过密集连接的GAT网络提取空间特征，最后通过全连接层预测出T个时间步的未来交通速度；
[Xt+1,Xt+2,…,Xt+T]＝f(G,X|K) (9)
其中G为道路网络，用无向图G＝(V,E)来描述路网的拓扑结构，把每条路段作为一个节点，V是一组道路节点，V＝{v1,v2,…vN}，N是节点数量，E是节点与节点连接的边，用邻接矩阵A来描述节点之间的关系；
步骤3，定义模型训练时的损失函数，以计算预测结果的误差：
模型训练过程中，目的是减少预测值和真实交通速度之间的误差；模型选用的损失函数为：
Figure FDA0003839763180000021
其中Yt表示实际的交通速度，
Figure FDA0003839763180000022
表示模型预测的速度，公式(10)前一项用于减少两者之间误差，后面一项是L2正则化，λ为可训练参数；
步骤4，设置评价指标，对预测结果的准确度进行评估：
采用5个主流的评价指标来描述真实交通速度Yt和预测速度
Figure FDA0003839763180000023
之间的差距，包括：
(1)均方根误差RMSE：
Figure FDA0003839763180000024
(2)平均绝对误差MAE：
Figure FDA0003839763180000025
(3)精确度Accuracy:
Figure FDA0003839763180000031
(4)可决系数R2:
Figure FDA0003839763180000032
(5)解释方差分数Var：
Figure FDA0003839763180000033
其中RMSE和MAE代表Y和
Figure FDA0003839763180000034
之间的真实误差，数值越小，代表模型预测能力越好，Accuracy数值越大，代表预测效果越好，R2和Var是用来衡量预测值代表真实值的能力，数值越大，说明模型预测能力越高；
步骤5，基于上述已构造的网络模型，确立整体预测方法，具体包括：
首先，收集交通路网路段的速度时序、描述路段间邻接关系的邻接矩阵、以及描述各路段所发生的交通事件矩阵，并对所收集的数据进行分析和建模，划分为训练集和测试集；其次，利用图注意力网络捕捉路网的空间特征，利用门控循环单元记忆路段速度序列的长期信息，利用密集连接网络加强空间特征的传递和使用，上述三个单元共同制造的DG-GR模型可以有效提取交通路网的时空特征，并减轻反向传播过程中的梯度消失问题；最后，将训练集送入DG-GRU模型中训练，选定损失函数和评价指标，调整模型参数，使得模型达到最佳预测性能，并用测试集对模型性能进行评估。
2.如权利要求1所述的考虑交通网络时空特征的城市道路速度预测模型，其特征在于：所述步骤1中，路网交通事件矩阵的搭建的过程为：
对每条道路上所发生的交通事件进行标记，为了与速度时序相匹配，记录时间窗口同样设为15分钟，并对其进行独热编码，对造成路段当前时间步速度下降到上一时间步速度的50％以上的交通事件标记为“1”，其他为“0”，交通事件矩阵记为K＝(K1,K2,...,KT)，K∈RT*N。
3.如权利要求1所述的考虑交通网络时空特征的城市道路速度预测模型，其特征在于：所述步骤2.2中，密集连接网络的搭建的过程为：
将密集连接网络与GAT相结合，多次重复的利用路网的空间特征，传播方式公式为：
xl＝Hl([x0,x1,…,xl-1]) (4)
其中xl表示第l层GAT网络的输出，Hl表示非线性转换函数。
4.如权利要求1所述的考虑交通网络时空特征的城市道路速度预测模型，其特征在于：所述步骤2中，DG-GRU模型的搭建采用了GRU与GAT稠密块相结合的设计，以高效提取交通路网的时空特征，其中GRU模块计算过程如下：
zt＝σ(Wz·[ht-1,xt]) (5)
rt＝σ(Wr·[ht-1,xt]) (6)
Figure FDA0003839763180000041
Figure FDA0003839763180000042
其中ht-1表示t-1时刻的隐藏状态，xt为t时刻的交通信息；rt是复位门，控制前一时刻状态信息的忽略程度；zt是更新门，控制前一时刻状态信息进入当前状态的程度；
Figure FDA0003839763180000043
为t时刻存储的记忆内容，ht是t时刻的输出状态。/>
CN202211101767.4A 2022-09-09 2022-09-09 考虑交通网络时空特征的城市道路速度预测方法 Pending CN116259172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211101767.4A CN116259172A (zh) 2022-09-09 2022-09-09 考虑交通网络时空特征的城市道路速度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211101767.4A CN116259172A (zh) 2022-09-09 2022-09-09 考虑交通网络时空特征的城市道路速度预测方法

Publications (1)

Publication Number Publication Date
CN116259172A true CN116259172A (zh) 2023-06-13

Family

ID=86679851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211101767.4A Pending CN116259172A (zh) 2022-09-09 2022-09-09 考虑交通网络时空特征的城市道路速度预测方法

Country Status (1)

Country Link
CN (1) CN116259172A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058888A (zh) * 2023-10-13 2023-11-14 华信纵横科技有限公司 一种交通大数据处理方法及其系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058888A (zh) * 2023-10-13 2023-11-14 华信纵横科技有限公司 一种交通大数据处理方法及其系统
CN117058888B (zh) * 2023-10-13 2023-12-22 华信纵横科技有限公司 一种交通大数据处理方法及其系统

Similar Documents

Publication Publication Date Title
CN109754605B (zh) 一种基于注意力时态图卷积网络的交通预测方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111612243B (zh) 交通速度预测方法、系统及存储介质
CN114422381B (zh) 通信网络流量预测方法、系统、存储介质及计算机设备
CN108399745B (zh) 一种基于无人机的分时段城市路网状态预测方法
CN114220271A (zh) 基于动态时空图卷积循环网络的交通流预测方法、设备及存储介质
CN113313947A (zh) 短期交通预测图卷积网络的路况评估方法
CN114944053B (zh) 一种基于时空超图神经网络的交通流预测方法
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及系统
CN114495507B (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN113298319B (zh) 一种基于跳跃图注意力门控循环网络的交通速度预测方法
CN116596151B (zh) 基于时空图注意力的交通流量预测方法及计算设备
CN112598165A (zh) 基于私家车数据的城市功能区转移流量预测方法及装置
CN112329536A (zh) 一种基于交替对抗迁移学习的单样本人脸识别方法
CN114265913A (zh) 工业物联网边缘设备上基于联邦学习的空时预测算法
CN116258258A (zh) 一种多信息融合的时空图卷积交通流量预测方法
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
CN116259172A (zh) 考虑交通网络时空特征的城市道路速度预测方法
CN114596726B (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN113988415A (zh) 一种中长期电力负荷预测方法
CN114048546A (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN117312770A (zh) 基于多层次图特征融合的航空发动机剩余寿命预测方法
CN112562312A (zh) 一种基于融合特征的GraphSAGE交通路网数据预测的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination