CN116434538A - 基于异构数据融合的城市交通流预测模型构建方法 - Google Patents
基于异构数据融合的城市交通流预测模型构建方法 Download PDFInfo
- Publication number
- CN116434538A CN116434538A CN202211730853.1A CN202211730853A CN116434538A CN 116434538 A CN116434538 A CN 116434538A CN 202211730853 A CN202211730853 A CN 202211730853A CN 116434538 A CN116434538 A CN 116434538A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- time
- prediction model
- embedding
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000010276 construction Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- RVRCFVVLDHTFFA-UHFFFAOYSA-N heptasodium;tungsten;nonatriacontahydrate Chemical compound O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.O.[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[Na+].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W].[W] RVRCFVVLDHTFFA-UHFFFAOYSA-N 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000013136 deep learning model Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了基于异构数据融合的城市交通流预测模型构建方法；其中对交通直接相关数据采用的是卷积神经网络GCN与门控循环单元GRU的结合的预测模型，GCN主要用于捕获节点间的空间特性，GRU主要用于捕获时间依赖；对交通间接相关数据采用的是网络嵌入模型，通过空域特征嵌入和时域特征嵌入，使网络可以处理更多的城市数据，从而提升深度学习模型对交通流预测的准确性；在真实数据集上的实验表明，与传统的交通预测方法相比，嵌入融合外部因素在在预测任务中有效。
Description
技术领域
本发明属于智能交通技术领域，涉及基于异构数据融合的城市交通流预测模型构建方法。
背景技术
交通流预测是智能交通系统(ITS)发展的核心技术之一，将交通流预测用于交通诱导，可以达到交通分流、缓解交通拥堵的效果，所以如何得到精准的预测信息成为智能交通系统的关键一步；
交通预测是根据历史交通信息来预测未来一段时间内的交通流量状态。交通流状态具有显著的空间和时间相关性，它不仅受当前监测点上下游交通流量现状的影响，而且受历史交通状况的影响。随着深度学习的发展，现在大部分学者都将交通流预测重心放在人工智能模型上，除此之外交通信息可能会受到多种外部因素的影响，如天气条件、运输站的存在、紧急事件、节假日和分布情况附近的POIs。这些外部因素与影响城市交通状况的交通信息有直接或间接的关系。然而，现有的研究很少考虑外部因素，忽略了交通信息和外部因素之间的相互关系对交通的影响。例如，天气随时间的变化，不同天气条件下的交通流量可能有不同的状态。除此之外，路段并非都受到天气的影响，我们应该考虑路段的其他属性；例如，周边设施较少的不太受欢迎的路段的道路负荷较小，因此受大雨影响的程度比市中心的受欢迎路段小。如何整合多源数据的语义相关性是提高交通流量预测能力的关键。
发明内容
本发明的目的是提供基于异构数据融合的城市交通流预测模型构建方法，解决了现有模型很少考虑与交通相关的外部因素，忽略了交通信息和外部因素之间的相互关系对交通的影响问题。
本发明所采用的技术方案是，基于异构数据融合的城市交通流预测模型构建方法，具体按以下步骤实施：
步骤1，构建邻接矩阵；
步骤2，对原始数据进行预处理；
步骤3，将预处理后的数据进行划分；
步骤4，对非直接相关数据进行空域嵌入；
步骤5，对非直接相关数据进行时域嵌入；
步骤6，将空域嵌入与时域嵌入数据进行融合；
步骤7，将步骤6融合的数据与步骤3进行拼接形成新的数据；
步骤8，将经步骤7得到的数据输入预测模型中；
步骤9，训练预测模型。
本发明的特点还在于：
其中步骤1具体为：
构建邻接矩阵A，邻接矩阵中的元A[i][j]存放的是顶点i到顶点j之间关系的信息，如式(1)：
其中步骤2中数据预处理具体包括：建模之前对数据进行最小-最大标准化方法，通过线性变化将值进行调整，如式(2)所示：
式中，xmax和xmin分别为全部路段交通数据中的最大值和最小值，x为一条路段在一个时间段的交通流，x′为标准化后的交通流；
其中步骤3中数据划分具体包括：将标准化之后的整体交通流数据划分为M*n*k的时空候选节点，其中n为历史时间序列个数，k＝N-n+1为数据的个数，N为整体时间片序列，M为检测点个数；
其中步骤4中空域特征嵌入具体为：首先将外部信息进行编码，然后通过网络嵌入将每个节点对应的编码矩阵变为稠密、实值矩阵；其过程因此经过空域特征嵌入后，所有节点的特征表示的长度一致，其过程为：ai＝[ei,1,ei,2,…,ei,m]，其中ei，m代表节点i的第m个嵌入向量，m为字段的长度；因此每个节点的嵌入向量表示为一个k*m的张量；
其中步骤5中时域特征嵌入具体为：为了捕捉与交通非直接相关因素在时域上的变化特征，我们将一天按照交通流时间步长划分为|T|个时间段，对于每天的所有时间段，我们用|T|×k×k张量Wt来表示非直接相关因素在时间上的变化，Wt表示为时域特征嵌入向量，其中Wt作为网络参数可以自学习，计算中输入为时间因素t，通过独热编码将其变为长度等于|T|的编码。接着与Wt相结合，通过嵌入过程，将t时刻对应的时域嵌入向量提取出来，得到时域特征表示，即at＝lookup(Wt,t)＝Wt[t,:,:]，其中lookup代表一个具有查找功能的函数；
其中步骤6中时空特征融合具体为：采用卷积操作将时域特征表示作用在空域特征表示的每一个字段上，对于节点V、在时间段t的时空特征表示通过如下公式计算得到：
对于其他的节点我们采用相同的计算方式，得到所有节点的时空特征表示；
其中步骤7中具体为该模型将通过空域特征嵌入和时域特征嵌入后融合的数据作为属性增强单元，与原始数据拼接形成属性增强矩阵；
其中步骤8中预测模型由图卷积网络GCN、门控循环单元GRU构成；具体按以下步骤实施：
设输入的交通流序列的预测目标分布表示为X＝{xt-i,xt-i+1,...,xt-1}，将交通空间-时间性预测看作学习拓扑图G与特征矩阵X的映射函数，计算得到在下T时刻的交通信息：
[Xt+1，...，Xt+T]＝f(G；Xt-n，...，Xt) (3)
两层GCN模型可被表示为：
式中，
表示预处理步骤，W0∈RP*H的矩阵代表从输入到隐藏层的权重，P为特征矩阵的长度，H为隐藏单元的数量；W1∈RH*T H*T的矩阵代表从隐藏层到输出层的权重，f(X,A)∈RN*T代表长度为T的预测输出，ReLU()作为修正线性单元，作激活层用；具体计算过程为：
其中步骤9中具体为：使用全部数据的80％做训练集，其余数据作为测试集，模型采用L2正则化防止过拟合，优化算法使用的是梯度下降算法Adam算法，最后通过RMSE、ACC、MAE指标评估模型预测效果。
本发明的有益效果是
本发明提出的基于异构数据融合的城市交通流预测模型构建方法，主要针对传统的城市交通预测模型不能综合考虑影响交通状态的外部因素以及简单融入外部信息对预测效果提升不佳的问题，提出了一种基于异构数据融合的交通流预测模型；该模型通过对外部信息的时域嵌入和空域嵌入不仅可以集成静态的外部信息，还可以集成动态的外部数据。通过与基线方法的比较，结果验证了在交通预测任务中考虑外部信息的重要性。
附图说明
图1是本发明的基于异构数据融合的城市交通流预测模型构建方法的流程示意图；
图2是本发明的基于异构数据融合的城市交通流预测模型构建方法的模型整体架构图；
图3是本发明的基于异构数据融合的城市交通流预测模型构建方法45min预测对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了基于异构数据融合的城市交通流预测模型构建方法，如图1和图2所示，具体按以下步骤实施：
步骤1，构建邻接矩阵A，邻接矩阵中的元A[i][j]存放的是顶点i到顶点j之间关系的信息，如式(1)：
邻接矩阵中值为1表示两节点相连，值为0表示节点不相连；
步骤2，建模之前对数据进行最小-最大标准化方法，通过线性变化将值进行调整，如式(2)：
式中，xmax和xmin分别为全部路段交通数据中的最大值和最小值，x为一条路段在一个时间段的交通流，x′为标准化后的交通流；
步骤3，将整体交通流数据进行划分，由于数据集是一个二维数据样式(整体时间片序列N，检测点个数M)，本发明需要使用前几个历史时间片的流量数据预测后几段时间片的车流量数据，所以将标准化之后的整体交通流数据划分为M*n*k的时空候选节点，其中n为历史时间序列个数，k＝N-n+1为数据的个数；
步骤4，空域特征嵌入用于提取外界因素的特征表示，它以所有节点的外界因素数据作为输入，将每个字段进行特征嵌入。首先将外部信息进行编码，然后通过网络嵌入将每个节点对应的编码矩阵变为稠密、实值矩阵。其过程因此经过空域特征嵌入后，所有节点的特征表示的长度一致，其过程可以写作:ai＝[ei,1,ei,2,…,ei,m]，其中ei，m代表节点i的第m个嵌入向量，m为字段的长度；因此每个节点的嵌入向量表示为一个k*m的张量；
步骤5，时域特征嵌入我们在对交通直接相关数据进行处理的过程中，把一天的时间划分为|T|个时间段，同理我们对交通间接相关数据在时域的变化也采取相同的划分方式。对于所有的时间段，用一个|T|×k×k张量Wt来表示空域特征表示在时域上的变化方式，称为时域特征嵌入向量；通过嵌入过程，将t时刻对应的时域嵌入向量提取出来，得到时域特征表示，即：at＝lookup(Wt,t)＝Wt[t,:,:]，其中lookup代表一个具有查找功能的函数；
步骤6，空特征融合是为了将空域特征表示和时域特征表示融合为时空特征表示；为实现该目的，我们采用卷积操作将时域特征表示作用在空域特征表示的每一个字段上，对于节点V、在时间段t的时空特征表示通过如下公式计算得到：
对于其他的节点我们采用相同的计算方式，得到所有节点的时空特征表示；
步骤7，该模型将通过空域特征嵌入和时域特征嵌入后融合的数据作为属性增强单元，与原始数据形成属性增强矩阵；
步骤8，预测模型由图卷积网络GCN、门控循环单元GRU构成；
其中步骤8具体按以下步骤实施：
设输入的交通流序列的预测目标分布表示为X＝{xt-i,xt-i+1,...,xt-1}，将交通空间-时间性预测看作学习拓扑图G与特征矩阵X的映射函数，计算得到在下T时刻的交通信息：
[Xt+1，...，Xt+T]＝f(G；Xt-n，...，Xt) (3)
两层GCN模型可被表示为：
式中，
表示预处理步骤，W0∈RP*H的矩阵代表从输入到隐藏层的权重，P为特征矩阵的长度，H为隐藏单元的数量；W1∈RH*T H*T的矩阵代表从隐藏层到输出层的权重，f(X,A)∈RN*T代表长度为T的预测输出，ReLU()作为修正线性单元，作激活层用；具体计算过程为：
步骤9，训练预测模型：使用全部数据的80％做训练集，其余数据作为测试集，模型采用L2正则化防止过拟合，优化算法使用的是梯度下降算法Adam算法，最后通过RMSE、ACC、MAE指标评估模型预测效果。
如图1所示，是本发明的方法流程示意图，采用Python3.7.0、Tensorflow1.15.0、Pycharm、Windows10，对提出的预测方法进行仿真，最后对仿真结果进行分析；参数设置如表1所示：
表1模型参数设置
| 指标 | 参数 |
| 学习率 | 0.001 |
| Batch size | 64 |
| Epoch | 1000 |
| 正则化 | L2 |
| 优化算法 | Adam优化算法 |
| 隐藏层神经元个数 | 128 |
基于以上仿真条件，进行如下仿真场景：
实施例1
| RMSE | MAE | ACC | R2 | |
| SVR | 7.122 | 4.654 | 0.701 | 0.820 |
| ARIMA | 6.713 | 5.345 | 0.357 | * |
| GCN | 5.372 | 4.163 | 0.644 | 0.685 |
| T-GCN | 4.191 | 2.890 | 0.707 | 0.839 |
| DCRNN | 4.610 | 3.910 | 0.311 | 0.837 |
| DFGCN | 4.110 | 2.821 | 0.713 | 0.845 |
为了对比模型的性能，采用了均方根误差(RMSE)，决定系数(R2)，平均绝对误差(MAE)，准确率(Accuracy)这四个指标进行比对，在未来45分钟时刻的单步预测中，数据集的模型预测结果如表2所示，DFGCN模型融入了外部信息，能更好的处理交通中的非相关数据；从中可以看出，DFGCN模型的各项评估指标相比于其他模型均有一定的提升。
实施例2
本发明利用深圳出租车数据集的前12个时间段数据预测后3个时间段(一个时间段为15min)，预测对比图如图3所示，从图中可以看出模型整体的预测值与实际比较接近，波动趋势以及峰谷值大致相同，说明模型能够较好的捕获交通特征，预测正确的交通结果。
Claims (10)
1.基于异构数据融合的城市交通流预测模型构建方法，其特征在于，具体按以下步骤实施：
步骤1，构建邻接矩阵；
步骤2，对原始数据进行预处理；
步骤3，将预处理后的数据进行划分；
步骤4，对非直接相关数据进行空域嵌入；
步骤5，对非直接相关数据进行时域嵌入；
步骤6，将空域嵌入与时域嵌入数据进行融合；
步骤7，将步骤6融合的数据与步骤3进行拼接形成新的数据；
步骤8，将经步骤7得到的数据输入预测模型中；
步骤9，训练预测模型。
2.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤1具体为：
构建邻接矩阵A，邻接矩阵中的元A[i][j]存放的是顶点i到顶点j之间关系的信息，如式(1)：
3.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤2中数据预处理具体包括：建模之前对数据进行最小-最大标准化方法，通过线性变化将值进行调整，如式(2)所示：
式中，xmax和xmin分别为全部路段交通数据中的最大值和最小值，x为一条路段在一个时间段的交通流，x′为标准化后的交通流。
4.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤3中数据划分具体包括：将标准化之后的整体交通流数据划分为M*n*k的时空候选节点，其中n为历史时间序列个数，k＝N-n+1为数据的个数，N为整体时间片序列，M为检测点个数。
5.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤4中空域特征嵌入具体为：首先将外部信息进行编码，然后通过网络嵌入将每个节点对应的编码矩阵变为稠密、实值矩阵；其过程因此经过空域特征嵌入后，所有节点的特征表示的长度一致，其过程为：
其中ei，m代表节点i的第m个嵌入向量，m为字段的长度；因此每个节点的嵌入向量表示为一个k*m的张量。
6.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤5中时域特征嵌入具体为：为了捕捉与交通非直接相关因素在时域上的变化特征，我们将一天按照交通流时间步长划分为|T|个时间段，对于每天的所有时间段，我们用|T|×k×k张量Wt来表示非直接相关因素在时间上的变化，Wt表示为时域特征嵌入向量，其中Wt作为网络参数可以自学习，计算中输入为时间因素t，通过独热编码将其变为长度等于|T|的编码。接着与Wt相结合，通过嵌入过程，将t时刻对应的时域嵌入向量提取出来，得到时域特征表示，即at＝lookup(Wt,t)＝Wt[t,:,:]，其中lookup代表一个具有查找功能的函数。
7.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤6中时空特征融合具体为：采用卷积操作将时域特征表示作用在空域特征表示的每一个字段上，对于节点V、在时间段t的时空特征表示通过如下公式计算得到：
8.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤7中具体为该模型将通过空域特征嵌入和时域特征嵌入后融合的数据作为属性增强单元，与原始数据拼接形成属性增强矩阵。
9.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤8中预测模型由图卷积网络GCN、门控循环单元GRU构成；具体按以下步骤实施：
设输入的交通流序列的预测目标分布表示为X＝{xt-i,xt-i+1,...,xt-1}，将交通空间-时间性预测看作学习拓扑图G与特征矩阵X的映射函数，计算得到在下T时刻的交通信息：
[Xt+1，...，Xt+T]＝f(G；Xt-n，...Xt) (3)
两层GCN模型可被表示为：
式中，
表示预处理步骤，W0∈RP*H的矩阵代表从输入到隐藏层的权重，P为特征矩阵的长度，H为隐藏单元的数量；W1∈RH*T H*T的矩阵代表从隐藏层到输出层的权重，f(X,A)∈RN*T代表长度为T的预测输出，ReLU()作为修正线性单元，作激活层用；具体计算过程为：
10.根据权利要求1所述的基于异构数据融合的城市交通流预测模型构建方法，其特征在于，所述步骤9中具体为：使用全部数据的80％做训练集，其余数据作为测试集，模型采用L2正则化防止过拟合，优化算法使用的是梯度下降算法Adam算法，最后通过RMSE、ACC、MAE指标评估模型预测效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211730853.1A CN116434538A (zh) | 2022-12-30 | 2022-12-30 | 基于异构数据融合的城市交通流预测模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211730853.1A CN116434538A (zh) | 2022-12-30 | 2022-12-30 | 基于异构数据融合的城市交通流预测模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116434538A true CN116434538A (zh) | 2023-07-14 |
Family
ID=87084342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211730853.1A Pending CN116434538A (zh) | 2022-12-30 | 2022-12-30 | 基于异构数据融合的城市交通流预测模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434538A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634167A (zh) * | 2023-11-17 | 2024-03-01 | 深圳市特区铁工建设集团有限公司 | 一种桥梁监测和预警方法、装置、终端及存储介质 |
| CN117974075A (zh) * | 2024-04-01 | 2024-05-03 | 法诺信息产业有限公司 | 一种基于大数据的智慧城市公共信息管理系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
| US20210209938A1 (en) * | 2020-09-25 | 2021-07-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, system, and computer-readable medium for traffic pattern prediction |
| CN113947182A (zh) * | 2021-09-24 | 2022-01-18 | 西安理工大学 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
| US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
-
2022
- 2022-12-30 CN CN202211730853.1A patent/CN116434538A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
| US20210209938A1 (en) * | 2020-09-25 | 2021-07-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, system, and computer-readable medium for traffic pattern prediction |
| CN112216108A (zh) * | 2020-10-12 | 2021-01-12 | 中南大学 | 一种基于属性增强的时空图卷积模型的交通预测方法 |
| CN113947182A (zh) * | 2021-09-24 | 2022-01-18 | 西安理工大学 | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杜圣东;李天瑞;杨燕;王浩;谢鹏;洪西进;: "一种基于序列到序列时空注意力学习的交通流预测模型", 计算机研究与发展, no. 08, 6 August 2020 (2020-08-06) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117634167A (zh) * | 2023-11-17 | 2024-03-01 | 深圳市特区铁工建设集团有限公司 | 一种桥梁监测和预警方法、装置、终端及存储介质 |
| CN117974075A (zh) * | 2024-04-01 | 2024-05-03 | 法诺信息产业有限公司 | 一种基于大数据的智慧城市公共信息管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418547B (zh) | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 | |
| CN109887282B (zh) | 一种基于层级时序图卷积网络的路网交通流预测方法 | |
| CN112216108B (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| CN116434538A (zh) | 基于异构数据融合的城市交通流预测模型构建方法 | |
| CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
| CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
| CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
| CN113268916A (zh) | 一种基于时空图卷积网络的交通事故预测方法 | |
| CN110164129B (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
| CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
| CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
| CN110570035B (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 | |
| CN111862592B (zh) | 一种基于rgcn的交通流预测方法 | |
| CN113362491A (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
| CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
| CN115545350B (zh) | 综合深度神经网络与强化学习的车辆路径问题求解方法 | |
| Lv et al. | An improved long short-term memory neural network for stock forecast | |
| Wu et al. | Traffic prediction based on GCN-LSTM model | |
| CN111985152A (zh) | 一种基于二分超球面原型网络的事件分类方法 | |
| CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
| CN112529270A (zh) | 基于深度学习的水流量预测模型 | |
| CN115907079B (zh) | 一种基于注意力时空图卷积网络的空域交通流量预测方法 | |
| CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 |
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 |