CN116562449A - 基于知识图谱与时空图卷积的行人流量预测方法及系统 - Google Patents

基于知识图谱与时空图卷积的行人流量预测方法及系统 Download PDF

Info

Publication number
CN116562449A
CN116562449A CN202310534139.3A CN202310534139A CN116562449A CN 116562449 A CN116562449 A CN 116562449A CN 202310534139 A CN202310534139 A CN 202310534139A CN 116562449 A CN116562449 A CN 116562449A
Authority
CN
China
Prior art keywords
graph
time
space
period
sub
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
CN202310534139.3A
Other languages
English (en)
Inventor
王洪月
刘弘
段佶昊
张玉玲
曹喜玲
王天宇
吕蕾
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Normal University filed Critical Shandong Normal University
Priority to CN202310534139.3A priority Critical patent/CN116562449A/zh
Publication of CN116562449A publication Critical patent/CN116562449A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提出了基于知识图谱与时空图卷积的行人流量预测方法及系统，涉及人群疏散计算机仿真领域，获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；基于时序知识图谱，为各个子时段构建空间图，组成动态时空关系图；将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；本发明通过时序知识图谱表达疏散场景下的空间结构及特征数据，并将知识图谱转换为动态时空关系图，并将其输入时空图卷积模型，实现对未来时间段内行人流量的预测。

Description

基于知识图谱与时空图卷积的行人流量预测方法及系统
技术领域
本发明属于人群疏散计算机仿真领域，尤其涉及基于知识图谱与时空图卷积的行人流量预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
近年来，随着人们物质与精神生活水平的不断提高，人们对外出游玩的需求不断增加，尤其是在节假日期间，一些大型公共场所(公园、景区等)的人流量会不断攀升，当发生特殊情况(地震、洪水等)时，由于游客对疏散路线、出口等不熟悉，如果没有早期的行人流量预测引导工作，应急疏散过程中可能会导致疏散路线人流量分配不均，影响疏散效率，甚至导致出现拥挤踩踏等事故；因此，对疏散路线上的行人流量进行提前预测，以引导人群选择合理的疏散路线具有重要的意义。
目前主流的交通流预测方法中，在空间依赖获取模型选择中，多采用图卷积网络，通过固定的路网结构和历史数据获取邻接矩阵和特征矩阵，然后输入图卷积模型中获得空间依赖特征。与普通路网交通流预测不同，在紧急疏散场景下进行行人流量预测，人群疏散路径选择会受到从众心理、紧急疏散标识、人工引导等因素影响，因此固定的路网结构不能完全反映其空间依赖关系，且真实依赖关系可能由于不完整的邻接关系而丢失，导致行人流量预测不准确。
发明内容
为克服上述现有技术的不足，本发明提供了基于知识图谱与时空图卷积的行人流量预测方法及系统，通过时序知识图谱表达疏散场景下的空间结构及特征数据，并将知识图谱转换为动态时空关系图，并将其输入时空图卷积模型GCN-TCN，实现对未来时间段内行人流量的预测。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了基于知识图谱与时空图卷积的行人流量预测方法；
基于知识图谱与时空图卷积的行人流量预测方法，包括：
获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；
根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；
基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；
将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；
其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
进一步的，所述传感器采集的人流量数据，采用监控视频的形式，基于子时段的监控视频，通过图像识别，得到各个子时段各个传感器监测到的人流量。
进一步的，计算传感器i和j之间的关联度，具体方法为：
区分传感器i的拥堵状态和正常状态；
根据状态，划分传感器i的拥堵时间集和正常时间集；
基于传感器i的拥堵时间集和正常时间集，确定传感器j的拥堵样本集和正常样本集；
根据两个样本集的均值和标准差，计算关联度。
进一步的，所述时序知识图谱，表示为四元组(Seni,Rv,Senj,t)；
其中，Seni、Senj表示传感器i和j，t为子时段，Rv表示子时段t中传感器之间的关联度。
进一步的，所述子时段的空间图，定义为Gt＝(V,Et,At,Xt)；
其中，t为子时段，节点集V表示传感器集合，边集Et表示节点之间的连接关系，由两节点之间的关联度动态调整，邻接矩阵At用来存储节点间的连接关系及关联度，特征矩阵Xt表示传感器的人流量。
进一步的，所述时空图卷积模型，由双层图卷积模型和时序卷积模型构成；
所述双层图卷积模型，以各子时段的特征矩阵和邻接矩阵为输入，得到各子时段的空间特征向量，组成带有空间特征的时序信号；
所述时序卷积模型，以带有空间特征的时序信号为输入，预测并输出下一时段各个传感器的人流量。
进一步的，所述时序卷积模型包含7层残差连接，每层残差块由两层TCN卷积块、Weight Norm层、非线性映射和Dropout层组成，所述TCN卷积块包含因果卷积和空洞卷积。
本发明第二方面提供了基于知识图谱与时空图卷积的行人流量预测系统。
基于知识图谱与时空图卷积的行人流量预测系统，包括数据处理模块、图谱构建模块、关系图构建模块和预测模块：
数据处理模块，被配置为：获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；
图谱构建模块，被配置为：根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；
关系图构建模块，被配置为：基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；
预测模块，被配置为：将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；
其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于知识图谱与时空图卷积的行人流量预测方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于知识图谱与时空图卷积的行人流量预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明首先通过疏散场景下的传感器提取监控到的人流量数据，建立疏散场景下的时序知识图谱，通过时序知识图谱生成动态时空关系图，通过由双层图卷积模型GCN和时序卷积模型TCN构成的时空图卷积模型GCN-TCN实现对未来时刻人流量得预测。
本发明在构建动态时空关系图中的邻接矩阵时，引入了关联度思想，通过根据历史数据计算各个子时段传感器之间的关联度，以实时更新邻接矩阵的边及边权重，解决GCN中获取空间依赖不完整问题。
在时间序列预测方面，采用时序卷积模型TCN，根据GCN输出的带有空间特征的时序特征，实现对未来人流量得预测，通过引入因果卷积、空洞卷积、残差连接，TCN拥有更快的训练速度，而且可以避免训练过程中梯度爆炸问题。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例由时序知识图谱转换为动态时空关系图的示意图。
图3为第一个实施例时序卷积模型TCN的结构图。
图4为第一个实施例时序卷积模型TCN的训练过程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了基于知识图谱与时空图卷积的行人流量预测方法，如图1所示，包括如下步骤：
步骤S1：获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量。
疏散场景中设置多个传感器，通过采集视频的方式对指定位置进行监控，获取同一历史时段T各个传感器采集的监控视频。
对于历史时段T，按照预设时间间隔M划分为N个子时段{T1,T2…TN}，其中，N＝T/M。
将历史时段T的长视频，按照划分的子时段，划分为N个子视频，对各个子视频中的行人进行图像识别，得到各个子时段各个传感器监测到的人流量i表示传感器i，t表示子时段t。
步骤S2：根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱。
其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
具体的，根据各个子时段各个传感器的人流量，构建疏散场景的时序知识图谱，定义时序知识图谱四元组(Seni,Rv,Senj,t)，其中，Seni、Senj表示传感器i和j，拥有人流量属性vt，t∈{T1,T2…TN}表示划分的子时段，Rv表示子时段t中两个传感器之间的关联度。
两个传感器之间的关联度Rv由所在子时间段t内两个传感器之间的监测人流量数据vt决定，具体计算方法为：
(1)区分传感器i的拥堵状态和正常状态。
预先定义人流量阈值vhigh来区分传感器的拥堵状态和正常状态，根据传感器i在各个子时段t的人流量与人流量阈值vhigh的大小比较结果，得到传感器i的拥堵状态和正常状态，即/>时，子时段t下传感器i处于拥堵状态，否则处于正常状态。
(2)根据状态，划分传感器i的拥堵时间集和正常时间集。
拥堵状态的子时段组成拥堵时间集Ti，正常状态的子时段组成拥堵时间集用公式表示为：
(3)基于传感器i的拥堵时间集Ti和正常时间集确定传感器j的拥堵样本集和正常样本集。
根据传感器i的Ti和获得其他传感器的对于传感器i的样本集，即传感器j在拥堵时间集Ti中各个子时段的人流量组成拥堵样本集/>传感器j在正常时间集/>中各个子时段的人流量组成正常样本集/>
(4)根据两个样本集的均值和标准差，计算关联度，公式为：
其中，Rvij表示传感器i和j的关联度，μij、σij为拥堵样本集的均值和标准差，/>和/>为正常样本集/>的均值和标准差；本实施例中，采用均值和标准差表示集合中的样本分布情况，如果正常样本集的分布与拥堵样本集的分布几乎没有重叠，则意味着传感器j与传感器i关联度越大。
步骤S3：基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图，图2是由时序知识图谱转换为动态时空关系图的示意图，如图2所示，具体步骤为：
步骤S301：根据划分的N个子时段，基于各个子时段的时序知识图谱，建立N个有权无向空间图Gt，定义如下：
Gt＝(V,Et,At,Xt)(t∈{T1,T2…TN}) (4)
其中，t为子时段，节点集V表示传感器集合，以节点表示传感器，如果总共有K个节点，那么有|V|＝K，V＝{V1,V2,…VK}。
边集Et表示节点之间的连接关系，边及边权重不是由固定空间位置决定，由两节点之间的关联度动态调整，定义关联度阈值Rvm，取子时段t中两节点的关联度Rvij，若Rvij<＝Rvm，则两节点之间无边连接，否则两节点间存在连接边，边权重为Rvij。
邻接矩阵At用来存储节点间的连接关系及关联度，由子时段t的节点集V、边集Et及边权重，创建子时段t的邻接矩阵At，等于节点i和节点j之间的边权重，用公式表示为：
其中，At表示子时段t的邻接矩阵，Rvij表示节点i和j之间的关联度，Rvm为定义的关联度阈值。
特征矩阵Xt表示传感器的人流量，为K×1的矩阵，等于传感器i在子时段t的人流量/>
步骤S302：根据构建的T1～TN子时段的N个空间图，按照时序组成一个动态时空关系图G，用公式表示为：
G＝{GT1,GT2,…,GTn} (6)
步骤S4：将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测。
为了从动态时空关系图中提取空间特征，并基于带有空间特征的时间序列信号，对下一子时段的人流量进行预测，本实施例构建时空图卷积模型GCN-TCN，实现对未来时段的人流量预测。
时空图卷积模型GCN-TCN，由双层图卷积模型GCN和时序卷积模型TCN构成；双层图卷积模型，以各子时段的特征矩阵和邻接矩阵为输入，得到各子时段的空间特征向量，组成带有空间特征的时序信号；时序卷积模型，以带有空间特征的时序信号为输入，预测并输出下一时段各个传感器的人流量，具体步骤为：
步骤S401：将特征矩阵Xt和邻接矩阵At作为双层图卷积模型GCN的输入，经过双层图卷积，获取各个子时段的空间特征向量yt，组合成一个带有空间特征的时序信号Y＝(y1,..,yt,..,yN),双层图卷积模型GCN，有两层图卷积组成，空间特征向量yt的计算公式为：
其中，为添加自环IN后的邻接矩阵，/>为/>的度矩阵，W0和W1为第一层和第二层的权重矩阵，Xt为特征矩阵，Relu()为非线性激活函数，yt表示图卷积输出的子时段t的空间特征向量yt。
步骤S402：将图卷积输出的带有空间特征的时序信号Y＝(y1,..,yt,..,yN)输入时序卷积模型TCN中，预测输出下一时段各传感器的人流量。
图3是时序卷积模型TCN的结构图，如图3所示，时序卷积模型TCN包含7层残差块，每层残差块由两层TCN卷积块、Weight Norm层、非线性映射和Dropout层组成，如图3所示，通过引入Weight Norm层进行权重归一化防止出现梯度爆炸等问题，其中非线性映射采用ReLU激活函数，训练过程中为了防止出现过拟合现象，在每层TCN卷积块之后通过dropout层引入正则化。
TCN卷积块包含因果卷积和空洞卷积，因果卷积中的数据遵循时间顺序，具有一对一的因果关系，对于t时刻的值只依赖于t时刻之前的信息。
空洞卷积解决了单纯的因果卷积建模序列受到卷积核大小的限制，空洞卷积允许在卷积期间对输入序列进行间隔采样，因此可以在不堆叠多层的情况下获得更长的时间记忆依赖，其具体计算公式为：
其中，Y为输入的时序信号，F(i)为对Y中第i个元素的卷积结果，h(j)为第j层卷积核，k为卷积核的总层数，d为扩张因子。
残差块通过连接输入序列Y与卷积网络的输出F(y)，引入一个跳过2层的跳连接解决深度学习网络的退化问题，残差块的输出用公式表示为：
o＝Activation(y+F(y)) (11)
其中，F(y)为卷积层的输出，Activation()为激活函数，o7为最后一层残差块的输出结果。
最后经过全连接层，经过梯度下降学习，得到下一时刻的人流量预测结果，全连接层的输出表示如下：
yt+1＝sigmoid(wo7+b) (12)
公式(12)中，sigmoid为非线性激活函数，w和b分别为权重矩阵与偏置，o7为最后一层残差块的输出结果。
时序卷积模型TCN的训练过程利用滑动时间窗口的方法，训练过程如图4所示，首先从时间序列中创建训练集，训练集中包括多个重叠的输入序列和目标序列对，输入和目标序列拥有相等的长度input_length，每个输入和目标序列对中，目标序列相比于输入序列向前移动output_length的长度。
实施例二
在一个或多个实施例中，公开了基于知识图谱与时空图卷积的行人流量预测系统，包括数据处理模块、图谱构建模块、关系图构建模块和预测模块：
数据处理模块，被配置为：获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；
图谱构建模块，被配置为：根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；
关系图构建模块，被配置为：基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；
预测模块，被配置为：将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；
其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例一所述的基于知识图谱与时空图卷积的行人流量预测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于知识图谱与时空图卷积的行人流量预测方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，包括：
获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；
根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；
基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；
将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；
其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
2.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述传感器采集的人流量数据，采用监控视频的形式，基于子时段的监控视频，通过图像识别，得到各个子时段各个传感器监测到的人流量。
3.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，计算传感器i和j之间的关联度，具体方法为：
区分传感器i的拥堵状态和正常状态；
根据状态，划分传感器i的拥堵时间集和正常时间集；
基于传感器i的拥堵时间集和正常时间集，确定传感器j的拥堵样本集和正常样本集；
根据两个样本集的均值和标准差，计算关联度。
4.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述时序知识图谱，表示为四元组(Seni,Rv,Senj,t)；
其中，Seni、Senj表示传感器i和j，t为子时段，Rv表示子时段t中传感器之间的关联度。
5.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述子时段的空间图，定义为Gt＝(V,Et,At,Xt)；
其中，t为子时段，节点集V表示传感器集合，边集Et表示节点之间的连接关系，由两节点之间的关联度动态调整，邻接矩阵At用来存储节点间的连接关系及关联度，特征矩阵Xt表示传感器的人流量。
6.如权利要求5所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述时空图卷积模型，由双层图卷积模型和时序卷积模型构成；
所述双层图卷积模型，以各子时段的特征矩阵和邻接矩阵为输入，得到各子时段的空间特征向量，组成带有空间特征的时序信号；
所述时序卷积模型，以带有空间特征的时序信号为输入，预测并输出下一时段各个传感器的人流量。
7.如权利要求6所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述时序卷积模型包含7层残差连接，每层残差块由两层TCN卷积块、Weight Norm层、非线性映射和Dropout层组成，所述TCN卷积块包含因果卷积和空洞卷积。
8.基于知识图谱与时空图卷积的行人流量预测系统，其特征在于，包括数据处理模块、图谱构建模块、关系图构建模块和预测模块：
数据处理模块，被配置为：获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；
图谱构建模块，被配置为：根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；
关系图构建模块，被配置为：基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；
预测模块，被配置为：将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；
其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
CN202310534139.3A 2023-05-10 2023-05-10 基于知识图谱与时空图卷积的行人流量预测方法及系统 Pending CN116562449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310534139.3A CN116562449A (zh) 2023-05-10 2023-05-10 基于知识图谱与时空图卷积的行人流量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310534139.3A CN116562449A (zh) 2023-05-10 2023-05-10 基于知识图谱与时空图卷积的行人流量预测方法及系统

Publications (1)

Publication Number Publication Date
CN116562449A true CN116562449A (zh) 2023-08-08

Family

ID=87494177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310534139.3A Pending CN116562449A (zh) 2023-05-10 2023-05-10 基于知识图谱与时空图卷积的行人流量预测方法及系统

Country Status (1)

Country Link
CN (1) CN116562449A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117174319A (zh) * 2023-11-03 2023-12-05 神州医疗科技股份有限公司 一种基于知识图谱的脓毒症时序预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117174319A (zh) * 2023-11-03 2023-12-05 神州医疗科技股份有限公司 一种基于知识图谱的脓毒症时序预测方法及系统
CN117174319B (zh) * 2023-11-03 2024-03-01 神州医疗科技股份有限公司 一种基于知识图谱的脓毒症时序预测方法及系统

Similar Documents

Publication Publication Date Title
US11270579B2 (en) Transportation network speed foreeasting method using deep capsule networks with nested LSTM models
CN110737968B (zh) 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统
CN110570651A (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN111145541B (zh) 交通流量数据预测方法、存储介质和计算机设备
CN110766942A (zh) 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
CN111597961B (zh) 面向智能驾驶的移动目标轨迹预测方法、系统、装置
CN108877226B (zh) 景区交通旅游预测方法及预警系统
US20240054321A1 (en) Traffic prediction
CN115512545B (zh) 一种基于时空动态图卷积网络的交通速度预测方法
CN111310987B (zh) 停车场空闲车位预测方法、装置、电子设备及存储介质
CN113643532B (zh) 一种区域交通的预测方法以及设备
CN112598165B (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
CN116562449A (zh) 基于知识图谱与时空图卷积的行人流量预测方法及系统
WO2022142418A1 (zh) 一种基于gis地图信息的交通拥堵指数预测方法及装置
CN113762338A (zh) 一种基于多重图注意力机制的交通流预测方法、设备及介质
CN114360239A (zh) 一种多层时空交通知识图谱重建的交通预测方法及系统
CN113159403A (zh) 路口行人轨迹预测的方法及装置
CN112559585A (zh) 交通时空序列单步预测方法、系统及存储介质
CN115099328A (zh) 基于对抗网络的交通流量预测方法、系统、设备及存储介质
CN114715145A (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN113361528B (zh) 一种多尺度目标检测方法及系统
Rahman et al. Attention based deep hybrid networks for traffic flow prediction using google maps data
CN117077843A (zh) 基于CBAM-CNN-Transformer的时空注意力细粒度PM2.5浓度预测方法
CN116434569A (zh) 基于stnr模型的交通流量预测方法及系统
CN115984634A (zh) 图像检测方法、装置、设备、存储介质和程序产品

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