CN116884222B - 一种卡口节点的短时交通流预测方法 - Google Patents
一种卡口节点的短时交通流预测方法 Download PDFInfo
- Publication number
- CN116884222B CN116884222B CN202311001746.XA CN202311001746A CN116884222B CN 116884222 B CN116884222 B CN 116884222B CN 202311001746 A CN202311001746 A CN 202311001746A CN 116884222 B CN116884222 B CN 116884222B
- Authority
- CN
- China
- Prior art keywords
- bayonet
- node
- matrix
- traffic flow
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 134
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 235000013305 food Nutrition 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G08G1/0137—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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种卡口节点的短时交通流预测方法,包括:获取目标卡口的天气信息、节假日信息、以及目标卡口所在目标区域的路网地理图及其历史交通流数据;对历史交通流数据提取交通流特征矩阵和POI数据;根据卡口节点的邻居信息利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度;根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征;根据空间特征矩阵利用Gate‑TCN模型提取卡口节点的时空特征;根据外部属性构建目标卡口节点的流量吸引矩阵,并根据目标卡口节点的天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流。
Description
技术领域
本发明属于智能交通管理领域,特别是涉及一种卡口节点的短时交通流预测方法。
背景技术
实时、精准地短时交通流量预测,是智能交通系统长期以来的研究热点。短时交通流量预测对城市交通规划、交通控制和居民出行具有重要作用。例如,帮助交通管理部门掌握交通流实时变化趋势,从而预先制定道路管理措施,减缓交通拥堵;为出行者提供最优出行路线,从而减少出行时间,提高出行效率。然而,由于预测精度受到交通流复杂的时空相关性和天气、兴趣点(Point of Interest,POI)分布等外部属性的影响,如何准确地预测短时交通流量仍具挑战。
近年来,交通流量预测吸引了越来越多国内外学者的关注和研究。一方面,学者们从统计学方法入手,通过探索历史时间序列数据的隐藏关系来估计未来交通流量。另一方面,学者们基于机器学习和深度学习方法,利用智能交通系统的海量数据挖掘交通流的复杂动态时空相关性,通过研究路网交通流的内在规律来预测未来交通流量。
在办公区,上下班高峰会出现拥堵现象;在出现雨雪、大雾天气时,交通出行会明显减少;上游车流量特性会影响下游卡口流量特性的变化。由此可见,从多角度挖掘出交通流内外部属性及其依赖关系,掌握路网流量变化规律和发展的趋势,对保证车辆畅通运行至关重要。
受到上述交通流变化规律的启发,结合当前交通流预测已有的研究,发现在基于深度学习的短时交通流量预测上仍存在以下挑战:
1.路网节点连接强度的异质性,相邻节点之间交通流的影响程度不同,关联性越强的节点经过的流量就会越大,节点的流量更倾向于流向相邻节点中连接强度高的节点,如何有效评估相邻节点的连接强度显然是个挑战。
2.交通流的时空相关性。卡口交通流变化会随时间以及路网其他卡口的流量而变化。如何充分挖掘卡口交通流的时空相关性显然是个问题。
3.交通流受外部属性影响。交通流的变化趋势会因天气的累计变化、周边POI地点和道路结构等因素而变化。这些外部属性的变化将会影响交通流量的预测精度。如何估计外部属性对交通流的影响情况,还需进一步研究。
发明内容
针对以上挑战,本发明提出了一种卡口节点的短时交通流预测方法,包括:
S1:通过企业提供的数据查询API或直接下载现有数据源得到目标卡口的天气信息、目标卡口的节假日信息、以及目标卡口所在目标区域的路网地理图及其历史交通流数据,并进行预处理;
S2:对预处理后的历史交通流数据提取内部属性和外部属性,其中,所述内部属性包括交通流特征矩阵;外部属性包括POI数据;
S3:根据路网地理图中卡口节点的邻居信息和卡口节点的交通流特征矩阵利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度,构建连接强度矩阵;
S4:根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征,得到空间特征矩阵;
S5:根据空间特征矩阵利用Gate-TCN模型提取卡口节点的时空特征,得到时空特征矩阵;
S6:根据外部属性构建目标卡口节点的流量吸引矩阵,并根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流。
优选地,所述目标区域的路网地理图包括:
G=(V,E,A)
其中,V={v1,v2,…,vP}表示路网地理图中的卡口节点集合,P表示路网地理图中卡口节点的数量,E={e1,e2,…,eM}表示路网地理图中边的集合,M表示边的数量,表示邻接矩阵,aij=1表示卡口节点vi和卡口节点vj在地理空间上直接相连;aij=0表示卡口节点vi和卡口节点vj在地理空间上不直接相连。
优选地,对目标区域内的历史交通流数据进行预处理后,提取目标区域内所有卡口节点在不同时间步的交通流信息,构建交通流特征矩阵X=[X1,X2,..,Xi,…,Xj,...,Xp],其中,N为时间步的数量;Xi表示在第i个卡口节点的所有交通流数据;Xj表示第j个卡口节点的所有交通流数据;Xi T表示第i个卡口节点在第T个时间步的交通流数据。
优选地,所述利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度包括:
S31:根据路网地理图中卡口节点的邻居信息利用SDNE算法生成卡口节点的特征向量表示:
其中,表示第u层第i个卡口节点的特征向量表示,W(u)表示第u层的权重矩阵,b(u)表示第u层的偏差,nodei表示第i个卡口节点的邻居信息,为邻接矩阵A的第i行数据,σ表示sigmoid激活函数;
S32:利用DTW算法计算路网地理图中两个卡口节点之间的交通流相似度:
利用DTW计算不同节点之间交通流序列的相似度,该相似度值越大表示两个节点之间的交通车流量的变化趋势越相近。
S33:利用余弦相似度算法计算路网地理图中卡口节点之间的特征向量表示相似度:
其中,SESim(i,j)表示第i个卡口节点和第j个卡口节点的特征向量表示相似度;SEi表示第i个卡口节点的特征向量表示;SEj表示第j个卡口节点的特征向量表示;和分别表示第i个卡口节点和第j个卡口节点的特征向量表示的第n个元素;d为卡口节点的特征向量表示的维度;
S34:根据路网地理图中卡口节点之间的特征向量表示相似度、卡口节点之间的交通流相似度计算卡口节点与其相邻节点之间的连接强度:
IMPA′,B′=TSim(A’,B′)×w′1+SESim(A‘,B′)×w′2+(impNA′+impNB′)×w′3
其中,IMPA′,B′表示卡口节点A′和卡口节点B′之间的连接强度,卡口节点A′和卡口节点B′在路网地理图中相邻,TSim(A′,B′)表示卡口节点A′和卡口节点B′之间的交通流相似度,SESim(A′,B′)表示卡口节点A′和卡口节点B′之间的特征向量表示相似度,impNA′表示卡口节点A′的重要程度;impNB,表示卡口节点B′的重要程度,v∈{A′,B′},flowv表示卡口节点v在所有时间步的交通流数据之和,flowm表示卡口节点v的第m个邻居卡口节点在所有时间步的交通流数据之和。
优选地,所述根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征包括:
S41:根据连接强度矩阵和交通流特征矩阵利用空间注意力机制在空间维度上自适应捕获节点之间的空间动态相关性,构建空间注意力矩阵;
SA=Vs·σ((W1X)W2(W3X)T+bs)
其中,Vs、W1、W2、W3和bs为可学习的参数矩阵,σ(·)表示sigmoid激活函数,为空间注意力矩阵,X为交通流特征矩阵,SAi,j表示卡口节点i与卡口节点j之间的空间动态相关性;
S42:根据空间注意力矩阵、连接强度矩阵和交通流特征矩阵利用基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征,构建空间特征矩阵:
其中,表示空间特征矩阵,K为卷积核尺寸,SA为空间注意力矩阵,θk表示第k阶切比雪夫系数;表示第k阶切比雪夫多项式,hi表示第i个卡口节点的空间特征, 为L缩放后的矩阵,为拉普拉斯的最大特征值,L=D-S为拉普拉斯矩阵,其归一化形式如下:
其中,IN是单位矩阵,S为连接强度矩阵,D为S的加权度矩阵。
优选地,所述根据空间特征矩阵利用Gate-TCN模型提取卡口节点的时空特征,得到时空特征矩阵包括:
ST=g(θ1★H+b)⊙σ(θ2★H+c)
其中,表示时空特征矩阵,si表示第i个卡口节点的时空特征,θ1和θ2表示门控卷积网络的权重矩阵,b和c表示权重偏置,H表示空间特征矩阵;⊙表示乘积,★表示卷积操作,g(·)表示tanh激活函数,σ(·)表示sigmoid函数。
优选地,所述根据外部属性构建目标卡口节点的流量吸引矩阵包括:
通过POI数据对交通流的影响程度不同将其划分为10种POI类型,并按照数字1-10的顺序编号,依次为食品、居住、旅游、娱乐、户外休闲、教育、专业、商店、医疗类和其他类;根据距离目标卡口节点B米范围内的各类型POI的数量构建流量吸引矩阵poie表示距离目标卡口节点B米范围内第e类POI的数量;表示目标卡口节点的流量吸引矩阵。
优选地,所述根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流包括:
目标卡口节点的天气信息包括:温度、风速、能见度、降水量和天气状况,将离散的天气数据通过One-Hot进行编码再利用全连接层进行特征嵌入;连续的天气数据直接通过FC层进行特征嵌入,将离散的天气数据和连续的天气数据的嵌入特征拼接,再通过FC层融合为天气特征,用向量表示,dfw为特征维度;
利用FC层对目标节点的流量吸引矩阵进行线性化处理得到流量吸引特征,用表示,dfp表示特征维度;
节假日特征表示为0表示工作日,1表示节假日;
将和进行拼接得到
将EX输入注意力机制对目标卡口节点的天气特征、流量吸引特征和节假日特征分配不同的权重得到
将和目标卡口节点的时空特征进行拼接输入MLP多层感知器预测目标卡口节点的交通流:
其中,为目标卡口节点的交通流预测结果,starget表示目标卡口节点的时空特征,MLP(·)为多层感知器。
本发明至少具有以下有益效果
本发明利用网络表示节点的拓扑关系并计算节点拓扑相似度,同时综合节点历史交通流量得到流量相似度,再计算相邻节点之间的连接强度。然后,引入连接强度矩阵与GCN获取隐藏空间特征,同时结合空间注意力机制挖掘全局空间特征;再通过门控单元与膨胀因果卷积进行拟合,进一步挖掘交通流时空相关性。最后,引入注意力机制对多外部特征进行融合,捕获外部属性对交通流的影响,再将时空特征与外部特征融合,进一步提高预测的准确性。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明提出了一种卡口节点的短时交通流预测方法,利用网络表示节点的拓扑关系并计算节点拓扑相似度,同时综合节点历史交通流量得到流量相似度,再计算相邻节点之间的连接强度。然后,引入连接强度矩阵与GCN获取隐藏空间特征,同时结合空间注意力机制挖掘全局空间特征;再通过门控单元与膨胀因果卷积进行拟合,进一步挖掘交通流时空相关性。最后,引入注意力机制对多外部特征进行融合,捕获外部属性对交通流的影响,再将时空特征与外部特征融合,进一步提高预测的准确性。本发明主要包括三个部分:获取数据、构建节点连接强度矩阵、挖掘交通流时空相关性和捕获外部属性,最终实现待预测卡口的交通流预测。
第一部分:获取数据源,数据源可以直接从企业内部提供的电子卡口数据记录中获取。
第二步:提取相关属性。对预处理后的交通流数据提取内部属性和外部属性;内部属性包括交通流特征矩阵,外部属性为POI类型;
第三步:建立模型。设计节点影响强度评估方法,从而计算相邻节点的连接强度。然后,引入图卷积神经网络挖掘交通流时空相关性。最后,利用注意力机制融合外部属性,进而预测交通流的发展趋势。
请参阅图1,本发明提供一种卡口节点的短时交通流预测方法,包括:
S1:通过企业提供的数据查询API或直接下载现有数据源得到目标卡口的天气信息、目标卡口节点的节假日信息、以及目标卡口所在目标区域的路网地理图及其历史交通流数据,并进行预处理;
具体地,对交通流量数据的预处理包括删除重复数据、清理无效信息等。通常获取的原始数据都是非结构化的,不能直接用于数据分析,通过简单的数据清洗可以使大部分非结构化数据结构化。
S2:对预处理后的历史交通流数据提取内部属性和外部属性,其中,所述内部属性包括交通流特征矩阵;外部属性包括POI数据;
在交通流预测中,道路的交通流受到多方面因素影响,其中道路历史流量的时间特性、道路结构的空间特性是预测的关键因素;同时道路的周围功能区、POI类型、天气、交通事故等也会对交通流预测产生一定影响。基于此,本文针对内部属性和外部属性两方面进行考虑。
S3:根据路网地理图中卡口节点的邻居信息和卡口节点的交通流特征矩阵利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度,构建连接强度矩阵;
S4:根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征,得到空间特征矩阵;
S5:根据空间特征矩阵利用Gate-TCN模型提取卡口节点的时空特征,得到时空特征矩阵;
S6:根据外部属性构建目标卡口节点的流量吸引矩阵,并根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流。
在一实施例中,首先获取目标卡口所在目标区域的相关信息,根据目标区域内的所有卡口节点(包含目标卡口)的地理位置信息构建路网地理图,该路网地理图的图结构基本信息表示为:
G=(V,E,A)
其中,V={v1,v2,…,vP}表示路网地理图中的卡口节点集合,P表示路网地理图中卡口节点的数量,E={e1,e2,…,eM}表示路网地理图中边的集合,M表示边的数量,表示邻接矩阵,aij=1表示卡口节点vi和卡口节点vj在地理空间上直接相连;aij=0表示卡口节点vi和卡口节点vj在地理空间上不直接相连。
优选地,对目标区域内的历史交通流数据进行预处理后,提取目标区域内所有卡口节点在不同时间步的交通流信息,构建交通流特征矩阵X=[X1,X2,..,Xi,…,Xj,...,Xp],其中,N为时间步的数量;Xi表示第i个卡口节点的所有交通流数据;Xj表示第j个卡口节点的所有交通流数据;表示第i个卡口节点在第T个时间步的交通流数据。
在本实施例中表示第i个卡口节点在第T个时间步的交通流数据,具体表示在第T个时间步内通过第i个卡口节点的车辆的数量。
优选地,所述利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度包括:
首先,利用结构化深度网络嵌入方法SDNE来完成节点嵌入,得到节点的表示向量。然后,通过余弦相似度算法得到节点的拓扑相似度,同时利用DTW算法计算节点历史交通流序列的相似度。最后,根据节点拓扑相似度与历史流量相似度,综合计算邻接节点之间的连接强度。
本发明使用结构化深度网络嵌入方法SDNE算法来表征卡口的隐藏空间信息。该方法使用具有多个非线性层的深度自动编码器来保留节点的邻居结构,为网络中的节点学习出一个低维表示SEN×d,d表示特征的维度,反映节点与路网其他节点的潜在关系。
S31:根据路网地理图中卡口节点的邻居信息利用SDNE算法生成卡口节点的特征向量表示:
其中,表示第u层第i个卡口节点的特征向量表示,W(u)表示第u层的权重矩阵,b(u)表示第u层的偏差,nodei表示第i个卡口节点的邻居信息,为邻接矩阵A的第i行数据,σ表示sigmoid激活函数;
S32:利用DTW算法计算路网地理图中两个卡口节点之间的交通流相似度:
利用DTW计算不同节点之间交通流序列的相似度,该相似度值越大表示两个节点之间的交通车流量的变化趋势越相近。
S321:目标区域内任意两个道路节点i和j的历史交通流数据分别表示为:
其中,Xi表示在第i个卡口节点的所有交通流数据;Xj表示第j个卡口节点的所有交通流数据;表示第i个卡口节点在第T个时间步的交通流数据,表示第j个卡口节点在第T个时间步的交通流数据;
S322:利用DTW算法计算目标区域内道路节点之间的交通流数据的相似性;
根据卡口节点vi和vj的交通流数据在不同时间段之间的距离,构建道路节点vi和vj之间的距离矩阵MN×N:
根据卡口节点vi和vj之间的距离矩阵MN×N利用动态规划算法计算卡口节点vi和vj之间交通流数据的相似性:
当x-1或j-1等于0时,令:
当x-1和y-1大于0时,令:
则卡口节点vi和vj之间交通流数据的相似性包括:
其中,Dsim(Tx,Ty)表示道路节点vx和vy之间交通流数据的相似性。
相邻节点的相似度不仅取决于历史交通流量的相似,而且还取决于它的地理位置相似。所以需要综合考虑交通网络的拓扑结构和节点本身的交通流特征。
S33:利用余弦相似度算法计算路网地理图中卡口节点之间的特征向量表示相似度:
其中,SESim(i,j)表示第i个卡口节点和第j个卡口节点的特征向量表示相似度;SEi表示第i个卡口节点的特征向量表示;SEj表示第j个卡口节点的特征向量表示;和分别表示第i个卡口节点和第j个卡口节点的特征向量表示的第n个元素;d为卡口节点的特征向量表示的维度;
S34:根据路网地理图中卡口节点之间的特征向量表示相似度、卡口节点之间的交通流相似度计算卡口节点与其相邻节点之间的连接强度:
IMPA′,B′=TSim(A’,B′)×w′1+SESim(A‘,B′)×w′2+(impNA′+impNB′)×w′3
其中,IMPA′,B′表示卡口节点A′和卡口节点B′之间的连接强度,卡口节点A′和卡口节点B′在路网地理图中相邻,TSim(A′,B′)表示卡口节点A′和卡口节点B′之间的交通流相似度,SESim(A′,B′)表示卡口节点A′和卡口节点B′之间的特征向量表示相似度,impNA′表示卡口节点A′的重要程度;impNB′表示卡口节点B′的重要程度,v∈{A′,B′},flowv表示卡口节点v在所有时间步的交通流数据之和,flowm表示卡口节点v的第m个邻居卡口节点在所有时间步的交通流数据之和。
在本实施例中,flowm表示卡口节点v的第m个邻居卡口节点在所有时间步的交通流数据之和,具体表示为卡口节点v的第m个邻居卡口节点在所有时间步的车辆的流量之和。
在现实生活中,卡口交通流具有时空相关性,每个卡口交通车流量变化会随时间以及路网其他卡口的流量而变化。为了捕捉这种时空特征,本发明设计了一个基于图卷积神经网络的交通流时空相关性挖掘组件。该组件基于连接强度矩阵和GCN捕获节点空间相关性,同时,引入空间注意力机制捕获不相邻节点间的空间关系;然后再引入Gate-TCN模块捕获节点交通流的时间相关性。
优选地,所述根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征包括:
在交通路网中,不同地点之间的交通状况相互影响,且具有高度动态性。因此,本文利用空间注意力机制在空间维度上自适应捕获任意节点之间的空间动态相关性。
S41:根据连接强度矩阵和交通流特征矩阵利用空间注意力机制在空间维度上自适应捕获节点之间的空间动态相关性,构建空间注意力矩阵;
SA=Vs·σ((W1X)W2(W3X)T+bs)
其中,Vs、W1、W2、W3和bs为可学习的参数矩阵,σ(·)表示sigmoid激活函数,为空间注意力矩阵,X为交通流特征矩阵,SAi,j表示卡口节点i与卡口节点j之间的空间动态相关性;
S42:根据空间注意力矩阵、连接强度矩阵和交通流特征矩阵利用基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征,构建空间特征矩阵:
其中,表示空间特征矩阵,hi表示第i个卡口节点的空间特征,K为卷积核尺寸,SA为空间注意力矩阵,θk表示第k阶切比雪夫系数,hi表示第i个卡口节点的空间特征;表示第k阶切比雪夫多项式, 为L缩放后的矩阵,为拉普拉斯的最大特征值,L=D-S为拉普拉斯矩阵,其归一化形式如下:
其中,IN是单位矩阵,S为连接强度矩阵,D为S的加权度矩阵。
优选地,所述根据空间特征矩阵利用Gate-TCN模型提取卡口节点的时空特征,得到时空特征矩阵包括:
ST=g(θ1★H+b)⊙σ(θ2★H+c)
其中,表示时空特征矩阵,si表示第i个卡口节点的时空特征,θ1和θ2表示门控卷积网络的权重矩阵,b和c表示权重偏置,H表示空间特征矩阵;⊙表示乘积,★表示卷积操作,g(·)表示tanh激活函数,σ(·)表示sigmoid函数。优选地,所述根据外部属性构建目标卡口节点的流量吸引特征包括:
通过POI数据对交通流的影响程度不同将其划分为10种POI类型,并按照数字1-10的顺序编号,依次为食品、居住、旅游、娱乐、户外休闲、教育、专业、商店、医疗类和其他类;根据距离目标卡口节点B米范围内的各类型POI的数量构建流量吸引矩阵poie表示距离目标卡口节点B米范围内第e类POI的数量;表示目标卡口节点的流量吸引矩阵。在本实施例中,B米可以取500米。
优选地,所述根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流包括:
天气信息包括连续数据(如温度、风速)和离散数据(如晴天、多云和小雨)。为进一步挖掘天气特征对交通流量的影响,本发明将这两种类型的数据经过处理后再进行融合。
目标卡口节点的天气信息包括:温度、风速、能见度、降水量和天气状况,将离散的天气数据通过One-Hot进行编码再利用全连接层进行特征嵌入;连续的天气数据直接通过FC层进行特征嵌入,将离散的天气数据和连续的天气数据的嵌入特征拼接,再通过FC层融合为天气特征,用向量表示,dfw为特征维度;
利用FC层对目标节点的流量吸引矩阵进行线性化处理得到流量吸引特征,用表示,dfp表示特征维度;
节假日特征表示为0表示工作日,1表示节假日;
将和进行拼接得到
将EX输入注意力机制对目标卡口节点的天气特征、流量吸引特征和节假日特征分配不同的权重得到
将和目标卡口节点的时空特征进行拼接输入MLP多层感知器预测目标卡口节点的交通流:
其中,为目标卡口节点的交通流预测结果,starget表示目标卡口节点的时空特征,MLP(·)为多层感知器。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种卡口节点的短时交通流预测方法,其特征在于,包括:
S1:通过企业提供的数据查询API或直接下载现有数据源得到目标卡口的天气信息、目标卡口的节假日信息、以及目标卡口所在目标区域的路网地理图及其历史交通流数据,并进行预处理;
所述目标区域的路网地理图包括:
G=(V,E,A)
其中,V={v1,v2,…,vP}表示路网地理图中的卡口节点集合,P表示路网地理图中卡口节点的数量,E={e1,e2,…,eM}表示路网地理图中边的集合,M表示边的数量,表示邻接矩阵,aij=1表示卡口节点vi和卡口节点vj在地理空间上直接相连;aij=0表示卡口节点vi和卡口节点vj在地理空间上不直接相连;
S2:对预处理后的历史交通流数据提取内部属性和外部属性,其中,所述内部属性包括交通流特征矩阵;外部属性包括POI数据;
S3:根据路网地理图中卡口节点的邻居信息和卡口节点的交通流特征矩阵利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度,构建连接强度矩阵;
所述利用SDNE算法和DTW算法计算卡口节点与其相邻节点之间的连接强度包括:
S31:根据路网地理图中卡口节点的邻居信息利用SDNE算法生成卡口节点的特征向量表示:
其中,表示第u层第i个卡口节点的特征向量表示,W(u)表示第u层的权重矩阵,b(u)表示第u层的偏差,nodei表示第i个卡口节点的邻居信息,为邻接矩阵A的第i行数据,σ表示sigmoid激活函数;
S32:利用DTW算法计算路网地理图中两个卡口节点之间的交通流相似度:
利用DTW计算不同节点之间交通流序列的相似度,该相似度值越大表示两个节点之间的交通车流量的变化趋势越相近;
S33:利用余弦相似度算法计算路网地理图中卡口节点之间的特征向量表示相似度:
其中,SESim(i,j)表示第i个卡口节点和第j个卡口节点的特征向量表示相似度;SEi表示第i个卡口节点的特征向量表示;SEj表示第j个卡口节点的特征向量表示;和分别表示第i个卡口节点和第j个卡口节点的特征向量表示的第n个元素;d为卡口节点的特征向量表示的维度;
S34:根据路网地理图中卡口节点之间的特征向量表示相似度、卡口节点之间的交通流相似度计算卡口节点与其相邻节点之间的连接强度:
IMPA′,B′=TSim(A′,B′)×w′1+SESim(A′,B′)×w′2+(impNA′+impNB′)×w′3
其中,IMPA′,B′表示卡口节点A′和卡口节点B′之间的连接强度,卡口节点A′和卡口节点B′在路网地理图中相邻,TSim(A′,B′)表示卡口节点A′和卡口节点B′之间的交通流相似度,SESim(A′,B′)表示卡口节点A′和卡口节点B′之间的特征向量表示相似度,impNA′表示卡口节点A′的重要程度;impNB′表示卡口节点B′的重要程度,v∈{A′,B′},flowv表示卡口节点v在所有时间步的交通流数据之和,flowm表示卡口节点v的第m个邻居卡口节点在所有时间步的交通流数据之和;
S4:根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征,得到空间特征矩阵;
所述根据连接强度矩阵和交通流特征矩阵利用空间注意力机制和基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征包括:
S41:根据连接强度矩阵和交通流特征矩阵利用空间注意力机制在空间维度上自适应捕获节点之间的空间动态相关性,构建空间注意力矩阵;
SA=Vs·σ((W1X)W2(W3X)T+bs)
其中,Vs、W1、W2、W3和bs为可学习的参数矩阵,σ(·)表示sigmoid激活函数,为空间注意力矩阵,X为交通流特征矩阵,SAi,j表示卡口节点i与卡口节点j之间的空间动态相关性;
S42:根据空间注意力矩阵、连接强度矩阵和交通流特征矩阵利用基于切比雪夫多项式为卷积核的GCN算法挖掘卡口节点的空间特征,构建空间特征矩阵:
其中,表示空间特征矩阵,K为卷积核尺寸,SA为空间注意力矩阵,θk表示第k阶切比雪夫系数;表示第k阶切比雪夫多项式,hi表示第i个卡口节点的空间特征, 为L缩放后的矩阵,λmax为拉普拉斯的最大特征值,L=D-S为拉普拉斯矩阵,其归一化形式如下:
其中,IN是单位矩阵,S为连接强度矩阵,D为S的加权度矩阵;
S5:根据空间特征矩阵利用Gate-TCN模型提取卡口节点的时空特征,得到时空特征矩阵;
所述根据空间特征矩阵利用Gate-TCN模型提取卡口节点的时空特征,得到时空特征矩阵包括:
ST=g(θ1★H+b)⊙σ(θ2★H+c)
其中,表示时空特征矩阵,si表示第i个卡口节点的时空特征,θ1和θ2表示门控卷积网络的权重矩阵,b和c表示权重偏置,H表示空间特征矩阵;⊙表示乘积,★表示卷积操作,g(·)表示tanh激活函数,σ(·)表示sigmoid函数;
S6:根据外部属性构建目标卡口节点的流量吸引矩阵,并根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流;
所述根据外部属性构建目标卡口节点的流量吸引矩阵包括:
通过POI数据对交通流的影响程度不同将其划分为10种POI类型,并按照数字1-10的顺序编号,依次为食品、居住、旅游、娱乐、户外休闲、教育、专业、商店、医疗类和其他类;根据距离目标卡口节点B米范围内的各类型POI的数量构建流量吸引矩阵poie表示距离目标卡口节点B米范围内第e类POI的数量;表示目标卡口节点的流量吸引矩阵;
所述根据目标卡口节点的流量吸引矩阵、天气信息、节假日信息和时空特征利用MLP多层感知器预测目标卡口节点的交通流包括:
目标卡口节点的天气信息包括:温度、风速、能见度、降水量和天气状况,将离散的天气数据通过One-Hot进行编码再利用全连接层进行特征嵌入;连续的天气数据直接通过FC层进行特征嵌入,将离散的天气数据和连续的天气数据的嵌入特征拼接,再通过FC层融合为天气特征,用向量表示,dfw为特征维度;
利用FC层对目标节点的流量吸引矩阵进行线性化处理得到流量吸引特征,用表示,dfp表示特征维度;
节假日特征表示为0表示工作日,1表示节假日;
将和进行拼接得到
将EX输入注意力机制对目标卡口节点的天气特征、流量吸引特征和节假日特征分配不同的权重得到
将和目标卡口节点的时空特征进行拼接输入MLP多层感知器预测目标卡口节点的交通流:
其中,为目标卡口节点的交通流预测结果,starget表示目标卡口节点的时空特征,MLP(·)为多层感知器。
2.根据权利要求1所述的一种卡口节点的短时交通流预测方法,其特征在于,对目标区域内的历史交通流数据进行预处理后,提取目标区域内所有卡口节点在不同时间步的交通流信息,构建交通流特征矩阵X=[X1,X2,..,Xi,…,Xj,...,Xp],其中,N为时间步的数量;Xi表示在第i个卡口节点的所有交通流数据;Xj表示第j个卡口节点的所有交通流数据;表示第i个卡口节点在第T个时间步的交通流数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311001746.XA CN116884222B (zh) | 2023-08-09 | 2023-08-09 | 一种卡口节点的短时交通流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311001746.XA CN116884222B (zh) | 2023-08-09 | 2023-08-09 | 一种卡口节点的短时交通流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116884222A CN116884222A (zh) | 2023-10-13 |
CN116884222B true CN116884222B (zh) | 2024-03-26 |
Family
ID=88268184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311001746.XA Active CN116884222B (zh) | 2023-08-09 | 2023-08-09 | 一种卡口节点的短时交通流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116884222B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437786B (zh) * | 2023-12-21 | 2024-02-27 | 速度科技股份有限公司 | 一种基于人工智能的实时交通路网短时交通流预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696369A (zh) * | 2020-04-10 | 2020-09-22 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
CN115641718A (zh) * | 2022-10-24 | 2023-01-24 | 重庆邮电大学 | 一种基于卡口流量相似性和语义关联的短时交通流预测方法 |
CN116504060A (zh) * | 2023-05-01 | 2023-07-28 | 兰州理工大学 | 基于Transformer的扩散图注意力网络交通流预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9286793B2 (en) * | 2012-10-23 | 2016-03-15 | University Of Southern California | Traffic prediction using real-world transportation data |
CN113672865A (zh) * | 2021-07-27 | 2021-11-19 | 湖州师范学院 | 一种基于深度图高斯过程的交通流量预测方法 |
-
2023
- 2023-08-09 CN CN202311001746.XA patent/CN116884222B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696369A (zh) * | 2020-04-10 | 2020-09-22 | 北京数城未来科技有限公司 | 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法 |
CN115641718A (zh) * | 2022-10-24 | 2023-01-24 | 重庆邮电大学 | 一种基于卡口流量相似性和语义关联的短时交通流预测方法 |
CN116504060A (zh) * | 2023-05-01 | 2023-07-28 | 兰州理工大学 | 基于Transformer的扩散图注意力网络交通流预测方法 |
Non-Patent Citations (1)
Title |
---|
基于频繁序列模式挖掘的卡口短时交通量预测;刘冉 等;《城市交通》;20230725;第21卷(第4期);第87-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116884222A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Spatio-temporal urban growth dynamics of Lagos Metropolitan Region of Nigeria based on Hybrid methods for LULC modeling and prediction | |
US7801842B2 (en) | Method and system for spatial behavior modification based on geospatial modeling | |
US7571146B2 (en) | Event, threat and result change detection system and method | |
US7917458B2 (en) | Temporal-influenced geospatial modeling system and method | |
Guo et al. | GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model | |
US7120620B2 (en) | Method and system for forecasting events and threats based on geospatial modeling | |
US8341110B2 (en) | Temporal-influenced geospatial modeling system and method | |
Yu et al. | Road network generalization considering traffic flow patterns | |
CN113139140B (zh) | 基于时空感知gru并结合用户关系偏好的旅游景点推荐方法 | |
Liu et al. | Towards human-centric digital twins: leveraging computer vision and graph models to predict outdoor comfort | |
Lu et al. | On successive point-of-interest recommendation | |
Cheng et al. | A method to evaluate task-specific importance of spatio-temporal units based on explainable artificial intelligence | |
CN116884222B (zh) | 一种卡口节点的短时交通流预测方法 | |
Mondal et al. | Comparison of spatial modelling approaches to simulate urban growth: a case study on Udaipur city, India | |
Huang et al. | Bi-level GA and GIS for multi-objective TSP route planning | |
Zeng et al. | Graph neural networks with constraints of environmental consistency for landslide susceptibility evaluation | |
CN115545758A (zh) | 城市服务设施自适应增量选址的方法和系统 | |
CN112883133B (zh) | 基于时序数据和功能演变数据的流量预测方法 | |
Huang et al. | Estimating urban noise along road network from street view imagery | |
CN117217779A (zh) | 预测模型的训练方法、装置及信息预测方法、装置 | |
CN110309953B (zh) | 采用目标流动性分布预测的城市安防监控布局系统及方法 | |
Mohammadi et al. | Probabilistic prediction of trip travel time and its variability using hierarchical Bayesian learning | |
Goudarzi et al. | A context-aware dimension reduction framework for trajectory and health signal analyses | |
Jin et al. | Learning context-aware region similarity with effective spatial normalization over Point-of-Interest data | |
CN112749209A (zh) | 面向时空数据的移动行为图谱构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |