CN117133116A - 一种基于时空关联网络的交通流预测方法及系统 - Google Patents

一种基于时空关联网络的交通流预测方法及系统 Download PDF

Info

Publication number
CN117133116A
CN117133116A CN202310991694.9A CN202310991694A CN117133116A CN 117133116 A CN117133116 A CN 117133116A CN 202310991694 A CN202310991694 A CN 202310991694A CN 117133116 A CN117133116 A CN 117133116A
Authority
CN
China
Prior art keywords
traffic flow
time
space
node
knowledge graph
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
CN202310991694.9A
Other languages
English (en)
Other versions
CN117133116B (zh
Inventor
程海涛
谭晓滢
王克
王汝传
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310991694.9A priority Critical patent/CN117133116B/zh
Publication of CN117133116A publication Critical patent/CN117133116A/zh
Application granted granted Critical
Publication of CN117133116B publication Critical patent/CN117133116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于时空关联网络的交通流预测方法及系统，包括：利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入用原始数据构造的知识图谱中；编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示；将形成的周期性特征经过处理后输入到解码器中；解码器使用自注意力机制，将编码器传递的周期性特征和基于马尔可夫随机场的转移矩阵作为解码器输入，通过神经网络进行建模，以实现未来一段时间交通流量的预测。本发明通过通过构建扩充时空知识图谱，结合图注意力机制和马尔可夫随机场，该方法能够充分利用时空数据的特征，并具有较好的预测性能。

Description

一种基于时空关联网络的交通流预测方法及系统
技术领域
本发明涉及人工智能与智能交通技术领域，尤其涉及一种基于时空关联网络的交通流预测方法及系统。
背景技术
近年来，交通拥堵是城市化进程中普遍存在的问题，给城市居民的出行带来了巨大挑战。解决交通拥堵问题已经成为城市规划和交通管理的重要任务之一。为了提高交通效率、减少拥堵状况，智能交通系统逐渐崭露头角，并备受关注和研究。其中，交通流预测作为智能交通系统的重要组成部分之一，旨在准确预测交通网络中车辆数量和流量分布的情况。然而，由于交通系统的复杂性和动态性，准确预测交通流一直是当前智能交通领域面临的挑战任务。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于时空关联网络的交通流预测方法及系统解决现有模型预测结果不准确的问题。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明提供了一种实现基于时空关联网络的交通流预测方法，包括：利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入用原始数据构造的知识图谱中；
编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示；
将形成的周期性特征经过处理后输入到解码器中；
解码器使用自注意力机制，将编码器传递的周期性特征和基于马尔可夫随机场的转移矩阵作为解码器输入，通过神经网络进行建模，以实现未来一段时间交通流量的预测。
作为本发明所述的基于时空关联网络的交通流预测方法的一种优选方案，其中：所述利用马尔可夫随机场模型推理新的节点和边，对于边，定义它们之间的条件概率，表示路段与时间节点之间的关联，定义路段i在时间t下的交通流量概率分布表示为：
其中，表示路段i在时间t的交通流量，N表示所有路段数量。
作为本发明所述的基于时空关联网络的交通流预测方法的一种优选方案，其中：所述将新推出的节点和边加入用原始数据构造的知识图谱中，得到扩充后的知识图谱，将扩充后的知识图谱作为编码器部分的输入；
所述具有周期性特征为日周期特征、周周期特征、季周期特征，将日周期特征、周周期特征、季周期特征归一化后融合在一起作为残差卷积层的输入，以便提取时空数据的周期特征。
作为本发明所述的基于时空关联网络的交通流预测方法的一种优选方案，其中：所述编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示，即引入注意力权重和节点的历史信息，用于改进图注意力计算方式，图注意力计算公式表示为：
其中hi表示i节点的特征向量，hj表示j节点的特征向量，hk表示k节点的特征向量，Ni表示节点i的邻居节点，f是一个非线性函数，aij表示边(i,j)的属性，aik表示边(i,k)的属性。
作为本发明所述的基于时空关联网络的交通流预测方法的一种优选方案，其中：所述将周期性特征表示输入到更深层的残差神经网络中，生成隐藏向量i表示第i个时间步的索引，将这个向量集合Hl作为解码器的部分输入，新的残差网络结构表示为：
其中，表示节点i在第l-1层的特征向量，/>表示节点i在第l层的特征向量，和/>分别为第一组的权重矩阵和偏置项，/>和/>分别为第二组的权重矩阵和偏置项，ReLU是激活函数。
作为本发明所述的基于时空关联网络的交通流预测方法的一种优选方案，其中：所述基于马尔可夫随机场的转移矩阵，根据节点和边的条件概率，构建时空交互图，其中节点表示路段，边表示路段之间交通流量的转移概率，转移概率通过计算在相邻时间点之间路段i和路段j交通流量的历史转移次数得到，转移概率表示为：
其中，表示节点i到节点j的转移概率，mij表示节点i到节点j的转移次数，mji表示节点j到节点i的转移次数。
作为本发明所述的基于时空关联网络的交通流预测方法的一种优选方案，其中：所述编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示，其中损失函数将周期性特征和知识图谱推理结果结合起来，通过知识图谱推理纠正预测中存在的偏差，若损失函数没有明显下降趋势则终止训练，若损失函数存在明显下降趋势则重复训练进行参数更新，其中总体损失函数表示为：
L＝LMAE+λ*LGraph
其中，L是总体损失函数，LMAE是传统的均方根误差损失函数，用于衡量预测值与真实值之间的差异，n表示测试集中的样本数量，LGraph是基于马尔可夫随机场的知识图谱推理的损失函数，用于衡量预测值与知识图谱中的推理结果之间的差异，m表示知识图谱中的节点数量，Yi表示节点i真实的交通流量，表示节点i预测的交通流量，Yj表示节点j在知识图谱中的真实交通流量属性，/>表示模型预测的节点j的交通流量属性，λ是损失函数中的权重系数，用于平衡LMAE和LGraph之间的重要性。
第二方面，本发明提供了一种基于时空关联网络的交通流预测系统，包括：
推理模块，利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入用原始数据构造的知识图谱中；
改进模块，编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示；
处理模块，将形成的周期性特征经过处理后输入到解码器中；
建模模块，解码器使用自注意力机制，将编码器传递的周期性特征和基于马尔可夫随机场的转移矩阵作为解码器输入，通过神经网络进行建模，以实现未来一段时间交通流量的预测。
第三方面，本发明提供了一种计算设备，包括：
存储器，用于存储程序；
处理器，用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于时空关联网络的交通流预测方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，包括：所述程序被处理器执行时，实现所述的基于时空关联网络的交通流预测方法的步骤。
本发明的有益效果：本方法采用了图注意力机制和自注意力机制来提取时序数据中的周期性特征，包括日周期、周周期和季节周期特征，从而捕捉周期性变化。通过引入节点的历史信息，改进了图注意力计算方式，增强了对周期性特征的建模能力，有效捕捉交通流量中车辆数量、速度、密度等指标与时间之间的非线性关系，并考虑多种因素的影响，提高了预测准确性和鲁棒性。此外，本发明还构建了马尔可夫随机场模型来进行知识图谱推理，分析马尔可夫随机场的转移概率、节点观测值和推断结果，获取交通流量的空间特征、节点重要性和影响力，以及交通状态的变化趋势。在模型的开始阶段通过对知识图谱的扩充，提供了更全面的数据支持，为交通流预测、拥堵管理和交通规划等领域提供有价值的指导和决策依据。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于时空关联网络的交通流预测方法的基本流程示意图；
图2为本发明一个实施例提供的一种基于时空关联网络的交通流预测方法的知识图谱构建流程图；
图3为本发明一个实施例提供的一种基于时空关联网络的交通流预测方法的模型架构图；
图4为本发明一个实施例提供的一种基于时空关联网络的交通流预测方法的模型数据处理流程图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-4，为本发明的一个实施例，提供了一种基于时空关联网络的交通流预测方法，如图1，2所示，包括以下步骤：
S1：利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入用原始数据构造的知识图谱中；
更进一步的，数据预处理阶段，包括以下步骤：
A1：加载公开交通数据集如METR-LA、PEMS-BAY等，提取研究所需字段，删除无用数据；
A2：使用插值的方法对缺失的数据进行处理，同时剔除一些由于受到外部因素影响导致的异常数据；
①删除出行时间和出行距离不匹配的数据；
②通过KNN算法删除离群点数据；
A3：对预处理的数据进行归一化，让他们处于一个有限的范围；
A4：将数据集分为70％训练集、20％测试集和10％验证集；
更进一步的，知识图谱构造阶段，包括以下步骤：
B1：对数据集中的路段字段进行实体抽取，将每个路段作为一个头实体，并为每个路段实体赋予唯一的标识符，如路段编号；
B2：对数据集中的时间字段进行实体抽取，将每个时间点或时间段作为一个尾实体，并为每个时间实体赋予唯一的标识符，如时间戳或时间周期；
B3：对数据集中的交通流量字段进行属性抽取。在每个时间点或时间段下，遍历数据集中的交通流量字段，获取每个路段的交通流量属性值，并与对应的路段实体和时间实体相关联；
B4：建立路段实体和时间实体之间的关系。对于数据集中的每条记录构建一个关系三元组，表示某个时间点或时间段下，某个路段的交通流量属性；
S2：编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示；
更进一步的，知识图谱扩充阶段，包括以下步骤：
C1：定义概率分布：统计每个路段在不同时间节点的交通流量分布。对于边，定义它们之间的条件概率，表示路段与时间节点之间的关联，定义路段i在时间t下的交通流量概率分布为：
其中，表示路段i在时间t的交通流量，N表示所有路段数量；
C2：构建马尔可夫随机场模型：将确定好的节点和边的概率分布以及图结构组合成一个马尔可夫随机场(MRF)模型。在MRF模型中，路段节点、交通流量属性和时间节点是随机变量，边表示它们之间的条件概率。这样的MRF模型能够描述整个知识图谱中节点和边之间的联合概率分布；
C3：知识图谱推理：通过MRF模型进行知识图谱推理。在预测阶段通过给定某些路段节点的交通流量或时间节点的值，然后利用MRF模型对未知的节点和边进行推理。这样可以预测新的节点和边的属性，例如新建的道路路段在某个时间节点的交通流量；
C4：得到扩充后的知识图谱：通过知识图谱推理后得到了新的节点和边的信息。将这些新的节点和边加入初始知识图谱，就得到了扩充后的知识图谱。这个扩充后的知识图谱将包含更多的交通流量信息和新的交通联系，从而为交通流预测和其他交通管理任务提供更全面的数据支持；
更进一步的，交通流预测训练阶段，将扩充后的知识图谱输入到编码器，编码器中图注意力机制将时空序列进行动态计算得到注意力权重，从而得到日周期特征T日、周周期特征T周和季周期特征T季的三维张量表示。这里不仅引入注意力权重，还引入节点的历史信息，用于改进图注意力计算方式，图注意力计算公式如下：
其中hi表示i节点的特征向量，hj表示j节点的特征向量，hk表示k节点的特征向量，Ni表示节点i的邻居节点，f是一个非线性函数，aij表示边(i,j)的属性，aik表示边(i,k)的属性；对这三种特征进行归一化操作，让它们处于同一阈值后对它们进行拼接形成周期性特征(T日、T周、T季)；
S3：将形成的周期性特征经过处理后输入到解码器中；
更进一步的，引入更深层的残差网络，增加更多的隐藏层，以提高知识图谱中时空数据的特征提取能力，周期性特征表示输入到更深层的残差神经网络中，生成隐藏向量i表示第i个时间步的索引，将这个向量集合Hl作为解码器的部分输入，新的残差网络结构如下：
其中，表示节点i在第l-1层的特征向量，/>表示节点i在第l层的特征向量，和/>分别为第一组的权重矩阵和偏置项，/>和/>分别为第二组的权重矩阵和偏置项，ReLU是激活函数；
S4：解码器使用自注意力机制，将编码器传递的周期性特征和基于马尔可夫随机场的转移矩阵作为解码器输入，通过神经网络进行建模，以实现未来一段时间交通流量的预测。
更进一步的，构建基于马尔克夫随机场转移矩阵的时空交互图。如图4所示，根据节点和边的条件概率，构建时空交互图，其中节点表示路段，边表示路段之间交通流量的转移概率，这个转移概率可以通过计算在相邻时间点之间路段i和路段j交通流量的历史转移次数得到，转移概率可以计算为：
其中，表示节点i到节点j的转移概率，mij表示节点i到节点j的转移次数，mji表示节点j到节点i的转移次数；
将计算好的基于马尔可夫随机场转移矩阵的时空交互图输入到解码器中，经过卷积神经网络的筛选后与周期性特征共同输入到图注意力机制中，经过残差神经网络得到输出；
更进一步的，如果损失函数没有明显下降趋势则终止训练，如果有则重复训练进行参数更新，这里选择的损失函数将周期性特征和知识图谱推理结果结合起来，使得模型不仅能够利用周期性特征提取更准确的时空周期特征，还能通过知识图谱推理纠正预测中可能存在的偏差，从而提高了模型的预测精和稳定性。
L＝LMAE+λ*LGraph
其中，L是总体损失函数，LMAE是传统的均方根误差(MAE)损失函数，用于衡量预测值与真实值之间的差异，n表示测试集中的样本数量，LGraph是基于马尔可夫随机场的知识图谱推理的损失函数，用于衡量预测值与知识图谱中的推理结果之间的差异，m表示知识图谱中的节点数量，Yi表示节点i真实的交通流量，表示节点i预测的交通流量，Yj表示节点j在知识图谱中的真实交通流量属性，/>表示模型预测的节点j的交通流量属性，λ是损失函数中的权重系数，用于平衡LMAE和LGraph之间的重要性；
得到未来一段时间的交通流量预测(Yt+1,Yt+2,…,Yt+i)；
应说明的是，在用原始数据构造的知识图谱中利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入原始图中形成扩充后的知识图谱，通过扩充后的知识图谱能够获得被预测路段在未来时间段的交通流量的上下文向量，同时在残差连接网络层的改进中将一个隐藏层拆分成两个部分，并在其中一个部分引入残差连接，使得模型可以同时学习当前隐藏层和上一层的特征。这种连接方式使得模型可以更好地利用历史信息，提高了特征的表达能力，因此获得比较精确的全局特征。
应说明的是，在交通流预测中，图注意力机制可以从时空知识图谱中提取丰富的特征表示，包括日周期、周周期、季周期等。它能够捕捉交通流量的周期性变化、不同时间尺度的特征，帮助模型更好地理解和预测交通流量的变化趋势，从而支持交通管理和规划决策。此外，图注意力机制还具有一定的并行计算能力，适用于处理大规模的时空数据，提高了计算效率和实时性，有助于交通流预测长期时间依赖特征提取。在改进的图注意力机制中通过引入边的属性，该属性可以表示交通流量、道路拓扑关系等交通特征，从而增强了图注意力机制对节点之间关联性的建模能力，因此获得比较精确的全局特征。
应说明的是，马尔可夫随机场在交通流预测领域具有以下优点：它提供了一种简洁有效的建模方法，能够描述交通流量在不同路段之间的转移规律和概率分布。通过分析马尔可夫随机场的转移矩阵，可以揭示交通网络中的流动模式、拥堵状况以及可能的瓶颈路段。这种模型具有一定的灵活性，可以适应不同规模和复杂程度的交通系统，并能够在实时或短期预测中提供有用的信息。
应说明的是，残差卷积神经网络通过引入残差连接来解决深层网络训练过程中的梯度消失和信息丢失问题。它的核心思想是将前一层的输出与后一层的输入进行直接相加，以保留原始输入的信息，使网络能够更有效地学习特征。残差连接有助于缓解梯度消失问题，使得网络可以更深地堆叠层次，从而提高模型的表示能力和学习能力。它能够有效地弥补基于马尔可夫随机场的状态转移矩阵的时空交互图不能捕捉长期特征的缺点。
更进一步的，如图3所示，本发明框架分为编码器(Encoder)和解码器(Decoder)两部分，其中编码器用于提取输入数据的特征表示，而解码器则用于生成预测结果。编码器中包含多层由图注意力层和卷积层组成的单元，图注意力层能够捕捉扩充时空知识图谱中不同位置之间的关联性和依赖关系，帮助识别路段中流量的日周期、周周期和季周期等周期性模式。通过学习不同的注意力权重，图注意力层能够在不同时间步之间建立全局的关联性，捕捉序列中的长程依赖关系，从而更好地提取周期性特征。同时，将基于马尔科夫随机场的时空交互图和编码器输出共同作为解码器模块的输入，能够同时捕获时空数据的局部特征和全局特征。
本实施例还提供一种基于时空关联网络的交通流预测系统，包括：
推理模块，利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入用原始数据构造的知识图谱中；
改进模块，编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示；
处理模块，将形成的周期性特征经过处理后输入到解码器中；
建模模块，解码器使用自注意力机制，将编码器传递的周期性特征和基于马尔可夫随机场的转移矩阵作为解码器输入，通过神经网络进行建模，以实现未来一段时间交通流量的预测。
更进一步的，还包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行所述的基于时空关联网络的交通流预测方法。
本实施例还提供一种计算机可读存储介质，其存储有程序，所述程序被处理器执行时，实现所述的基于时空关联网络的交通流预测方法。
本实施例提出的存储介质与上述实施例提出的基于时空关联网络的交通流预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照表1，为本发明的一个实施例，提供了一种基于时空关联网络的交通流预测方法，为了验证其有益效果，提供了两种方案的对比结果。
本发明实施例采用美国纽约市一段路段的历史交通流量数据进行仿真分析。数据的采样时间间隔为5分钟，每天可采集288组观测值。数据集共有25920组数据，选取一个季度的前80天数据作为训练集，后10天的数据作为测试集。该数据集中包括：车辆数量、速度、密度等指标，然后，将这些数据作为输入。
我们使用训练集对模型进行训练，并使用测试集进行模型测试。将我方发明与几种现有的交通流预测模型进行了比较，现有的交通流预测模型包括GMAN,STEP,DCRNN等。
我们使用了平均绝对误差(MAE)和均方根误差(RMSE)，平均绝对百分比误差(MAPE)三种指标来评估模型的预测准确性。
表1不同模型预测性能对比结果图
从表1中可以看出，我方发明的方法相比于现有的GMAN、STEP和DCRNN方法，在测试集上表现更好，具有更高的预测准确性和泛化能力。其中，MAE和RMSE值越小，说明预测误差越小；MAPE值越小，说明预测误差相对较小。
应说明的是，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，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于时空关联网络的交通流预测方法，其特征在于，包括：
利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入用原始数据构造的知识图谱中；
编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示；
将形成的周期性特征经过处理后输入到解码器中；
解码器使用自注意力机制，将编码器传递的周期性特征和基于马尔可夫随机场的转移矩阵作为解码器输入，通过神经网络进行建模，以实现未来一段时间交通流量的预测。
2.如权利要求1所述的基于时空关联网络的交通流预测方法，其特征在于：所述利用马尔可夫随机场模型推理新的节点和边，对于边，定义它们之间的条件概率，表示路段与时间节点之间的关联，定义路段i在时间t下的交通流量概率分布表示为：
其中，表示路段i在时间t的交通流量，N表示所有路段数量。
3.如权利要求1或2所述的基于时空关联网络的交通流预测方法，其特征在于：所述将新推出的节点和边加入用原始数据构造的知识图谱中，得到扩充后的知识图谱，将扩充后的知识图谱作为编码器部分的输入；
所述具有周期性特征为日周期特征、周周期特征、季周期特征，将日周期特征、周周期特征、季周期特征归一化后融合在一起作为残差卷积层的输入，以便提取时空数据的周期特征。
4.如权利要求3所述的基于时空关联网络的交通流预测方法，其特征在于：所述编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示，即引入注意力权重和节点的历史信息，用于改进图注意力计算方式，图注意力计算公式表示为：
其中hi表示i节点的特征向量，hj表示j节点的特征向量，hk表示k节点的特征向量，Ni表示节点i的邻居节点，f是一个非线性函数，aij表示边(i,j)的属性，aik表示边(i,k)的属性。
5.如权利要求4所述的基于时空关联网络的交通流预测方法，其特征在于：所述将周期性特征表示输入到更深层的残差神经网络中，生成隐藏向量i表示第i个时间步的索引，将这个向量集合Hl作为解码器的部分输入，新的残差网络结构表示为：
其中，表示节点i在第l-1层的特征向量，/>表示节点i在第l层的特征向量，/>和分别为第一组的权重矩阵和偏置项，/>和/>分别为第二组的权重矩阵和偏置项，ReLU是激活函数。
6.如权利要求5所述的基于时空关联网络的交通流预测方法，其特征在于：所述基于马尔可夫随机场的转移矩阵，根据节点和边的条件概率，构建时空交互图，其中节点表示路段，边表示路段之间交通流量的转移概率，转移概率通过计算在相邻时间点之间路段i和路段j交通流量的历史转移次数得到，转移概率表示为：
其中，表示节点i到节点j的转移概率，mij表示节点i到节点j的转移次数，mji表示节点j到节点i的转移次数。
7.如权利要求6所述的基于时空关联网络的交通流预测方法，其特征在于：所述编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示，其中损失函数将周期性特征和知识图谱推理结果结合起来，通过知识图谱推理纠正预测中存在的偏差，若损失函数没有明显下降趋势则终止训练，若损失函数存在明显下降趋势则重复训练进行参数更新，其中总体损失函数表示为：
L＝LMAE+λ*LGraph
其中，L是总体损失函数，LMAE是传统的均方根误差损失函数，用于衡量预测值与真实值之间的差异，n表示测试集中的样本数量，LGraph是基于马尔可夫随机场的知识图谱推理的损失函数，用于衡量预测值与知识图谱中的推理结果之间的差异，m表示知识图谱中的节点数量，Yi表示节点i真实的交通流量，表示节点i预测的交通流量，Yj表示节点j在知识图谱中的真实交通流量属性，/>表示模型预测的节点j的交通流量属性，λ是损失函数中的权重系数，用于平衡LMAE和LGraph之间的重要性。
8.一种基于时空关联网络的交通流预测系统，其特征在于：
推理模块，利用马尔可夫随机场模型推理新的节点和边，将新推出的节点和边加入用原始数据构造的知识图谱中；
改进模块，编码器利用改进的图注意力机制对扩充交通时空知识图谱进行建模，提取出具有周期性特征的表示；
处理模块，将形成的周期性特征经过处理后输入到解码器中；
建模模块，解码器使用自注意力机制，将编码器传递的周期性特征和基于马尔可夫随机场的转移矩阵作为解码器输入，通过神经网络进行建模，以实现未来一段时间交通流量的预测。
9.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于加载所述程序以执行如权利要求1-7任一项所述的实现基于时空关联网络的交通流预测方法。
10.一种计算机可读存储介质，其存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-7任一项所述的实现基于时空关联网络的交通流预测方法。
CN202310991694.9A 2023-08-07 2023-08-07 一种基于时空关联网络的交通流预测方法及系统 Active CN117133116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310991694.9A CN117133116B (zh) 2023-08-07 2023-08-07 一种基于时空关联网络的交通流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310991694.9A CN117133116B (zh) 2023-08-07 2023-08-07 一种基于时空关联网络的交通流预测方法及系统

Publications (2)

Publication Number Publication Date
CN117133116A true CN117133116A (zh) 2023-11-28
CN117133116B CN117133116B (zh) 2024-04-19

Family

ID=88859160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310991694.9A Active CN117133116B (zh) 2023-08-07 2023-08-07 一种基于时空关联网络的交通流预测方法及系统

Country Status (1)

Country Link
CN (1) CN117133116B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202122A (zh) * 2021-12-13 2022-03-18 河北师范大学 基于马尔可夫聚类图注意力网络的城市交通流量预测方法
WO2022241802A1 (zh) * 2021-05-19 2022-11-24 广州广电运通金融电子股份有限公司 复杂路网下的短时交通流量预测方法、存储介质和系统
CN115796007A (zh) * 2022-11-15 2023-03-14 中山大学·深圳 一种基于时空图网络的交通流量预测方法
CN115862319A (zh) * 2022-11-08 2023-03-28 贵州民族大学 一种面向时空图自编码器的交通流量预测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022241802A1 (zh) * 2021-05-19 2022-11-24 广州广电运通金融电子股份有限公司 复杂路网下的短时交通流量预测方法、存储介质和系统
CN114202122A (zh) * 2021-12-13 2022-03-18 河北师范大学 基于马尔可夫聚类图注意力网络的城市交通流量预测方法
CN115862319A (zh) * 2022-11-08 2023-03-28 贵州民族大学 一种面向时空图自编码器的交通流量预测方法
CN115796007A (zh) * 2022-11-15 2023-03-14 中山大学·深圳 一种基于时空图网络的交通流量预测方法
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)

* Cited by examiner, † Cited by third party
Title
杜圣东 等: "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), pages 1715 - 1728 *

Also Published As

Publication number Publication date
CN117133116B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
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
CN108108854B (zh) 城市路网链路预测方法、系统及存储介质
CN111159425A (zh) 一种基于历史关系和双图卷积网络的时态知识图谱表示方法
CN111104522A (zh) 一种基于知识图谱的区域产业关联效应趋势预测方法
CN109447261B (zh) 一种基于多阶邻近相似度的网络表示学习的方法
CN111709474A (zh) 一种融合拓扑结构和节点属性的图嵌入链路预测方法
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN111429977B (zh) 一种新的基于图结构注意力的分子相似性搜索算法
CN110851566A (zh) 一种改进的可微分网络结构搜索的方法
CN112417063B (zh) 一种基于异构关系网络的相容功能项推荐方法
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN113780002A (zh) 基于图表示学习和深度强化学习的知识推理方法及装置
CN109743196A (zh) 一种基于跨双层网络随机游走的网络表征方法
CN117237559B (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN113761221A (zh) 基于图神经网络的知识图谱实体对齐方法
CN117076931B (zh) 一种基于条件扩散模型的时间序列数据预测方法和系统
CN117133116B (zh) 一种基于时空关联网络的交通流预测方法及系统
CN114038516B (zh) 一种基于变分自编码器的分子生成与优化方法
CN116106751A (zh) 一种基于Informer的锂离子电池荷电状态估计方法
CN114399048A (zh) 基于图卷积神经网络与类型嵌入的教育领域联合知识点预测方法及系统
Ding et al. Evolving neural network using hybrid genetic algorithm and simulated annealing for rainfall-runoff forecasting
CN112381226B (zh) 一种基于粒子群算法的深度卷积神经网络架构搜索方法
CN114936296B (zh) 超大规模知识图谱存储的索引方法、系统及计算机设备
CN110427569B (zh) 一种基于粗糙集理论的改进密度峰值重叠社区发现方法
CN117709457A (zh) 面向电力工程施工的行为动作感知的知识图谱构建方法

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