CN117437776A - 一种智能交通系统中交通流预测方法及其系统 - Google Patents
一种智能交通系统中交通流预测方法及其系统 Download PDFInfo
- Publication number
- CN117437776A CN117437776A CN202311351736.9A CN202311351736A CN117437776A CN 117437776 A CN117437776 A CN 117437776A CN 202311351736 A CN202311351736 A CN 202311351736A CN 117437776 A CN117437776 A CN 117437776A
- Authority
- CN
- China
- Prior art keywords
- features
- traffic flow
- representing
- discrete
- traffic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000011151 fibre-reinforced plastic Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000758 substrate Substances 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种智能交通系统中交通流预测方法及其系统，其中智能交通系统中交通流预测方法包括以下步骤：获取交通流节点的固有特征和关系特征；对交通流节点的固有特征和关系特征进行编码；对编码后的固有特征和关系特征进行解码，得到预测流量值。本申请将深度嵌入和图形嵌入共同用于增强ITS中的特征表示。同时，通过深度嵌入和图形嵌入方法能够在进行交通流量预测的过程中呈现良好的性能。
Description
技术领域
本申请涉及数据处理领域，具体地，涉及一种智能交通系统中交通流预测方法及其系统。
背景技术
随着物联网(IoT)和网络物理系统(CPS)的不断发展，智能交通系统(ITS)逐渐成为智慧城市运营的驱动力ITS通过使用计算机，通信和控制技术来加强道路，车辆和用户之间的关系。结果，可以形成一套方便高效的道路交通服务系统。ITS的合理运行调度是保证其正常运行的途径。为实现这一目标，对ITS中的交通流进行准确预测成为需要突破的重要技术。交通预测是ITS的关键模块。交通预测的核心是通过在道路网络中部署的传感器测量的给定历史观测值来预测未来的交通状况(流量，速度，行驶时间等)。准确的交通预测可以帮助人们避开拥挤的道路并合理安排行程，还可以帮助当局提前分配道路资源，以缓解交通拥堵并提高公共安全。近年来，在交通流预测中使用机器学习已成为解决这一问题的主流思想。计算机像人类一样实现自我学习和改进，充当着实现智能的重要手段。广泛应用于网络流的数据挖掘任务，如社交网络。预计机器学习算法也可以很好地应用于ITS中的流量预测。ITS中的流量预测通常比社交网络中的一般数据挖掘任务更具挑战性。通过建立模型来预测未来的数值趋势，从历史数据中学习。最直观的方法是从历史交通流数据中挖掘统计特征，并从统计角度预测未来数据，如高斯回归模型。但是，这种方法未能充分利用ITS中的各种功能，并且具有很大的不稳定性。
因此，如何提供一种更为合适的模型来进行流量预测，从而保证能充分利用ITS中的各种功能的同时还具有较高的稳定性，成为本领域急需解决的问题。
发明内容
本申请提供了一种智能交通系统中交通流预测方法，包括以下步骤：获取交通流节点的固有特征和关系特征；对交通流节点的固有特征和关系特征进行编码；对编码后的固有特征和关系特征进行解码，得到预测流量值。
如上的，其中，固有特征分为离散型和连续型，用向量表示固有特征的离散特征，向量/>表示固有特征的连续特征，用A’i表示关系特征。
如上的，其中，对离散特征进行编码通过矩阵计算直接嵌入，对于第s个节点，其第x个离散特征表示为Dx,s，对于Dx,s，首先通过one-hot编码将其转换为向量Δ(Dx,s)；对于Δ(Dx,s)，其维数等于其选项的数量；而Δ(Dx,s)由元素1和部分元素0组成，通过以下公式将Δ(Dx,s)编码为具有特定维度的另一个向量是Dx,s的嵌入结果：
其中WD,x和bD,x是参数，对于参数矩阵WD,x，它具有两个维度参数，这些参数指示其行尺寸和行尺寸。其中，第一个参数等于Dx,s的尺寸，第二个参数等于的尺寸。
如上的，其中，对于连续特征期望它们在离散区间内的对应位置，对于单个特征，首先将其所有值归一化为[0,1]的范围，对于第i个节点，其第l个连续特征表示为El,i。El,i的归一化过程表示为：
E′l,j是El,i的相应归一化值，和/>是第l个连续特征的所有值中的最大值和最小值。
如上的，其中，给定初始特征值El,i及其归一化值E′l,i，其中：
Δ(E′l,i)是E′l,i的单热编码结果，表示离散特征的代表向量。
一种智能交通系统中交通流预测系统，包括节点特征获取单元、编码单元以及预测流量值获取单元；节点特征获取单元用于获取交通流节点的固有特征和关系特征；编码单元用于对交通流节点的固有特征和关系特征进行编码；预测流量值获取单元用于对编码后的固有特征和关系特征进行解码，得到预测流量值。
如上的，其中，节点特征获取单元中，固有特征分为离散型和连续型，用向量表示固有特征的离散特征，向量/>表示固有特征的连续特征，用A’i表示关系特征。
如上的，其中，编码单元中，对离散特征进行编码通过矩阵计算直接嵌入，对于第s个节点，其第x个离散特征表示为Dx,s，对于Dx,s，首先通过one-hot编码将其转换为向量Δ(Dx,s)；对于Δ(Dx,s)，其维数等于其选项的数量；而Δ(Dx,s)由元素1和部分元素0组成，通过以下公式将Δ(Dx,s)编码为具有特定维度的另一个向量是Dx,s的嵌入结果：
其中WD,x和bD,x是参数，对于参数矩阵WD,x，它具有两个维度参数，这些参数指示其行尺寸和行尺寸。其中，第一个参数等于Dx,s的尺寸，第二个参数等于的尺寸。
如上的，其中，编码单元中，对于连续特征期望它们在离散区间内的对应位置，对于单个特征，首先将其所有值归一化为[0,1]的范围，对于第i个节点，其第l个连续特征表示为El,i。El,i的归一化过程表示为：
E′l,j是El,i的相应归一化值，和/>是第l个连续特征的所有值中的最大值和最小值。
如上的，其中，编码单元中，给定初始特征值El,i及其归一化值E′l,i，其中：
Δ(E′l,i)是E′l,i的单热编码结果，表示离散特征的代表向量。
本申请具有以下有益效果：
(1)本申请将深度嵌入和图形嵌入共同用于增强ITS中的特征表示。同时，通过深度嵌入和图形嵌入方法能够在与现有技术里呈现良好的性能。
(2)本申请专门针对深度嵌入和图形嵌入的原理上进行研究和预测，通过深度嵌入和图形嵌入的原理进行增强特征，其具有适当的鲁棒性，增强了不同情况下的稳定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的智能交通系统中交通流预测方法的流程图；
图2是根据本申请实施例提供的交通流节点图；
图3是根据本申请实施例提供的智能交通系统中交通流预测系统的内部结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术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，都属于本申请保护的范围。
本申请针对ITS提出了一种深度图嵌入增强的交通流预测模型，推导为DE-TF。首先，通过多个嵌入操作将节点和边的特征编码为向量。其交通流节点如附图2所示，然后，引入图神经网络来生成整个ITS的图级编码结果。最后，建立了基于神经计算的顺序模型来预测时间序列交通流数据。
实施例一
如图1所示，为本实施例提供的一种智能交通系统中交通流预测方法，具体包括以下步骤：
步骤S110：获取交通流节点的固有特征和关系特征。
如图2所示，交通流的载体是道路网络中的节点。如今，许多国家的道路网络都配备了传感器，随时监控交通流量数据。设Ni(i＝1,2，···，M)表示路网中M个节点的枚举数，Ni表示第i个节点，表示第t个时间戳下的交通流，t的取值范围为1～t。
给定历史监控交通流数据的t个时间戳，本实施例的主要目标是建立模型来预测第(t+1)个时间戳后的交通流数据。
对于节点Ni来说，它主要有两个方面的特征：固有特征和关系特征。
固有特征是指反映节点固有属性的特征，如节点ID、节点类型等。关系特征是指反映节点与其他节点之间关系的特征。
步骤S120：对交通流节点的固有特征和关系特征进行编码。
编码部分主要是融合多源的基本特征，将其编码成更抽象的形式。本实施例主要通过深度嵌入和图嵌入进行编码。
其中固有特征可分为离散型和连续型。离散型的特征可以直接编码，而连续型的特征需要先进行转换。两种特征的两个代表向量分别记为和/>节点Ni的关系特征为A’i，通过过深度嵌入编码为另一个代表向量Ai。
具体来说，对于离散特征，可以通过矩阵计算直接嵌入。对于第s个节点，其第x个离散特征表示为Dx,s。以路网中的节点ID为例，当节点数量为200时，该变量具有200选项。对于Dx,s，首先通过one-hot编码将其转换为向量Δ(Dx,s)。对于Δ(Dx,s)，其维数等于其选项的数量。而Δ(Dx,s)的每个元素对应一个价值选项。当涉及其对应的值选项时，该元素设置为1，而其他元素设置为0。因此，Δ(Dx,s)由元素1和一些元素0组成。它的一个典型例子表示为公式1:
通过以下过程将Δ(Dx,s)编码为具有特定维度的另一个向量，具体参见公式2:
其中WD,x表示权重参数，bD,x表示偏移参数。对于参数矩阵WD,x，它具有两个维度参数，这些参数指示其行尺寸和行尺寸。其中，第一个参数等于Dx,s的尺寸，第二个参数等于的尺寸。因此，/>是Dx,s的嵌入结果。
对于连续特征，期望它们在离散区间内的对应位置。在道路网络内部，最典型的连续特征是经度或纬度。在一个地理区域内，经度或纬度的值通常不会有太大的跨度。对于单个特征，可以首先将其所有值归一化为[0,1]的范围。对于第i个节点，其第l个连续特征表示为El,i。El,i的归一化过程表示为公式3:
其中和/>是第l个连续特征的所有值中的最大值和最小值。因此，获得的E′l,j是El,i的相应归一化值。对于连续范围[0,1]，所有值都可以根据值分为十个插槽。槽的划分说明如下4:
在上式中，它有十个元素，每个元素都有一个上部和一个下部。上部是插槽的间隔范围，下部是插槽的数量相应的插槽。给定初始特征值El,i及其归一化值E′l,i。嵌入El,i可以表示为下式5,其中Δ(E′l,i)是E′l,i的单热编码结果，WD,x和bD,x是参数。
表示连续特征的代表向量，/>表示离散特征的代表向量。
到目前为止，获得的和/>共同构成了道路网络特征的嵌入结果。此外，让Ai表示节点Ni与其他节点之间的关系状态。Ai是(m-1)维向量，其中每个元素指示节点Ni和其他(m-1)节点之间的关系状态。Ai的每个元素记为:
其中aij表示节点Ni和节点Nj之间的关系状态，Nj表示与Ni不同的另一个节点。从上式可以看出，A′i的元素为1或0。因此，A′i可以被视为可以通过类似于公式(2)的嵌入过程直接编码的结构化向量。并在嵌入后，A′i转化为另一个代表向量Ai。
进一步地，图嵌入最普遍的模型是图神经网络，它也有不同的场景版本。众所周知，卷积神经网络(CNN)是一种经典的深度学习算法，具有较强的表示能力。卷积运算和CNN的结合产生了著名的GCN模型。GCN将卷积操作集成到图学习过程中，并且能够获得对图网络的强大表示。这部分设法为道路网络生成图级嵌入。
由于GCN模型是一种光谱方法，因此首先应该定义傅立叶变换和图卷积运算。假设F(·)和F-1(·)是傅立叶变换算子和傅立叶逆变换算子，它们可以近似为以下矩阵计算如公式(7)(8)所示:
其中U是将傅立叶变换近似为矩阵计算的特征向量。然后，图卷积运算定义9所示。
其中，是图卷积算子，x是输入，是卷积核,⊙是harmand积算子。使用拉普拉斯特征向量作为基函数，图中的输入信号x展开信息为公式(10)所示。
在实现傅立叶变换运算时，最好进行频域运算而不是时域运算,令k＝dia(UTg)。公式(9)可以改写为公式(11)。
GCN考虑一阶切比雪夫多项式，每个卷积核只有一个参数。卷积算子可以改写为公式(12):
其中Ch(λη)是λ1的一阶切比雪夫多项式，并表示为公式(13)。
因此，公式(12)可以改写为公式(14)。
其中A是邻接矩阵，d是度矩阵。为了进一步简化它并将可学习参数的数量减少到1，设置了β0＝β1＝θ等式。(14)可以改写为公式(15)。
由于d-1/2Ad-1/2+Iη是范围为[0,2]的特征值，因此在神经网络的情况下更可能发生数值发散和梯度爆炸。为了克服这个问题，引入了重整化技巧公式(16)(17)(18)。
其中是第i个实体的度矩阵,/>是第i个实体与其他实体之间的边数。最后，可以得到GCN的表达式为(19)，完成编码。
步骤S130：对编码后的固有特征和关系特征进行解码，得到预测流量值。
对于第i个节点，其离散特征和连续特征的代表向量分别表示为和/>注意，两种类型的特征通常包含一个以上的特征。而不同特征的代表向量具有不同的维度，因为维度的数量通常表示信息量。具有较高抽象维度的特征应包含较大的丰硕信息量。因此，可以通过串联操作将两种类型的特征聚合为两个最终向量/>和/>
很有可能和/>有不同的维度。期望将它们的尺寸匹配并将它们连接成一个新的代表性向量，该向量可以表示为:
其中MFD和MFE是实现尺寸传递的重量参数。由于某些功能是随时间变化的，例如速度和流量，因此Fi可能无法在所有时间戳中保持稳定。令表示第t个时间戳处的特征表示。通常，节点或道路网络之间存在一些直接或间接的关系，在此研究场景中也假定存在这种关系。这里，二进制编码用于表示所有节点对之间的关系状态。如果两个节点具有关系，则关系索引表示为1，否则表示为0。交通流预测是一个时间序列预测问题，其中每个时间戳处的交通流与以前的时间戳高度相关。在第t个时间戳处，对于第i个节点，输入第(t-1)个时间戳处的流量和节点的特征进行计算。在这种情况下，GCN的信息传播可以表示为以下公式:
其中MP1表示GCN的信息传播中输入信息的权重参数，bP1表示偏置参数，pi(t)表示通过yi(t-1)的实际流量值和在时间戳(t-1)的节点特征Ai和Fi(t)计算得到的Pi(t-1)进行relu激活得到的时间序列预测的输入信息，Φ1(·)是Relu激活函数,表示为:
其中，计算为:
其中MP2、MP3和MP4表示GCN的信息传播中输入信息的参数，是第(t-1)个时间戳处的真实流量值。在此基础上，建立了类似RNN的模型来实现时间序列预测。与LSTM模型类似，设置了三个门来控制计算过程:忘记门，输入门和输出门。对于遗忘门，其控制因子可以计算为:
其中MBi和bBi表示RNN模型中的参数，Φ2(·)是simoid函数，表示为:
对于输入门，表示在输入门中确定输入的信息，/>表示最终输入的信息，其单元状态因子的计算公式为:
其中MSi、MHi、bSi和bHi均表示输入门中的参数。对于输出门，其中控制因子的计算公式为公式27，而对于输出门的控制因子也就代表这是从输出门所输出的信息:
其中WOi表示预测过程中的权重参数，bOi表示预测过程中的偏置参数，为第t个时间戳处的预测流量值。给定历史交通流量数据，可以计算出未来的交通流量。在此基础上，可以将目标函数公式化为求解如下优化目标函数:
其中为第t个时间戳处的实际流量值，/>为第t个时间戳处的预测流量值，τ为正则化参数，θ为参数集。等式的左部分是损失项，右边是等式的一部分，是处罚项目。
根据上述方式得到预测的流量值，而最后本实施例采用的评价指标为回归评价指标。
平均绝对误差MAE(mean absolute error)：平均绝对误差，计算公式如下，值越小则表示错误越小，模型的回归效果越好。
均方误差(MSE)均方根误差(RMSE):MASE它表示误差的平方的期望值。其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE＝10，可以认为回归效果相比真实值平均相差10。计算公式如下：
回归中一般是对因变量yy进行预测，假设样本共有n个，其中每个样本的真实值为yi,i＝1,2,...,n,每个样本的预测值为1,2,...,n,各评价指标就是评价交通流预测模型的预测值是否与实际的真实值接近，越接近则代表回归的结果越好。
实施例二
如图3所示，本申请提供了一种智能交通系统中交通流预测系统，其中该系统具体包括：节点特征获取单元310、编码单元320、预测流量值获取单元330。
其中节点特征获取单元310用于获取交通流节点的固有特征和关系特征。
如图2所示，交通流的载体是道路网络中的节点。如今，许多国家的道路网络都配备了传感器，随时监控交通流量数据。设Ni(i＝1,2，···，M)表示路网中M个节点的枚举数，Ni表示第i个节点，表示第t个时间戳下的交通流，t的取值范围为1～t。
给定历史监控交通流数据的t个时间戳，本实施例的主要目标是建立模型来预测第(t+1)个时间戳后的交通流数据。
编码单元320用于对交通流节点的固有特征和关系特征进行编码。
对于节点Ni来说，它主要有两个方面的特征：固有特征和关系特征。
固有特征是指反映节点固有属性的特征，如节点ID、节点类型等。关系特征是指反映节点与其他节点之间关系的特征。编码部分主要是融合多源的基本特征，将其编码成更抽象的形式。本实施例主要通过深度嵌入和图嵌入进行编码。
其中固有特征可分为离散型和连续型。离散型的特征可以直接编码，而连续型的特征需要先进行转换。两种特征的两个代表向量分别记为和/>节点Ni的关系特征为A’i，过深度嵌入编码为另一个代表向量Ai。
具体来说，对于离散特征，可以通过矩阵计算直接嵌入。对于第s个节点，其第x个离散特征表示为Dx,s。以路网中的节点ID为例，当节点数量为200时，该变量具有200选项。对于Dx,s，首先通过one-hot编码将其转换为向量Δ(Dx,s)。对于Δ(Dx,s)，其维数等于其选项的数量。而Δ(Dx,s)的每个元素对应一个价值选项。当涉及其对应的值选项时，该元素设置为1，而其他元素设置为0。因此，Δ(Dx,s)由元素1和一些元素0组成。它的一个典型例子表示为公式1:
通过以下过程将Δ(Dx,s)编码为具有特定维度的另一个向量，具体参见公式2:
其中WD,x和bD,x是参数。对于参数矩阵WD,x，它具有两个维度参数，这些参数指示其行尺寸和行尺寸。其中，第一个参数等于Dx,s的尺寸，第二个参数等于的尺寸。因此，是Dx,s的嵌入结果。
对于连续特征，期望它们在离散区间内的对应位置。在道路网络内部，最典型的连续特征是经度或纬度。在一个地理区域内，经度或纬度的值通常不会有太大的跨度。对于单个特征，可以首先将其所有值归一化为[0,1]的范围。对于第i个节点，其第l个连续特征表示为El,i。El,i的归一化过程表示为公式3:
其中和/>是第l个连续特征的所有值中的最大值和最小值。因此，获得的E′l,j是El,i的相应归一化值。对于连续范围[0,1]，所有值都可以根据值分为十个插槽。槽的划分说明如下4:
在上式中，它有十个元素，每个元素都有一个上部和一个下部。上部是插槽的间隔范围，下部是插槽的数量相应的插槽。给定初始特征值El,i及其归一化值E′l,i，则其在[0,1]中的对应时隙可以得到为嵌入El,i可以表示为下式5,其中Δ(E′l,i)是E′l,i的单热编码结果，WD,x和bD,x是参数。
到目前为止，获得的和/>共同构成了道路网络特征的嵌入结果。此外，让Ai表示节点Ni与其他节点之间的关系状态。Ai是(m-1)维向量，其中每个元素指示节点Ni和其他(m-1)节点之间的关系状态。Ai的每个元素记为:
其中aij表示节点Ni和节点Nj之间的关系状态，Nj表示与Ni不同的另一个节点。从上式可以看出，A′i的元素为1或0。因此，A′i可以被视为可以通过类似于公式(2)的嵌入过程直接编码的结构化向量。并在嵌入后，A′i转化为另一个代表向量Ai。
进一步地，图嵌入最普遍的模型是图神经网络，它也有不同的场景版本。众所周知，卷积神经网络(CNN)是一种经典的深度学习算法，具有较强的表示能力。卷积运算和CNN的结合产生了著名的GCN模型。GCN将卷积操作集成到图学习过程中，并且能够获得对图网络的强大表示。这部分设法为道路网络生成图级嵌入。
由于GCN模型是一种光谱方法，因此首先应该定义傅立叶变换和图卷积运算。假设F(·)和F-1(·)是傅立叶变换算子和傅立叶逆变换算子，它们可以近似为以下矩阵计算如公式(7)(8)所示:
其中U是将傅立叶变换近似为矩阵计算的特征向量。然后，图卷积运算定义9所示。
其中，是图卷积算子，x是输入，是卷积核,⊙是harmand积算子。使用拉普拉斯特征向量作为基函数，图中的输入信号x展开信息为公式(10)所示。
在实现傅立叶变换运算时，最好进行频域运算而不是时域运算,令k＝dia(UTg)。公式(9)可以改写为公式(11)。
GCN考虑一阶切比雪夫多项式，每个卷积核只有一个参数。卷积算子可以改写为公式(12):
其中Ch(λη)是λ1的一阶切比雪夫多项式，并表示为公式(13)。
因此，公式(12)可以改写为公式(14)。
其中A是邻接矩阵，d是度矩阵。为了进一步简化它并将可学习参数的数量减少到1，设置了β0＝β1＝θ等式。(14)可以改写为公式(15)。
由于d-1/2Ad-1/2+Iη是范围为[0,2]的特征值，因此在神经网络的情况下更可能发生数值发散和梯度爆炸。为了克服这个问题，引入了重整化技巧公式(16)(17)(18)。
其中是第i个实体的度矩阵,/>是第i个实体与其他实体之间的边数。
最后，可以得到GCN的表达式为(19)，完成编码。
预测流量值获取单元330用于对编码后的固有特征和关系特征进行解码，得到预测流量值。
对于第i个节点，其离散特征和连续特征的代表向量分别表示为和/>注意，两种类型的特征通常包含一个以上的特征。而不同特征的代表向量具有不同的维度，因为维度的数量通常表示信息量。具有较高抽象维度的特征应包含较大的丰硕信息量。因此，可以通过串联操作将两种类型的特征聚合为两个最终向量/>和/>
很有可能和/>有不同的维度。期望将它们的尺寸匹配并将它们连接成一个新的代表性向量，该向量可以表示为:
其中MFD和MFE是实现尺寸传递的重量参数。由于某些功能是随时间变化的，例如速度和流量，因此Fi可能无法在所有时间戳中保持稳定。令表示第t个时间戳处的特征表示。通常，节点或道路网络之间存在一些直接或间接的关系，在此研究场景中也假定存在这种关系。这里，二进制编码用于表示所有节点对之间的关系状态。如果两个节点具有关系，则关系索引表示为1，否则表示为0。交通流预测是一个时间序列预测问题，其中每个时间戳处的交通流与以前的时间戳高度相关。在第t个时间戳处，对于第i个节点，输入第(t-1)个时间戳处的流量和节点的特征进行计算。在这种情况下，GCN的信息传播可以表示为以下公式:
其中WP1和WP2是参数，Φ1(·)是Relu激活函数,表示为:
其中，计算为:
其中MP2、MP3和MP4是参数，是第(t-1)个时间戳处的真实流量值。在此基础上，建立了类似RNN的模型来实现时间序列预测。与LSTM模型类似，设置了三个门来控制计算过程:忘记门，输入门和输出门。对于遗忘门，其控制因子/>可以计算为:
其中MBi和bBi是参数，Φ2(·)是simoid函数，表示为:
对于输入门，其单元状态因子的计算公式为:
其中MSi、MHi、bSi和bHi为参数。对于输出门，其控制因子的计算公式为:
其中WOi和bOi是参数。给定历史交通流量数据，可以计算出未来的交通流量。在此基础上，可以将目标函数公式化为求解如下优化目标函数:
其中为第t个时间戳处的实际流量值，/>为第t个时间戳处的预测流量值，τ为正则化参数，θ为参数集。等式的左部分是损失项，右边是等式的一部分，是处罚项目。
根据上述方式得到预测的流量值，而最后本实施例采用的评价指标为回归评价指标。
平均绝对误差MAE(mean absolute error)：平均绝对误差，计算公式如下，值越小则表示错误越小，模型的回归效果越好。
均方误差(MSE)均方根误差(RMSE):MASE它表示误差的平方的期望值。其实就是MSE加了个根号，这样数量级上比较直观，比如RMSE＝10，可以认为回归效果相比真实值平均相差10。计算公式如下：
回归中一般是对因变量yy进行预测，假设样本共有n个，其中每个样本的真实值为yi,i＝1,2,...,n,每个样本的预测值为1,2,...,n,各评价指标就是评价交通流预测模型的预测值是否与实际的真实值接近，越接近则代表回归的结果越好。
本申请具有以下有益效果：
(1)本申请将深度嵌入和图形嵌入共同用于增强ITS中的特征表示。同时，通过深度嵌入和图形嵌入方法能够在进行交通流量预测的过程中呈现良好的性能。
(2)本申请专门针对深度嵌入和图形嵌入的原理上进行研究和预测，通过深度嵌入和图形嵌入的原理进行增强特征，其具有适当的鲁棒性，增强了不同情况下的稳定性。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种智能交通系统中交通流预测方法，其特征在于，包括以下步骤：
获取交通流节点的固有特征和关系特征；
对交通流节点的固有特征和关系特征进行编码；
对编码后的固有特征和关系特征进行解码，得到预测流量值。
2.如权利要求1所述的智能交通系统中交通流预测方法，其特征在于，固有特征分为离散型和连续型，用向量表示固有特征的离散特征，向量/>表示固有特征的连续特征，用A’i表示关系特征。
3.如权利要求2所述的智能交通系统中交通流预测方法，其特征在于，对离散特征进行编码通过矩阵计算直接嵌入，对于第s个节点，其第x个离散特征表示为Dx,s，对于Dx,s，首先通过one-hot编码将其转换为向量Δ(Dx,s)；对于Δ(Dx,s)，其维数等于其选项的数量；而Δ(Dx,s)由元素1和部分元素0组成，通过以下公式将Δ(Dx,s)编码为具有特定维度的另一个向量是Dx,s的嵌入结果：
其中WD,x表示权重参数，bD,x表示偏置参数，对于WD,x，它具有两个维度参数，这些参数指示其行尺寸和行尺寸，其中，第一个参数等于Dx,s的尺寸，第二个参数等于的尺寸。
4.如权利要求3所述的智能交通系统中交通流预测方法，其特征在于，对于连续特征期望它们在离散区间内的对应位置，对于单个特征，首先将其所有值归一化为[0,1]的范围，对于第i个节点，其第l个连续特征表示为El,i。El,i的归一化过程表示为：
E′l,j是El,i的相应归一化值，和/>是第l个连续特征的所有值中的最大值和最小值。
5.如权利要求4所述的智能交通系统中交通流预测方法，其特征在于，给定初始特征值El,i及其归一化值E′l,i，其中：
Δ(E′l,i)是E′l,i的单热编码结果，表示离散特征的代表向量。
6.一种智能交通系统中交通流预测系统，其特征在于，包括节点特征获取单元、编码单元以及预测流量值获取单元；
节点特征获取单元用于获取交通流节点的固有特征和关系特征；
编码单元用于对交通流节点的固有特征和关系特征进行编码；
预测流量值获取单元用于对编码后的固有特征和关系特征进行解码，得到预测流量值。
7.如权利要求6所述的智能交通系统中交通流预测系统，其特征在于，节点特征获取单元中，固有特征分为离散型和连续型，用向量表示固有特征的离散特征，向量/>表示固有特征的连续特征，用A’i表示关系特征。
8.如权利要求7所述的智能交通系统中交通流预测系统，其特征在于，编码单元中，对离散特征进行编码通过矩阵计算直接嵌入，对于第s个节点，其第x个离散特征表示为Dx,s，对于Dx,s，首先通过one-hot编码将其转换为向量Δ(Dx,s)；对于Δ(Dx,s)，其维数等于其选项的数量；而Δ(Dx,s)由元素1和部分元素0组成，通过以下公式将Δ(Dx,s)编码为具有特定维度的另一个向量是Dx,s的嵌入结果：
其中WD,x表示权重参数，bD,x表示偏置参数，对于WD,x，它具有两个维度参数，这些参数指示其行尺寸和行尺寸。其中，第一个参数等于Dx,s的尺寸，第二个参数等于的尺寸。
9.如权利要求8所述的智能交通系统中交通流预测系统，其特征在于，编码单元中，对于连续特征期望它们在离散区间内的对应位置，对于单个特征，首先将其所有值归一化为[0,1]的范围，对于第i个节点，其第l个连续特征表示为El,i。El,i的归一化过程表示为：
E′l,j是El,i的相应归一化值，和/>是第l个连续特征的所有值中的最大值和最小值。
10.如权利要求9所述的智能交通系统中交通流预测系统，其特征在于，编码单元中，给定初始特征值El,i及其归一化值E′l,i，其中：
Δ(E′l,i)是E′l,i的单热编码结果，表示离散特征的代表向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351736.9A CN117437776A (zh) | 2023-10-18 | 2023-10-18 | 一种智能交通系统中交通流预测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351736.9A CN117437776A (zh) | 2023-10-18 | 2023-10-18 | 一种智能交通系统中交通流预测方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117437776A true CN117437776A (zh) | 2024-01-23 |
Family
ID=89556223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311351736.9A Pending CN117437776A (zh) | 2023-10-18 | 2023-10-18 | 一种智能交通系统中交通流预测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117437776A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 |
| CN114330671A (zh) * | 2022-01-06 | 2022-04-12 | 重庆大学 | 一种基于Transformer时空图卷积网络的交通流预测方法 |
| CN115440032A (zh) * | 2022-08-09 | 2022-12-06 | 浙江工业大学 | 一种长短期公共交通流量预测方法 |
| US20230018125A1 (en) * | 2019-12-18 | 2023-01-19 | Google Llc | Processing Multi-Horizon Forecasts For Time Series Data |
| CN115700599A (zh) * | 2022-10-31 | 2023-02-07 | 大连理工大学 | 一种面向交通流量预测任务的连续编码器-解码器方法 |
| CN115841753A (zh) * | 2022-11-28 | 2023-03-24 | 华中科技大学 | 一种考虑动态空间关系的交通流预测方法 |
| CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
| CN116682271A (zh) * | 2023-06-07 | 2023-09-01 | 浙江财经大学 | 基于u形多尺度时空图卷积网络的交通流量预测方法 |
-
2023
- 2023-10-18 CN CN202311351736.9A patent/CN117437776A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230018125A1 (en) * | 2019-12-18 | 2023-01-19 | Google Llc | Processing Multi-Horizon Forecasts For Time Series Data |
| CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 |
| CN114330671A (zh) * | 2022-01-06 | 2022-04-12 | 重庆大学 | 一种基于Transformer时空图卷积网络的交通流预测方法 |
| CN115440032A (zh) * | 2022-08-09 | 2022-12-06 | 浙江工业大学 | 一种长短期公共交通流量预测方法 |
| CN115700599A (zh) * | 2022-10-31 | 2023-02-07 | 大连理工大学 | 一种面向交通流量预测任务的连续编码器-解码器方法 |
| CN115841753A (zh) * | 2022-11-28 | 2023-03-24 | 华中科技大学 | 一种考虑动态空间关系的交通流预测方法 |
| CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
| CN116682271A (zh) * | 2023-06-07 | 2023-09-01 | 浙江财经大学 | 基于u形多尺度时空图卷积网络的交通流量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bui et al. | Spatial-temporal graph neural network for traffic forecasting: An overview and open research issues | |
| Zhang et al. | Traffic flow forecasting with spatial-temporal graph diffusion network | |
| Liang et al. | Fine-grained urban flow prediction | |
| Ren et al. | Mtrajrec: Map-constrained trajectory recovery via seq2seq multi-task learning | |
| Nie et al. | Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks | |
| CN113792929B (zh) | 交通流量预测方法、电子设备及存储介质 | |
| Nie et al. | Network traffic prediction in industrial Internet of Things backbone networks: A multitask learning mechanism | |
| Wang et al. | Traffic accident risk prediction via multi-view multi-task spatio-temporal networks | |
| Zhang et al. | Urban traffic flow forecast based on FastGCRNN | |
| Shao et al. | The Traffic Flow Prediction Method Using the Incremental Learning‐Based CNN‐LTSM Model: The Solution of Mobile Application | |
| CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
| Wang et al. | On prediction of traffic flows in smart cities: a multitask deep learning based approach | |
| Liang et al. | Mixed-order relation-aware recurrent neural networks for spatio-temporal forecasting | |
| Ma et al. | Spatio‐temporal adaptive graph convolutional networks for traffic flow forecasting | |
| CN114039871B (zh) | 一种蜂窝流量预测的方法、系统、装置及介质 | |
| Zhu et al. | A Higher‐Order Motif‐Based Spatiotemporal Graph Imputation Approach for Transportation Networks | |
| Chai et al. | A Multifeature Fusion Short‐Term Traffic Flow Prediction Model Based on Deep Learnings | |
| Wang et al. | STTF: An efficient transformer model for traffic congestion prediction | |
| CN117789470A (zh) | 一种基于未来知识差分变换神经网络的交通流量预测方法 | |
| Bhaumik et al. | STLGRU: Spatio-temporal lightweight graph GRU for traffic flow prediction | |
| Xu et al. | Multi‐Dimensional Attention Based Spatial‐Temporal Networks for Traffic Forecasting | |
| Shuai et al. | Short‐Term Traffic Flow Prediction of Expressway: A Hybrid Method Based on Singular Spectrum Analysis Decomposition | |
| CN117077735A (zh) | 基于卷积神经网络的维度相关集成服务质量预测方法 | |
| CN117437776A (zh) | 一种智能交通系统中交通流预测方法及其系统 | |
| Liu et al. | MCT‐TTE: Travel Time Estimation Based on Transformer and Convolution Neural Networks |
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 |