CN117636633B - 一种基于时空感知混合图的交通流量预测方法 - Google Patents

Abstract

本发明提供了一种基于时空感知混合图网络的车辆交通流量预测方法，属于交通流量预测技术领域。该方法包括：根据时间序列机制将输入数据划分为训练集与测试集，训练集中定义了道路交通图；利用LSTM序列模型捕捉交通流量时间序列中的时序特征；利用异构注意力机制，聚合道路交通图和时序特征；计算损失函数并反向优化车辆交通流量预测模型参数；根据多次迭代优化车辆交通流量预测模型参数，得到最优车辆交通流量预测模型，输入测试集数据至最优车辆交通流量预测模型中，并利用单步迭代预测输出交通流量。本发明考虑了长时序列数据中时间和空间两个维度的耦合演化，解决了现有图神经网络模型对于存储完整道路交通图所需的大量内存开销问题。

Description

一种基于时空感知混合图的交通流量预测方法

技术领域

本发明属于交通流量预测技术领域，尤其涉及一种基于时空感知混合图的交通流量预测方法。

背景技术

交通流量预测的目的是在复杂的交互环境中，根据流量传感器读数的历史值来估计交通网络中指定位置的未来交通状况，它是智能交通系统稳定和安全的基础，然而，由于复杂的道路网络和无处不在的数据噪声，这是具有挑战性的。在传统的时间序列预测方法中，短期时间序列预测的结果较好，也可以识别不同时间序列隐藏的空间关系，但对于长期时间序列的准确性不高。交通流数据往往具有很长的时间依赖性，短期时间序列预测无法满足实际工业需要。基于深度的方法可以迭代学习多个传感器之间的相关性以捕获多元序列中的时间序列内和时间序列间的时间依赖性，用于进行准确的交通流量预测，但它们大都忽略了数据集中道路网络中的空间相关性。为了用适合道路网络的非欧几里得空间结构来表示多元时间序列的空间依赖性，一些方法将图神经网络引入到交通流量预测中捕捉潜在的空间相关性。在最近的一些方法中，通常使用动态图神经网络对时空依赖的演化进行建模。使用离散时间动态图难以表示出交通道路之间关系的细微变化。因此，交通流量预测中大多数基于图神经网络的方法都倾向于连续时间动态图。除了基于图神经网络的方法外，基于序列的研究主要集中于捕获宏观时间依赖性(例如，高峰时段的同时态动态拥塞)，但相比之下，微观层面的依赖缺乏关注。总的来说，目前的方法存在两个问题：

(1)基于连续时间动态图的方法，需要存储完整的图并将其输入到模型中，并且在交通流量预测任务中需要初始化额外的基于图神经网络的进程。因此，如果数据集中存在大量的道路节点或每个流序列的长度较长，则需要巨量的计算时间和空间成本。

(2)基于序列的方法缺乏同时对短期和长期时间相关性的关注，因此在挖掘道路交通网动态的时间依赖性方面存在局限性，进而得到次优的预测结果。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于时空感知混合图的交通流量预测方法，解决了现有图神经网络模型对于存储完整道路交通图所需的大量内存开销问题。

为了达到以上目的，本发明采用的技术方案为：一种基于时空感知混合图的交通流量预测方法，包括以下步骤：

S1、获取输入数据，根据时间序列机制将输入数据划分为训练集与测试集，其中，所述训练集中定义了道路交通图；

S2、利用LSTM序列模型捕捉交通流量时间序列中的时序特征；

S3、利用异构注意力机制，聚合道路交通图和时序特征；

S4、根据聚合结果，计算损失函数并反向优化车辆交通流量预测模型参数；

S5、判断是否达到迭代次数，若是，根据多次迭代优化车辆交通流量预测模型参数，得到最优车辆交通流量预测模型，并进入步骤S6，否则，返回步骤S2；

S6、输入测试集数据至最优车辆交通流量预测模型中，并利用单步迭代预测输出交通流量。

本发明的有益效果是：本发明通过在训练集中定义道路交通图，将其与交通流量时间序列的时序特征相聚合，并基于聚合结果对车辆交通流量预测模型进行训练，根据训练得到最优的车辆交通流量预测模型，利用单步迭代预测输出交通流量。本发明避免了臃肿的模型而导致的巨大空间开销，同时考虑了时间和空间两个维度的耦合演化，丰富了交通流量预测时所需的时空信息，进而提升了交通流量预测的预测精度。

进一步地，所述步骤S1中训练集中的道路交通图的定义如下：

A1、给定一目标道路节点v，收集所有与目标道路节点v连接的节点，并保留K个相邻节点；

A2、给定输入数据X和大小为w的滑动窗口，将原交通流量时间序列划分为L-w个交通流量时间子序列，并从每个道路交通图节点的单变量流序列中提取稳定性特征和趋势性特征，其中，L表示时间序列的长度；

A3、根据稳定性特征和趋势性特征，得到最终的交通流量时间序列，完成对道路交通图的定义。

上述进一步方案的有益效果是：本发明通过保存固定数量邻居节点的信息既利用了道路结点的空间信息又节省了一定的空间开销，并通过连续序列特征工程操作，丰富了为序列预测器提供的输入信息特征，为车辆交通流量预测模型的收敛提供帮助，并挖掘了数据中潜在的内在关系。

再进一步地，所述稳定性特征和趋势性特征的表达式分别如下：

其中，x^(i')'表示i'时刻交通流量稳定性特征向量的值，x^(i')表示交通流量原始时间序列i'时刻的值，x^(t-w+1:t)表示时间范围t-w+1时刻到t时刻的交通流量原始时间序列的时间窗口的值，x^(i')”表示i'时刻交通流量趋势性特征向量的值，x^(i'-1)表示交通流量原始时间序列i'-1时刻的值，i'表示时间范围t-w+1时刻到t时刻之间的时间点，min(·)表示最小化运算，max(·)表示最大化运算。

再进一步地，所述最终的交通流量时间序列的表达式如下：

其中，X表示最终的交通流量时间序列，x^(t)表示交通流量原始时间序列t时刻的值，x^(t)”表示t时刻交通流量趋势性特征向量的值，x^(t)'表示t时刻交通流量稳定性特征的值。

上述进一步方案的有益效果是：本发明从原始序列提取稳定性特征和趋势性特征，可以增强向序列预测器提供的输入信息，加快复杂模型的收敛速度，并破译数据集中潜在的内在关系。

再进一步地，所述LSTM序列模型的编码过程如下：

h^(t)＝o^(t)⊙tanh(c^(t))

其中，i^(t)表示输入门，σ表示sigmoid激活函数，W_i、W_f、W_c、W_o均表示可学习参数，r^(t-1)表示上一个时间节点的时空信息，表示t时刻输入数据X^(t)编码的向量，b_i、b_f、b_c和b_o均表示偏置项，f^(t)表示遗忘门，c^(t-1)、c^(t)和/>均表示中间变量，tanh(·)表示tanh激活函数，o^(t)表示输出门，⊙表示哈达玛积操作，h^(t)表示编码后的时序特征，T表示转置。

上述进一步方案的有益效果是：本发明通过前述对交通流量序列数据进行滑动窗口处理以及对输入信息的增强，LSTM序列模型能够提取细粒度的时间依赖。

再进一步地，所述步骤S3包括以下步骤：

S301、对于时间点t，利用异构注意力机制得到空间依赖性的信息聚合过程：

其中，表示空间依赖性，W_s表示空间注意机制中的可学习权值，h^(t)表示编码后的时序特征，i表示第i个邻居节点，K表示邻居节点个数，a_si表示空间注意力分数，/>表示第i个邻居节点的时间信息向量，RELU(·)表示RELU激活函数，T表示转置；

S302、根据聚合结果，计算目标道路节点和每个邻居节点之间的注意力分数，并在每个时间节点对注意力分数进行更新：

其中，表示注意力分数，/>表示中间变量，W_q表示查询函数的权值，W_k表示键值映射函数可学习权重，/>表示第i个邻居节点的时间信息向量；

S303、根据注意力分数，计算目标道路节点更新后的时空表示：

其中，r^(t)表示目前道路节点更新后的时空表示，W_fuse1表示融合层的可学习权值，W_v表示值函数的权值；

S304、利用下式，将目标道路节点更新后的时空表示传递至邻居节点：

其中，W_fuse2表示融合层的可学习权值；

S305、根据传递结果，利用多层感知器层生成时间点t+1的预测值完成对道路交通图和时间序列特征的聚合。

上述进一步方案的有益效果是：由于交通流量预测任务的特性，空间信息通常是一致的，通过精简道路交通图结构使车辆交通流量预测模型具有较低的空间开销，同时又保留了对节点间的相关性建模具有重要意义的节点。通过细粒度的时间序列建模使车辆交通流量预测模型从数据中能够学习到更具有泛化能力的模型参数，从而提高交通流量预测任务的精度。

再进一步地，所述步骤S4包括以下步骤：

S401、根据步骤S305中生成的预测值和训练集中对应时间点的真值，计算损失函数：

其中，L表示损失函数，y表示训练集中对应时间点的真值；

S402、利用损失函数反向优化车辆交通流量预测模型参数：

Θ＝AdamOptimizer(L,Θ)

其中，AdamOptimizer表示反向梯度优化器，Θ表示车辆交通流量预测模型参数。

上述进一步方案的有益效果是：本发明通过利用损失函数反向优化车辆交通流量预测模型参数，帮助模型提高运算效率，提高运算速度。

再进一步地，所述步骤S6包括以下步骤：

S601、将测试集数据输入至最优车辆交通流量预测模型中；

S602、单步执行步骤S2到步骤S3，得到下一时间点的预测值；

S603、判断未来时间段的交通流量是否全部预测，若是，则输出预测的交通流量，否则，返回步骤S601，直至未来时间段的所有交通流量全部被预测。

上述进一步方案的有益效果是：本发明通过细化的交通流量序列时间依赖性提取以及单步迭代预测都提高了交通流量预测准确度。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

如图1所示，本发明提供了一种基于时空感知混合图的交通流量预测方法，其实现方法如下：

S1、获取输入数据，根据时间序列机制将输入数据划分为训练集与测试集，其中，所述训练集中定义了道路交通图；

所述步骤S1中训练集中的道路交通图的定义如下：

A1、给定一目标道路节点v，收集所有与目标道路节点v连接的节点，并保留K个相邻节点；

A2、给定输入数据X和大小为w的滑动窗口，将原交通流量时间序列划分为L-w个交通流量时间子序列，并从每个道路交通图节点的单变量流序列中提取稳定性特征和趋势性特征，其中，L表示时间序列的长度；

A3、根据稳定性特征和趋势性特征，得到最终的交通流量时间序列，完成对道路交通图的定义；

本实施例中，对训练数据中的道路交通图定义如下：

其中，表示训练集的道路交通图，v表示交通网络中的第N个道路节点组成，ε表示道路节点之间的连接集。对于V中的每个道路节点v，其动态交通流量表示为x＝{x⁽¹⁾,x⁽²⁾,...,x^(t)}，x^(t)为时间t处的值。然后根据交通图的拓扑结构添加子序列。具体来说，给定一个目标道路节点v，首先收集所有与目标道路节点v有直接连接的节点，并保留K个相邻节点。然后对交通流量时间序列进行连续序列特征工程，具体而言，给定输入数据X和大小为w的滑动窗口，将原序列划分为L-w个子序列X^(t-w+1:x)，并从每个道路交通图节点的单变量流序列中提取两类连续特征：1、稳定性特征(即归一化序列x')；2、趋势性特征(即变化率系列x”)，操作如下：

其中，x^(i')'表示i'时刻交通流量稳定性特征向量的值，x^(i')表示交通流量原始时间序列i'时刻的值，x^(t-w+1:t)表示时间范围t-w+1时刻到t时刻的交通流量原始时间序列的时间窗口的值，x^(i')”表示i'时刻交通流量趋势性特征向量的值，x^(i'-1)表示交通流量原始时间序列i'-1时刻的值，i'表示时间范围t-w+1时刻到t时刻之间的时间点，min(·)表示最小化运算，max(·)表示最大化运算。最终序列表示为：

其中，X表示最终的交通流量时间序列，x^(t)表示交通流量原始时间序列t时刻的值，x^(t)”表示t时刻交通流量趋势性特征向量的值，x^(t)'表示t时刻交通流量稳定性特征的值。

S2、利用LSTM序列模型捕捉交通流量时间序列中的时序特征；

本实施例中，利用由LSTM单元组成的网络模型，基于图的空间结构来提取时间序列的细粒度时间依赖性。具体如下，给定目标节点X∈R^L×M及其相邻节点G∈R^K×L×M的交通流量序列，L表示时间序列的长度，M表示时间子序列的个数，K表示邻居节点的个数，每个序列即初始化K+1个独立的网络单元，每个网络单元之间不共享参数。对于t时刻输入的数据，每个LSTM网络单元的编码过程如：

h^(t)＝o^(t)⊙tanh(c^(t))

其中，i^(t)表示输入门，σ表示sigmoid激活函数，W_i、W_f、W_c、W_o均表示可学习参数，r^(t-1)表示上一个时间节点的时空信息，表示t时刻输入数据X^(t)编码的向量，b_i、b_f、b_c和b_o均表示偏置项，f^(t)表示遗忘门，c^(t-1)、c^(t)和/>均表示中间变量，tanh(·)表示tanh激活函数，o^(t)表示输出门，⊙表示哈达玛积操作，h^(t)表示编码后的时序特征，T表示转置。

S3、利用异构注意力机制，聚合道路交通图和时序特征；

本实施例中，通过提取了目标节点和邻居节点的时序特征之后，利用异构注意机制来挖掘粗粒度空间信息和动态时间依赖性，其中，动态时间依赖性由步骤S2解决，粗粒度空间信息由步骤S3解决。

S301、对于时间点t，利用异构注意力机制得到空间依赖性的信息聚合过程：

其中，表示空间依赖性，W_s表示空间注意机制中的可学习权值，h^(t)表示时间序列特征，i表示第i个邻居节点，K表示邻居节点个数，a_si表示空间注意力分数，/>表示第i个邻居节点的时间信息向量，RELU(·)表示RELU激活函数，T表示转置；

为了捕获邻居节点的连续影响，需计算目标节点和每个邻居之间的时间注意分数，并在每个时间节点更新，即时间注意力分数

S302、根据聚合结果，计算目标道路节点和每个邻居节点之间的注意力分数，并在每个时间节点对注意力分数进行更新：

其中，表示注意力分数，/>表示中间变量，W_q表示查询函数的权值，W_k表示键值映射函数可学习权重，/>表示第i个邻居节点的时间信息向量；

本实施例中，通过W_k进行线性变换后，由目标节点的空间表示变换而来的查询向量查询相邻节点的表示矩阵。然后需要计算目标节点更新后的时空表示r^(t)，操作如下：

S303、根据注意力分数，计算目标道路节点更新后的时空表示：

其中，r^(t)表示目前道路节点更新后的时空表示，W_fuse1表示融合层的可学习权值，W_v表示值函数的权值；

本实施例中，为了将信息传给邻居节点，进行以下操作：

S304、利用下式，将目标道路节点更新后的时空表示传递至邻居节点：

其中，W_fuse2表示融合层的可学习权值；

S305、根据传递结果，利用多层感知器层生成时间点t+1的预测值完成对道路交通图和时间序列特征的聚合

S4、根据聚合结果，计算损失函数并反向优化车辆交通流量预测模型参数，其实现方法如下：

S401、根据步骤S305中生成的预测值和训练集中对应时间点的真值，计算损失函数；

S402、利用损失函数反向优化车辆交通流量预测模型参数。

本实施例中，利用模型生成的预测值和训练集中的标记真值计算损失并反向优化车辆交通流量预测模型。对于多变量时间序列预测任务，定义如下的损失函数来评估算法精确度并指导后续的参数更新：

其中，L表示损失函数，y表示训练集中对应时间点的真值。

因此，优化目标函数如下：

其中，Θ表示所有涉及的网路参数和可学习参数，X^(t-w+1:t)表示时间点t道路结点的经过预处理的输入序列，G^(t-w+1:t)表示邻居结点的经过预处理的输入序列，A_s表示邻接矩阵，x^(t)表示时间点t道路节点的原始流量数据。利用损失反向优化参数的过程定义为：

Θ＝AdamOptimizer(L,Θ)

其中，AdamOptimizer表示反向梯度优化器。

S5、判断是否达到迭代次数，若是，根据多次迭代优化车辆交通流量预测模型参数，得到最优车辆交通流量预测模型，并进入步骤S6，否则，返回步骤S2；

S6、输入测试集数据至最优车辆交通流量预测模型中，并利用单步迭代预测输出交通流量，其实现方法如下：

S601、将测试集数据输入至最优车辆交通流量预测模型中；

S602、单步执行步骤S2到步骤S3，得到下一时间点的预测值；

S603、判断未来时间段的交通流量是否全部预测，若是，则输出预测的交通流量，否则，返回步骤S601，直至未来时间段的所有交通流量全部被预测

本实施例中，将测试数据输入最优车辆交通流量预测模型，单步迭代执行步骤S2-步骤S3得到相应下一时间点的预测值，即预测第一个时间点后，将预测结果放入窗口，然后预测第二步，循环往复直到预测未来时间段的所有点流量值。

本实施例中，本发明利用连续序列特征工程，丰富了为序列预测器提供的输入信息特征，为车辆交通流量预测模型的收敛提供帮助，并挖掘数据中潜在的内在关系。本发明对道路交通图进行了额外处理，降低交通图结构的大小，使模型具有很低的空间开销，同时又保留了对节点间的相关性建模具有重要意义的节点。本发明细化的交通流量序列时间依赖性提取以及单步迭代预测都提高了交通流量预测准确度。

Claims (4)

1.一种基于时空感知混合图的交通流量预测方法，其特征在于，包括以下步骤：

S1、获取输入数据，根据时间序列机制将输入数据划分为训练集与测试集，其中，所述训练集中定义了道路交通图；

所述步骤S1中训练集中的道路交通图的定义如下：

A1、给定一目标道路节点，收集所有与目标道路节点/>连接的节点，并保留/>个相邻节点；

A2、给定输入数据和大小为/>的滑动窗口，将原交通流量时间序列划分为/>个交通流量时间子序列，并从每个道路交通图节点的单变量流序列中提取稳定性特征和趋势性特征，其中，/>表示时间序列的长度；

A3、根据稳定性特征和趋势性特征，得到最终的交通流量时间序列，完成对道路交通图的定义；

S2、利用LSTM序列模型捕捉交通流量时间序列中的时序特征；

所述LSTM序列模型的编码过程如下：

其中，表示输入门，/>表示sigmoid激活函数，/>、/>、/>、/>均表示可学习参数，表示上一个时间节点的时空信息，/>表示t时刻输入数据/>编码的向量，/>、/>、/>和/>均表示偏置项，/>表示遗忘门，/>、/>和/>均表示中间变量，/>表示tanh激活函数，/>表示输出门，/>表示哈达玛积操作，/>表示编码后的时序特征，/>表示转置；

S3、利用异构注意力机制，聚合道路交通图和时序特征；

所述步骤S3包括以下步骤：

S301、对于时间点t，利用异构注意力机制得到空间依赖性的信息聚合过程：

其中，表示空间依赖性，/>表示空间注意机制中的可学习权值，/>表示编码后的时序特征，/>表示第/>个邻居节点，/>表示邻居节点个数，/>表示空间注意力分数，/>表示第/>个邻居节点的时间信息向量，/>表示RELU激活函数，/>表示转置；

S302、根据聚合结果，计算目标道路节点和每个邻居节点之间的注意力分数，并在每个时间节点对注意力分数进行更新：

其中，表示注意力分数，/>表示中间变量，/>表示查询函数的权值，/>表示键值映射函数可学习权重，/>表示第/>个邻居节点的时间信息向量；

S303、根据注意力分数，计算目标道路节点更新后的时空表示：

其中，表示目前道路节点更新后的时空表示，/>表示融合层的可学习权值，/>表示值函数的权值；

S304、利用下式，将目标道路节点更新后的时空表示传递至邻居节点：

其中，表示融合层的可学习权值；

S305、根据传递结果，利用多层感知器层生成时间点的预测值/>，完成对道路交通图和时间序列特征的聚合；

S4、根据聚合结果，计算损失函数并反向优化车辆交通流量预测模型参数；

所述步骤S4包括以下步骤：

S401、根据步骤S305中生成的预测值和训练集中对应时间点的真值，计算损失函数：

其中，表示损失函数，/>表示训练集中对应时间点的真值；

S402、利用损失函数反向优化车辆交通流量预测模型参数：

其中，表示反向梯度优化器，/>表示车辆交通流量预测模型参数；

S5、判断是否达到迭代次数，若是，根据多次迭代优化车辆交通流量预测模型参数，得到最优车辆交通流量预测模型，并进入步骤S6，否则，返回步骤S2；

S6、输入测试集数据至最优车辆交通流量预测模型中，并利用单步迭代预测输出交通流量。

2.根据权利要求1所述的基于时空感知混合图的交通流量预测方法，其特征在于，所述稳定性特征和趋势性特征的表达式分别如下：

其中，表示/>时刻交通流量稳定性特征向量的值，/>表示交通流量原始时间序列时刻的值，/>表示时间范围/>时刻到/>时刻的交通流量原始时间序列的时间窗口的值，/>表示/>时刻交通流量趋势性特征向量的值，/>表示交通流量原始时间序列时刻的值，/>表示时间范围/>时刻到/>时刻之间的时间点，/>表示最小化运算，/>表示最大化运算。

3.根据权利要求2所述的基于时空感知混合图的交通流量预测方法，其特征在于，所述最终的交通流量时间序列的表达式如下：

其中，表示最终的交通流量时间序列，/>表示交通流量原始时间序列/>时刻的值，表示/>时刻交通流量趋势性特征向量的值，/>表示/>时刻交通流量稳定性特征的值。

4.根据权利要求1所述的基于时空感知混合图的交通流量预测方法，其特征在于，所述步骤S6包括以下步骤：

S601、将测试集数据输入至最优车辆交通流量预测模型中；

S602、单步执行步骤S2到步骤S3，得到下一时间点的预测值；

S603、判断未来时间段的交通流量是否全部预测，若是，则输出预测的交通流量，否则，返回步骤S601，直至未来时间段的所有交通流量全部被预测。