CN117649769A - 一种基于时空关联特征矩阵的未来交通流量智能预测方法 - Google Patents
一种基于时空关联特征矩阵的未来交通流量智能预测方法 Download PDFInfo
- Publication number
- CN117649769A CN117649769A CN202410117383.4A CN202410117383A CN117649769A CN 117649769 A CN117649769 A CN 117649769A CN 202410117383 A CN202410117383 A CN 202410117383A CN 117649769 A CN117649769 A CN 117649769A
- Authority
- CN
- China
- Prior art keywords
- layer
- time
- network
- input end
- space
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 68
- 238000012886 linear function Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 20
- 125000004122 cyclic group Chemical group 0.000 claims description 13
- 230000003213 activating effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 210000004027 cell Anatomy 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 210000001503 joint Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 210000003040 circulating cell Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 11
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时空关联特征矩阵的未来交通流量智能预测方法，引入图卷积残差网络与时空双向门控循环单元组合，实现对目标路网的预测，其中，时空双向门控循环单元有效地捕捉交通数据中的时空关联性，允许模型在考虑历史数据的同时，考虑未来时刻的信息，图卷积残差网络有助于模型更好地理解城市交通网络的拓扑结构，从而提高预测的精确性和鲁棒性，设计方法通过考虑时间和空间的复杂关系，精确地预测未来交通流量，提高了交通管理的效率，应用潜力广泛，不仅可以帮助城市规划者更好地管理交通流量，还可以为个人驾驶者提供实时交通信息，以改善他们的出行体验，具有重要的实际应用前景。
Description
技术领域
本发明涉及一种基于时空关联特征矩阵的未来交通流量智能预测方法，属于道路交通预测技术领域。
背景技术
在交通管理和规划领域，交通流量预测一直是一个至关重要的任务，准确的交通流量预测可以帮助城市规划者、交通管理机构和个人驾驶者，更好地应对交通拥堵、提高交通效率以及优化路线规划。因此，研究人员一直在寻求开发更加精确和高效的交通流量预测方法。
传统的交通流量预测方法通常基于历史数据的统计分析，如时间序列分析、回归分析等。然而，这些方法在面对复杂的城市交通系统和动态变化的交通模式时，往往难以提供准确的预测结果。
发明内容
本发明所要解决的技术问题是提供一种基于时空关联特征矩阵的未来交通流量智能预测方法，通过双向门控循环单元和图卷积残差网络，提高交通流量预测的准确性和鲁棒性。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于时空关联特征矩阵的未来交通流量智能预测方法，执行步骤A至步骤D，获得目标路网对应的路网预测模型，进而执行步骤i，对目标路网实现目标未来时段的预测；
步骤A. 以道路为节点、道路之间相连为对应节点间相连边，构建目标路网拓扑节点图，并获得拓扑节点图所对应关于节点之间是否连通的邻接矩阵，然后进入步骤B；
步骤B. 首先获得预设周期各历史时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，然后基于第一预设数量连续各历史时间点的依据时段，向未来时间方向与依据时段间隔预设时长跨度、包含第二预设数量连续各历史时间点的分析时段，以依据时段各历史时间点下目标路网特征矩阵、结合对应分析时段各历史时间点下目标路网特征矩阵构建样本，获得各组样本，再进入步骤C；
步骤C. 构建包括图卷积残差网络与时空双向门控循环单元串联的待训练网络，然后进入步骤D；
步骤D. 基于各组样本，以目标路网拓扑节点图、样本中依据时段各历史时间点下目标路网特征矩阵为输入，样本中分析时段各历史时间点下目标路网特征矩阵为输出，针对待训练网络进行训练，获得路网预测模型；
步骤ⅰ. 针对向历史时间方向与目标未来时段相距间隔预设时长跨度依据时段的依据时段，按步骤B方法，获得该依据时段中各历史时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，然后结合目标路网拓扑节点图，应用目标路网对应的路网预测模型，获得目标未来时段各时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，对目标路网实现目标未来时段的预测。
作为本发明的一种优选技术方案：所述步骤B中，根据预设周期各历史时间点下、目标路网中各道路对应包含道路交通速度的预设各道路属性特征，结合邻接矩阵经两层图卷积模型处理，获得目标路网对应各历史时间点下的空间特征，再经过双向门控循环单元迭代更新，获得目标路网对应各历史时间点下的特征矩阵。
作为本发明的一种优选技术方案：所述步骤C中待训练网络基于图卷积残差网络与时空双向门控循环单元，还包括数据嵌入层、数据输出层，以数据嵌入层的输入端构成待训练网络的输入端，数据嵌入层的输出端对接图卷积残差网络的输入端，图卷积残差网络的输出端对接时空双向门控循环单元的输入端，时空双向门控循环单元的输出端对接数据输出层的输入端，数据输出层的输出端构成待训练网络的输出端；
时空双向门控循环单元包括第一双向门控循环单元层、第二双向门控循环单元层、第一整流线性函数、第二整流线性函数、第一全连接层、第二全连接层、第三全连接层、第一融合层，其中，第一双向门控循环单元层的输入端构成时空双向门控循环单元的输入端，第一双向门控循环单元层的输出端对接第一整流线性函数的输入端，第一整流线性函数的输出端对接第一全连接层的输入端，第一全连接层的输出端对接第二整流线性函数的输入端，第二整流线性函数的输出端对接第二全连接层的输入端，同时，第一双向门控循环单元层的输出端、第二全连接层的输出端分别对接第一融合层的两个输入端，第一融合层的输出端对接第二双向门控循环单元层的输入端，第二双向门控循环单元层的输出端对接第三全连接层的输入端，第三全连接层的输出端构成时空双向门控循环单元的输出端。
作为本发明的一种优选技术方案：所述时空双向门控循环单元中第一双向门控循环单元层的结构与第二双向门控循环单元层的结构相同，各双向门控循环单元层分别均包括正向门控循环单元序列、反向门控循环单元序列、以及各个激活单元、各个拼接单元，其中，正向门控循环单元序列中门控循环单元的数量与反向门控循环单元序列中门控循环单元的数量相等，正向门控循环单元序列中顺序各门控循环单元分别与反向门控循环单元序列中逆序相同序号位置门控循环单元一一对应构成组合，激活单元的数量、拼接单元的数量分别均与组合的数量相等，且各激活单元、各拼接单元、各组合三者彼此一一对应，各组合分别与对应拼接单元、激活单元组成双向门控循环单元细胞，各组合中两个门控循环单元输入端相连构成组合的输入端，即由各组合的输入端构成双向门控循环单元层的各输入端，各组合中两个门控循环单元输出端相连构成该组合的输出端、并经对应拼接单元连接对应激活单元的输入端，各激活单元的输出端构成双向门控循环单元层的各输出端。
作为本发明的一种优选技术方案：关于所述双向门控循环单元细胞中，重置门表示根据当前时间步输入，用于实现新输入信息与前面记忆的结合，上一个时间步隐含状态/>用于表示所遗忘上一层细胞状态的数量，/>的计算公式表示为：
其中，为图卷积过程，/>和/>表示训练过程中的权重和偏差，/>为上一个时间步隐含状态；
使用更新门用于表示记忆下来数据的数量，/>的计算公式可以表示为如下：
其中，和/> 、/>表示训练过程中的权重和偏差，/>为图卷积过程，/>为上一个时间步隐含状态；
基于上述重置门和更新门的计算，在重置门的基础上，引入下一步要计算的隐藏状态，用公式表示为如下：
其中，和/>表示训练过程中的权重和偏差，/>为图卷积过程，/>为上一个时间步隐含状态，其中，隐层状态/>与重置门/>相关，/>的值越大，则表示上一时刻需要记住的就越多，新输入信息与前面的记忆相结合的越多，当/>的值接近0时，表示上一时刻的内容需要全部丢弃，只保留当前时刻的输入，用来丢弃与预测无关的历史信息，而当的值接近1时，保留上一时刻的隐藏状态；
在双向门控循环单元细胞中，当、/>、/>在当前时刻的值已知时，则应用更新记忆表达式表示输出记忆下来的数据或者遗忘的数据，更新记忆表达式如下：
式中，表示对上一时刻隐藏状态进行选择性遗忘，用于忘记/>中预设类型信息，/>表示对候选隐藏状态的进一步选择性记忆，用于忘记/>中预设类型信息，即对/>中信息作进一步的选择，门控循环单元的工作流程是/>会忘记传递下来的/>中的部分信息，并加入当前节点输入的部分信息，形成最终的记忆；
根据上一个时间步隐含状态和当前时间步输入/>，通过正向门控循环单元序列得到正向隐层输出/>，根据下一个时间步隐含状态/>和当前时间步输入/>，通过反向门控循环单元序列得到反向隐层输出/>，进而使用连接单元得到当前时间步隐层输出/>，表示为：/>。
作为本发明的一种优选技术方案：所述图卷积残差网络包括自其输入端至其输出端依次串联的至少两个图卷积层、以及各个残差网络，残差网络的数量等于图卷积层的数量减1，除顺序最后一个图卷积层以外、各图卷积层分别与各残差网络彼此一一对应，且该各图卷积层的输出端分别同时与其对应残差网络的输入端相连接，各残差网络的输出端分别与其对应图卷积层的顺序下一个图卷积层的输入端相连接，顺序第一个图卷积层的输入端构成图卷积残差网络的输入端，顺序最后一个图卷积层的输出端构成图卷积残差网络的输出端。
作为本发明的一种优选技术方案：所述残差网络包括第一权重层、第二权重层、第三整流线性函数、第四整流线性函数、第二融合层，其中，第一权重层的输入端构成残差网络的输入端，第一权重层的输出端对接第三整流线性函数的输入端，第三整流线性函数的输出端对接第二权重层的输入端，第二权重层的输出端对接第二融合层的输入端，且第二融合层的输入端同时对接残差网络的输入端，第二融合层的输出端构成残差网络的输出端。
作为本发明的一种优选技术方案，所述图卷积层的计算如下：
其中，表示图卷积输出，/>表示图卷积层中从输入层到隐藏层的参数矩阵，/>表示特征矩阵的长度，/>表示隐藏单元的个数，/>表示图卷积层中从隐藏层到输出层的参数矩阵；/>表示所述第二预设数量预设周期时间点的长度为/>的输出，/>表示图卷积层中的激活层，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的特征矩阵，/>，/>表示单位矩阵，/>表示激活函数sigmoid。
作为本发明的一种优选技术方案，所述步骤D中，应用如下损失函数，针对待训练网络进行训练，获得路网预测模型；
其中，表示损失函数结果，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的实际特征矩阵，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的预测特征矩阵，/>表示/>与/>之间差值关于目标路网各道路的求和，/>表示绝对值函数。
作为本发明的一种优选技术方案，所述预设各道路属性特征为道路交通速度。
本发明所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种基于时空关联特征矩阵的未来交通流量智能预测方法，引入图卷积残差网络与时空双向门控循环单元组合，实现对目标路网的预测，其中，时空双向门控循环单元有效地捕捉交通数据中的时空关联性，允许模型在考虑历史数据的同时，考虑未来时刻的信息，图卷积残差网络有助于模型更好地理解城市交通网络的拓扑结构，从而提高预测的精确性和鲁棒性，设计方法通过考虑时间和空间的复杂关系，精确地预测未来交通流量，提高了交通管理的效率，应用潜力广泛，不仅可以帮助城市规划者更好地管理交通流量，还可以为个人驾驶者提供实时交通信息，以改善他们的出行体验，具有重要的实际应用前景；
本发明所设计一种基于时空关联特征矩阵的未来交通流量智能预测方法中，采用残差网络跳线连接，使得其输入可以直接短连接到非线性层的输出上，以直接连接过来的恒等映射和非线性输出两路相应的值进行相加作为输出结果，该举可以有效地缓解因神经网络模型堆叠导致的梯度消失问题，从而可以更好地用于交通流量的预测，另外本发明设计充分利用全部样本，排除实验的偶合性和随机性，使得实验结果能更具说服力，预测性能更具通用性。
附图说明
图1是本发明设计中网络整体架构图；
图2为本发明设计中双向门控循环单元细胞的结构图。
图3a至图3e为本发明与其他几个基准模型在RMSE、MAE、、var和accuracy下的实验值结果对比图。
实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种基于时空关联特征矩阵的未来交通流量智能预测方法，实际应用当中，执行步骤A至步骤D，获得目标路网对应的路网预测模型。
步骤A. 以道路为节点、道路之间相连为对应节点间相连边，构建目标路网拓扑节点图，记作，并获得拓扑节点图所对应关于节点之间是否连通的邻接矩阵/>，，矩阵/>中每个元素的值代表了道路之间的连通性，0代表不连通，1代表连通，/>表示目标路网道路节点的集合，/>表示节点边的集合，/>则表示道路节点的总数量，然后进入步骤B。
步骤B. 首先根据预设周期各历史时间点下、目标路网中各道路对应包含道路交通速度的预设各道路属性特征，结合邻接矩阵经两层图卷积模型处理，获得目标路网对应各历史时间点下的空间特征，再经过双向门控循环单元迭代更新，获得目标路网对应各历史时间点下的特征矩阵/>，/>，/>表示目标路网中各道路在时间/>的的预设各道路属性特征。
然后基于第一预设数量连续各历史时间点的依据时段，向未来时间方向与依据时段间隔预设时长跨度、包含第二预设数量连续各历史时间点的分析时段，以依据时段各历史时间点下目标路网特征矩阵、结合对应分析时段各历史时间点下目标路网特征矩阵构建样本，获得各组样本，再进入步骤C。
步骤C. 构建包括图卷积残差网络（GCN-ResNet）与时空双向门控循环单元（ST-BiGRU）串联的待训练网络具体如下，然后进入步骤D。
如图1所示，待训练网络基于图卷积残差网络（GCN-ResNet）与时空双向门控循环单元（ST-BiGRU），还包括数据嵌入层、数据输出层，以数据嵌入层的输入端构成待训练网络的输入端，数据嵌入层的输出端对接图卷积残差网络（GCN-ResNet）的输入端，图卷积残差网络（GCN-ResNet）的输出端对接时空双向门控循环单元（ST-BiGRU）的输入端，时空双向门控循环单元（ST-BiGRU）的输出端对接数据输出层的输入端，数据输出层的输出端构成待训练网络的输出端。
其中，如图1所示，图卷积残差网络（GCN-ResNet）包括自其输入端至其输出端依次串联的至少两个图卷积层、以及各个残差网络，残差网络的数量等于图卷积层的数量减1，除顺序最后一个图卷积层以外、各图卷积层分别与各残差网络彼此一一对应，且该各图卷积层的输出端分别同时与其对应残差网络的输入端相连接，各残差网络的输出端分别与其对应图卷积层的顺序下一个图卷积层的输入端相连接，顺序第一个图卷积层的输入端构成图卷积残差网络（GCN-ResNet）的输入端，顺序最后一个图卷积层的输出端构成图卷积残差网络（GCN-ResNet）的输出端。
如图1所示，图卷积残差网络（GCN-ResNet）中的残差网络包括第一权重层、第二权重层、第三整流线性函数、第四整流线性函数、第二融合层，其中，第一权重层的输入端构成残差网络的输入端，第一权重层的输出端对接第三整流线性函数的输入端，第三整流线性函数的输出端对接第二权重层的输入端，第二权重层的输出端对接第二融合层的输入端，且第二融合层的输入端同时对接残差网络的输入端，第二融合层的输出端构成残差网络的输出端。
具体实际实施中，所述图卷积层的计算如下：
其中，表示图卷积输出，/>表示图卷积层中从输入层到隐藏层的参数矩阵，/>表示特征矩阵的长度，/>表示隐藏单元的个数，/>表示图卷积层中从隐藏层到输出层的参数矩阵；/>表示所述第二预设数量预设周期时间点的长度为/>的输出，/>表示图卷积层中的激活层，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的特征矩阵，/>，/>表示单位矩阵，/>表示激活函数sigmoid。
如图1所示，时空双向门控循环单元（ST-BiGRU）包括第一双向门控循环单元层、第二双向门控循环单元层、第一整流线性函数、第二整流线性函数、第一全连接层、第二全连接层、第三全连接层、第一融合层，其中，第一双向门控循环单元层的输入端构成时空双向门控循环单元（ST-BiGRU）的输入端，第一双向门控循环单元层的输出端对接第一整流线性函数的输入端，第一整流线性函数的输出端对接第一全连接层的输入端，第一全连接层的输出端对接第二整流线性函数的输入端，第二整流线性函数的输出端对接第二全连接层的输入端，同时，第一双向门控循环单元层的输出端、第二全连接层的输出端分别对接第一融合层的两个输入端，第一融合层的输出端对接第二双向门控循环单元层的输入端，第二双向门控循环单元层的输出端对接第三全连接层的输入端，第三全连接层的输出端构成时空双向门控循环单元（ST-BiGRU）的输出端。
具体设计中，时空双向门控循环单元（ST-BiGRU）中第一双向门控循环单元层的结构与第二双向门控循环单元层的结构相同，如图1所示，各双向门控循环单元层分别均包括正向门控循环单元序列、反向门控循环单元序列、以及各个激活单元、各个拼接单元，其中，正向门控循环单元序列中门控循环单元GRU的数量与反向门控循环单元序列中门控循环单元GRU的数量相等，正向门控循环单元序列中顺序各门控循环单元GRU分别与反向门控循环单元序列中逆序相同序号位置门控循环单元GRU一一对应构成组合，激活单元/>的数量、拼接单元的数量分别均与组合的数量相等，且各激活单元/>、各拼接单元、各组合三者彼此一一对应，各组合分别与对应拼接单元、激活单元/>组成双向门控循环单元细胞，各组合中两个门控循环单元GRU输入端相连构成组合的输入端，即由各组合的输入端构成双向门控循环单元层的各输入端，各组合中两个门控循环单元GRU输出端相连构成该组合的输出端、并经对应拼接单元连接对应激活单元/>的输入端，各激活单元/>的输出端构成双向门控循环单元层的各输出端。
实际实施当中，如图2所示，关于所述双向门控循环单元细胞中，重置门表示根据当前时间步输入，用于实现新输入信息与前面记忆的结合，上一个时间步隐含状态/>用于表示所遗忘上一层细胞状态的数量，/>的计算公式表示为：
其中，为图卷积过程，/>和/>表示训练过程中的权重和偏差，/>为上一个时间步隐含状态。
使用更新门用于表示记忆下来数据的数量，/>越接近1，则表示“记忆”下来的数据越多，/>越接近0，则代表“遗忘的越多，/>的计算公式可以表示为如下：
其中，和/> 、/>表示训练过程中的权重和偏差，/>为图卷积过程，/>为上一个时间步隐含状态。
基于上述重置门和更新门的计算，在重置门的基础上，引入下一步要计算的隐藏状态，用公式表示为如下：
其中，和/>表示训练过程中的权重和偏差，/>为图卷积过程，/>为上一个时间步隐含状态，其中，隐层状态/>与重置门/>相关，/>的值越大，则表示上一时刻需要记住的就越多，新输入信息与前面的记忆相结合的越多，当/>的值接近0时，表示上一时刻的内容需要全部丢弃，只保留当前时刻的输入，用来丢弃与预测无关的历史信息，而当的值接近1时，保留上一时刻的隐藏状态，重置门对数据的处理方面有利于捕捉时间序列里短期的依赖关系。
在双向门控循环单元细胞中，当、/>、/>在当前时刻的值已知时，则应用更新记忆表达式表示输出记忆下来的数据或者遗忘的数据，更新记忆表达式如下：
式中，表示对上一时刻隐藏状态进行选择性遗忘，用于忘记/>中预设类型信息，/>表示对候选隐藏状态的进一步选择性记忆，用于忘记/>中预设类型信息，即对/>中信息作进一步的选择，门控循环单元的工作流程是/>会忘记传递下来的/>中的部分信息，并加入当前节点输入的部分信息，形成最终的记忆。
根据上一个时间步隐含状态和当前时间步输入/>，通过正向门控循环单元序列得到正向隐层输出/>，根据下一个时间步隐含状态/>和当前时间步输入/>，通过反向门控循环单元序列得到反向隐层输出/>，进而使用连接单元得到当前时间步隐层输出/>，表示为：/>。
步骤D. 基于各组样本，以目标路网拓扑节点图、样本中依据时段各历史时间点下目标路网特征矩阵为输入，样本中分析时段各历史时间点下目标路网特征矩阵为输出，结合如下损失函数：
针对待训练网络进行训练，获得路网预测模型。其中，表示损失函数结果，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的实际特征矩阵，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的预测特征矩阵，/>表示/>与/>之间差值关于目标路网各道路的求和，/>表示绝对值函数。
基于上述目标路网对应的路网预测模型获得获得，进而执行如下步骤i，对目标路网实现目标未来时段的预测。
步骤ⅰ. 针对向历史时间方向与目标未来时段相距间隔预设时长跨度依据时段的依据时段，按步骤B方法，获得该依据时段中各历史时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，然后结合目标路网拓扑节点图，应用目标路网对应的路网预测模型，获得目标未来时段各时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，对目标路网实现目标未来时段的预测。
将上述设计应用于实际当中，基于5个指标RMSE、MAE、accuracy、、var进行多次重复实验，优化参数调整，用双向GRU加残差网络连接的方法来表明本发明设计具有从交通数据中获取较强时空特征的能力。本发明选用SZ-taxi交通数据集，将本发明模型STBGRN同HA、ARIMA、SVR、GCN、GRU、TGCN基准模型进行比较，如图3a所示，RMSE指标方面，本发明模型STBGRN分别比HA、ARIMA、SVR、GCN、GRU、TGCN降低了10.19%、68.16%、6.94%、35.67%、3.55%、1.75%，表明本发明设计模型实验结果误差相对较小，较小的RMSE值表示模型的拟合程度较好；如图3b所示，MAE指标方面，本发明模型STBGRN分别比HA、ARIMA、SVR、GCN、TGCN降低了2.88%、42.19%、4.31%、39.50%和0.38%，略高于GRU 3.92%，表明本发明设计模型在数据集上反映的预测误差较小，模型拟合度较好；如图3c所示，accuracy指标方面，本发明模型STBGRN分别比HA、ARIMA、SVR、GCN、GRU、TGCN提高了3.55%、47.05%、2.11%、19.90%、5.48%和1.59%,表明了本发明设计模型具有更精准的预测度，能够更精确地预测交通道路的实际交通速度；如图3d所示，/>指标方面，本发明模型STBGRN分别比HA、SVR、GCN、GRU、TGCN提高了3.16%、1.81%、21.86%、2.66%、1.43%，如图3e所示， var指标方面，本发明模型STBGRN分别比HA、SVR、GCN、GRU、TGCN提高了3.18%、1.82%、21.88%、2.66%、1.42%，/>和var均分别提高，表明了本发明设计模型数据真实值与平均值差异的平方和较小，对数据的拟合程度较好。
本发明所设计引入图卷积残差网络（GCN-ResNet）与时空双向门控循环单元（ST-BiGRU）组合，实现对目标路网的预测，其中，时空双向门控循环单元（ST-BiGRU）有效地捕捉交通数据中的时空关联性，允许模型在考虑历史数据的同时，考虑未来时刻的信息，图卷积残差网络（GCN-ResNet）有助于模型更好地理解城市交通网络的拓扑结构，从而提高预测的精确性和鲁棒性，设计方法通过考虑时间和空间的复杂关系，精确地预测未来交通流量，提高了交通管理的效率，应用潜力广泛，不仅可以帮助城市规划者更好地管理交通流量，还可以为个人驾驶者提供实时交通信息，以改善他们的出行体验，具有重要的实际应用前景。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：执行步骤A至步骤D，获得目标路网对应的路网预测模型，进而执行步骤i，对目标路网实现目标未来时段的预测；
步骤A. 以道路为节点、道路之间相连为对应节点间相连边，构建目标路网拓扑节点图，并获得拓扑节点图所对应关于节点之间是否连通的邻接矩阵，然后进入步骤B；
步骤B. 首先获得预设周期各历史时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，然后基于第一预设数量连续各历史时间点的依据时段，向未来时间方向与依据时段间隔预设时长跨度、包含第二预设数量连续各历史时间点的分析时段，以依据时段各历史时间点下目标路网特征矩阵、结合对应分析时段各历史时间点下目标路网特征矩阵构建样本，获得各组样本，再进入步骤C；
步骤C. 构建包括图卷积残差网络与时空双向门控循环单元串联的待训练网络，然后进入步骤D；
步骤D. 基于各组样本，以目标路网拓扑节点图、样本中依据时段各历史时间点下目标路网特征矩阵为输入，样本中分析时段各历史时间点下目标路网特征矩阵为输出，针对待训练网络进行训练，获得路网预测模型；
步骤ⅰ. 针对向历史时间方向与目标未来时段相距间隔预设时长跨度依据时段的依据时段，按步骤B方法，获得该依据时段中各历史时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，然后结合目标路网拓扑节点图，应用目标路网对应的路网预测模型，获得目标未来时段各时间点下、目标路网关于各道路对应预设各道路属性特征的特征矩阵，对目标路网实现目标未来时段的预测。
2.根据权利要求1所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述步骤B中，根据预设周期各历史时间点下、目标路网中各道路对应包含道路交通速度的预设各道路属性特征，结合邻接矩阵经两层图卷积模型处理，获得目标路网对应各历史时间点下的空间特征，再经过双向门控循环单元迭代更新，获得目标路网对应各历史时间点下的特征矩阵。
3.根据权利要求1所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述步骤C中待训练网络基于图卷积残差网络与时空双向门控循环单元，还包括数据嵌入层、数据输出层，以数据嵌入层的输入端构成待训练网络的输入端，数据嵌入层的输出端对接图卷积残差网络的输入端，图卷积残差网络的输出端对接时空双向门控循环单元的输入端，时空双向门控循环单元的输出端对接数据输出层的输入端，数据输出层的输出端构成待训练网络的输出端；
时空双向门控循环单元包括第一双向门控循环单元层、第二双向门控循环单元层、第一整流线性函数、第二整流线性函数、第一全连接层、第二全连接层、第三全连接层、第一融合层，其中，第一双向门控循环单元层的输入端构成时空双向门控循环单元的输入端，第一双向门控循环单元层的输出端对接第一整流线性函数的输入端，第一整流线性函数的输出端对接第一全连接层的输入端，第一全连接层的输出端对接第二整流线性函数的输入端，第二整流线性函数的输出端对接第二全连接层的输入端，同时，第一双向门控循环单元层的输出端、第二全连接层的输出端分别对接第一融合层的两个输入端，第一融合层的输出端对接第二双向门控循环单元层的输入端，第二双向门控循环单元层的输出端对接第三全连接层的输入端，第三全连接层的输出端构成时空双向门控循环单元的输出端。
4.根据权利要求3所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述时空双向门控循环单元中第一双向门控循环单元层的结构与第二双向门控循环单元层的结构相同，各双向门控循环单元层分别均包括正向门控循环单元序列、反向门控循环单元序列、以及各个激活单元、各个拼接单元，其中，正向门控循环单元序列中门控循环单元的数量与反向门控循环单元序列中门控循环单元的数量相等，正向门控循环单元序列中顺序各门控循环单元分别与反向门控循环单元序列中逆序相同序号位置门控循环单元一一对应构成组合，激活单元的数量、拼接单元的数量分别均与组合的数量相等，且各激活单元、各拼接单元、各组合三者彼此一一对应，各组合分别与对应拼接单元、激活单元组成双向门控循环单元细胞，各组合中两个门控循环单元输入端相连构成组合的输入端，即由各组合的输入端构成双向门控循环单元层的各输入端，各组合中两个门控循环单元输出端相连构成该组合的输出端、并经对应拼接单元连接对应激活单元的输入端，各激活单元的输出端构成双向门控循环单元层的各输出端。
5.根据权利要求4所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：关于所述双向门控循环单元细胞中，重置门表示根据当前时间步输入，用于实现新输入信息与前面记忆的结合，上一个时间步隐含状态/>用于表示所遗忘上一层细胞状态的数量，/>的计算公式表示为：
其中，为图卷积过程，/>和/>表示训练过程中的权重和偏差，/>为上一个时间步隐含状态；
使用更新门用于表示记忆下来数据的数量，/>的计算公式可以表示为如下：
其中，和/> 、/>表示训练过程中的权重和偏差，/>为图卷积过程，/>为上一个时间步隐含状态；
基于上述重置门和更新门的计算，在重置门的基础上，引入下一步要计算的隐藏状态，用公式表示为如下：
其中，和/>表示训练过程中的权重和偏差，/>为图卷积过程，/>为上一个时间步隐含状态，其中，隐层状态/>与重置门/>相关，/>的值越大，则表示上一时刻需要记住的就越多，新输入信息与前面的记忆相结合的越多，当/>的值接近0时，表示上一时刻的内容需要全部丢弃，只保留当前时刻的输入，用来丢弃与预测无关的历史信息，而当/>的值接近1时，保留上一时刻的隐藏状态；
在双向门控循环单元细胞中，当、/>、/>在当前时刻的值已知时，则应用更新记忆表达式表示输出记忆下来的数据或者遗忘的数据，更新记忆表达式如下：
其中，/>表示对上一时刻隐藏状态进行选择性遗忘，用于忘记/>中预设类型信息，/>表示对候选隐藏状态的进一步选择性记忆，用于忘记/>中预设类型信息，即对/>中信息作进一步的选择，门控循环单元的工作流程是/>会忘记传递下来的/>中的部分信息，并加入当前节点输入的部分信息，形成最终的记忆；
根据上一个时间步隐含状态和当前时间步输入/>，通过正向门控循环单元序列得到正向隐层输出/>，根据下一个时间步隐含状态/>和当前时间步输入/>，通过反向门控循环单元序列得到反向隐层输出/>，进而使用连接单元得到当前时间步隐层输出/>，表示为：/>。
6.根据权利要求3所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述图卷积残差网络包括自其输入端至其输出端依次串联的至少两个图卷积层、以及各个残差网络，残差网络的数量等于图卷积层的数量减1，除顺序最后一个图卷积层以外、各图卷积层分别与各残差网络彼此一一对应，且该各图卷积层的输出端分别同时与其对应残差网络的输入端相连接，各残差网络的输出端分别与其对应图卷积层的顺序下一个图卷积层的输入端相连接，顺序第一个图卷积层的输入端构成图卷积残差网络的输入端，顺序最后一个图卷积层的输出端构成图卷积残差网络的输出端。
7.根据权利要求6所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述残差网络包括第一权重层、第二权重层、第三整流线性函数、第四整流线性函数、第二融合层，其中，第一权重层的输入端构成残差网络的输入端，第一权重层的输出端对接第三整流线性函数的输入端，第三整流线性函数的输出端对接第二权重层的输入端，第二权重层的输出端对接第二融合层的输入端，且第二融合层的输入端同时对接残差网络的输入端，第二融合层的输出端构成残差网络的输出端。
8.根据权利要求6所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于，所述图卷积层的计算如下：
其中，表示图卷积输出，/>表示图卷积层中从输入层到隐藏层的参数矩阵，/>表示特征矩阵的长度，/>表示隐藏单元的个数，/>表示图卷积层中从隐藏层到输出层的参数矩阵；/>表示所述第二预设数量预设周期时间点的长度为/>的输出，表示图卷积层中的激活层，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的特征矩阵，/>，/>表示单位矩阵，/>表示激活函数sigmoid。
9.根据权利要求1所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于，所述步骤D中，应用如下损失函数，针对待训练网络进行训练，获得路网预测模型；
其中，表示损失函数结果，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的实际特征矩阵，/>表示目标路网各道路对应时间点/>下预设各道路属性特征的预测特征矩阵，/>表示/>与/>之间差值关于目标路网各道路的求和，/>表示绝对值函数。
10.根据权利要求1至9中任意一项所述一种基于时空关联特征矩阵的未来交通流量智能预测方法，其特征在于：所述预设各道路属性特征为道路交通速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117383.4A CN117649769B (zh) | 2024-01-29 | 2024-01-29 | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117383.4A CN117649769B (zh) | 2024-01-29 | 2024-01-29 | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649769A true CN117649769A (zh) | 2024-03-05 |
| CN117649769B CN117649769B (zh) | 2024-04-16 |
Family
ID=90043661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410117383.4A Active CN117649769B (zh) | 2024-01-29 | 2024-01-29 | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649769B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
| CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
| CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
| CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
| CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
| WO2023241423A1 (zh) * | 2022-06-13 | 2023-12-21 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
-
2024
- 2024-01-29 CN CN202410117383.4A patent/CN117649769B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
| CN109754605A (zh) * | 2019-02-27 | 2019-05-14 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
| CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
| CN110969854A (zh) * | 2019-12-13 | 2020-04-07 | 深圳先进技术研究院 | 一种交通流量的预测方法、系统及终端设备 |
| CN112183862A (zh) * | 2020-09-29 | 2021-01-05 | 长春理工大学 | 一种城市路网的交通流量预测方法及系统 |
| WO2023241423A1 (zh) * | 2022-06-13 | 2023-12-21 | 南京邮电大学 | 一种基于流量预测的路由决策方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈喜群;周凌霄;曹震;: "基于图卷积网络的路网短时交通流预测研究", 交通运输系统工程与信息, no. 04, 15 August 2020 (2020-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649769B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754605B (zh) | 一种基于注意力时态图卷积网络的交通预测方法 | |
| Bi et al. | Daily tourism volume forecasting for tourist attractions | |
| CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
| Li et al. | A traffic prediction enabled double rewarded value iteration network for route planning | |
| CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
| CN111612243A (zh) | 交通速度预测方法、系统及存储介质 | |
| 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 | |
| CN114925836B (zh) | 基于动态多视图图神经网络的城市交通车流量推理方法 | |
| CN114863699B (zh) | 一种基于数字孪生的城市车路协同交通流预测方法 | |
| CN111242292A (zh) | 基于深度时空网络的od数据预测方法及系统 | |
| CN115204478A (zh) | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 | |
| CN113112791A (zh) | 一种基于滑动窗口长短时记忆网络的交通流量预测方法 | |
| Lu et al. | Leveraging graph neural network with lstm for traffic speed prediction | |
| Huang et al. | Network-scale traffic signal control via multiagent reinforcement learning with deep spatiotemporal attentive network | |
| CN115080795A (zh) | 一种多充电站协同负荷预测方法及装置 | |
| CN115376317A (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
| CN115051925A (zh) | 一种基于迁移学习的时空序列预测方法 | |
| CN117649769B (zh) | 一种基于时空关联特征矩阵的未来交通流量智能预测方法 | |
| CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
| CN113903171B (zh) | 一种基于高速路网时空特性的车辆群智感知节点优化方法 | |
| CN110781352B (zh) | 一种最低成本优化拓扑结构实现网络结构可控性的方法 | |
| Li et al. | MTGCN: Multi-graph Fusion Based Temporal-Spatial Convolution for Traffic Flow Forecasting | |
| Mejdoubi et al. | Road traffic optimisation based on a learning approach | |
| CN112925953B (zh) | 一种动态网络表示方法及系统 | |
| Tang et al. | Key Technology of Real‐Time Road Navigation Method Based on Intelligent Data Research |
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 |