一种基于循环注意力对偶图卷积网络的交通流量预测方法技术

本发明专利技术公开了一种基于循环注意力对偶图卷积网络的交通流量预测方法，包括：1)根据城市交通路网上道路线圈传感器所采集的车流数据构建交通流量时序，并进行预处理；2)构建对偶图表示空间依赖关系，对偶图包含节点图和边图，其中，将单个传感器视作节点，根据传感器之间的路网距离构建节点图，节点图中的边表示传感器间的关系，将节点图中的边视作节点构建边图，边图中的边表示传感器间关系的互相影响；3)将预处理后的交通流量时序输入循环注意力对偶图卷积网络中，预测未来交通路网的交通流量。该交通流量预测方法能够实现对交通路网的交通流量进行预测，在出行规划、交通管理等领域都具有广阔的应用前景。

A traffic flow prediction method based on convolution network of cyclic attention dual graph

【技术实现步骤摘要】
一种基于循环注意力对偶图卷积网络的交通流量预测方法
本专利技术涉及智能交通系统领域，具体涉及一种基于循环注意力对偶图卷积网络的交通流量预测方法。
技术介绍
随着城市化和工业化的不断推进，汽车数量不断增多，城市交通逐渐变得拥堵。这一城市病既影响了人们的日常出行，也给相关部门进行城市道路规划、交通管理带来了极大挑战。准确预测交通路网未来的交通流量能够有效指导人们规划出行路线，也可以为交通管理提供有力的数据支撑，因此交通流量预测成为了智能交通系统中极具价值的研究方向。早期的交通流量预测方法大多使用传统的线性序列模型预测单个节点的交通流量，如自回归滑动平均模型(ARMIA)、卡尔曼滤波(KalmanFiltering)等。但是，此类方法忽略了交通流量数据中的非线性关系，也没有考虑多个节点之间的空间依赖关系。为了建模复杂的时空依赖关系，研究人员提出了基于深度学习的交通流量预测方法。一些方法使用循环神经网络(RecurrentNeuralNetworks,RNNs)建模时间依赖关系，同时使用卷积神经网络(ConvolutionalNeura本文档来自技高网...

【技术保护点】
1.一种基于循环注意力对偶图卷积网络的交通流量预测方法，包括以下步骤：/n步骤1，根据城市交通路网上道路线圈传感器所采集的车流数据构建交通流量时序，并进行预处理；/n步骤2，计算线圈传感器之间的路网距离，根据该路网距离构建节点图

【技术特征摘要】
1.一种基于循环注意力对偶图卷积网络的交通流量预测方法，包括以下步骤：
步骤1，根据城市交通路网上道路线圈传感器所采集的车流数据构建交通流量时序，并进行预处理；
步骤2，计算线圈传感器之间的路网距离，根据该路网距离构建节点图其中，Vn为节点集，En为边集，An为邻接矩阵；
步骤3，将节点图中的边En视作边图的节点，定义上下游连接关系和竞争关系两种边影响模式，根据该两种边影响模式构建边图的边，继而构建边图Ge＝(Ve，Ee，Ae)，其中，Ve为节点集，Ee为边集，Ae为邻接矩阵；
步骤4，根据节点图和边图Ge构建对偶图卷积网络，将t时刻的交通流量Xt输入k层对偶图卷积网络，各层输出的节点表示为
步骤5，将对偶图卷积网络各层输出的节点表示输入多范围注意力网络进行融合，输出融合表示Ut；
步骤6，将过去T′个时刻的融合表示U(s-T′+1)：s输入节点间共享的编解码结构长短时记忆网络，输出未来T个时刻的交通流量预测值


2.如权利要求1所述的基于循环注意力对偶图卷积网络的交通流量预测方法，其特征在于，步骤1中，道路网络上的线圈传感器的数量为N，表示在t时刻结束时间窗口内交通路网上N个节点的交通流量，使用线性插值的方法对交通流量处理缺失值和异常值。


3.如权利要求1所述的基于循环注意力对偶图卷积网络的交通流量预测方法，其特征在于，步骤2中，构建节点图的具体步骤为：
(a)构建节点图的节点集Vn＝{v1，v2，…，vN}，其中，|Vn|＝N，节点集Vn中的一个元素对应一个道路节点；
(b)计算任意两个道路节点间的路网距离，dist(vi，vj)表示道路节点i到道路节点j的最短路网距离；
(c)根据节点间的路网距离计算的邻接矩阵An，其中，邻接矩阵An的计算公式为：



其中，σ2为所有道路节点间路网距离的方差，d为人工设置的阈值；
(d)构建节点图的边集En＝{(i→j)|0≤i，j≤N，Ai，j＞0}，其中，(i→j)表示以i为头节点，以j为尾节点的边。


4.如权利要求1所述的基于循环注意力对偶图卷积网络的交通流量预测方法，其特征在于，步骤3中，构建边图Ge的具体步骤为：
(a)构建边图Ge的节点集Ve＝E，边图Ge中的节点对应节点图中的边；
(b)针对路径：表示为(i→j)的道路节点i到道路节点j，表示为(j→k)的道路节点j到道路节点k，定义上下游连接关系为：(i→j)为(j→k)的上游边，(j→k)为(i→j)的下游边，并定义Ae中(i→j)与(j→k)的上下游连接关系的权重如下：



其中，deg-(·)和deg+(·)分别表示节点的入度和出度，ε2表示节点度的方差；
(c)针对路径：表示为(i→k)的道路节点i到道路节点k，表示为(j→k)的道...

【专利技术属性】
技术研发人员：陈岭，陈纬奇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33