基于注意力机制的图神经网络交通流量预测方法及系统技术方案

本发明专利技术公开了基于注意力机制的图神经网络交通流量预测方法及系统，获取待预测的城市交通流量数据；根据道路连接关系构建路网图；对待预测的城市交通流量数据进行预处理；将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。根据路网信息对道路和卡口进行编码，并根据道路上下游关系建立路网图结构，统计卡口不同时间维度下的过车数据，汇总形成路网车流量数据表；构建有多层注意力模块堆叠组成的图神经网络，使用时序注意力机制和图注意力网络对整个路网中车流量进行建模，预测指定卡口未来的车流量情况。

【技术实现步骤摘要】
基于注意力机制的图神经网络交通流量预测方法及系统
本公开涉及智能交通
，特别是涉及基于注意力机制的图神经网络交通流量预测方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
，并不必然构成现有技术。随着网络信息技术等快速发展，人、车、路以及环境等各类与交通系统有关的动静态数据被大量的收集，这些海量的异构数据为交通领域的研究提供了新的手段和数据支撑。交通领域，尤其是智能交通领域已成为当前人工智能技术应用最具典型、最活跃的领域之一，结合人工智能技术和大数据，新一代智能交通系统将以更加高效的方式实现人和物的快速流动，结合物联网和互联网技术的普及，不久的将来，信息实体与客观世界实体都可以全球快速分发，智慧交通将搭建起人类命运共同体的高速交汇通道。在智能交通领域，交通流量预测始终是一个研究热点，根据交通流量的变化趋势判断未来，始终是学术界和工业界研究的热点。目前相关的研究工作可以大致分为两大类，一类是以统计学为根基，通过交通流量自身历史相关和统计特性进行分析研究，主要的代表性模型是ARIMA自回归移动平均模型；另一类是以时序数据递归计算为核心，以神经网络如RNN，LSTM为基础的模型。在实现本公开的过程中，专利技术人发现现有技术中存在以下技术问题：1.基于统计学原理的模型无法捕捉交通流量变化中地理位置信息之间的空间关联性和位置局部特征；2.基于递归计算的循环神经网络RNN或者LSTM计算效率较低，其模型的结构特征必须要求当前模型的输入是前一个时间点的输出，在大规模区域的流量预测任务上无法并行训练；3.统计学模型和传统神经网络模型都没有关注到路网图结构对交通流量的影响。
技术实现思路
为了解决现有技术的不足，本公开提供了基于注意力机制的图神经网络交通流量预测方法及系统；第一方面，本公开提供了基于注意力机制的图神经网络交通流量预测方法；基于注意力机制的图神经网络交通流量预测方法，包括：获取待预测的城市交通流量数据；根据道路连接关系构建路网图；对待预测的城市交通流量数据进行预处理；将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。第二方面，本公开还提供了基于注意力机制的图神经网络交通流量预测系统；基于注意力机制的图神经网络交通流量预测系统，包括：获取模块，其被配置为：获取待预测的城市交通流量数据；根据道路连接关系构建路网图；预处理模块，其被配置为：对待预测的城市交通流量数据进行预处理；预测模块，其被配置为：将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。与现有技术相比，本公开的有益效果是：根据路网信息对道路和卡口进行编码，并根据道路上下游关系建立路网图结构，统计卡口不同时间维度下的过车数据，汇总形成路网车流量数据表；构建有多层注意力模块堆叠组成的图神经网络，使用时序注意力机制和图注意力网络对整个路网中车流量进行建模，预测指定卡口未来的车流量情况。本公开使用了基于时序和图注意力机制的神经网络对道路交通流量进行建模预测，通过时序注意力和图注意力机制分别在时间维度和图结构维度获取交通流量变化和相关性特征，利用深度网络拟合城市市区内指定范围内道路路网的车流量模型，并预测指定道路卡口未来的交通流量数据。模型通过归纳学习交通网络中一般的交通流量变化规律，从而实现对路网未知路口节点交通量的预测。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1为第一个实施例的方法流程图；图2为第一个实施例的模型框架图；图3为第一个实施例的时序注意力层结构示意图；图4为第一个实施例的TemporalConvolution层提取featuremap示意图；图5为第一个实施例的图注意力层结构示意图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。实施例一，本实施例提供了基于注意力机制的图神经网络交通流量预测方法；如图1所示，基于注意力机制的图神经网络交通流量预测方法，包括：S1：获取待预测的城市交通流量数据；根据道路连接关系构建路网图；S2：对待预测的城市交通流量数据进行预处理；S3：将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。作为一个或多个实施例，S1中，获取待预测的城市交通流量数据；具体步骤包括：交通卡口历史数据表、路网信息表和交通卡口名称表；通过交通卡口历史数据表获取每个时间点待预测卡口的车流量。进一步地，所述交通卡口历史数据表，包括：过车方向、车道ID、交通卡口ID、车牌ID和车辆经过卡口的时间戳；进一步地，所述路网信息表，包括：上游交通卡口ID和下游交通卡口ID；进一步地，所述交通卡口名称表，包括：交通卡口ID和交通卡口中文名称；表1原始数据表情况作为一个或多个实施例，S1中，根据道路连接关系构建路网图；具体步骤包括：通过路网信息和交通卡口名称，构建路网图。应理解的，图结构是一种数据结构，由节点和边构成，根据边是否有方向性还可以分为有向图和无向图。进一步地，根据道路和卡口之间的连接关系建立的图，叫做路网图，G＝(V,E)，道路卡口被看做是路网图的节点Vi，而卡口之间的道路就是路网图的边Ej。进一步地，根据路网信息中道路上下游交通卡口ID，建立路网有向图，节点的名称是交通卡口ID，节点总数为Nv个。进一步地，交通卡口名称表列明了所有交通卡口的名称，所有表格内的卡口都是由两条路名命名，如“A路与B路卡口”。进一步地，利用字符串处理函数将交通卡口名称表中每个交通卡口中文名称进行分割，提取到所有道路名称的列表，道路共Ne条；由于每一条道路可能与多条其他道路交叉，为了能够独立的表示不同交叉口，同时又能够通过本文档来自技高网...

【技术保护点】
1.基于注意力机制的图神经网络交通流量预测方法，其特征是，包括：/n获取待预测的城市交通流量数据；根据道路连接关系构建路网图；/n对待预测的城市交通流量数据进行预处理；/n将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。/n

【技术特征摘要】
1.基于注意力机制的图神经网络交通流量预测方法，其特征是，包括：
获取待预测的城市交通流量数据；根据道路连接关系构建路网图；
对待预测的城市交通流量数据进行预处理；
将路网图和预处理后的结果，输入到预训练的基于注意力机制的神经网络中，最后输出城市交通流量的预测结果。


2.如权利要求1所述的方法，其特征是，对待预测的城市交通流量数据进行预处理；具体步骤包括：
S201：根据每个时间点待预测卡口的车流量，按照设定时间间隔进行统计；将t时刻之后的Δt时间段内的车流量作为t时刻的车流量，进而得到以时间为索引的车流量统计表；以卡口ID区分同一时间段内通过不同卡口的车流量数据，得到以卡口为索引的车流量统计表；
S202：异常值处理：设定滑动窗口，以滑动窗口内的平均值分别作为以时间为索引的车流量统计表和以卡口为索引的车流量统计表的缺失数据的填充值；
S203：特征标准化处理：对异常值处理后的以时间为索引的车流量统计表和以卡口为索引的车流量统计表，分别进行时间标准化处理和车流量标准化处理。


3.如权利要求1所述的方法，其特征是，基于注意力机制的神经网络，包括：
依次连接的输入层、时序节点嵌入层、N个串联叠加的注意力机制模块、和逆卷积变换线性输出层；
所述注意力机制模块，包括：依次连接的时序注意力层、第一标准化层、图注意力层、和残差叠加标准化层；
所述时序注意力层的输入端与时序节点嵌入层的输出端连接；
所述残差叠加标准化层的输出端与逆卷积变换线性输出层连接；
所述注意力机制模块，还包括：残差连接子模块，所述残差连接子模块的输入端与时序节点嵌入层的输出端连接，所述残差连接子模块的输出端与残差叠加标准化层的输入端连接。


4.如权利要求3所述的方法，其特征是，所述时序节点嵌入层，用于：对输入数据进行线性映射，输入的数据为车流量数据、时间编码、交叉口节点编码数据流组成的tensor张量，嵌入后的数据同时携带时间长短周期变化特征和图结构关联特征，并转换为固定大小的张量。


5.如权利要求3所述的方法，其特征是，所述时序注意力层，包括：
依次连接的输入层、时序卷积层、第一reshape函数、第一张量乘法函数、softmax函数、第二张量乘法函数、第一张量拼接函数和输出层；
所述时序注意力层，还包括：第二reshape函数、第三reshape函数和残差单元；
所述第二reshape函数层的输入端与输入层的输出端连接；
所述第二reshape函数层的输出端与第二张量乘法函数的输入端连接；
所述第三reshape函数层的输入端与输入层的输出端连接；
所述第三reshape函数层的输出端与第一张量乘法函数的输入端连接；
所述残差单元的输入端与输入层的输出端连接；
所述残差单元的输出端与第一张量拼接函数的输入端连接。


6.如权利要求3所述的方法，其特征是，所述图注意力层，包括多个注意力头部，每个注意力头部关注不同层面的注意力，每个注意力头部内部结构相同，包括：
输入层，用于将输入数据区分为特征张量和邻接矩阵，分别输入到网络中...

【专利技术属性】
技术研发人员：于龙飞，彭朝晖，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37