一种基于融合特征的GraphSAGE交通路网数据预测的方法技术

一种基于融合特征的GraphSAGE交通路网数据预测的方法，首先对路网历史交通流数据进行相关性系数计算，构建路网相关性矩阵，并根据路网节点之间的相关性大小重新定义节点之间的连通状态，得到基于时间相关性的拓补路网；然后利用GraphSAGE分别对原始交通路网与重构后的拓补路网进行路网特征信息提取，并融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测。本发明专利技术融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测，提高了对交通路网状态数据预测的精度。的精度。的精度。

【技术实现步骤摘要】
一种基于融合特征的GraphSAGE交通路网数据预测的方法


[0001]本专利技术涉及一种基于融合特征的GraphSAGE交通路网数据预测的的方法，本专利技术属于智能交通领域。

技术介绍

[0002]随着现代化城市的飞速发展，人口与交通工具数量的迅速激增，使得城市交通道路拥堵的问题日益严峻，给人们和社会带来了不少的困扰，所以，为了使得道路交通具有较强的流通性，更好地调节交通状态，实现对未来交通状态数据的预测有着至关重要的意义。
[0003]现阶段的道路交通预测方法主要有：图卷积神经网络，降噪自编码器，支持向量机，反馈神经网络等，但是，上述大多数方法是直推式学习，不能直接泛化到未知道路。

技术实现思路

[0004]为了克服已有技术的不足，本专利技术提出一种基于融合特征的GraphSAGE交通路网数据预测的方法，该方法融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测，提高了对交通路网状态数据预测的精度。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种基于融合特征的GraphSAGE交通路网数据预测的方法，包括以下步骤：
[0007]1)构建基于时间相关性的拓补网络：根据路网历史交通状态数据，计算不同路网节点之间的相关性系数，并且根据不同节点之间的相关性系数大小重新定义节点之间的连通关系，构建基于时间相关性的逻辑相关路网；
[0008]2)基于GraphSAGE提取路网时空特征并进行特征融合：采用GraphSAGE分别对原始路网与重构后的基于时间相关性的逻辑相关路网进行时空特征提取，并将提取的不同特征进行特征融合；
[0009]3)定义网络模型损失函数，并以最小化损失函数为目的不断训练调整模型参数，最终实现对路网交通状态预测：定义模型损失函数，并采用反向传播算法，不断迭代训练以降低损失函数，最终保存最优的模型参数，实现基于路网历史交通状态数据预测路网未来交通状态数据。
[0010]本专利技术的技术构思为：首先对路网历史交通流数据进行相关性系数计算，构建路网相关性矩阵，并根据路网节点之间的相关性大小重新定义节点之间的连通状态，得到基于时间相关性的拓补路网；然后利用GraphSAGE分别对原始交通路网与重构后的拓补路网进行路网特征信息提取，并融合两个不同路网提取的路网时空特征信息，对路网未来的交通状态进行预测。交通路网状态的预测在智能交通领域有着至关重要的作用，本专利技术实现了交通流状态的时空特征提取，并提高了交通路网状态预测的精度。
[0011]本专利技术的有益效果主要表现在：(1)采用GraphSAGE图聚合算法充分挖掘了路网的时空特征。(2)将原始路网与重构的拓补路网分别进行时空特征提取并进行特征融合，有效提高了交通路网的预测精度。
附图说明
[0012]图1是GraphSAGE网络模型结构图。
[0013]图2是基于融合特征的GraphSAGE交通路网模型预测结果(2017年3月10日)。
具体实施方式
[0014]下面结合附图对本专利技术作进一步描述。
[0015]参照图1和图2，一种基于融合特征的GraphSAGE交通路网数据预测的方法，包括以下步骤：
[0016]1)构建基于时间相关性的拓补网络，过程如下：
[0017]1.1)构建交通原始路网
[0018]构建交通原始路网G＝(V,E)，其中：V＝{v1,v2,v3,
…
,v
N
}，|V|＝N，
[0019]N为交通路网节点中检测器的数量，E表示为该交通路网状态的邻接矩阵，即交通路网节点之间的空间关系，v
i
(i∈1,2,3,
…
,N)代表第i个检测器，检测器检测的是交通节点，选取与节点v
i
之间在空间上为连边关系的节点集合，记为若第i个检测器v
i
代表的道路节点与第j个检测器v
j
代表的道路节点存在相邻关系，则e
ij
＝1，反之：e
ij
＝0；
[0020]1.2)计算不同路网节点之间的相关性系数
[0021]利用皮尔逊相关性系数计算公式，对于每个检测器道路节点v
i
(i∈1,2,3,
…
,N)，其历史道路状态数据为：x
i
＝[x
i1
,x
i2
,x
i3
,
…
,x
iT
]，T为历史数据中的数据量，计算出各路网节点之间的相关性，其第i个检测器v
i
代表的道路节点与第j个检测器v
j
代表的道路节点之间的皮尔逊相关性系数r
ij
计算公式为：
[0022][0023]其中K为在计算皮尔逊相关性系数时所选取的检测器表示的交通路网状态节点数据的长度。通过得到不同检测器之间的皮尔逊相关性系数，得到路网G的x
×
x的皮尔逊相关性系数矩阵
[0024]1.3)根据皮尔逊相关性系数矩阵，构建基于时间相关性的逻辑相关路网
[0025]对于每个检测器节点v
i
∈V，计算得到检测器之间的皮尔逊相关性系数，选取与节点v
i
之间系数较大的m个检测器(记为)为连边关系，构建时间相关性的系数矩阵，其中，v
ik
表示与节点v
i
建立连边关系的第k(k＝1,2,
…
,m)个节点，v
im
∈V，表示向下取整；p为选取的较相关的检测器节点的比例，p∈(0,1)。构建后的交通道路网络H＝(V,A)，其中a
ij
表示第i个检测器v
i
与第j个检测器v
j
之间存在的连边关系：
[0026][0027]2)基于GraphSAGE提取路网时空特征并进行特征融合，过程如下：
[0028]根据原始路网和构建的基于时间相关性的逻辑相关路网，针对每个检测器节点的邻居节点特征，均采用均值聚合的方法聚合空间信息，若进行T层均值聚合，聚合计算公式为：
[0029][0030][0031][0032][0033]其中与分别表示对于原始路网和逻辑相关路网中，节点v
i
通过GraphSAGE交通路网模型特征提取的第t层特征；分别表示通过均值聚合的方法在第t层聚合得到的特征，其中和分别表示为原始路网和逻辑相关路网中，与节点v
i
具有连边关系的节点集合，即邻居节点集合；mean表示为求不同节点在不同特征属性上的特征均值；CONCAT表示为特征合并；σ1，σ2表示为激活函数；W
1t
，W
2t
为模型需要训练的权重参数；
[0034]对路网中所有节点进行T层GraphSAGE均值聚合后，分别得到表示邻接矩阵和基于相关性系数矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合特征的GraphSAGE交通路网数据预测的方法，其特征在于，所述方法包括以下步骤：1)构建基于时间相关性的拓补网络：根据路网历史交通状态数据，计算不同路网节点之间的相关性系数，并且根据不同节点之间的相关性系数大小重新定义节点之间的连通关系，构建基于时间相关性的逻辑相关路网；2)基于GraphSAGE提取路网时空特征并进行特征融合：采用GraphSAGE分别对原始路网与重构后的基于时间相关性的逻辑相关路网进行时空特征提取，并将提取的不同特征进行特征融合；3)定义网络模型损失函数，并以最小化损失函数为目的不断训练调整模型参数，最终实现对路网交通状态预测：定义模型损失函数，并采用反向传播算法，不断迭代训练以降低损失函数，最终保存最优的模型参数，实现基于路网历史交通状态数据预测路网未来交通状态数据。2.如权利要求1所述的基于融合特征的GraphSAGE交通路网数据预测的方法，其特征在于，所述步骤1)的过程如下：1.1)构建交通原始路网构建交通原始路网G＝(V,E)，其中：V＝{v1,v2,v3,...,v
N
}，|V|＝N，N为交通路网节点中检测器的数量，E表示为该交通路网状态的邻接矩阵，即交通路网节点之间的空间关系，v
i
(i∈1,2,3,
…
,N)代表第i个检测器，检测器检测的是交通节点，选取与节点v
i
之间在空间上为连边关系的节点集合，记为N(v
i
)，若第i个检测器v
i
代表的道路节点与第j个检测器v
j
代表的道路节点存在相邻关系，则e
ij
＝1，反之：e
ij
＝0；1.2)计算不同路网节点之间的相关性系数利用皮尔逊相关性系数计算公式，对于每个检测器道路节点v
i
(i∈1,2,3,
…
,N)，其历史道路状态数据为：x
i
＝[x
i1
,x
i2
,x
i3
,
…
,x
iT
]，T为历史数据中的数据量，计算出各路网节点之间的相关性，其第i个检测器v
i
代表的道路节点与第j个检测器v
j
代表的道路节点之间的皮尔逊相关性系数r
ij
计算公式为：其中K为在计算皮尔逊相关性系数时所选取的检测器表示的交通路网状态节点数据的长度，通过得到不同检测器之间的皮尔逊相关性系数，得到路网G的x
×
x的皮尔逊相关性系数矩阵1.3)根据皮尔逊相关性系数矩阵，构建基于时间相关性的逻辑相关路网对于每个检测器节点v
i
∈V，计算得到检测器之间的皮尔逊相关性系数，选取与节...

【专利技术属性】
技术研发人员：徐东伟，商学天，魏臣臣，林臻谦，丁加丽，彭航，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：