利用动态时空图训练卷积神经网络的交通流预测方法技术

本发明专利技术公开了一种利用动态时空图训练卷积神经网络的交通流预测方法，其步骤为：(1)构建卷积神经网络；(2)预处理待预测城市交通流的历史数据；(3)重划分按经纬度划分的区域；(4)根据重划分后的区域构建动态时空图；(5)训练卷积神经网络；(6)预测城市的交通流。本发明专利技术通过重划分方法对待预测交通流城市按照经纬度划分的区域进行了重划分，更多保留了区域的功能属性。构建卷积神经网络并利用由交通流数据构成的动态时空图训练该卷积神经网络，采用图卷积和注意力使得本发明专利技术有着较高的预测交通流的准确性并能更好地捕获动态时空图的结构信息。构信息。构信息。

【技术实现步骤摘要】
利用动态时空图训练卷积神经网络的交通流预测方法


[0001]本专利技术属于控制
，更进一步涉及智能交通领域中的一种利用动态时空图训练卷积神经网络的交通流预测方法。本专利技术可以通过待预测城市的历史交通流数据对该城市的当前的交通流进行预测。

技术介绍

[0002]智能交通系统(ITS)是一种实时、准确、高效的智能化交通网络管理系统，它有效地集成了先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术，是全方位解决交通拥堵和保障交通网络运输安全的有效手段。构建ITS中的交通流诱导子系统，是解决城市交通拥堵和提高路网通行效率的最有效方式之一，而ITS要实现实时的交通控制和诱导，就必须要有及时、准确的交通流预测为其提供支持，因此交通流预测已经成为智能交通系统的研究热点。预测未来的交通流量，不仅可以方便出行者选择最优的出行路线，还可以为均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据。这对于缓解交通拥挤和避免资源的浪费有着重要的意义和应用价值。
[0003]杭州电子科技大学在其申请的专利文献“一种基于3D卷积神经网络的短时交通流预测方法”(专利申请号201910688693.0，公开号CN110517482A)中公开了一种基于3D卷积神经网络的短时交通流预测方法。该方法通过将某城市区域划分为32
×
32个区域，采集每个区域的交通流数据；基于采集到的交通流数据，训练3D卷积神经网络模型并对短期交通流进行预测，3D卷积神经网络在传统卷积神经网络的基础上解决了无法有效处理时间特征的缺点，使预测性能得到有效提升。但是，该方法仍然存在的不足之处是，虽然按照经纬度划分的区域划分方式减少了交通流数据量，但是该方法将诸如公园、学校等具有类型功能属性的区域人为分割，破坏了区域的功能属性，降低了交通流的预测精度。
[0004]华南理工大学在其申请的专利文献“基于遗传算法优化LSTM神经网络的交通流预测方法”(专利申请号201810825636.8，公开号CN109243172A)中公开了一种基于遗传算法优化LSTM神经网络的交通流预测方法。该方法采用遗传算法对LSTM神经网络预测模型涉及到的参数进行优化时，以预测误差最小为目标函数，获取参数搜索空间的最优解，进行参数组合寻优，形成复合GA
‑
LSTM模型，减少了计算量，提高了预测精度。但是，该方法仍然存在的不足之处是，LSTM神经网络虽然能对时间序列建模，但其中的全连接算子会破坏区域节点之间的空间关系，而交通流是区域之间的动态交互，其与区域的功能属性和空间关系高度相关，破坏区域节点之间的空间关系会降低交通流的预测精度。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术的不足，提出一种利用动态时空图训练卷积神经网络的交通流预测方法，以解决区域划分过程中区域功能属性被破坏的问题以及现有交通流预测方法，因忽略交通流数据构成的时空图的结构的动态性导致预测结果精度较低的问题。
[0006]实现本专利技术目的的思路是：利用相同功能属性区域的交通流的相似性重划分区域，保全区域的功能属性，对重划分后的区域构建可表示不同时刻交通流的动态时空图，利用动态时空图对构建的卷积神经网络进行训练。卷积神经网络中的图卷积子模块可同时捕捉边和节点的信息，带有残差连接结构的图注意力机制子模块利用注意力对信息的筛选捕捉动态时空图的时空相关性，全局注意力融合模块可捕捉动态时空图序列的时间相关性，提高了网络的预测结果精度。
[0007]为实现上述目的，本专利技术具体实现步骤包括如下：
[0008](1)构建连接时空图内部卷积模块：
[0009]搭建一个连接时空图内部卷积模块，其结构依次为：输入层，图卷积子模块，带有残差连接结构的图注意力机制子模块和全连接层；其中，所述图卷积子模块的结构依次为：卷积输入层，第一隐藏层，第二隐藏层，卷积输出层；所述带有残差连接结构的图注意力机制子模块的结构依次为：注意力输入层，第一隐藏层，第二隐藏层和注意力输出层；所述残差连接结构的输入端与注意力输入层的输出端连接，所述残差连接结构的输出端与注意力输出层的输入端连接；
[0010]设置连接时空图内部卷积模块输入层的神经元个数等于动态时空图的节点个数，激活函数为LeakyReLU；设置连接时空图内部卷积中的每个隐藏层的神经元个数均为16；设置卷积输入层的神经元个数为2，其激活函数为LeakyReLU；卷积输出层的神经元个数设置为16，其激活函数为LeakyReLU；注意力输入层的神经元个数设置为2，其激活函数为LeakyReLU；注意力输出层的神经元个数设置为16，其激活函数为LeakyReLU；全连接层的神经元个数设置为16，其激活函数为LeakyReLU；
[0011](2)构建全局注意力融合模块：
[0012]搭建一个全局注意力融合模块，其结构依次为：平均池化层，第一全连接层和第二全连接层；将两个全连接层的神经元个数均设置为16，第一全连接层的激活函数设置为LeakyReLU，第二全连接层的激活函数设置为sigmoid；
[0013](3)构建卷积神经网络：
[0014](3a)搭建一个由三路分支并联组成的卷积神经网络，其中，第一分支由2N个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第二分支由3N个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第三分支由4N个连接时空图内部卷积模块和1个全局注意力融合模块串联组成，N为在[1,3]范围内任意取的一个正整数；
[0015](3b)将三路分支并联后再依次与加权和层、输出层串联组成卷积神经网络；设置网络输出层的神经元个数为196，激活函数为LeakyReLU；
[0016](4)预处理待预测城市交通流的历史数据：
[0017](4a)利用网格法，将待预测交通流的城市区域按照经纬度划分成14
×
14个小区域；
[0018](4b)收集待预测城市至少5000辆车辆一个月交通流的GPS轨迹数据；
[0019](4c)将GPS轨迹数据每隔30分钟进行切片，对每个时间片段内同一小区域中的GPS轨迹数据的具有相同车辆ID值的车辆ID数进行去重，统计每个时间片段内不同小区域中的GPS轨迹数据的相同车辆ID数量，将该统计结果作为小区域之间的交通流量值，将小区域之间的交通流分为流入交通流和流出交通流，对小区域之间的流入交通流和流出交通流进行
采样，并将采样数据作为小区域之间的交通流的特征向量；
[0020](4d)用最小最大标准化公式对采样数据集进行标准化；
[0021](5)重划分按经纬度划分的区域；
[0022](5a)按照下式，计算按经纬度划分的两两小区域流入交通流之间的相似度：
[0023][0024]其中，S
in
表示按经纬度划分的第q个小区域和第p个小区域的流入交通流的相似度,表示第p个小区域的流入交通流的特征向量，表示第q个小区域的流入交通流的特征向量，d本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用动态时空图训练卷积神经网络的交通流预测方法，其特征在于，利用区域重划分方法重划分不同功能属性的区域，对重划分后的区域构建动态时空图，利用动态时空图对构建的卷积神经网络进行训练，该方法的步骤包括下：(1)构建连接时空图内部卷积模块：搭建一个连接时空图内部卷积模块，其结构依次为：输入层，图卷积子模块，带有残差连接结构的图注意力机制子模块和全连接层；其中，所述图卷积子模块的结构依次为：卷积输入层，第一隐藏层，第二隐藏层，卷积输出层；所述带有残差连接结构的图注意力机制子模块的结构依次为：注意力输入层，第一隐藏层，第二隐藏层和注意力输出层；所述残差连接结构的输入端与注意力输入层的输出端连接，所述残差连接结构的输出端与注意力输出层的输入端连接；设置连接时空图内部卷积模块输入层的神经元个数等于动态时空图的节点个数，激活函数为LeakyReLU；设置连接时空图内部卷积中的每个隐藏层的神经元个数均为16；设置卷积输入层的神经元个数为2，其激活函数为LeakyReLU；卷积输出层的神经元个数设置为16，其激活函数为LeakyReLU；注意力输入层的神经元个数设置为2，其激活函数为LeakyReLU；注意力输出层的神经元个数设置为16，其激活函数为LeakyReLU；全连接层的神经元个数设置为16，其激活函数为LeakyReLU；(2)构建全局注意力融合模块：搭建一个全局注意力融合模块，其结构依次为：平均池化层，第一全连接层和第二全连接层；将两个全连接层的神经元个数均设置为16，第一全连接层的激活函数设置为LeakyReLU，第二全连接层的激活函数设置为sigmoid；(3)构建卷积神经网络：(3a)搭建一个由三路分支并联组成的卷积神经网络，其中，第一分支由2N个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第二分支由3N个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第三分支由4N个连接时空图内部卷积模块和1个全局注意力融合模块串联组成，N为在[1,3]范围内任意取的一个正整数；(3b)将三路分支并联后再依次与加权和层、输出层串联组成卷积神经网络；设置网络输出层的神经元个数为196，激活函数为LeakyReLU；(4)预处理待预测城市交通流的历史数据：(4a)利用网格法，将待预测交通流的城市区域按照经纬度划分成14
×
14个小区域；(4b)收集待预测城市至少5000辆车辆一个月交通流的GPS轨迹数据；(4c)将GPS轨迹数据每隔30分钟进行切片，对每个时间片段内同一小区域中的GPS轨迹数据的具有相同车辆ID值的车辆ID数进行去重，统计每个时间片段内不同小区域中的GPS轨迹数据的相同车辆ID数量，将该统计结果作为小区域之间的交通流量值，将小区域之间的交通流分为流入交通流和流出交通流，对小区域之间的流入交通流和流出交通流进行采样，并将采样数据作为小区域之间的交通流的特征向量；(4d)用最小最大标准化公式对采样数据集进行标准化；(5)重划分按经纬度划分的区域；(5a)按照下式，计算按经纬度划分的两两小区域流入交通流之间的相似度：
其中，S
in
表示按经纬度划分的第q个小区域和第p个小区域的流入交通流的相似度,表示第p个小区域的流入交通流的特征向量，表示第q个小区域的流入交通流的特征向量，dist<
·
>表示欧式距离；(5b)按照下式，计算按经纬度划分的两两小区域流出交通流之间的相似度：其中，S
out
表示按经纬度划分的第q个小区域和第p个小区域的流出交通流的相似度，表示第p个小区域的流出交通流的特征向量，表示...

【专利技术属性】
技术研发人员：李贺，苏良才，李雪娇，黄健斌，靳铎，黄泓杰，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：