一种基于图卷积神经网络的多尺度交通流量预测方法技术

本文公开了一种基于图神经网络的多任务城市交通流量预测方法，首次研究了预测多尺度(细粒度和粗粒度)交通流量的新问题，具体来说，给定道路图，我们首先基于节点(道路链接)之间的拓扑接近度和交通流相似度构建粗粒度道路图；然后提出了一种跨尺度图卷积Cross‑Scale GCN来提取细粒度和粗粒度的交通流量特征，并将它们进行融合。利用加入了Intra‑Attention与Inter‑Attention的LSTM提取时间特征，为了保证两种尺度数据预测结果的一致性，引入了结构约束。该方案在细粒度和粗粒度流量预测方面的同时体现出优异性能，提高了预测的准确率。

【技术实现步骤摘要】
一种基于图卷积神经网络的多尺度交通流量预测方法
本专利技术给出一种基于图卷积神经网络的多尺度交通流量预测方法，涉及时空大数据预测领域，主要用于预测城市不同粒度的交通流量，进而帮助交通部门缓解交通拥堵现象。
技术介绍
随着我国城市化进程的加速，不断增长的城市人口与有限的空间资源之间的矛盾日益加剧，导致交通拥堵问题成为阻碍城市发展的一大难题。自上世纪六十年代以来，世界各国对城市交通规划和城市交通控制进行了研究，但随着城市规模的不断扩大和交通状况的日趋复杂，仅靠这两种措施进行有效的交通管理已不再可行，因此，智能交通系统(ITS，IntelligentTransportationSystem)应运而生。智能交通系统结合先进的物理通讯设备和智能计算机技术，建立起针对整个交通网络的信息预测和管理系统，它是目前全面有效解决包括交通拥堵在内的交通运输领域问题的最佳途径。城市交通流量预测是智能交通系统的重要组成部分，它包括交通速度、交通密度等。在很多领域都有重要的研究应用价值，传统的预测方法大多是基于统计的，包括ARIMA和VAR等。基于统计的方法通常学习基于历史交通数据的线性映射模型，以预测其未来趋势。虽然这样方法可以在道路水平交通预测中实现期望的性能，但当应用于预测整个道路网络上的交通时，它们的性能可能显著降低，其中道路之间的关联是高度非线性和动态的，而且此类方法都不能很好体现出来数据的时空性。随着技术的进步、硬件的提升和大量数据的收集，神经网络由于其优异的表现性能而被广泛使用，随着图卷积神经网络、循环神经网络及其一系列变体的网络结构的提出，各种深度学习模型被用于交通流量预测。很多研究人员提出了一系列的新方法，例如：DCRNN、STGCN和TGCN等，这些基于神经网络的方法从大量的数据中学习到特征，很好的利用了数据的时空性，并且获得了优异的表现。以上的研究都是现有的在城市交通流量预测方面的技术探索和更进一步的优化，但是上述的这些方法存在一些局限性。首先，之前的研究大多侧重于预测每条道路上的交通状况，可以认为是一种细粒度的预测。然而，在许多情况下，还需要粗粒度的预测，例如预测覆盖多个道路连接的不同城市区域之间的交通流量，以帮助政府从宏观角度更好地掌握交通状况。这在城市规划和公共交通规划的应用中特别有用。综上，现有的城市交通流量预测模型往往忽略不同粒度数据之间的相互影响，在区域预测方面具有缺陷，同时还存在模糊预测的问题。因此，现有问题往往存在预测准确度和效率较低的缺陷。
技术实现思路
专利技术目的：本专利技术的目的是针对现有技术的缺陷，提供一种基于图神经网络的多尺度城市交通流量预测方法，用于解决在
技术介绍
方面提出的几个缺陷问题。采用本专利技术公开的方法，可以有效利用交通数据流的时空相关性来实现整个城市不同尺度的交通流预测，并且可以保证在不同情况下有较高的预测精度。技术方案：一种基于图神经网络的多尺度城市交通流量预测方法，具体步骤如下：步骤一：数据预处理1)基于图结构获得分配矩阵Afc1。首先对原始数据进行处理，去掉异常值。利用社区检测中的Louvain算法对细粒度数据进行处理，得到一个基于图结构的从细粒度到粗粒度的映射矩阵Afc1。2)基于节点特征获得分配矩阵Afc2。将所有时刻的细粒度数据汇集在一起形成一个新的矩阵，对该矩阵进行谱聚类得到一个基于节点特征的从细粒度到粗粒度的映射矩阵Afc2。3)将两种映射矩阵融合，得到最终的映射矩阵。具体是将两个映射矩阵做点积运算，从而得到最终的映射矩阵Afc：Afc＝softmax(Afc1⊙Afc2)4)然后采用求和或者求平均的方式聚合细粒度数据，从而得到粗粒度数据Xc：Xc＝Agg(v1，v2，...，vn)上述细粒度和粗粒度数据就是我们所需要的城市交通流量历史数据张量。步骤二：训练神经网络使用步骤一构建的细粒度与粗粒度城市交通流量数据训练整个网络。模型有两个部分：空间特征提取模块与时间特征提取模块。空间提取模块中包括普通图卷积GCN与跨尺度图卷积Cross-ScaleGCN，GCN用于分别提取不同粒度数据各自的空间特征，而Cross-ScaleGCN将不同粒度数据的空间特征进行融合。时间特征提取模块中包括Inter-Attention与Intro-Attention，前者用于加强同一粒度内捕获时间相关性的能力，后者用于捕获不同粒度数据的时间相关性。网络的输入则分别是细粒度的历史流量特征矩阵和粗粒度的历史流量特征矩阵以及它们对应的邻接矩阵。邻接矩阵的值代表两个节点是否连通，如果连通则为1，不连通为0。首先通过GCN分别对粗细粒度数据进行卷积，然后利用映射矩阵，通过Cross-ScaleGCN将不同粒度数据的特征融合，细粒度的信息流向粗粒度，同时粗粒度的数据也流向细粒度。然后通过加入了Inter-Attention的LSTM，将两种粒度数据的隐藏表示通过Intra-Attention融合，最后通过全连接层映射为不同粒度的数据，得到最终预测数据。我们将不同粒度的预测值与其相应的真实值构建损失，除此之外，为了保证细粒度与粗粒度的准确性，我们在它们之间添加了结构约束，这保证粗粒度节点的预测值与其对应的细粒度节点是对应的。若用XT代表细粒度真实数据，表示输出的细粒度预测数据，代表粗粒度真实数据，代表输出的粗粒度预测数据，使用均方差损失，则目标函数最终可以描述成如下形式：其中λ是一个超参数，通过使用Adam算法和反向传播算法对损失函数进行优化，最终当算法收敛时，得到最优解。步骤三：生成预测结果将前t个时刻的细粒度与粗粒度城市交通流量矩阵{Xi|i＝1，...t}以及对应的邻接矩阵输入训练好的网络模型中，得到下一个时刻的两种粒度的城市交通流量的预测结果，即细粒度流量{Xi|i＝t+1}与粗粒度流量{Xi|i＝t+1}。作为本专利技术的进一步优选方案，上述步骤二中，空间卷积模块与时间特征提取模块具体设计方法如下：对于粗细两种粒度的数据，我们使用两个独立的图神经网络，空间卷积模块首先包含了普通GCN，它可以聚合局部节点的特征信息，还包括Cross-scaleGCN，通过粗粒度的卷积，将结果加到细粒度特征，两者实现信息传递。我们通过在每个图中传递信息来学习更好的节点的表示，并使用由粗到细和由细到粗的信息流在两种表示之间交换信息，这允许图中节点捕获到远距离节点的特征。空间卷积模块我们使用加入了Attention的LSTM，当输入序列非常长时，模型难以学到合理的向量表示。于是加入了Intra-attention，这样最后一个时刻的数据能不同侧重的考虑前面所有时刻数据。输入的历史数据为{X1，X2，...，XT}，预测下一个时刻的数据{Xt+1}，加入Intra-attention后，模型可以获取历史哪个时刻的数据对下一个时刻的预测更加重要。为了模拟两个尺度数据之间的时间关联，我们还设计了一个Inter-Attention机制。由于两个尺度数据的特征维数不同，我们需要先将它们转换到相同本文档来自技高网...

【技术保护点】
1.一种基于图神经网络的多尺度城市交通流量预测方法，其主要特征包括如下步骤：/n(1)预处理观测到的数据：/n基于图结构与节点特征获得两个分配矩阵A

【技术特征摘要】
1.一种基于图神经网络的多尺度城市交通流量预测方法，其主要特征包括如下步骤：
(1)预处理观测到的数据：
基于图结构与节点特征获得两个分配矩阵Afc1，Afc2。将两种映射矩阵融合，得到最终的映射矩阵，具体是将两个映射矩阵做点积运算，得到最终的映射矩阵Afc：
Afc＝softmax(Afc1⊙Afc2)
然后采用求和或者求平均的方式聚合细粒度数据，从而得到粗粒度数据Xc：
Xc＝Agg(v1，v2，...，vn)
(2)问题定义：给定道路传感器网络G，细粒度交通流量观测值{X1，X2，...，XT}，以及粗粒度交通流量观测值我们的目标是同时预测下一个时刻多尺度交通流量
(3)对于粗细两种粒度的数据，我们使用两个独立的图神经网络，空间卷积模块首先包含了普通GCN，它可以聚合局部节点的特征信息，远距离的交通流量也可能影响当前位置的节点，为了使节点捕捉到远距离节点信息，加入了跨尺度图卷积Cross-scaleGCN，将粗粒度特征的卷积结果加到细粒度特征上，两者实现信息传递。我们通过在每个图中传递信息来学习更好的节点的表示，并使用由粗到细和由细到粗的信息流在两种表示之间交换信息，这允许图中节点捕获到远距离节点的特征，同时可以相互辅助预测；
(4)将通过图卷积之后的数据输入加入了Attention的LSTM，当输入时间序列非常长时，模型难以学到合理的向量表示为此加入了Intra-attention，这样最后一个时刻的数据能不同侧重的考虑前面所有时刻数据，它从时间序列中学习到每一个时刻的重要程度，然后按重要程度将元素合并。权重参数就是一个...

【专利技术属性】
技术研发人员：张美越，王森章，缪浩，杜金龙，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32