一种基于深度学习的复杂交通路网交通速度预测方法技术

本发明专利技术提供一种基于深度学习的复杂交通路网交通速度预测方法，其通过获取PeMS数据集，制作交通速度数据集和传感器网络的邻接矩阵数据，利用多个时空特征提取层堆叠捕捉高阶邻居节点之间的时空特征，局部注意力层提取当前时刻交通速度的具有空间关系的变化趋势特征，采集多个时空提取层产生的特征和局部注意力层产生的特征进行融合输入到全连接神经网络进行未来的交通速度预测，设计损失函数，并利用Adam算法进行优化；本发明专利技术的技术方案解决了现有的交通速度预测方案由于空间特征提取不佳所导致的预测精度低，误差波动较大以及深度学习网络训练耗时等问题。

【技术实现步骤摘要】
一种基于深度学习的复杂交通路网交通速度预测方法
本专利技术涉及交通预测的
，特别是涉及一种基于深度学习的复杂交通路网交通速度预测方法。
技术介绍
众所周知，复杂交通路网场景下的交通速度预测就是要从实际的交通场景下，对整个交通路网中的数量庞大的交通节点的交通速度进行预测。通过建立深度神经网络模型并利用完整的数据集进行训练，使其能够适应复杂的交通动态变化、捕捉到交通流复杂的时空变化规律、应对整个交通路网海量的交通速度数据。有人提出使用长短期记忆网络来预测交通速度，然而这种方法没能考虑交通速度的空间特征，并且长短期记忆网络迭代训练机制十分的耗时。之后有人提出了CONV-LSTM用于同时捕获交通速度的时空特征预测以预测交通速度,但是这种模型只能处理网格型的交通数据，但是传感器网络是依托于路网的，所以这种预测模型性能不佳。有人提出了STGCN网络来预测交通速度，基于图结构的传感器网络捕获交通速度的空间特征，取得了不错的预测效果，这种模型是通过图卷积捕获传感器节点之间的空间关系，但是图卷积对这种空间关系的表示不够精确。在实际的交通预测场景中，往往由于数据量巨大，交通路网十分复杂，交通速度在时间空间上的动态变化规律难以捕捉，导致现有的模型预测性能不佳。
技术实现思路
根据以上提出的在实际的交通预测场景中，数据量巨大，交通路网十分复杂，模型训练缓慢以及交通速度在时间空间上的动态变化规律难以捕捉，导致预测性能不佳等问题，本专利技术提供一种的基于深度学习的复杂交通路网交通速度预测方法。本专利技术采用的技术手段如下：一种基于深度学习的复杂交通路网交通速度预测方法，包括以下步骤：步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；步骤S3：设计时空特征提取层，融合图注意力神经网络和时间卷积神经网络生成交通速度数据的时空特征，单层的时空特征提取层捕获一阶邻居节点传感器的时空特征，多个堆叠的时空特征提取层提取高阶邻居节点传感器之间的时空特征；步骤S4：局部注意力层，利用图注意力神经网络生成交通速度的具有空间关系的变化趋势特征；步骤S5：将时空特征提取层的最终输出时空特征和局部注意力层的输出特征进行融合输入全连接神经网络，全连接层的输出作为整个深度学习框架的交通速度预测结果；步骤S6：设计损失函数，并利用Adam算法进行优化；步骤S7：利用验证数据集测试网络性能指标。进一步，所述步骤S1的具体步骤为：步骤S11：下载PeMS数据集，将所有的交通速度数据划分为训练数据集，测试数据集，验证数据集；步骤S12：将验证数据集和训练数据集中全部交通速度序列数据用于模型训练，测试数据集用来做消融实验；步骤S13：根据207个传感器在交通路网中的连接关系构建整个传感器网络的邻接矩阵。进一步，所述步骤S2的具体步骤为：步骤S21：选取图注意力神经网络获取交通速度数据的空间特征。图注意力神经网络中注意力机制选取乘法注意力机制，嵌入多头注意力，来解决一天之中复杂的交通动态变化。多头注意力的数目是超参数；步骤S22：时间卷积神经网络获取交通速度数据的时间特征，时间卷积网络卷积核的尺寸是超参数。进一步，所述步骤S3的具体步骤为：步骤S31：将图注意力神经网络和时间卷积神经网络融合为一个时空特征提取层步骤S32：堆叠多个时空特征提取层，获取高阶邻居节点的特征。时空特征提取层之间的信息传递公式如下：FLAYER(i+1)＝σ(F'LAYER(i))其中，F'LAYER(i)为第i个时空特征提取层的输出；FLAYER(i+1)为第i+1个时空特征提取层的输入；σ为RELU激活函数。进一步，所述步骤S4的具体步骤为：步骤S41：取交通速度数据的最近两个时刻的速度数据做差作为当前交通速度的变化趋势，公式如下：T＝Ft-Ft-1其中，Ft为t时刻的交通速度数据；T是当前交通速度的变化趋势。步骤S42：利用图注意力网络获取所有传感器之间交通速度的空间变化趋势，公式如下：其中，是图注意力神经网络捕获的不同传感器之间的注意力系数；W是一个线性转换矩阵；α为一个系数。进一步，所述步骤S5中设计损失函数，所述损失函数的定义如下：其中，y表示标签值；表示网络预测值；Τ表示整个测试集样本总和；yi表示第i个样本。有益效果与现有技术相比本专利技术的有益效果为：1、本专利技术提供的基于深度学习的复杂交通路网下的交通速度预测方法，没有使用传统的网格型的数据作为输入，而是采用了基于传感器网络的交通速度数据，使数据表示更加细致，预测更加准确。2、本专利技术提供的基于深度学习的复杂交通路网下的交通速度预测方法，设计了图注意力层来捕获交通流在交通路网上的转移特性，进而能更好的捕获交通速度在空间上的变化规律。大大提高了交通速度预测模型的准确性和稳定性。3、本专利技术提供的基于深度学习的复杂交通路网下的交通速度预测方法，利用时间卷积神经网络提取交通速度数据的时间特征，可以提高模型的训练速度和稳定性。4、本专利技术提供的基于深度学习的复杂交通路网下的交通速度预测方法，设计了局部注意力层，可以捕获交通速度的具有空间关系的变化趋势特征，使交通速度预测更加准确。基于上述理由本专利技术可在交通速度预测等领域广泛推广。附图说明图1为本专利技术网络结构图；图2为本专利技术超参数选取误差对比图；图3为本专利技术在一天的交通动态变化过程中的误差变化曲线图；图4为本专利技术对一传感器节点实际的交通速度预测结果展示图；图5为本专利技术捕获到的传感器节点之间相关性关系图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；步骤S11：下载PeMS数据集，将所有的交通速度数据划分为训练数据集，测试数据集，验证数据集。在本实例中训练集的样本数目为36481，测试集的样本数目为10423，验证集的数目为5211；步骤S12：将验证数据集和训练数据集用于模型训练，测试数据集用来做消融实验；步骤S13：根据207个传感器在交通路网中的连接关系构建整个传感器网络的邻接矩阵。邻接矩阵的表示如下：其中，Wij＝1，表示第i个传感器和第j个传感器在路网上连接的，Wij＝0反之。交通路网中传感器的总数量为207.步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；步骤S21：选取图注意力神经网络获取交通速度数据的空间特征。图注意力神经网络中注意力机制选取乘法注意本文档来自技高网...

【技术保护点】
1.一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于：所述基于深度学习的复杂交通路网交通速度预测方法包括以下步骤：/n步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；/n步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；/n步骤S3：设计时空特征提取层，融合了图注意力神经网络和时间卷积神经网络，生成交通速度数据的时空特征，单层的时空特征提取层捕获一阶邻居节点传感器的时空特征，多个堆叠的时空特征提取层提取高阶邻居节点传感器之间的时空特征；/n步骤S4：局部注意力层，利用图注意力神经网络生成交通速度的具有空间关系的变化趋势特征；/n步骤S5：将时空特征提取层的最终输出时空特征和局部注意力层的输出特征进行融合输入全连接神经网络，全连接层的输出作为整个深度学习框架的交通速度预测结果；/n步骤S6：设计损失函数，并利用Adam算法进行优化；/n步骤S7：利用验证数据集测试网络性能指标。/n

【技术特征摘要】
1.一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于：所述基于深度学习的复杂交通路网交通速度预测方法包括以下步骤：
步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；
步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；
步骤S3：设计时空特征提取层，融合了图注意力神经网络和时间卷积神经网络，生成交通速度数据的时空特征，单层的时空特征提取层捕获一阶邻居节点传感器的时空特征，多个堆叠的时空特征提取层提取高阶邻居节点传感器之间的时空特征；
步骤S4：局部注意力层，利用图注意力神经网络生成交通速度的具有空间关系的变化趋势特征；
步骤S5：将时空特征提取层的最终输出时空特征和局部注意力层的输出特征进行融合输入全连接神经网络，全连接层的输出作为整个深度学习框架的交通速度预测结果；
步骤S6：设计损失函数，并利用Adam算法进行优化；
步骤S7：利用验证数据集测试网络性能指标。


2.根据权利要求1所述的一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于，所述的步骤S1的具体步骤为：
步骤S11：下载PeMS数据集，将所有的交通速度数据划分为训练数据集，测试数据集，验证数据集；
步骤S12：将验证数据集和训练数据集中全部交通速度序列数据用于模型训练，测试数据集用来做消融实验；
步骤S13：根据207个传感器在交通路网中的连接关系构建整个传感器网络的邻接矩阵。


3.根据权利要求2所述的一种基于深度学习的复杂交通路网交通速度预测方法，其特征在于，所述的步骤S2的具体步骤为：
步骤S21：选取图注意力神经网络获取交通速度数据的基于路网的空间特征。图注意力神经网络中注意力...

【专利技术属性】
技术研发人员：郭戈，袁威，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：河北;13