基于图变换的动态多图卷积网络交通流量预测方法技术

本发明专利技术公开了基于图变换的动态多图卷积网络交通流量预测方法，所依托的交通预测模型主要由四个模块组成：基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块。基于图变换的空间注意力模块，由有稀疏矩阵的空间注意力机制模块和图变换模块组成。通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性。时间卷积模块为了捕获交通数据流的时间特性，时间卷积模块由时间门控卷积和时间注意力机制两个模块组成。输出模块由两个Relu模块和两个线性模块组成，使用平均绝对误差为损失函数。本方法通过图变换构建多图以处理受多因素影响的交通流量数据，从而捕获交通数据的内在特性，使得交通预测更准确。确。确。

【技术实现步骤摘要】
基于图变换的动态多图卷积网络交通流量预测方法


[0001]本专利技术涉及一种基于图变换的动态多图卷积网络交通流量预测方法，属于交通流量预测


技术介绍

[0002]交通流量预测在智能交通系统中起着很重要的作用。在以往的研究中，图卷积网络广泛地运用于交通预测领域，由于图卷积可以很好地将交通路网的图结构很好地表示出来，使得交通预测的性能有很高的提升，并且动态图卷积可以捕获不同时刻的交通流量的时空特性。尽管在这些研究中都达到了很好的性能，而这些基于图卷积的交通流量预测方法大多是只使用了单图卷积，或者只使用了静态图卷积网络，无法更好地捕获交通图中的隐藏时空特性。因此，本申请提出了一种基于图变换的动态多图卷积网络交通流量预测方法，捕获隐藏的时空特性，进而更好地提升交通流量预测性能。

技术实现思路

[0003]本专利技术通过图变换与基于稀疏矩阵的空间注意力机制结合生成动态多图以更好地处理复杂的交通数据；提出的动态多图卷积模型能够高效地提取出交通流量中的内在特性。
[0004]本专利技术采用的技术方案为基于图变换的动态多图卷积网络交通流量预测方法，将交通路网定义为一个无向图G＝(V,E,A),其中V∈R
N
表示交通道路区域中N个节点的集合，E表示所有边的集合，表示不同节点之间的连接，A∈R
N
×
N
表示图G的邻接矩阵。图G的每个节点在相同的采样频率下都有F个特征。
[0005]使用表示在t时刻第i个路网节点的第c个特征值，表示在t时刻第i个路网节点的所有特征值，因此表示在t时刻所有路网节点的所有特征值，并且表示在过去的(1,2,
…
,τ)时刻的所有路网节点的所有特征值。定义为t时刻第i个路网节点的交通预测流量值。
[0006]最后，交通预测问题用数学表达式定义如下：输入(1,2,
…
,τ)时刻的历史交通数据来预测(τ+1,τ+2,
…
,τ+T
p
)时刻的未来交通数据Y，其中)时刻的未来交通数据Y，其中表示从时间τ+1到τ+T
p
的第i个路网节点的未来交通数据。
[0007]本方法所依托的交通预测模型主要由四个模块组成：基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块。
[0008]基于图变换的空间注意力模块，由有稀疏矩阵的空间注意力机制模块和图变换模块组成。通过含有稀疏矩阵的稀疏矩阵构建交通路网数据的空间相关性，然后，通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性。
[0009]注意力机制采用Sparsemax激活函数来代替softmax函数，基于稀疏矩阵的空间注意力机制模块具体计算公式如下：
[0010][0011][0012]其中，其中，是的线性变换，是交通路网数据的输入，conv(
·
)表示二维卷积算子，SparseMax(
·
)表示SparseMax激活函数。
[0013]采用多图的预测模型处理复杂的图结构，并且多图由图变换模块生成多个邻接矩阵而产生。
[0014]根据以上所求出的多个邻接矩阵：由空间注意力模块提取的邻接矩阵第一层图变换模块的输出A1，第二层图变换模块的输出A2，将这三个邻接矩阵作为动态图卷积的输入，通过图卷积选择三个特征X1,X2,将三个图卷积的特征输出进行连接就得到了交通数据多个特征的融合。图卷积主要是对数据进行频域处理，通过邻接矩阵A1,A2来计算拉普拉斯矩阵。
[0015]时间卷积模块为了捕获交通数据流的时间特性，时间卷积模块由时间门控卷积和时间注意力机制两个模块组成。
[0016]时间门控卷积具体计算公式如下：
[0017][0018][0019][0020]其中，Conv
ts
表示卷积核为t
s
的二维时间卷积算子，split表示等距分离运算符，tanh，sigmoid分别表示两个激活函数。
[0021]时间注意力机制用于探究交通数据流更深层的时间相关性，具体数学表达式如下：
[0022][0023][0024][0025]其中均为可学习到的参数，时间相关性矩阵E由不同的输入决定，E
i,j
表示在时间i与时间j之间的相关性强度，最后用softmax函数对E进行归一化。
[0026]输出模块由两个Relu模块和两个线性模块组成，使用平均绝对误差为损失函数。
[0027]与现有技术相比较，本申请提出了一种基于图变换的动态多图卷积网络交通流量
预测方法，该方法基于图变换的动态多图卷积网络以处理复杂的交通路网数据。提出通过时空门控卷积网络来捕获交通路网的时空特性；基于稀疏矩阵的空间注意力机制可以有效地过滤掉有干扰的交通路网信息；通过图变换构建多图以处理受多因素(天气，季节，交通事故等)影响的交通流量数据，从而捕获交通数据的内在特性，使得交通预测更准确。
附图说明
[0028]图1交通路网随时间变化的时空结构图。
[0029]图2基于图变换的动态多图卷积网络交通流量预测模型图。
[0030]图3基于稀疏矩阵的空间注意力模块图。
[0031]图4图变换模块图。
[0032]图5时间门控卷积图。
具体实施方式
[0033]基于图变换的动态多图卷积网络交通流量预测方法，将交通路网定义为一个无向图G＝(V,E,A),如图1所示，其中V∈R
N
表示交通道路区域中N个节点的集合，E表示所有边的集合，表示不同节点之间的连接，A∈R
N
×
N
表示图G的邻接矩阵。图G的每个节点在相同的采样频率下都有F个特征，比如：速度，流量，天气，季节，交通事故等。
[0034]交通预测是用过去的或当前的实测交通数据来预测未来的交通流量或者交通速度。交通预测可以定义为一个函数模型，将实测的交通路网数据映射到未来的交通流量或者速度。在本申请中，为了便于表示，使用表示在t时刻第i个路网节点的第c个特征值，表示在t时刻第i个路网节点的所有特征值，因此表示在t时刻所有路网节点的所有特征值，并且表示在过去的(1,2,
…
,τ)时刻的所有路网节点的所有特征值。除此之外，定义为t时刻第i个路网节点的交通预测流量值。
[0035]最后，交通预测问题用数学表达式定义如下：输入(1,2,
…
,τ)时刻的历史交通数据来预测(τ+1,τ+2,
…
,τ+T
p
)时刻的未来交通数据Y，其中)时刻的未来交通数据Y，其中表示从时间τ+1到τ+T
p
的第i个路网节点的未来交通数据。
[0036]本方法所依托的交通预测模型主要由四个模块组成：基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块。具体模型如图2所示：
[0037]1.基于图变换的空间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图变换的动态多图卷积网络交通流量预测方法，其特征在于：将交通路网定义为一个无向图G＝(V,E,A),其中V∈R
N
表示交通道路区域中N个节点的集合，E表示所有边的集合，表示不同节点之间的连接，A∈R
N
×
N
表示图G的邻接矩阵；图G的每个节点在相同的采样频率下都有F个特征；使用表示在t时刻第i个路网节点的第c个特征值，表示在t时刻第i个路网节点的所有特征值，因此表示在t时刻所有路网节点的所有特征值，并且表示在过去的(1,2,
…
,τ)时刻的所有路网节点的所有特征值；定义为t时刻第i个路网节点的交通预测流量值；最后，交通预测问题用数学表达式定义如下：输入(1,2,
…
,τ)时刻的历史交通数据来预测(τ+1,τ+2,
…
,τ+T
p
)时刻的未来交通数据Y，其中)时刻的未来交通数据Y，其中)时刻的未来交通数据Y，其中表示从时间τ+1到τ+T
p
的第i个路网节点的未来交通数据。2.根据权利要求1所述的基于图变换的动态多图卷积网络交通流量预测方法，其特征在于：交通预测模型由四个模块组成：基于图变换的空间注意力模块、动态多图卷积模块、时间卷积模块和输出模块；基于图变换的空间注意力模块，由有稀疏矩阵的空间注意力机制模块和图变换模块组成；通过含有稀疏矩阵的稀疏矩阵构建交通路网数据的空间相关性，然后，通过图变换模块构建不同的多图邻接矩阵从而捕获交通流的内在特性；注意力机制采用Sparsemax激活函数来代替softmax函数，基于稀疏矩...

【专利技术属性】
技术研发人员：胡永利，彭婷，郭侃，孙艳丰，尹宝才，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：