一种基于动态图神经网络的交通流量预测方法技术

本发明专利技术涉及交通规划领域，具体为一种基于动态图的交通流量预测方法。所述方法包括对交通道路的关键节点设置多个监测传感器，监测该道路的交通流量、道路占有率、速度数据并长期进行收集，构建基于动态图神经网络的交通流量预测模型，输入历史交通流量数据，设定模型中的相关超参数，对输入数据进行预处理，设计动态图更新算法，并将该算法运用于动态图神经网络模块，采用动态图神经网络模块以及ConvLSTM模块提取时空特征，并将特征融合后输出预测结果，最终训练好整个模型用于交通流量预测。本发明专利技术的模型预测输出和实际流量状况拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明专利技术对交通流量预测结果更可靠，更有优势。有优势。有优势。

【技术实现步骤摘要】
一种基于动态图神经网络的交通流量预测方法


[0001]本专利技术属于计算机/交通规划领域，具体为一种基于动态图的交通流量预测方法。

技术介绍

[0002]近年来随着城市化的进展，交通问题日益严重。而智慧交通系统作为一种成熟的解决方案，能够对于交通状况进行实时管控、实时调度、异常监控，但其核心离不开对于交通流量的实时预测。交通流量是反应道路状况的一个重要指标，如果能够提前准确预测道路的流量状况，交通管理部门就能及时合理地进行引导。
[0003]交通流量预测问题是一个典型的时空数据预测问题，其难点在于如何将道路的空间特征与时间维度上特征进行提取。空间特征具体来说，即在相同道路的上下流之间的道路流量具有相关性，且相邻道路之间这种相关性也是存在的。而时间特征反应在临近性、趋势性与周期性。在一天内的流量变化，相邻时间的流量通常是相似的。同时，一定时间内流量变化具有单调递增或是单调递减的特征，且在固定的长度的变化具有相似性。即使是相同的时间，在工作日与休息日的变化通常存在着完全不相同的特性。因此需要对工作日与休息日进行区分预测，或是将这种状况作为一种特征从而进行预测。综上所述，交通流量数据的相关性在空间维度上和时间维度上都表现出强烈的动态性，捕获交通数据中的时空依赖，发现其内在的时空模式是交通流量预测的一个具有挑战的问题。
[0004]随着深度学习的发展，交通流量预测问题出现了新的解决方式，即通过图神经网络的方式对交通流量预测过程进行建模。然而在这个过程交通道路被抽象为一个固定的图结构，没有考虑到交通道路状态是存在动态变化的过程。

技术实现思路

[0005]为了能够对交通流量状态进行准确的预测，本专利技术提出一种基于动态图的交通流量预测方法，所述的动态图通过构建自适应矩阵来进行更新，同时通过构建基于图神经网络的交通流量预测模型，在该模型中根据交通数据的时空特征进行训练，完成训练后将就可以实现交通流量数据的预测任务；其中交通流量数据的时空特征包括交通图的空间结构特征、交通数据在时序上的临近性、相关性和周期性。
[0006]进一步的，本文提出的动态图是根据自适应矩阵进行更新的，具体的：
[0007]S101、根据交通路网的实际状况抽象出交通图；
[0008]S102、建立自适应矩阵更新函数，根据该自适应矩阵学习学习交通数据中的动态变化性；
[0009]S103、建立基于图神经网络的交通流量预测模型，将动态图放入图神经网络框架中，更新其中动态图。
[0010]进一步的，所述基于图神经网络的交通流量预测模型需要首先对输入的训练数据进行处理包括：
[0011]S201、确定交通流量数据的划分序列，根据临近性选择输入的最近时间序列χ
d
，根
据每日周期划分出日周期序列χ
d
，选择每周规律作为周时间序列χ
w
；
[0012]S202、根据临近数据有相似性，对空缺数据采用相邻数据的均值进行填充，并对数据进行归一化处理。
[0013]进一步的，所述图神经网络的交通流量预测模型包括空间特征处理模块与时间特征处理模块，具体包括：
[0014]S301、基于图卷积为基础的空间特征处理模块，通过交通网络以及历史交通流量作为图卷积输入获取交通数据中的空间特征；
[0015]S302、基于长短记忆神经网络的时间特征处理模块，通过交通历史数据作为输入以获取交通数据中时间维度的特征。
[0016]S303、多模块融合单元，在经过两个模块的特征提取之后，需要对这些输出进行特征融合。对于不同时刻的交通流量可能具有不同特性，最近时刻时间序列影响会小于每周周期时间序列与每周周期时间序列的输出。但某些时刻的交通流量不具备这种交通周期模式，因此每日周期与每周周期的输出影响较小。因此，需要对于不同模块的特征采用不同权重进行融合。
[0017]其中，通常将交通路网抽象为一个无向图G＝(V,E,A)，其中V代表节点集通常是传感器或者是道路交叉路口，而N＝|V|则代表节点数量；E代表边通常表示节点之间的关系，对于交通网络来说一般是道路路径或者是传感器之间相连关系。代表图G的邻接矩阵，矩阵中的值是两个节点之间的距离。可以表示为：
[0018][0019]其中，自适应矩阵更新函数通过更新拉普拉斯矩阵实现，拉普拉斯可以表示为其定义为：L＝D
‑
A，其中是度矩阵，同时也是一个对角矩阵，D
ii
＝∑
j
A
ij
，该矩阵代表图的空间结构特征。通过对拉普拉斯矩阵归一化处理得到L＝其中I
N
为单位阵。通过构造两个频段的特征包括高频特征：和低频特征：和低频特征：其中ε是一个超参数介于[0,1]之间。
[0020]进一步的，图神经网络框架通过前向传播与反向传播机制更新超参数ε，每次模型的迭代过程就是该参数的更新过程。通过采用随机梯度下降算法更新整个网络的参数。
[0021]进一步的，所述对于交通流量数据的划分包含两个步骤：
[0022]1、根据设定的超参数包括用于预测的数据时序长度input_len以及预测长度设定参数Pre_len划分出所有的预测序列，由于交通流量预测问题是一个典型的自回归问题，用于预测结果序列也会成其他预测序列的输入序列。
[0023]2、根据设定的超参数nhours,ndays,nweeks划分出模型不同的输入序列χ
h
,χ
d
,χ
w
。由于交通流量数据具有明显的时间维度特征，获取这些特征对于准确的预测是必不可少的。
[0024]进一步的，需要对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对
于数据的归一化处理。对于空缺数据由于交通流量数据本身具有的相邻相似性特征，因此，采用相邻数据的均值进行填充。对于交通流量数据，其本身记录的是某个时间节点上对应采集器节点上观察到的流量值，为便于深度学习的模型进行学习，需要对其进行归一化从而得到关键的时空特征。归一化可以表示为：
[0025][0026]进一步的，基于动态图神经网络的交通流量预测模型包含对于空间特征处理的动态图神经网络模块和对于时间特征长短记忆神经网络模型，以及最终输出预测结果的融合单元。
[0027]具体的，基于动态图神经网络模块可以定义为：
[0028][0029][0030]其中，其中*
G
代表卷积运算，U是正交矩阵或称为傅里叶基，对于图上信号的卷积运算即对于图进行傅里叶变化，实质是对图信号的汇聚与求积，因此上述公式可以理解为利用卷积运算将卷积核f
L
和图上的信号x分别转化到谱域，并将结果进行相乘，并进行傅里叶逆变换，得到经过处理之后的结果。
[0031]进一步的，在得到处理之后结果即将交通图节点上不同特征进行汇聚之后的结果后，为便于下一步处理需要将高低频的特征进行融合，其融合过程可以表示为：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态图神经网络的交通流量预测方法，其特征在于，所述方法包括以下步骤：S1、在城市交通的关键节点设置多个速度、流量、道路占有率的检测传感器，并采集相关数据；S2、构建基于动态图神经网络的交通流量预测模型，输入历史交通流量数据，并初始化模型的初始参数以及设定相关超参数，并根据交通节点的位置关系构建初始交通路网图；S3、根据设定的超参数nhours,ndays,nweeks划分出模型不同的输入序列χ
h
,χ
d
,χ
w
；S4、对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理；S5、设计动态图更新算法，更新表示动态的图的自适应矩阵，图神经网络框架通过前向传播与反向传播机制更新超参数ε，每次模型的迭代过程就是该参数的更新过程；S6、将动态图更迭算法运用于动态图神经网络模块，并将动态图神经网络用于空间特征提取，采用ConvLSTM获取交通流量数据中的时间维度特征；S7、将时空特征进行特征融合并输出预测结果，用多模块融合单元对于不同时间维度输入处理后的结果进行特征融合；S8、训练基于动态图神经网络的交通流量预测模型，输入基于动态图神经网络的初始参数，初始参数包括对模型中参数进行初始化；S9、将划分后的交通流量数据分别输入到模型之中，得到预测结果，即对于交通流量未来一段时间的预测结果。2.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述模型的初始参数以及设定相关超参数包括nhours,ndays,nweeks,input_len,Pre_len分别表示需要输入的时间序列长度，周期日长度，周期周长度，预测输入长度，预测输出长度。3.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述构建交通路网图抽象为一个无向图G＝(V,E,A)，其中V代表节点集通常是传感器或者是道路交叉路口，而N＝|V|则代表节点数量；E代表边通常表示节点之间的关系，对于交通网络来说一般是道路路径或者是传感器之间相连关系。代表图G的邻接矩阵，矩阵中的值是两个节点之间的距离。可以表示为：4.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述数据处理过程中，对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理。对于空缺数据由于交通流量数据本身具有的相邻相似性特征，因此，采用相邻数据的均值进行填充。对于交通流量数据，其本身记录的是某个时间节点上对应采集器节点上观察到的流量值，为便于深度学习的模型进行学习，需要对其进行归一化从而得到关键的时空特征。归一化可以表示为：
5.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述动态图更新算法，其中基于动态图神经网络模块可以定义为：所述动态图更新算法，其中基于动态图神经网络模块可以定义为：其中，其中*
G
代表卷积运算，U是正交矩阵或称为傅里叶基，对于图上信号的卷积运算即对于图进行傅里叶变化，实质是对图信号的汇聚与求积，因此上述公式可以理解为利用卷积运算将卷积核f
L
和图上的信号x分别转化到谱域，并将结果进行相乘，并进行傅里叶逆变换，得到经过处理之后的结果。6.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述动态图神经网络模块在得到权利要求1处理之后结果即将交通图节点上不同特征进行汇聚之后的结果后，为便于下一步处理需要将高低频的特征进行融合，其融合过程可以表示为：7.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述采用ConvLSTM获取交通流量数据中的时间维度...

【专利技术属性】
技术研发人员：徐光侠，胡新庭，陈浪，王利，王益帅，张家俊，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：