【技术实现步骤摘要】
一种基于图神经网络的车速预测方法、装置、介质及设备
[0001]本专利技术涉及车速预测
,更具体地说,涉及一种基于图神经网络的车速预测方法、装置、介质及设备。
技术介绍
[0002]近年来,随着经济的飞速增长和人民生活水平的日益提高,机动车保有量与日俱增。当前有限的道路资源和日益增长的汽车保有量之间产生了矛盾,带来一系列复杂的交通问题,城市交通拥堵问题日益突出。城市交通拥堵不仅会增加出行者的时间成本,还会造成更多交通事故。
[0003]有限的道路资源导致交通拥堵不可避免,但准确的全路段车辆速度预测可以有效缓解该问题。一方面,准确的预测结果可以让用户做出更明智的选择,节省金钱、时间,提高整体道路通行效率;另一方面,高度精确的交通信息也有助于开发智能和可持续的移动系统,以减少总体拥堵水平。
技术实现思路
[0004]为克服现有技术存在的缺点与不足,本专利技术的目的在于提供一种基于图神经网络的车速预测方法、装置、介质及设备;该方法可有效对车速进行预测,辅助出行规划与交通管制的实施。
[0005]为了达到上述目的,本专利技术通过下述技术方案予以实现:一种基于图神经网络的车速预测方法,其特征在于:包括下列步骤:
[0006]S1、采集设定时间范围内的车速数据;将设定时间范围的车速数据处理成时间间隔相同的T个时长单元,得到T
×
N
×
D维数据,其中N为路网中传感器数量,D为每个传感器特征数量;D维特征包括该时长单元内传感器测得的车速,以及车速对应的 ...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络的车速预测方法,其特征在于:包括下列步骤:S1、采集设定时间范围内的车速数据;将设定时间范围的车速数据处理成时间间隔相同的T个时长单元,得到T
×
N
×
D维数据,其中N为路网中传感器数量,D为每个传感器特征数量;D维特征包括该时长单元内传感器测得的车速,以及车速对应的时间特征和空间特征;时间特征包括周几信息和时刻信息;空间特征包括传感器ID以及传感器ID所在的经度信息和纬度信息;对数据进行归一化处理得到预处理后的数据信息;S2、利用空间特征生成基于欧几里得距离的静态图;S3、将两个具有可学习参数的节点嵌入到字典并输入图学习模块;图学习模块自动捕获空间中隐藏的依赖关系,生成自适应邻接矩阵,以生成动态图;S4、将预处理后的数据信息依次输入多层间隔布设的时间卷积模块和图卷积模块;时间卷积模块将数据信息进行门控三分支时间卷积来学习车速与时间特征之间的依赖关系;图卷积模块将数据信息分别与静态图和动态图加权混淆来共同学习潜在空间特征;S5、将预处理后的数据信息、各层时间卷积模块的输出信息以及最后一层图卷积模块的输出信息进行并列连接,之后将并列连接的特征输入预测输出模块进行车速预测,得到后续时段T
×
N维的车速预测结果。2.根据权利要求1所述的基于图神经网络的车速预测方法,其特征在于:所述步骤S1中,对数据进行归一化处理是指:其中,x表示原始车速值,x
μ
表示车速的平均值,x
σ
表示车速的标准差,x
s
表示处理后的数据。3.根据权利要求1所述的基于图神经网络的车速预测方法,其特征在于:所述步骤S2中,静态图中,传感器v
i
与传感器v
j
之间的权重A
Sij
为:其中,dist(i,j)代表传感器v
i
与传感器v
j
之间的路网距离,σ是路网距离的标准差,μ是预定义的阈值。4.根据权利要求1所述的基于图神经网络的车速预测方法,其特征在于:所述步骤S3中,动态图的生成方法为:设定路网中每个传感器对应两个节点E1、E2;E1、E2代表节点处潜在的特征,一开始是随机初始化的,然后根据公式:M1=tanh(αE1Θ1)M2=tanh(αE2Θ2)for i=1,2,...,Nidx=argtopk(A
D
[i,:])A
D
[i,
‑
idx]=0其中,E1、E2在训练中更新学习,Θ1、Θ2是模型参数,α是控制激活函数饱和率的超参数;
argtok(
·
)返回向量最大的k个值的索引;生成的A
D
为动态图。5.根据权利要求1所述的基于图神经网络的车速预测方法,其特征在于:所述步骤S4中,时间卷积模块的输出h
TC
为:h
TC
=(z
⊙
g(θ1χ
TC
+b)+(1
‑
z)
⊙
γ(θ2χ
TC
+c))
⊙
σ(θ3χ
TC
+d)其中,θ1、θ2、θ3、b、c、d为时间卷积模块的模型参数,
⊙
为元素层面的乘法,γ(
·
)指ReLU激活函数,可以消除弱连接,g(
·
)指tanh激活函数,z控制两个分支混淆的比例,σ指sigmod激活函数,决定传递到...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。