一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法技术

本发明专利技术提供了一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法，具体来说，给定一个细粒度交通图，首先通过谱聚类生成一个粗粒度交通图；然后分别提取细粒度和粗粒度交通图的时空相关性，本发明专利技术充分挖掘了空间相关性，包括区域的静态不变特征和动态的空间相关性；其次，为了缓解细粒度交通图中交通流波动的负面影响，采用跨尺度融合来实现细粒度交通图和粗粒度交通图之间的信息扩散；最后，在两个真实世界的交通数据集上进行实验，选择最优参数，确定最终的结果。本发明专利技术改进了现有的交通流预测模型，使得模型可以利用粗粒度交通图中的特征，缓解细粒度交通图中交通流波动的负面影响，一定程度上提高了预测精度。了预测精度。了预测精度。

【技术实现步骤摘要】
一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法


[0001]本专利技术涉及人工智能
，尤其涉及一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及基于该模型的交通流预测方法。

技术介绍

[0002]准确的交通流预测信息可以为交通管理、引导、控制和优化提供依据。例如，前瞻性的交通信息可以帮助司机规划最佳的行车路线，减少交通拥堵时间，从而提高他们的生活质量。交通流预测因具有广阔的应用前景而受到人们越来越多的关注，成为智能交通系统的关键技术之一。
[0003]现有方法大多是在细粒度交通图上挖掘时空相关性，其路段的流量变化与该节点所属区域的趋势基本一致，但是细粒度图中路段的流量变化不稳定，对交通流波动产生了较大的负面影响，因而影响了预测精度。

技术实现思路

[0004]本专利技术提出了一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法，用以解决或者至少部分解决现有方法对交通流的预测精度不高的技术问题。
[0005]为了解决上述技术问题，本专利技术第一方面提供了一种基于时空多尺度图卷积网络的交通流预测模型的构建方法，包括：
[0006]S1：定义道路网络结构，用图结构表示道路网络结构，并将道路上传感器收集的交通数据视为图上的图信号；
[0007]S2：将交通流预测问题建模为图问题，即学习一个函数，将已知的历史图信号映射到未来的图信号；
[0008]S3：构建一种多尺度图，包括细粒度交通图和粗粒度交通图；
[0009]S4：基于道路网络结构的定义、建模中的函数以及构建的多尺度图构建基于时空多尺度图卷积网络的交通流预测模型，该模型基于编码器
‑
解码器架构，并在细粒度交通图和粗粒度交通图上挖掘时空相关性，细粒度交通图G上的编码器和解码器与粗粒度交通图G
c
上的编码器和解码器共享相同的结构，G中编码器的输出与G
c
中编码器的输出相连接，G中解码器的输出与G
c
中解码器的输出相连接，每个编码器和每个解码器包括挖掘时间相关性的时间注意力机制和挖掘空间相关性的自适应动态图卷积网络，其中，自适应动态图卷积网络包括自适应图卷积网络、动态图卷积网络和门控融合模块，自适应图卷积网络用于提取空间区域静态不变特征，动态图卷积网络用于提取动态空间相关性，门控融合模块用于自适应融合空间区域静态不变特征和动态空间相关性，模型还包括跨尺度融合模块，用于将粗粒度交通图特征转换为细粒度交通图特征；
[0010]S5：采用获取的数据集对构建的基于时空多尺度图卷积网络的交通流预测模型进
行训练，将预测值与实际值之间的平均绝对误差作为损失函数，并用Adam 优化器对模型进行训练，得到训练好的基于时空多尺度图卷积网络的交通流预测模型。
[0011]在一种实施方式中，步骤S1包括：
[0012]将道路网络结构定义为交通图G：G＝(V
’
,E,A)，其中，V
’
＝{v1,v2,
…
,v
N
}为收集交通数据的道路传感器节点集合，N为节点个数，E为节点之间的边集，A ∈R
N
×
N
为邻接矩阵，如果v
i
与v
j
相连，则A[i,j]＝1，否则为0，N个道路传感器在第t个时间步收集到的交通数据作为交通图G上的一个图信号，表示为X
t
∈ R
N
×
C
，C为收集的交通特征的个数。
[0013]在一种实施方式中，步骤S2中，函数F，将已知的T
h
时间步长的历史图信号映射到未来的T
f
时间步长的图信号为：其中，θ是一个可训练参数，训练参数，分别为T
h
+1、T
h
+T
f
时间步的图信号，X1、分别为第一个时间步和 T
h
时间步长的图信号，G为交通图。
[0014]在一种实施方式中，步骤S3中，细粒度交通图采用权利要求2所述的方法构建得到，粗粒度交通图G
c
的构建过程包括：
[0015]采用动态时间规整算法计算道路节点交通流序列之间的相似性，并基于相似性得到DTW距离；
[0016]然后根据DTW距离定义一个相似矩阵A
s
：其中和分别表示节点v
i
和v
j
的交通流序列；
[0017]对A
s
的拉普拉斯矩阵执行谱聚类算法，得到细粒度节点到区域的映射，每个区域为G
c
中的一个节点，G
c
中每个区域的交通流数据是该区域中所有细粒度节点的平均交通流，G
c
上的图信号表示为其中N
r
为区域的总数，和分别为第1个时间步、第2时间步和T
h
时间步的图信号，T
f
表示需要预测多少时间步长的未来图信号，C表示每个节点收集的特征数量。
[0018]在一种实施方式中，步骤S4的模型中，挖掘时间相关性的时间注意力机制为多头注意，其采用h组映射矩阵将Q、K、V映射到h个不同的子空间中，然后执行注意力函数，得到h个不同的值，最后，将这些值拼接起来并对它们进行进一步的映射以获得最终的值，计算公式如下：
[0019]MHAttention(Q,K,V)＝Concat(head1,
…
,head
h
)W
O
，
[0020][0021]其中，Q、K、V分别表示查询、键和值，Attention(
·
)为注意力函数，head
i
为第i个注意力头执行注意力函数后得到的值，head1…
head
h
分别为第1个和第h 个注意力头执行注意力函数后得到的值，Concat表示拼接操作，MHAttention(
·
) 为多头注意力函数，W
iQ
,和W
O
是可学习的参数矩阵。
[0022]在一种实施方式中，步骤S4的模型中，自适应图卷积网络AGCN的处理过程为：其中，θ
k
为多项式系数，切比雪夫多项式通过递归公式得到，递归公式为：T0(ARM)＝ 1，T1(ARM)＝ARM，T
k
(ARM)＝2(ARM)T
k
‑1(ARM)
‑
T
k
‑2(ARM)，Conv
tk
表示沿时间维度的卷积操作，核大小为t
k
，ARM为自适应关系矩
阵，ARM＝ SoftMax(RELU(NE
·
NE
T
))，NE∈R
N
×
D
，D表示节点嵌入维度，采用R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，包括：S1：定义道路网络结构，用图结构表示道路网络结构，并将道路上传感器收集的交通数据视为图上的图信号；S2：将交通流预测问题建模为图问题，即学习一个函数，将已知的历史图信号映射到未来的图信号；S3：构建一种多尺度图，包括细粒度交通图和粗粒度交通图；S4：基于道路网络结构的定义、建模中的函数以及构建的多尺度图构建基于时空多尺度图卷积网络的交通流预测模型，该模型基于编码器
‑
解码器架构，并在细粒度交通图和粗粒度交通图上挖掘时空相关性，细粒度交通图G上的编码器和解码器与粗粒度交通图G
c
上的编码器和解码器共享相同的结构，G中编码器的输出与G
c
中编码器的输出相连接，G中解码器的输出与G
c
中解码器的输出相连接，每个编码器和每个解码器包括挖掘时间相关性的时间注意力机制和挖掘空间相关性的自适应动态图卷积网络，其中，自适应动态图卷积网络包括自适应图卷积网络、动态图卷积网络和门控融合模块，自适应图卷积网络用于提取空间区域静态不变特征，动态图卷积网络用于提取动态空间相关性，门控融合模块用于自适应融合空间区域静态不变特征和动态空间相关性，模型还包括跨尺度融合模块，用于将粗粒度交通图特征转换为细粒度交通图特征；S5：采用获取的数据集对构建的基于时空多尺度图卷积网络的交通流预测模型进行训练，将预测值与实际值之间的平均绝对误差作为损失函数，并用Adam优化器对模型进行训练，得到训练好的基于时空多尺度图卷积网络的交通流预测模型。2.如权利要求1所述的基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，步骤S1包括：将道路网络结构定义为交通图G：G＝(V
’
,E,A)，其中，V
’
＝{v1,v2,
…
,v
N
}为收集交通数据的道路传感器节点集合，N为节点个数，E为节点之间的边集，A∈R
N
×
N
为邻接矩阵，如果v
i
与v
j
相连，则A[i,j]＝1，否则为0，N个道路传感器在第t个时间步收集到的交通数据作为交通图G上的一个图信号，表示为X
t
∈R
N
×
C
，C为收集的交通特征的个数。3.如权利要求1所述的基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，步骤S2中，函数F，将已知的T
h
时间步长的历史图信号映射到未来的T
f
时间步长的图信号为：其中，θ是一个可训练参数，分别为T
h
+1、T
h
+T
f
时间步的图信号，X1、分别为第一个时间步和T
h
时间步长的图信号，G为交通图。4.如权利要求2所述的基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，步骤S3中，细粒度交通图采用权利要求2所述的方法构建得到，粗粒度交通图G
c
的构建过程包括：采用动态时间规整算法计算道路节点交通流序列之间的相似性，并基于相似性得到DTW距离；然后根据DTW距离定义一个相似矩阵A
s
：其中和分别表示节点v
i
和v
j
的交通流序列；对A
s
的拉普拉斯矩阵执行谱聚类算法，得到细粒度节点到区域的映射，每个区域为G
c
中
的一个节点，G
c
中每个区域的交通流数据是该区域中所有细粒度节点的平均交通流，G
c
上的图信号表示为其中N
r
为区域的总数，和分别为第1个时间步、第2时间步和T
h
时间步的图信号，T
f
表示需要预测多少时间步长的未来图信号，C表示每个节点收集的特征数量。5.如权利要求1所述的基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，步骤S4的模型中，挖掘时间相关性的时间注意力机制为多头注意，其采用h组映射矩阵将Q、K、V映射到h个不同的子空间中，然后执行注意力函数，得到h个不同的值，最后，将这些值拼接起来并对它们进行进一步的映射以获得最终的值，计算公式如下：MHAttention(Q,K,V)＝Concat(head1,
…
,head
h
)W
O
，其中，Q、K、V分别表示查询、键...

【专利技术属性】
技术研发人员：吴黎兵，曹书琴，张瑞，王敏，张壮壮，
申请(专利权)人：武汉大学，
类型：发明
国别省市：