一种基于图注意力神经网络和时空大数据的交通预测方法技术

本发明专利技术涉及一种基于图注意力神经网络和时空大数据的交通预测方法，该交通预测方法包括：根据实际道路建立路网拓扑，得到路网拓扑信息；根据所述路网拓扑信息，通过图注意力网络对历史交通信息的嵌入特征信息进行处理，得到空间特征信息；通过长短期记忆网络对所述空间特征信息进行处理，得到时序特征信息；通过注意力机制对所述时序特征信息进行处理，得到预测交通信息。本发明专利技术具有能够增强对交通路网中的空间相关性特征分析，减小预测模型与实际道路状态值之间的差距，提高了预测的准确性和稳定性。稳定性。稳定性。

【技术实现步骤摘要】
一种基于图注意力神经网络和时空大数据的交通预测方法


[0001]本专利技术涉及公共交通信息处理
，特别涉及一种基于图注意力神经网络和时空大数据的交通预测方法及其预测模型的训练方法。

技术介绍

[0002]随着大数据时代的到来，城市规模不断扩张，大量遍布在交通道路上的传感器时刻产生着交通流数据，对交通管理系统提出巨大的挑战，此外，智能交通系统(Intelligent Transportation System,ITS)的出现也对交通流预测问题提出了更高的要求。交通流数据是一种经典的时空数据，不仅具有时间特性，还具有空间相关性，仅考虑单方面特性会造成预测精度低等问题。其次，交通路网的拓扑结构是动态变化的，传统对于图结构数据特征进行提取的卷积神经网络无法捕捉这种动态特征。再者，交通数据具有长期依赖关系，对于时间特征捕获的不足，容易导致数据预测实效性差等问题。

技术实现思路

[0003]本专利技术的目的是为了解决上述现有技术的缺点和不足，提供一种基于图注意力神经网络和时空大数据的交通预测方法及该交通预测模型的训练方法，能够增强对交通路网中的空间相关性特征分析，减小预测模型与实际道路状态值之间的差距，提高了预测的准确性和稳定性。
[0004]首先，本专利技术为解决上述问题提供了一种基于图注意力神经网络和时空大数据的交通预测方法，其包括：
[0005]S110：根据交通流数据建立路网拓扑，得到路网拓扑信息；
[0006]S120：根据步骤S110所得路网拓扑信息，通过图注意力网络对过去的某一时段历史交通信息的嵌入特征信息进行处理，得到空间特征信息；
[0007]S130：采用长短期记忆网络对所述空间特征信息进行处理，得到时序特征信息；
[0008]S140：采用注意力机制对所述时序特征信息进行处理，得到预测交通信息。
[0009]相对于现有技术，本专利技术通过图注意力网络对历史交通信息中的空间特征信息进行提取，并通过结合长短期记忆网络以获得时序特征信息，最后引入注意力机制对时序特征信息进行处理并输出，得到既考虑空间相关性又考虑时间特性的交通预测信息，通过该方法能够有效地提高了预测的交通预测信息的准确性以及稳定性。
[0010]作为本专利技术的进一步改进，所述步骤S120中根据所述路网拓扑信息，通过图注意力网络对历史交通信息的嵌入特征信息进行处理包括以下步骤：
[0011]S121：采用如下公式对所述嵌入特征信息进行特征维度转换处理，得到转维特征信息：
[0012][0013]其中，W
(l)
表示可训练的参数，表示嵌入特征信息，表示转维特征信息；
[0014]S122：采用如下公式通过LeakyReLU函数以及Softmax函数对所述转维特征信息进行处理，得到第一权重：
[0015][0016][0017]其中，表示可学习的权重向量；代表第i个节点的注意力分数；(
·
P
·
)为拼接两个顶点的变换特征，表示第一权重；
[0018]S123：采用如下公式根据所述第一权重，对所述嵌入特征信息进行加权求和，得到所述空间特征信息：
[0019][0020]其中，是节点i更新后的特征；σ为Sigmoid函数。
[0021]作为本专利技术的进一步改进，所述步骤S130中通过长短期记忆网络对所述空间特征信息进行处理包括以下步骤：
[0022]S131：对空间特征信息进行遗忘信息提取处理，得到遗忘信息；
[0023]S132：对空间特征信息进行保留信息提取处理，得到保留信息；
[0024]S133：根据所述遗忘信息以及所述保留信息进行更新运算处理，得到更新信息；
[0025]S134：根据所述更新信息以及所述空间特征信息，得到时序特征信息。
[0026]作为本专利技术的进一步改进，所述步骤S140中通过注意力机制对所述时序特征信息进行处理包括以下步骤：
[0027]S141：对时序特征信息进行分割处理，得到多个子时序特征信息；
[0028]S142：对多个所述子时序特征信息进行权重计算处理，得到多个第二权重；
[0029]S143：根据子时序特征信息以及其对应的第二权重，对所有子时序特征信息进行加权求和处理，得到多个第一结果；
[0030]S144：拼接所有所述第一结果，得到预测交通信息。
[0031]作为本专利技术的进一步改进，所述S110：根据实际道路建立路网拓扑，得到路网拓扑信息包括：
[0032]使用未加权图G＝(V,E)描述路网拓扑；
[0033]通过邻接矩阵A表示道路节点之间的连接关系；
[0034]其中，V＝{v1,v2,...,v
N
}表示道路节点，N是节点的数量，E代表交通路网中边的集合，用于表示路网节点之间的关联程度。
[0035]作为本专利技术的进一步改进，采用如下公式计算所述邻接矩阵A中各元素的值：
[0036][0037]其中，d
ij
代表节点i与节点j之间的距离；σ2表示方差；ε用于控制邻接矩阵稀疏性。
[0038]为达到本专利技术另一目的，本专利技术还提供了用于实现上述方法的交通预测模型的训
练方法，所述交通预测模型包括空间子模型和时序子模型，其训练方法包括：
[0039]S210：根据交通流数据建立路网拓扑，得到路网拓扑信息；
[0040]S220：根据步骤S210所得路网拓扑信息，通过图注意力网络对过去的某一时段历史交通信息的嵌入特征信息进行处理，得到空间特征信息；
[0041]S230：采用长短期记忆网络对所述空间特征信息进行处理，得到时序特征信息；
[0042]S240：采用注意力机制对所述时序特征信息进行处理，得到预测交通信息；
[0043]S250：根据所述输出交通信息与所述样本交通信息的标签之间的差异，训练所述交通预测模型。
[0044]作为本专利技术的进一步改进，所述步骤S220中的样本交通信息获取自过去的某一时段历史交通信息。
[0045]作为本专利技术的进一步改进，所述步骤S250中根据所述输出交通信息与所述样本交通信息的标签之间的差异，训练所述交通预测模型包括以下步骤：
[0046]S251：采用如下公式根据输出交通信息、所述标签以及正则化项，得到损失值：
[0047]L(x)＝||Y
ac
‑
Y
pred
||+λL2；
[0048]S252：根据输出交通信息和所述标签，得到误差值；
[0049]S253：根据所述损失值以及所述误差值，训练所述交通预测模型；
[0050]其中，L(x)表示损失函数，Y
pred
表示输出交通信息；Y
ac
表示实际交通信息；λ是超参数；L2是正则化项。
[0051]作为本专利技术的进一步改进，所述误差值包括：均方根误差值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，包括以下步骤：S110：根据交通流数据建立路网拓扑，得到路网拓扑信息；S120：根据步骤S110所得路网拓扑信息，通过图注意力网络对过去的某一时段历史交通信息的嵌入特征信息进行处理，得到空间特征信息；S130：采用长短期记忆网络对所述空间特征信息进行处理，得到时序特征信息；S140：采用注意力机制对所述时序特征信息进行处理，得到预测交通信息。2.如权利要求1所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，所述步骤S120中根据所述路网拓扑信息，通过图注意力网络对历史交通信息的嵌入特征信息进行处理包括以下步骤：S121：采用如下公式对所述嵌入特征信息进行特征维度转换处理，得到转维特征信息：其中，W
(l)
表示可训练的参数，表示嵌入特征信息，表示转维特征信息；S122：采用如下公式通过LeakyReLU函数以及Softmax函数对所述转维特征信息进行处理，得到第一权重：重：其中，表示可学习的权重向量；代表第i个节点的注意力分数；(
·
P
·
)为拼接两个顶点的变换特征，表示第一权重；S123：采用如下公式根据所述第一权重，对所述嵌入特征信息进行加权求和，得到所述空间特征信息：其中，是节点i更新后的特征；σ为Sigmoid函数。3.如权利要求1所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，所述步骤S130中通过长短期记忆网络对所述空间特征信息进行处理包括以下步骤：S131：对空间特征信息进行遗忘信息提取处理，得到遗忘信息；S132：对空间特征信息进行保留信息提取处理，得到保留信息；S133：根据所述遗忘信息以及所述保留信息进行更新运算处理，得到更新信息；S134：根据所述更新信息以及所述空间特征信息，得到时序特征信息。4.如权利要求1所述的基于图注意力神经网络和时空大数据的交通预测方法，其特征在于，所述步骤S140中通过注意力机制对所述时序特征信息进行处理包括以下步骤：S141：对时序特征信息进行分割处理，得到多个子时序特征信息；S142：对多个所述子时序特征信息进行权重计算处理，得到多个第二权重；S143：根据子时序特征信息以及其对应的第二权重，对所有子时序特征信息进行加权
求和处理，得到多个第一结果；S144：拼接所有所述第一结果，得到预测交通信息。5.如权利要求1所述的基于图注意力神经网络和时...

【专利技术属性】
技术研发人员：杨国燕，
申请(专利权)人：广州航海学院，
类型：发明
国别省市：