结合序列局部信息与多序列关联关系的交通流量预测方法技术

本发明专利技术公开了一种结合序列局部信息和多序列关联关系的交通流量预测方法。本发明专利技术首先通过长短期记忆网络提取历史流量序列本身的局部动态变化信息，然后通过图卷积网络提取不同序列之间的全局关联关系信息，最后通过门控机制将局部动态变化信息和多序列关联关系信息结合。在全局关系信息的提取过程中，本发明专利技术在静态关联关系的基础上进一步的考虑不同序列随时间变化的动态关系，以实现更准确的交通流量预测。流量预测。流量预测。

【技术实现步骤摘要】
结合序列局部信息与多序列关联关系的交通流量预测方法


[0001]本专利技术属于数据挖掘与智能交通领域，具体涉及一种结合序列局部信息与多序列关联关系的交通流量预测方法。

技术介绍

[0002]随着生活水平的提高和城市交通的发展，快速增加的出行需求带来了一系列的交通问题，道路拥堵、交通事故等问题频发。在此背景下，建立有效的智能交通系统是辅助交通机构制定科学管理决策的重要内容，其中如何实现交通流量的准确预测是智能交通系统的重要组成部分。精准的交通流量预测能够协助制定实时控制策略，对交通的科学管理规划和居民安全高效出行具有重要意义。
[0003]交通流量预测指通过对历史流量数据的分析挖掘来预测未来的交通流量。目前国内外的研究人员进行交通流量的预测方法主要可以分为基于统计学习的方法、基于传统机器学习的方法和基于深度学习的方法。
[0004]基于统计学习方法的典型代表是历史平均(History Average,HA)方法，该方法通过计算历史同期流量的平均值作为当前预测值，但其不适合动态变化的交通流量数据；差分平均移动自回归(AutoRegressive Integrated Moving Strategy,ARIMA)是另外一种典型的基于统计学的方法，该方法通过将不平稳的序列通过差分转换为平稳序列进行预测；然而，上述基于统计学习方法的预测模型的效果严重依赖数据质量。
[0005]由于交通流量存在着显著的非线性和不确定性的特征，机器学习方法也广泛应用于交通流量预测，如K近邻(K Nearest Neighbors,KNN)算法、贝叶斯模型以及支持向量回归(Support Vector Regression,SVR)算法等。虽然机器学习方法能够建模数据间的非线性关系，但其对于数据特征的要求较高，往往需要繁杂的特征处理。
[0006]由于深度神经网络能够有效建模高维时空数据关系且无需复杂的人工特征工程，深度学习近年来被广泛应用于交通流量预测。例如，长短期记忆网络(Long and Short
‑
term Memory Network,LSTM)类方法考虑了流量之间的依赖关系，卷积神经网络(Convolutional Neural Network,CNN)类方法初步考虑不同流量数据之间的时空依赖关系，但其对空间依赖关系的建模较为粗糙，很难实现对交通路网数据的有效表达。图神经网络(Graph Neural Network,GNN)凭借其强大的非欧空间建模能力，能够在路网数据基础上实现流量数据时空特征的有效建模，已成为当前进行交通流量预测的主要手段之一，当前进行交通流量预测主要使用的是GNN中的图卷积网络(Graph Convolution Network，GCN)。
[0007]然而，当前交通流量预测方法通常将不同流量序列进行整体建模以考虑序列之间的全局关系，或者只考虑流量序列本身的动态变化，缺乏将两者进行结合、挖掘流量数据中蕴含的潜在信息以提升交通流量预测精度的工作；此外，现有的基于GCN的方法所依赖的静态图难以准确反映不同节点之间随时间变化的动态相关关系。

技术实现思路

[0008]鉴于现存交通流量预测工作所提取的交通流量信息难以有效利用数据中的复杂模式与动态关联关系的问题，本专利技术通过将流量历史序列本身的动态变化信息和多个流量序列之间的全局关系信息结合，提出了一种结合序列局部信息和多序列关联关系的交通流量预测方法，并在全局关系信息的提取过程中考虑不同序列随时间变化的动态关系，实现准确的交通流量预测。
[0009]本专利技术的具体步骤：
[0010]步骤(1).获取N个流量传感器在T个时刻的历史交通流量形成交通流量数据集。
[0011]步骤(2).根据传感器的地理位置形成有向路网图G(S，E)，其中S是有向图中的顶点集合且每个顶点表示一个流量传感器，E是有向图中有向边的集合。
[0012]步骤(3).提取序列局部信息，将历史流量数据输入长短期记忆网络(Long and Short
‑
term Memory Network，LSTM)中，得到序列局部信息C
L
。
[0013]步骤(4).提取多序列关联关系信息，包括以下子步骤：
[0014]步骤(4.1).基于路网G(S，E)确定不同传感器之间的地理位置邻接矩阵A
G
；
[0015]步骤(4.2).根据图上各节点的历史流量数据形成历史流量相关矩阵A
T
；
[0016]步骤(4.3).将地理位置邻接矩阵A
G
和历史流量邻接矩阵A
T
结合形成动态邻接矩阵A
D
；
[0017]步骤(4.4).将动态邻接矩阵A
D
和历史流量数据输入图卷积网络(Graph Convolution Network，GCN)中得到多序列关联关系信息C
G
；
[0018]步骤(5).将基于LSTM提取得到的序列局部信息C
L
和基于GCN提取得到的多序列关联关系信息C
G
基于门控机制进行信息融合得到最终的信息表示C；
[0019]步骤(6).多尺度交通流量预测，包括以下子步骤：
[0020]步骤(6.1).确定将要进行流量预测的时刻个数K，基于此选择K个1
×
1的卷积核；
[0021]步骤(6.2).将K个不同的卷积核应用在C上，得到K个时刻的交通流量预测结果。
[0022]本专利技术具有的有益效果：在多序列关联关系的提取过程中，考虑到现有基于GCN的方法多数只建模了单个静态图，本专利技术在传统的基于地理位置邻接矩阵的基础上结合随时间动态变化的历史流量关系相关矩阵形成动态邻接矩阵，通过动态邻接矩阵构建动态的序列关系图以实现更加准确有效的交通流量预测。
附图说明
[0023]图1为本专利技术方法流程图；
[0024]图2为LSTM示意图。
具体实施方式
[0025]本专利技术针对当前流量预测方法仅考虑不同序列(节点、传感器)之间的全局关系且将这种全局关系看成一种静态的关系，或者只考虑流量序列本身的动态变化的缺陷，设计了一种结合序列局部信息和多序列关联关系的交通流量预测方法。
[0026]下面将对本专利技术所设计的一种基于序列与序列关系建模的交通流量预测方法做具体说明，方法的执行过程如图1所示。
[0027]为叙述方便，定义相关符号如下：
[0028]流量矩阵N个传感器在T个时间点的历史交通流量形成的流量矩阵。
[0029]路网G(S,E)是一个有向图，其中S是有向图中的顶点集合，顶点v∈S，表示不同的传感器。E是有向图中有向边的集合，有向边e∈E，当两个传感器在一定的距离阈值d内且存在上下游之间的关系时，从上游的传感器出发连接下游的传感器生成一条有向边。
[0030]在时刻t，所有的传感器的当前时刻流量组成的向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.结合序列局部信息与多序列关联关系的交通流量预测方法，其特征在于该方法的具体步骤是：步骤(1).获取N个流量传感器在T个时刻的历史交通流量，形成交通流量数据集；步骤(2).根据传感器的地理位置形成有向路网图G(S,E)，其中S是有向图中的顶点集合且每个顶点表示一个流量传感器，E是有向图中有向边的集合；步骤(3).提取序列局部信息，将历史流量数据输入长短期记忆网络中，得到序列局部信息C
L
；步骤(4).提取多序列关联关系信息，包括以下子步骤：步骤(4.1).基于路网G(S,E)确定不同传感器之间的地理位置邻接矩阵A
G
；步骤(4.2).根据图上各节点的历史流量数据形成历史流量相关矩阵A
T
；步骤(4.3).将地理位置邻接矩阵A
G
和历史流量邻接矩阵A
T
结合形成动态邻接矩阵A
D
；步骤(4.4).将动态邻接矩阵A
D
和历史流量数据输入图卷积网络中得到多序列关联关系信息C
G
；步骤(5).将序列局部信息C
L
和多序列关联关系信息C
G
基于门控机制进行信息融合得到最终的信息表示C；步骤(6).多尺度交通流量预测，包括以下子步骤：步骤(6.1).确定将要进行流量预测的时刻个数K，基于此选择K个1
×
1的卷积核；步骤(6.2).将K个不同的卷积核应用在C上，得到K个时刻的交通流量预测结果。2.如权利要求1所述的交通流量预测方法，其特征在于，步骤(3)具体为：根据时间窗口w获取w个时间步的所有传感器的流量；将每个时刻所有传感器的当前时刻流量构成的向量x
t
依次输入长短期记忆网络；将所有时刻长短期记忆网络输出的隐藏向量进行拼接作为提取得到的序列局部信息C
L
。3.如权利要求1所述的交通流量预测方法，其特征在于，步骤(4.1)具体是：在有向图G(S,E)的基础上，得到地理位置邻居矩阵A
G
，若传感器i和传感器j之间存在一条由i指向j的有向边，则邻接矩阵中的第i行第j列的元素即A
G...

【专利技术属性】
技术研发人员：李保，王东京，沈航，陈建江，王尔义，俞东进，张煜，裴洋，
申请(专利权)人：浙江省机电设计研究院有限公司，
类型：发明
国别省市：