一种基于图卷积网络表示道路的通行时间预测方法及系统技术方案

本发明专利技术公开了一种基于图卷积网络表示道路的通行时间预测方法，涉及智能交通管理平台技术领域，解决了有的预测方法无法结合多类依赖信息的问题，其技术方案要点是：包括S100、获取初始行程数据，对所述初始行程数据进行预处理，得到路网关系图和多次行程记录；S200、构建组合模型，从所述路网关系图和多次行程记录中提取空间维度信息、时间维度信息和外部维度信息；S300、将所述空间维度信息、时间维度信息和外部维度信息通过回归器聚合，得到预测结果；通过组合模型针对空间、时间和外部信息不同的特征选择构建了不同的模型进行深度特征提取，克服了传统模型无法综合考虑影响因素的问题，提高了预测的准确性。提高了预测的准确性。提高了预测的准确性。

【技术实现步骤摘要】
一种基于图卷积网络表示道路的通行时间预测方法及系统


[0001]本专利技术涉及智能交通管理平台
，更具体地说，它涉及一种基于图卷积网络表示 道路的通行时间预测方法及系统。

技术介绍

[0002]随着越来越多的车辆进入城市地区，交通拥堵已成为许多城市的一个重大问题。解决交 通拥堵的方案之一是开发智能公共交通系统。行程时间预测是智能公共交通系统中最基本的 任务之一。它测量两个确定位置之间的通行时间，并为交通系统提供基线信息。准确的通行 时间预测对于智能交通系统中的车辆调度、路线规划、拥堵控制等问题具有重要意义。基于 模型的预测方法在过去的几十年中得到了广泛的研究，它侧重于模拟真实的交通行为来预测 通行时间，而数据驱动的预测方法则基于历史数据进行预测。随着基于位置的服务和叫车应 用程序的应用，产生了大量浮动汽车轨迹数据，数据驱动的方法变得越来越流行。经典时间 序列分析是在通行时间预测中捕获时间信息的最广泛使用的数据驱动方法。它假设未来值取 决于历史值和随机噪声。广泛使用的时间序列模型包括季节性ARIMA模型、自回归移动平 均和广义自回归条件异方差模型。计机器学习算法经常被部署在这个领域。与时间序列模型 相比，统计机器学习算法往往具有非线性特征和更灵活的函数拟合能力，因此在通行时间预 测领域得到了广泛的应用。随着深度学习的发展，深度神经网络(DNN)被证明具有足够的 深度来处理大规模的高维数据。
[0003]随着大数据技术和机器学习的发展，支持向量机和深度神经网络等新方法已成功用于预 测通行时间。然而，现有的预测方法无法适应于具有多种依赖关系的通行时间预测任务，特 别对于路况复杂、动态程度高的城市路网短途出行时间预测，其包含道路网络关系的空间依 赖，通行时间的时间依赖以及天气等外部依赖。现有的预测方法多考虑单个依赖信息，无法 结合多类依赖信息。

技术实现思路

[0004]本申请的目的是提供一种基于图卷积网络表示道路的通行时间预测方法及系统，在预测 时，克服多维度结合的困难，充分考虑多种不同的依赖信息，该方法通过构建组合模型，实 现多维度深度特征提取和城市路网中短途通行时间预测任务，解决传统预测方法的不足。
[0005]本申请的上述技术目的是通过以下技术方案得以实现的：包括
[0006]S100、获取初始行程数据，对所述初始行程数据进行预处理，得到路网关系图和多次行 程记录；
[0007]S200、构建组合模型，从所述路网关系图和多次行程记录中提取空间维度信息、时间维 度信息和外部维度信息；
[0008]S300、将所述空间维度信息、时间维度信息和外部维度信息通过回归器聚合，得到预测 结果。
[0009]采用上述技术方案，通过构建组合模型，同时考虑空间维度、时间维度以及外部维度的 信息，预测通行时间，组合模型针对空间、时间和外部信息不同的特征选择构建了不同的模 型进行深度特征提取，克服了传统模型无法综合考虑影响因素的问题，提高了预测的准确性。
[0010]进一步的，在步骤S200中，包括，构建图卷积网络从所述路网关系图和多次行程记录中 提取空间维度信息，构建长短期记忆网络从所述路网关系图和多次行程记录中提取时间维度 信息，构建宽深模型从所述路网关系图和多次行程记录中提取外部维度信息。
[0011]进一步的，所述构建图卷积网络从所述路网关系图和多次行程记录中提取空间维度信息， 包括：
[0012]S211、将所述多次行程记录作为所述图卷积网络的输入，将所述行程记录中的通过路段 作为所述图卷积网络的节点，对节点的邻居节点分配采样权重，根据采样权重在路网关系图 上进行采样，获取节点的采样邻居；
[0013]S212、聚合当前层节点的采样邻居的特征向量，得到当前层邻居特征向量；将当前层节 点特征向量和所述当前层邻居特征向量输入全连接层，进行维度变化，然后进行归一化处理， 得到下一层的节点特征向量；循环至深度K，得到第K层的节点特征向量作为空间维度信息。
[0014]进一步的，所述节点v的采样邻居，通过以下方法获得：通过转向关系赋予节点采样权 重,通过所述采样权重计算各个邻居节点的采样概率，设置邻居节点采样数量，按采样概率从 大至小采样邻居节点，得到节点的采样邻居。
[0015]进一步的，所述采样概率，通过以下公式计算得出：
[0016][0017]其中，R为0
‑
1之间的随机数，W
i
为邻居节点对应的采样权重，S
i
为邻居节点的采样概率。
[0018]进一步的，所述采样权重包括：直行采样权重W
straight
、右转采样权重W
right
、左转采样 权重W
left
和掉头采样权重W
turn
；所述直行采样权重W
straight
>右转采样权重W
right
>左转采样权重W
left
>掉头采样权重W
turn
。
[0019]进一步的，所述构建长短期记忆网络从所述路网关系图和多次行程记录中提取时间维度 信息，包括以下步骤：
[0020]S221、取所述行程记录中的通过路段的静态特征为所述长短期记忆网络的输入；
[0021]S222、计算遗忘门、细胞状态更新值和更新门状态，通过所述遗忘门、细胞状态更新值 和更新门状态更新细胞状态；
[0022]S223、遍历各个通过路段，将所述长短期记忆网络的输出作为时间维度信息。
[0023]进一步的，所述构建宽深模型从所述路网关系图和多次行程记录中提取外部维度信息， 包括以下步骤：
[0024]S231、取所述行程记录中的通过路段的静态特征为所述宽深模型的输入，所述静态特征 分为：离散变量和连续变量；
[0025]S232、在宽模型中，对离散变量进行独热编码，获得独热离散变量，计算独热离散变量 的交叉特征，获得交叉变量，将所述连续变量和交叉变量合并得到宽模型变量，将所
述宽模 型变量通过仿射转换，获得宽模型输出；在深模型中，将各个离散变量输入对应的嵌入层， 获得各个离散变量的嵌入特征，将所述嵌入特征和连续变量输入多层感知机组，获得深模型 输出；
[0026]S233、将所述宽模型输出和深模型输出进行拼接，获得外部维度信息。
[0027]进一步的，还包括S400、将训练集数据输入所述组合模型，计算每次训练的损失函数， 根据计算得到的损失函数，反向传播梯度更新组合模型的采样权重和偏置，采用Adam优化 器优化网络参数，得到训练后的组合模型。
[0028]本申请另一方面还提供一种基于图卷积网络表示道路的通行时间预测系统，包括：
[0029]特征提取模块，用于获取初始行程数据，对所述初始行程数据进行预处理，得到路网关 系图和多次行程记录；
[0030]组合模型模块，用于构建组合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积网络表示道路的通行时间预测方法，其特征是：包括S100、获取初始行程数据，对所述初始行程数据进行预处理，得到路网关系图和多次行程记录；S200、构建组合模型，从所述路网关系图和多次行程记录中提取空间维度信息、时间维度信息和外部维度信息；S300、将所述空间维度信息、时间维度信息和外部维度信息通过回归器聚合，得到预测结果。2.根据权利要求1所述的一种基于图卷积网络表示道路的通行时间预测方法，其特征是：在步骤S200中，包括，构建图卷积网络从所述路网关系图和多次行程记录中提取空间维度信息，构建长短期记忆网络从所述路网关系图和多次行程记录中提取时间维度信息，构建宽深模型从所述路网关系图和多次行程记录中提取外部维度信息。3.根据权利要求2所述的一种基于图卷积网络表示道路的通行时间预测方法，其特征是：所述构建图卷积网络从所述路网关系图和多次行程记录中提取空间维度信息，包括：S211、将所述多次行程记录作为所述图卷积网络的输入，将所述行程记录中的通过路段作为所述图卷积网络的节点，对节点的邻居节点分配采样权重，根据采样权重在路网关系图上进行采样，获取节点的采样邻居；S212、聚合当前层节点的采样邻居的特征向量，得到当前层邻居特征向量；将当前层节点特征向量和所述当前层邻居特征向量输入全连接层，进行维度变化，然后进行归一化处理，得到下一层的节点特征向量；循环至深度K，得到第K层的节点特征向量作为空间维度信息。4.根据权利要求3所述的一种基于图卷积网络表示道路的通行时间预测方法，其特征是：所述节点v的采样邻居，通过以下方法获得：通过转向关系赋予节点采样权重,通过所述采样权重计算各个邻居节点的采样概率，设置邻居节点采样数量，按采样概率从大至小采样邻居节点，得到节点的采样邻居。5.根据权利要求4所述的一种基于图卷积网络表示道路的通行时间预测方法，其特征是：所述采样概率，通过以下公式计算得出：其中，R为0
‑
1之间的随机数，W
i
为邻居节点对应的采样权重，S
i
为邻居节点的采样概率。6.根据权利要求5所述的一种基于图卷积网络表示道路的通行时间预测方法，其特征是：所述采样权重包括：直行采样权重W
straight
、右转采样权重W
right
、左转采样权重W
left
和掉头采样权重W
...

【专利技术属性】
技术研发人员：王杜娟，殷允强，朱嘉诚，王大江，
申请(专利权)人：四川大学，
类型：发明
国别省市：