一种基于多视角动态图卷积网络的交通流预测方法技术

本发明专利技术公开了一种基于多视角动态图卷积网络的交通流预测方法，包括以下步骤：构建关系矩阵，基于所述关系矩阵获取交通流的空间依赖特征；构建预测模型，将所述空间依赖特征输入所述预测模型中进行融合处理，获得不同视角的时空特征；基于动态融合模块，将所述不同视角的时空特征相融合，对交通流进行预测。本发明专利技术利用多视角编码

【技术实现步骤摘要】
一种基于多视角动态图卷积网络的交通流预测方法


[0001]本专利技术属于交通流预测领域，特别是涉及一种基于多视角动态图卷积网络的交通流预测方法。

技术介绍

[0002]交通流量预测是城市计算中一个热门问题，在智能交通运输系统的许多方面都发挥着重要作用。随着城市化的快速推进以及道路交通设备的不断完善，每天得以产生海量的交通数据，这些数据揭示了交通流量的长期演变以及交通路网的动态变化，可以被用来学习交通轨迹的变化规律、交通流量的拥堵情况以及交通事故的判断等。如何利用此类海量的交通数据来准确预测未来交通流的变化趋势吸引了大量研究人员的关注，因为这对于提高智能交通运输系统的效率有重要意义。
[0003]然而，交通流量预测常常受许多复杂的因素影响，诸如复杂的交通路网结构，节假日因素和天气状况等，对于某个时刻的流量，它可能同时受多个周期变化的历史流量影响，从而使得流量随时间变化更具有动态性。如何从交通流量中学习得到不同交通模式流量的特征，并融合各种特征是交通流量预测的一个难点。

技术实现思路

[0004]本专利技术的目的是提供一种基于多视角动态图卷积网络的交通流预测方法，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了一种基于多视角动态图卷积网络的交通流预测方法，包括以下步骤：
[0006]构建关系矩阵，基于所述关系矩阵获取交通流的空间依赖特征；
[0007]构建预测模型，将所述空间依赖特征输入所述预测模型中进行融合处理，获得不同视角的时空特征；
>[0008]基于动态融合模块，将所述不同视角的时空特征相融合，对交通流进行预测。
[0009]优选的，构建关系矩阵的过程包括：
[0010]将若干个历史时间步的流量数据进行维度转换后，利用奇异值分解过滤冗余信息，获得目标维度数据；基于所述目标维度数据，计算站点流量相似性，构建关系矩阵。
[0011]优选的，将所述空间依赖特征输入所述预测模型中进行融合处理的过程包括：
[0012]构建多视角编码
‑
解码端，基于所述多视角编码
‑
解码端获取不同视角的时间依赖特征；
[0013]将所述不同视角的时间依赖特征分别与所述空间依赖特征相融合，获得对应的不同视角的时空特征。
[0014]优选的，获取不同视角的时间依赖特征之前还包括：
[0015]将原始的交通流量数据基于不同的历史周期划分为第一视角流量数据、第二视角流量数据、第三视角流量数据。
[0016]优选的，将所述不同视角的时间依赖特征分别与所述空间依赖特征相融合的过程包括：
[0017]基于耦合图卷积门控循环单元提取空间依赖特征，将所述空间依赖特征送入循环神经网络中分别与所述不同视角的时间依赖特征相融合。
[0018]优选的，所述耦合图卷积门控循环单元的构建过程包括：
[0019]将门控循环神经网络与耦合图卷积进行融合处理，获得所述耦合图卷积门控循环单元。
[0020]优选的，将所述不同视角的时空特征相融合的过程包括：
[0021]基于多视角编码
‑
解码端，输出不同视角的时空特征；其中，所述不同视角的时空特征包括第一视角时空特征、第二视角时空特征、第三视角时空特征；
[0022]预设可训练的第一参数、第二参数、第三参数；
[0023]将所述第一视角时空特征、第二视角时空特征、第三视角时空特征分别与对应的第一参数、第二参数、第三参数相乘，输出融合后的时空特征。
[0024]优选的，对交通流进行预测的过程还包括：
[0025]对预测的时间步数、预测值、真实值进行均方根误差分析。
[0026]本专利技术的技术效果为：
[0027](1)传统交通流量预测中，通常只从一种流量周期视角来捕获交通路网中的流量特征，然而单一的流量周期视角无法捕捉到不同历史周期流量对未来流量的影响。本专利技术从流量的三种不同周期视角来构造数据集，可以有效地捕捉不同交通流视角对应的流量特征，并动态融合不同流量视角的特征。
[0028](2)本专利技术通过将耦合图卷积替换门控循环神经网络中的线性变换操作，将结合耦合图卷积和门控循环单元重新组成一个新模块，从而实现同时捕捉交通流量的空间依赖性和时间依赖性。
[0029](3)传统的交通流量预测算法中，往往忽略不同历史周期交通流的站点空间依赖关系，本专利技术利用多视角编码
‑
解码端网络，通过三个分支的动态训练，学习得到不同交通流视角对应的关系矩阵，捕捉到站点间更多的空间依赖特征，以提高最终的预测精度。
附图说明
[0030]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0031]图1为本专利技术实施例中的方法流程示意图；
[0032]图2为本专利技术实施例中的预测模型示意图；
[0033]图3为本专利技术实施例中的关系矩阵的构造示意图；
[0034]图4为本专利技术实施例中的多视角交通流预测方案示意图；
[0035]图5为本专利技术实施例中的耦合图卷积与门控循环神经网络结合示例图；
[0036]图6为本专利技术实施例中的多视角动态融合模块示例图。
具体实施方式
[0037]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相
互组合。下面将参考附图并结合实施例来详细说明本申请。
[0038]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0039]实施例一
[0040]如图1
‑
2所示，本实施例中提供一种基于多视角动态图卷积网络的交通流预测方法，包括以下步骤：
[0041]步骤S01：交通模式流量特征提取，从路网交通流量数据中，利用关系矩阵构造方法，来捕捉交通模式的空间特征。
[0042]具体实施过程如下：构造关系矩阵，又称相似性矩阵来捕捉交通流量的空间依赖特征，相似性矩阵的构造过程为：
[0043][0044][0045]其中，similarity表示计算站点流量之间的相似性，其具体计算流程如图3所示。下标t
a
表示生成关系矩阵的第一个时间步，τ表示用τ个历史时间步的流量数据来构造关系矩阵，softmax表示激活函数。
[0046]进一步的，本实施例的交通模式为：交通流空间依赖。
[0047]步骤S02：将原始的交通流量数据按不同的历史周期划分为三种不同的数据集：小时视角流量数据、天视角流量数据和周视角流量数据。对每部分数据集，利用编码
‑
解码端结构提取不同视角的流量特征。
[0048]具体实施过程如下：假定周二13：00～18：00的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多视角动态图卷积网络的交通流预测方法，其特征在于，包括以下步骤：构建关系矩阵，基于所述关系矩阵获取交通流的空间依赖特征；构建预测模型，将所述空间依赖特征输入所述预测模型中进行融合处理，获得不同视角的时空特征；基于动态融合模块，将所述不同视角的时空特征相融合，对交通流进行预测。2.根据权利要求1所述的基于多视角动态图卷积网络的交通流预测方法，其特征在于，构建关系矩阵的过程包括：将若干个历史时间步的流量数据进行维度转换后，利用奇异值分解过滤冗余信息，获得目标维度数据；基于所述目标维度数据，计算站点流量相似性，构建关系矩阵。3.根据权利要求1所述的基于多视角动态图卷积网络的交通流预测方法，其特征在于，将所述空间依赖特征输入所述预测模型中进行融合处理的过程包括：构建多视角编码
‑
解码端，基于所述多视角编码
‑
解码端获取不同视角的时间依赖特征；将所述不同视角的时间依赖特征分别与所述空间依赖特征相融合，获得对应的不同视角的时空特征。4.根据权利要求3所述的基于多视角动态图卷积网络的交通流预测方法，其特征在于，获取不同视角的时间依赖特征之前还包括：将原始的交通流量数据基于不同的历史周期划分为第一视角流量数据、第二视角流量数据、第三视...

【专利技术属性】
技术研发人员：黄晓辉，叶裕明，凌嘉壕，周云飞，成学博，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：