一种基于超图的时空超图卷积交通流量预测方法及系统技术方案

本发明专利技术公布了一种基于超图的时空超图卷积交通流量预测方法，将交通线路图按照流量变化特征构建成时空超图，再建立时空超图卷积交通流量预测模型对交通流量进行预测。本发明专利技术提供的技术方案根据过往交通时序上的流量变化特征，将特征相似的交通站点进行聚类，在相邻两个时间点之间构造超边，将相邻时间点中同属一个类别的地铁站相连，构建跨时空超图；再通过构建基于超图的时空卷积网络模型，挖掘时空超图的时空关联性，预测未来交通流量，可有效提高区域交通流量预测的准确度。提高区域交通流量预测的准确度。提高区域交通流量预测的准确度。

【技术实现步骤摘要】
一种基于超图的时空超图卷积交通流量预测方法及系统


[0001]本专利技术属于智能交通
，涉及交通流量预测技术，尤其涉及一种基于超图的时空超图卷积交通流量预测方法及系统。

技术介绍

[0002]随着城市人口规模不断扩大，私人交通工具的迅速发展，城市交通流量激增，造成了大量资源浪费和严重的交通拥挤。因此，准确预测交通流量，可以帮助人们实现更合理的出行路线选择，规避交通堵塞，城市交通规划方也可以根据预测提前部署站点安保措施，合理进行资源分配等。
[0003]早期的时空数据预测方法主要基于统计学习，大多采用线性回归的思想，主要包括HA、ARMA(Autoregressive Integrated Moving Average model差分整合移动平均自回归模型)、VAR(vector autoregressive model向量自回归模型)等。历史平均法(historial average，HA)是一种较为简单的预测方法，该方法将研究对象的时空数据在同一位置相同时间间隔内的历史观测值取加权平均后作为预测结果。已有的技术方案包括了一种时序预测模型ARIMA，ARIMA先对交通状况数据序列进行平稳性检验，通过计算自回归项和移动平均项参数对单变量交通状况数据流进行建模。早期的交通预测，多采用线性回归的思想，对于一些非线性特征的提取能力较差，且只考虑了交通数据的在时间维度的特征而忽略了空间维度的关系。
[0004]随着机器学习技术的发展,许多工作尝试使用机器学习方法来解决时空数据预测问题。现有工作包括支持向量机SVM(Support Vector Machine)模型等。此外，参照SARIMA(Seasonal Autoregressive Integrated Moving Average季节性差分自回归滑动平均模型)模型的思路，已有工作还考虑了数据的周期性特征，并提出了两个新颖的SVR模型，证明了数据特征对预测准确性的重要性。已有工作还包括采用一种基于高级遗传算法的多层结构优化策略，并将其与ANN(Artificial Neural Network，人工神经网络)相结合，提高了预测的准确性。以及通过改进KNN(K
‑
Nearest Neighbor，K近邻)模型来进行短期交通数据预测。尽管基于机器学习的方法提高了时空数据预测任务的准确性，但是它们依旧无法捕获到真实时空数据中高度复杂的时空相关性。
[0005]随着神经网络的不断发展，鉴于上述已有的神经网络模型不能很好的学习到非欧几里德数据中的特征，新的模型不断提出，例如，GCN(Graph Convolutional Networks图卷积神经网络)模型可以将节点邻域的信息聚集到节点自身，从而有效的提取网络中的空间结构信息。因此GCN可用来捕获时空数据中的空间相关性。通过将RNN(ecurrent neural network循环神经网络)和GCN相结合，提出了GCRN(Gated Convolutional Recurrent Networks门控卷积循环网络)模型。T
‑
GCN(Temporal Graph Convolutional Network基于时间图卷积网络)模型引入了GCN和GRU(Gate Recurrent Unit门控循环单元)结合来提取交通数据的时间特征和空间特征。STGCN(Spatio
‑
Temporal Graph Convolutional Networks时空图卷积网络)模型用纯卷积结构建立模型，在更少的参数下实现更快的训练
速度。ASTGCN(Attention Based Spatial
‑
Temporal Graph Convolutional Networks基于注意力机制的时空图卷积网络)模型是基于STGCN和注意力机制，考虑到时间周期性对预测的影响，对交通流的三个时间特性进行建模，并引入时空注意力机制，能够有效地捕捉交通数据中的动态时空相关性。DCRNN(Diffusion Convolutional Recurrent Neural Networks扩散卷积递归神经网络)模型针对交通数据的长期流量预测问题，将交通流建模为有向图上的扩散过程，并引入扩散卷积递归神经网络。
[0006]虽然上述这些方法可以捕获到时空数据中的时空相关性，时空数据预测的准确性有所提高，但仍存在两点不足，首先现有的交通预测模型采用分别提取交通数据中的时间特征和空间特征，将两种特征进行拼合来表示时空特征的方法。这种方法所捕获到的时空特征是间接的、片面的，不能准确反映时空数据中真实存在的时空相关性。其次，已有的用于道路交通流预测的基于图的神经网络模型，图中每条边连接两个节点，但很难适用于地铁车站节点。由于地铁车站之间的连接比点对点的连接带有更多的信息，而基于图的神经网络模型仅用普通图表示交通道路图，忽略了地铁车站节点其中隐含的高阶信息，从而影响预测的准确性。

技术实现思路

[0007]为了克服上述现有技术的不足，本专利技术提供一种基于超图的时空超图卷积交通流量预测方法及系统，创建时空超图卷积交通流量预测模型，基于其他站点的历史流量数据对当前站点的流量进行预测，可以得到不同时空交通流量变化对当前站点的不同影响，包括时间上不同时间交通流量对当前流量的影响，空间上其他站点对于当前站点的流量的影响，以及不同时间点其他站点对于当前站点的影响，从而更加准确地预测当前区域的人流量。
[0008]本专利技术技术方案为：
[0009]一种基于超图的时空超图卷积交通流量预测方法，将交通线路图按照流量变化特征构建成超图，再建立时空超图卷积交通流量预测模型STHGCN；包括如下步骤：
[0010]步骤S1：根据交通流量变化特征，对交通站点进行聚类；
[0011]具体实施时，将原始交通数据进行统计，将人流量变化特征相似的交通站点(如地铁站)进行聚类，包括：
[0012]例如，地铁车站、工作区、生活区和周末休闲娱乐区域一天的客流量变化具有明显不同的特征。具体实施时，交通流量可以是道路车辆流量、某交通站点或其他功能区域的人流量。
[0013]将特征相似的交通站点进行聚类包括如下步骤：
[0014]步骤S11.通过交通站点设置传感器记录通过的车辆或乘客，获取原始交通流量数据集，数据集中的数据包括三个维度，分别是：交通流量的固定间隔时间点个数、交通站点的个数和交通站点进出方向；对原始交通流量数据集进行数据处理，得到数据的节点数(交通站点)、边数、时间点数和特征数。
[0015]步骤S12：使用聚类算法对交通站点的流量特征进行分类。
[0016]从任选一个未被访问的交通站点开始，计算其和其他站点的特征相似度。找出与其相似度半径在R之内(包括R)的所有站点，R取值可按照不同数据设置。站点特征相似度≤
R，则两个站点可看作同一类，将被统计过的站点设置为已访问。然后递归，以相同的方法处理数据中所有未被访问过的站点，最终共得到K个类别的交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图的时空超图卷积交通流量预测方法，将交通线路图按照流量变化特征构建成跨时空超图，再建立时空超图卷积交通流量预测模型对交通流量进行预测；包括：步骤S1：根据交通流量变化特征，对交通站点进行聚类，得到K个类别的交通站点；步骤S2：将交通流量数据按照时间序列周期进行划分，在相邻周期时间点之间构造超边，将同属一个类别的交通站点相连接，由此构建得到跨时空超图；包括：步骤S21：将交通流量数据按照时间序列周期进行划分；步骤S22：在交通站点之间连接生成超边，构建跨时空超图和超图邻接矩阵；以交通站点为节点，将相邻周期时间点中类别相同的交通站点之间连接，形成一个超边，构建跨时空超图；建立超图邻接矩阵，得到超图邻接矩阵的行列大小分别为2N和K，其中N表示交通站点的数量，K表示超边的数量，即类别数量；超图邻接矩阵的行列分别对应节点和超边；当一个节点属于相应超边则该位置元素取值为1，否则取值为0；步骤S3：构建时空超图卷积交通流量预测模型，获取交通流量数据的时空关联性，由此预测未来交通流量；时空超图卷积交通流量预测模型包括两个时空模块和一个全连接层；其中，每个时空模块由一层时域卷积模块和超图卷积模块依次构成；步骤S31：构建时域卷积模块；时域卷积模块包括一维卷积神经网络层CNN和门控线性单元GLU；其中，CNN用于捕获时空数据中的时间信息，GLU用于选择保留的时间信息；时域卷积模块C表示为：C*
k
R＝p
⊙
δ(p)其中，k表示一维CNN的卷积核大小；R表示输入的数据；P表示R经过CNN后的输出矩阵结果；δ(P)表示GLU；
⊙
表示哈达玛积；步骤S32：构建超图卷积模块，将时空超图转换为普通图再采用图卷积神经网络GCN单层的图卷积方法进行卷积；步骤S33：构建时空超图卷积网络交通流量预测模型，得到各个交通站点的交通流量最终预测结果；将经过步骤S1和S2处理得到的交通流量数据和交通道路图分别输入到STHGCN模型中，得到各个站点的交通流量的预测结果，可表示为X＝{X0,X1,......X
N
}，其中N表示N个交通站点；X
N
表示站点N未来交通流量预测，X
N
的维度为预测的时间点个数；通过上述步骤，实现基于超图的时空超图卷积交通流量预测。2.如权利要求1所述基于超图的时空超图卷积交通流量预测方法，其特征是，步骤S1对交通站点进行聚类，包括：步骤S11.通过交通站点设置传感器记录通过的车辆或乘客，获取原始交通流量数据集，数据集中的数据包括三个维度，分别是：交通流量的固定间隔时间点个数、交通站点的个数和交通站点进出方向；对原始交通流量数据集进行数据处理，得到数据的节点数、边数、时间点数和特征数；步骤S12：使用聚类算法对交通站点的流量特征进行分类；任选一个未被访问的交通站点开始，计算该...

【专利技术属性】
技术研发人员：张珣，张楚童，张滨，张鑫，张迎春，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：