带有图学习的双端图卷积交通流量预测方法技术

带有图学习的双端图卷积交通流量预测方法，解决了如何提高交通流量预测准确度的问题，属于交通流量预测技术领域。本发明专利技术包括：S1、获取实时交通流量数据；S2、将获取的实时交通流量数据输入到预测模型中，得到预测的交通流量；预测模型包括特征提取层和预测层及L个动态图学习层、L个门控时间卷积层、L个双端图卷积层；本发明专利技术没有使用预定义的静态图结构，而是通过动态图学习层来学习交通数据自身所具有的动态和周期性特征。门控时间卷积层和双端图卷积层分别用于捕获交通序列自身所具有的时间相关性和空间相关性，使预测结果尽可能接近真实的值。接近真实的值。接近真实的值。

【技术实现步骤摘要】
带有图学习的双端图卷积交通流量预测方法


[0001]本专利技术涉及一种带有图学习的双端图卷积交通预测方法，属于交通流量预测


技术介绍

[0002]现代城市车辆增长的速率远大于新修道路的里程数，由此引发的道路拥堵、环境污染等一系列问题给人们的生活带来了很大不便。解决该问题的最好办法是发展智能交通系统(Intelligent Traffic System,ITS)，利用交通诱导技术，提高交通路网通行效率。这要根据当前及未来时间内道路网的交通状态来为车辆建议较佳的行车路线，从而使车流均衡地分布于路网，发挥各条道路的最大功用。
[0003]反映路网状态的一个重要变量是交通流量，即一定时间段内通过某一道路截面的车辆数。优秀的交通诱导系统需要根据在未来短时间(5～15min)内的道路交通流作出诱导建议，而由于短时交通流量数据的非线性和噪声干扰，使其规律很难把握，对于短时交通流量的预测一直是个难点。
[0004]交通流量预测在时空数据挖掘和智慧交通系统中一直是重要的研究课题，也是全球交通领域的研究热点。早期的预测模型主要有历史平均、线性回归、时间序列等，但预测精度不高，模型适应性不强。近些年研究较多的模型有交通仿真、混沌理论、神经网络和支持向量机(Support Vector Machine,SVM)。机器学习方法由于有较强的理论框架，预测效果好，越来越成为受欢迎的参考模型。现有方法以建模节点之间的变化和隐藏的相关性。通常通过共享邻接矩阵来捕捉动态关系，这带来了较高的时间和空间复杂性，这将严重限制解决大型图的能力，导致预测出的交通流不够准确。

技术实现思路

[0005]针对如何提高交通流量预测准确度的问题，本专利技术提供一种带有图学习的双端图卷积交通流预测方法。
[0006]本专利技术的一种带有图学习的双端图卷积交通流量预测方法，包括：
[0007]S1、获取实时交通流量数据；
[0008]S2、将获取的实时交通流量数据输入到预测模型中，得到预测的交通流量；
[0009]所述预测模型包括特征提取层和预测层及L个动态图学习层、L个门控时间卷积层、L个双端图卷积层；
[0010]提取层，用于提取实时交通流量数据的特征，作为初始特征H0；
[0011]一个动态图学习层、一个门控时间卷积层和一个双端图卷积层组成一个块，L个块串联在一起，每个块中的门控时间卷积层的输出和第L个块的输出同时输入到预测层，预测层输出下一时刻的交通流量；
[0012]第l个块中，l＝{1,2,
…
,L}，由第l
‑
1个块的输出H
l
‑1同时作为第l个门控时间卷积层和第l个动态图学习层的输入，第1个块中的输入为初始特征H0，第l个门控时间卷积层用
于捕获每个路段的交通流量随时间变化的时间相关性特征，获得门控时间卷积层的输出隐藏状态并将输出隐藏状态输入给第l个双端图卷积层；同时，动态图学习层用于通过学习连续图和备用图，得到邻接矩阵A
l
，并输入给第l个双端图卷积层；第l个双端图卷积层用于根据输出隐藏状态和邻接矩阵A
l
捕获不同路段之间交通流量随时间变化的空间相关性特征，得到H
l
。
[0013]作为优选，动态图学习层用于通过学习连续图和备用图，得到邻接矩阵A
l
包括：
[0014][0015][0016][0017]A
l
＝ReLU(tanh(βA
12
))
[0018]其中，和表示嵌入在第l个块中的两个可学习节点，d为嵌入的可学习节点的大小，N表示节点数量，和是对应线性层参数，A
12
是cosine相似性矩阵，ReLU(
·
)表示激活函数；β是用于控制激活函数的饱和率的超参数。
[0019]作为优选，门控时间卷积层包括空洞卷积层和空洞inception层:
[0020]第l
‑
1个块的输出H
l
‑1同时输入至空洞卷积层和空洞inception层，
[0021]空洞卷积层的输出为空洞inception层的输出为输出隐藏状态为：
[0022][0023]⊙
是元素级乘法运算符号，σ(
·
)表示sigmoid函数。
[0024]作为优选，空洞卷积层的输出为：
[0025][0026]其中，表示第l层的卷积核大小，
★
为空洞卷积运算。
[0027]作为优选，空洞inception层包括1
×
1卷积层、4个不同空洞卷积层、4个ConvGRU层和1个拼接层；
[0028]第l
‑
1个块的输出H
l
‑1输入至1
×
1卷积层，得到将分别传递至4个不同空洞卷积层，得到对应的输出将分别输入至4个ConvGRU层，4个ConvGRU层分别输出拼接层得到concat(
·
)表示拼接。
[0029]作为优选，将分别输入至4个ConvGRU层，4个ConvGRU层分别输出的方法包括：
[0030][0031][0032][0033][0034]k＝1,2,3,4，
⊙
是元素级乘法运算符号，σ(
·
)表示sigmoid函数，)表示sigmoid函数，表示可学习的参数，*表示卷积运算，
[0035]作为优选，双端图卷积层包括流入端图卷积层和流出端图卷积层；
[0036]流入端图卷积层的输出获取方法：
[0037]得到邻接矩阵A
l
的度矩阵的度矩阵的对角线上的元素的对角线上的元素表示邻接矩阵A
l
中第i行第j列的特征；
[0038]获得矩阵对矩阵进行更新，rowsum(
·
)表示每行的数值和；
[0039]获得下标m＝1,
…
,M，M表示步数，γ是一个用于控制保留原始特征比例的超参数，表示1
×
1卷积实现的特征筛选器；表示流入端第m步的邻接矩阵的高阶特征；
[0040]对将每一步得到的进行拼接获得
[0041]流出端图卷积层的输出获取方法：
[0042]获得流出端中第m步的特征信息
[0043]对进行拼接获得
[0044][0044]表示1
×
1卷积实现的特征筛选器；
[0045]双端图卷积层的输出
[0046]作为优选，所述预测层包括两个标准卷积层，第一个标准卷积层将L+1个输入进行聚合得到第二个标准卷积层将变换维度至S1实时获取的交通流量数据X∈R
H
×
N
×
C
，H为输入的交通流量数据序列时间步长数量，N为节点数量，C为特征数量。
[0047]本专利技术的有益效果，本专利技术没有使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.带有图学习的双端图卷积交通流量预测方法，其特征在于，所述方法包括：S1、获取实时交通流量数据；S2、将获取的实时交通流量数据输入到预测模型中，得到预测的交通流量；所述预测模型包括特征提取层和预测层及L个动态图学习层、L个门控时间卷积层、L个双端图卷积层；提取层，用于提取实时交通流量数据的特征，作为初始特征H0；一个动态图学习层、一个门控时间卷积层和一个双端图卷积层组成一个块，L个块串联在一起，每个块中的门控时间卷积层的输出和第L个块的输出同时输入到预测层，预测层输出下一时刻的交通流量；第l个块中，l＝{1,2,
…
,L}，由第l
‑
1个块的输出H
l
‑1同时作为第l个门控时间卷积层和第l个动态图学习层的输入，第1个块中的输入为初始特征H0，第l个门控时间卷积层用于捕获每个路段的交通流量随时间变化的时间相关性特征，获得门控时间卷积层的输出隐藏状态并将输出隐藏状态输入给第l个双端图卷积层；同时，动态图学习层用于通过学习连续图和备用图，得到邻接矩阵A
l
，并输入给第l个双端图卷积层；第l个双端图卷积层用于根据输出隐藏状态和邻接矩阵A
l
捕获不同路段之间交通流量随时间变化的空间相关性特征，得到H
l
。2.根据权利要求1所述的带有图学习的双端图卷积交通流量预测方法，其特征在于，动态图学习层用于通过学习连续图和备用图，得到邻接矩阵A
l
包括：包括：包括：A
l
＝ReLU(tanh(βA
12
))其中，和表示嵌入在第l个块中的两个可学习节点，d为嵌入的可学习节点的大小，N表示节点数量，和是对应线性层参数，A
12
是cosine相似性矩阵，ReLU(
·
)表示激活函数；β是用于控制激活函数的饱和率的超参数。3.根据权利要求2所述的带有图学习的双端图卷积交通流量预测方法，其特征在于，门控时间卷积层包括空洞卷积层和空洞inception层:第l
‑
1个块的输出H
l
‑1同时输入至空洞卷积层和空洞inception层，空洞卷积层的输出为空洞inception层的输出为输出隐藏状态为：
⊙
是元素级乘法运算符号，σ(
·
)表示sigmoid函数。4.根据权利要求3所述的带有图学习的双端图卷积交通流量预测方法，其特征在于，空洞卷积层的输出为：其中，表示第l层的卷积核大小，＊为空洞卷积运算。
5.根据权利要求4所述的带有图学习的双端图卷积交通流量预测方法，其特征在于，空洞inception层包括1
...

【专利技术属性】
技术研发人员：任倩倩，李子龙，张洋，金虎，吕兴凤，宁宝玲，
申请(专利权)人：黑龙江大学，
类型：发明
国别省市：