一种基于自适应图注意神经网络的交通流量预测方法技术

本发明专利技术请求保护一种基于自适应图注意神经网络的交通流量预测方法，旨在预测中长时间交通车流量，属于城市交通规划及流量预测技术领域。包括：步骤1：提取道路的流量数据，通过注意力机制以及时空数据嵌入的方法对流量数据进行预处理，得到预处理后的数据序列；步骤2：在此基础上，对得到的数据序列提取时空特征；步骤3：在经过多个网络层进行提取后，使用改进多头注意力机制进行了收敛，并经过全连接层得到预测的结果。以上所述方法采用多模块并行处理，改进了卷积的方式，以减少训练时间。本发明专利技术的方法能够进行更准确的交通流量预测，可以更好的完成预测任务。好的完成预测任务。好的完成预测任务。

【技术实现步骤摘要】
一种基于自适应图注意神经网络的交通流量预测方法


[0001]本专利技术属于时空序列预测领域中的交通流量预测，涉及一种基于自适应图注意神经网络的交通流量预测方法，只要用于交通系统中的中长时间流量预测任务。

技术介绍

[0002]随着国家经济的不断发展，人民生活水平的不断提高，私家车数量也是越来越多，因此道路所承受的压力不断地增大，智能交通系统便是为解决此问题而出现。交通流量预测是智能交通系统中非常重要的一部分，为交通调度将产生极大的助力，不论是用于交通管理部门进行合理的分配道路资源，或是为公众提供更加有效的出行策略，流量预测都是不可或缺的一部分，是解决当前交通效率问题的有效方法之一。
[0003]目前，随着智能交通系统(ITS)的广泛应用，能够及时获取海量交通数据，进一步推动了交通速度预测的研究。道路上固定位置的传感器记录交通数据，包括速度、流量和位置等信息。交通特征之间存在密切的时空关系；因此，交通预测的关键是捕捉数据的动态时空相关性。然而，由于交通数据的复杂性和非线性，这项任务具有挑战性。
[0004]首先，节点的空间依赖性是动态的。节点之间存在复杂的依赖关系。且节点之间的空间关系不是独立的，而是随时间动态变化的。然而，现有的几种方法无法对交通数据进行动态时空建模。其次，交通速度变化的非线性和训练过程中误差的传播使得传统的深度学习方法不足以进行长期预测。最重要的是，这些方法基于预定义的图形结构矩阵，这限制了空间的利用流量数据中的依赖项。这意味着这些方法仍然会失败。同时提取时空特征而忽略交通数据的动态相关性。

技术实现思路

[0005]本专利技术旨在解决以上现有技术的问题。提出了一种基于自适应图注意神经网络的交通流量预测方法。本专利技术的技术方案如下：
[0006]一种基于自适应图注意神经网络的交通流量预测方法，其包括以下步骤：
[0007]步骤1：设置时间片，通过交通路口安装的检测装置收集并统计每个时间片下的历史交通流量信息，形成二维交通流矩阵；将得到的历史交通流量信息划分为训练集、测试集；
[0008]步骤2：将安装在每个交通路口的车流量检测装置看成一个节点，将单个时间片下各个节点之间的联系以及交通流数据构成一张路网拓扑图；将相邻时间片下的每个节点与上下两个时间段的节点连接，根据路网流量信息，采用注意力机制动态的对节点相应的权重进行调整，以此构建时空网络序列，得到一个局部的时空连接图；
[0009]步骤3：采用扩张卷积来扩展卷积核，以增加感受野；
[0010]步骤4：构造预测交通流量的基于注意力机制的时空图卷积网络模型，该时空图卷积网络模型采用多个模块叠加的方式，对时间段上的数据进行处理输出，采用多头注意力机制与残差连接；
[0011]步骤5：输出拼接后再经过一个全连接层得到门控机制块的输出，其中在经过全连接层时为了防止过拟合加入了残差结构；
[0012]步骤6：用测试集对训练结束后的自适应图注意神经网络模型进行测试，评估模型误差，若误差大于设定的阈值，则返回步骤2，重新训练模型；
[0013]步骤7：将待预测路段前N个设定时间片的交通流数据输入训练好的自适应图注意神经网络模型中，预测该路段未来N个时间片的交通流量。
[0014]进一步的，所述步骤1具体包括：设置5分钟为一个时间片，通过交通路口安装的检测装置收集并统计每个时间片下的历史交通流量信息，形成二维交通流矩阵；
[0015]所述历史交通流数据包括路段在一个时间片下经过的机动车车牌号、过车时间、过车速度、车流量信息以及当天的天气情况，并对重复数据以及无效数据进行清洗，剩余数据进行z
‑
score标准化处理score标准化处理其中x
i
为原数据，为新数据，μ
i
为均值，σ
i
为标准差。n为路段中站点的数量。
[0016]进一步的，所述步骤2中的路网拓扑图包括：所有节点的集合V,|V|＝N表示节点数量，节点之间的边集E，节点之间边的权重邻接矩阵A；得到路网拓扑图G＝(V,E,A)，根据局部时空图的拓扑结构，可以直接捕获每个节点与其时空邻居之间的相关性；所述构造时空网络序列，使用A∈R
N*N
表示空间图的邻接矩阵，A∈R
3N*3N
表示在三个连续的空间图上构建的局部时空图的邻接矩阵；对于空间图中的节点i，通过(t
‑
1)N+i来计算其在局部时空图中的新索引，其中t(0＜t≤3)表示局部时空中的时间步长；如果在此局部时空图中两个节点相互连接，则在邻接矩阵中的对应值设置为1；其中局部时空图的邻接矩阵表示为：
[0017][0018]其中v
i
表示局部时空图中的节点i，邻接矩阵A包含3N个节点，邻接矩阵的对角线是三个连续时间步长的空间网络的邻接矩阵；对角线的两侧表示属于相邻时间步的每个节点与其自身的连通性。
[0019]进一步的，所述步骤2中采用注意力机制动态的对节点相应的权重进行调整，具体步骤为：
[0020]每个节点块表示时间步t处的当前流量状态，不同的颜色表示不同的影响权重；在时间维度上划分通道，其中一个时间步长就是一个通道，目的是为了通过在不同时间步长为特征分配动态权重，动态调整时空相关性。使用通道注意机制挖掘数据之间的动态时空相关性；
[0021]X的特征压缩首先由全局平均池执行，它将每个时间通道转换为一个数字，以便每个通道在空间维度上具有全局接受场；
[0022][0023]X
p
、f
pool
(X)表示每个通道在空间维度上具有全局感受野，其中T表示历史时间步长，N表示传感器总数。因为本研究只考虑了速度特征，所以C＝1。其中X
p
∈R
T
为了学习数据之间的非线性相关性，将此方程通过两个完全连接的层；
[0024]x
att
＝W2δ(W1X
p
)
[0025]x
att
表示注意力系数，其中为可训练参数，r代表通道的标度比，δ代表ReLU激活函数；此外，为了获得介于0和1之间的权重值，使用乙状激活函数按如下方式重新标定x
att
：
[0026]x
′
att
＝σ(x
att
)
[0027]然后，使用x
′
att
和X的Hadamard乘积获得动态调整的时空特征数据，如下所示：
[0028]X
att
＝X
⊙
x
′
att
[0029]随后，X
att
被送入选通扩展卷积模块和空间卷积模块，以进一步捕获时空特征。
[0030]进一步的，所述步骤3：采用扩张卷积来扩展卷积核，以增加感受野，具体包括：
[0031]在此模块中，采用不同的扩张率卷积输入，以实现短期、中期和长本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应图注意神经网络的交通流量预测方法，其特征在于，包括以下步骤：步骤1：设置时间片，通过交通路口安装的检测装置收集并统计每个时间片下的历史交通流量信息，形成二维交通流矩阵；将得到的历史交通流量信息划分为训练集、测试集；步骤2：将安装在每个交通路口的车流量检测装置看成一个节点，将单个时间片下各个节点之间的联系以及交通流数据构成一张路网拓扑图；将相邻时间片下的每个节点与上下两个时间段的节点连接，根据路网流量信息，采用注意力机制动态的对节点相应的权重进行调整，以此构建时空网络序列，得到一个局部的时空连接图；步骤3：采用扩张卷积来扩展卷积核，以增加感受野；步骤4：构造预测交通流量的基于注意力机制的时空图卷积网络模型，该时空图卷积网络模型采用多个模块叠加的方式，对时间段上的数据进行处理输出，采用多头注意力机制与残差连接；步骤5：输出拼接后再经过一个全连接层得到门控机制块的输出，其中在经过全连接层时为了防止过拟合加入了残差结构；步骤6：用测试集对训练结束后的自适应图注意神经网络模型进行测试，评估模型误差，若误差大于设定的阈值，则返回步骤2，重新训练模型；步骤7：将待预测路段前N个设定时间片的交通流数据输入训练好的自适应图注意神经网络模型中，预测该路段未来N个时间片的交通流量。2.根据权利要求1所述的一种基于自适应图注意神经网络的交通流量预测方法，其特征在于，所述步骤1具体包括：设置5分钟为一个时间片，通过交通路口安装的检测装置收集并统计每个时间片下的历史交通流量信息，形成二维交通流矩阵；所述历史交通流数据包括路段在一个时间片下经过的机动车车牌号、过车时间、过车速度、车流量信息以及当天的天气情况，并对重复数据以及无效数据进行清洗，剩余数据进行z
‑
score标准化处理score标准化处理其中x
i
为原数据，为新数据，μ
i
为均值，σ
i
为标准差，n为路段中站点的数量。3.根据权利要求1所述的一种基于自适应图注意神经网络的交通流量预测方法，其特征在于，所述步骤2中的路网拓扑图包括：所有节点的集合V,|V|＝N表示节点数量，节点之间的边集E，节点之间边的权重邻接矩阵A；得到路网拓扑图G＝(V,E,A)，根据局部时空图的拓扑结构，可以直接捕获每个节点与其时空邻居之间的相关性；所述构造时空网络序列，使用A∈R
N*N
表示空间图的邻接矩阵，A∈R
3N*3N
表示在三个连续的空间图上构建的局部时空图的邻接矩阵；对于空间图中的节点i，通过(t
‑
1)N+i来计算其在局部时空图中的新索引，其中t(0＜t≤3)表示局部时空中的时间步长；如果在此局部时空图中两个节点相互连接，则在邻接矩阵中的对应值设置为1；其中局部时空图的邻接矩阵表示为：其中v
i
表示局部时空图中的节点i，邻接矩阵A包含3N个节点，邻接矩阵的对角线是三个连续时间步长的空间网络的邻接矩阵；对角线的两侧表示属于相邻时间步的每个节点与其自身的连通性。
4.根据权利要求3所述的一种基于自适应图注意神经网络的交通流量预测方法，其特征在于，所述步骤2中采用注意力机制动态的对节点相应的权重进行调整，具体步骤为：每个节点块表示时间步t处的当前流量状态，不同的颜色表示不同的影响权重；在时间维度上划分通道，其中一个时间步长就是一个通道，目的是为了通过在不同时间步长为特征分配动态权重，动态调整时空相关性。使用通道注意机制挖掘数据之间的动态时空相关性；X的特征压缩首先由全局平均池执行，它将每个时间通道转换为一个数字，以便每个通道在空间维度上具有全局接受场；X
p
、f
pool
(X)表示每个通道在空间维度上具有全局感受野，其中T表示历史时间步长，N表示传感器总数。因为本研究只考虑了速度特征，所以C＝1。其中X
p
∈R
T
为了学习数据之间的非线性相关性，将此方程通过两个完全连接的层；x
att
＝W2δ(W1X
p
)x
att
表示注意力系数，其中为可训练参数，r代表通道的标度比，δ代表ReLU激活函数；此外，为了获得介于0和1之间的权重值，使用乙状激活函数按如下方式重新标定x
att
：x
′
att
＝σ(x
att
)然后，使用x
′
att
和X的Hadamard乘积获得动态调整的时空特征数据，如下所示：X
att
＝X
⊙
x
′
att
随后，X
att
被送入选通扩展卷积模块和空间卷积模块，以进一步捕获时空特征。5.根据权利要求4所述的一种基于自适应图注意神经网络的交通流量预测方法，其特征在于，所述步骤3：采用扩张卷积来扩展卷积核，以增加感受野，具体包括：在此模块中，采用不同的扩张率卷积输入，...

【专利技术属性】
技术研发人员：黄海辉，李坤鸿，常光辉，王玮晗，胡智鹏，胡诗洋，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：