基于自适应超图卷积神经网络的车流量预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于自适应超图卷积神经网络的车流量预测方法及装置，该方法借助自适应超图学习捕捉交通流结构中无法通过预定义图或者超图捕捉到的动态节点和超边关系；然后使用超图卷积方法，捕捉车流量在该自适应超图关系中的空间特征，将得到的空间特征使用循环神经网络结构中，用以捕捉时间特征，最终得到预测车流量。本发明专利技术的实现方法较为简便，网络结构简单，可以直接通过采集的数据进行训练得到模型，不需要手动对图网络关系进行建模；通过自适应超图学习空间关系，有着较强的鲁棒性，对节点位置数据缺失有着较强的干扰能力；相较于其他同类型模型，有着更好的预测效果，有利于提高预测精度，模型的性能好。模型的性能好。模型的性能好。

【技术实现步骤摘要】
基于自适应超图卷积神经网络的车流量预测方法及装置


[0001]本专利技术涉及计算机网络技术中的智能交通运输系统领域，尤其涉及一种基于自适应超图卷积神经网络的车流量预测方法及装置。

技术介绍

[0002]随着城市化进程和社会经济发展水平不断提高，大量车辆开始涌入道路，道路拥堵情况不断加重。而智能交通运输系统采用先进的传感技术，不断采集道路上车辆数据，对道路车辆进行建模分析已经成为国内外缓解道路拥堵情况的主流。作为道路的重要组成部分，对于道路交通流进行尽可能准确的时空建模和预测对于缓解道路拥堵状态有着较大意义。
[0003]目前的交通流预测方法主要采用静态图结构或者动态图结构来模拟路网节点关系，但是存在以下问题：1.静态图结构需要提前获得路网数据且只能静态描述路网关系，但是交通流时刻处于一个动态过程，显然简单的静态图结构无法准确捕获交通流中动态关系。2.普通动态图通过节点和节点关系来获得交通流中的动态抽象关系，而忽略了节点和边之间存在的抽象关系。以上情况使得系统对于交通流时空建模存在预测精度低，模型性能差等问题。对此问题进行进一步思考和解决是一个亟需解决的问题。

技术实现思路

[0004]本专利技术针对现有技术的不足，提出一种基于自适应超图卷积神经网络的车流量预测方法及装置。
[0005]本专利技术的目的是通过以下技术方案来实现的：本专利技术实施例第一方面提供了一种基于自适应超图卷积神经网络的车流量预测方法，包括以下步骤：
[0006](1)通过提前铺设探测器获取交通数据，构建多维结构化特征数据；其中，所述交通数据包括车流量、速度、密度、车占比数据；
[0007](2)确定模型的网络结构，所述网络结构包括数据输入层、时空卷积层和输出预测层；其中，所述数据输入层包括一个时空卷积模块，所述时空卷积层包括多个时空卷积模块，所述输出预测层采用二维卷积器；
[0008](3)构建时空卷积模块，以提取到输入信息的时空特征；所述时空卷积模块主要分为两个部分：空间卷积网络和时间卷积网络；其中，所述空间卷积网络采用自适应超图卷积作为空间特征提取器，通过自适应超图，捕捉动态节点之间存在的空间关系，将空间关系和车流量进行卷积操作，完成空间卷积网络提取空间特征；所述时间卷积网络采用循环网络，将空间卷积网络得到的空间数据，通过循环网络得到时间特征；
[0009](4)采用根据所述步骤(3)得到的时空卷积模块，构建数据输入层；
[0010](5)将多个根据所述步骤(3)得到的时空卷积模块，通过网络堆叠的方式构建时空卷积层；
[0011](6)将通过数据输入层和时空卷积层的特征输入到输出预测层中，以得到车流量
的预测结果，并根据损失函数获取预测误差，通过优化算法迭代模型参数，直至模型收敛，以获取最优模型；
[0012](7)将得到的历史数据经过处理后输入到所述步骤(6)中获取的最优模型中，以预测车流量。
[0013]进一步地，所述步骤(1)包括以下子步骤：
[0014](1.1)在指定交通路网中，铺设N个传感器；
[0015](1.2)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的历史车流量数据进行采样，以获取车流量数据；
[0016](1.3)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的其它历史交通数据进行采样，并根据采样到的历史交通数据获取相应的预测数据T+t1，T+t2，
……
T+t
k
的K个时间段上的交通数据，以获取交通态势数据；
[0017](1.4)根据所述步骤(1.2)获取的车流量数据和所述步骤(1.3)获取的交通态势数据构建多维结构化特征数据。
[0018]进一步地，所述数据输入层为特征输入编码器，用于实现从时空数据到时空特征数据的编码转换；所述输出预测层用于将时空特征数据转换为最终的预测结果。
[0019]进一步地，所述步骤(3)包括以下子步骤：
[0020](3.1)通过自适应超图生成器计算得到自适应超图，根据距离计算公式，计算输入数据之间的欧式距离，得到距离矩阵，与输入之前计算得出的自适应超图进行相乘操作得到新的自适应超图；
[0021](3.2)空间卷积网络通过超图卷积网络得到空间特征；
[0022](3.3)时间卷积网络采用门控循环单元(GRU)作为时间卷积模块，将得到的空间特征数据输入门控循环单元，利用门控机制筛选得到长短时时间特征数据，经过时间卷积网络前向传播公式中的权重参数计算之后，得到最终的时序特征输出。
[0023]进一步地，所述空间卷积网络通过超图卷积网络得到空间特征具体为：通过空间卷积公式计算得到自适应超图的度矩阵和边矩阵，采用自适应超图卷积的方式，对输入信号进行卷积，以得到空间特征。
[0024]进一步地，所述时间卷积网络前向传播公式为：
[0025]H
t
＝ReLU{dis(x)
·
H
t
‑1}
[0026]z
t
＝σ(W
z
[X
t
,h
t
‑1]+b
z
)
[0027]r
t
＝σ(W
r
[X
t
,h
t
‑1]+b
r
)
[0028][0029][0030]其中，x为输入数据，X
t
表示t时刻的输入数据，dis(
·
)为距离方程，ReLU为函数的激活函数，H
t
‑1为之前的自适应超图，H
t
为更新后的自适应超图，z
t
、r
t
和h
t
分别为GRU的更新门、重置门和隐藏门，b
z
、b
r
分别为更新门和重置门的偏置，W
z
、W
r
分别为更新门和重置门的权重，σ(
·
)为激活函数sigmoid函数。
[0031]进一步地，所述损失函数的表达式为：
[0032][0033]其中，y
n
为真实值，为预测值，n表示节点数量。
[0034]进一步地，所述步骤(6)中通过优化算法迭代模型参数具体为：使用adam优化器作为模型参数迭代优化器，对模型参数进行迭代优化。
[0035]本专利技术实施例第二方面提供了一种基于自适应超图卷积神经网络的车流量预测装置，包括一个或多个处理器，用于实现上述的基于自适应超图卷积神经网络的车流量预测方法。
[0036]本专利技术实施例第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，用于实现上述的基于自适应超图卷积神经网络的车流量预测方法。
[0037]本专利技术的有益效果是，本专利技术能够有效解决其他基于节点与节点关系的图网路预测模型中无法对节点和超边关系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应超图卷积神经网络的车流量预测方法，其特征在于，包括以下步骤：(1)通过提前铺设探测器获取交通数据，构建多维结构化特征数据；其中，所述交通数据包括车流量、速度、密度、车占比数据；(2)确定模型的网络结构，所述网络结构包括数据输入层、时空卷积层和输出预测层；其中，所述数据输入层包括一个时空卷积模块，所述时空卷积层包括多个时空卷积模块，所述输出预测层采用二维卷积器；(3)构建时空卷积模块，以提取到输入信息的时空特征；所述时空卷积模块主要分为两个部分：空间卷积网络和时间卷积网络；其中，所述空间卷积网络采用自适应超图卷积作为空间特征提取器，通过自适应超图，捕捉动态节点之间存在的空间关系，将空间关系和车流量进行卷积操作，完成空间卷积网络提取空间特征；所述时间卷积网络采用循环网络，将空间卷积网络得到的空间数据，通过循环网络得到时间特征；(4)采用根据所述步骤(3)得到的时空卷积模块，构建数据输入层；(5)将多个根据所述步骤(3)得到的时空卷积模块，通过网络堆叠的方式构建时空卷积层；(6)将通过数据输入层和时空卷积层的特征输入到输出预测层中，以得到车流量的预测结果，并根据损失函数获取预测误差，通过优化算法迭代模型参数，直至模型收敛，以获取最优模型；(7)将得到的历史数据经过处理后输入到所述步骤(6)中获取的最优模型中，以预测车流量。2.根据权利要求1所述的基于自适应超图卷积神经网络的车流量预测方法，其特征在于，所述步骤(1)包括以下子步骤：(1.1)在指定交通路网中，铺设N个传感器；(1.2)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的历史车流量数据进行采样，以获取车流量数据；(1.3)按照采样时间间隔为Δt对N个传感器T时刻之前Y时段的其它历史交通数据进行采样，并根据采样到的历史交通数据获取相应的预测数据T+t1，T+t2，......T+t
k
的K个时间段上的交通数据，以获取交通态势数据；(1.4)根据所述步骤(1.2)获取的车流量数据和所述步骤(1.3)获取的交通态势数据构建多维结构化特征数据。3.根据权利要求1所述的基于自适应超图卷积神经网络的车流量预测方法，其特征在于，所述数据输入层为特征输入编码器，用于实现从时空数据到时空特征数据的编码转换；所述输出预测层用于将时空特征数据转换为最终的预测结果。4.根据权利要求1所述的基于自适应超图卷积神经网络的车流量预测方法，其特征在于，所述步骤(3)包括以下子步骤：(3.1)通过自适应超图生成器计算得到自适应超图，根据距离计算公式，计算输入数据之间的欧式距离，得到距离矩阵，与输入之前计算得出的自适应超图进行相乘操作得到新的自适应超图；(3.2)空间卷积网络通过超图卷积网络得到空间特征；(3.3)时间卷积网络采用门控循环单元(GRU)作为时间卷积模块，将得到的空间特征数
...

【专利技术属性】
技术研发人员：梁军，娄舜杰，王文海，
申请(专利权)人：浙江大学，
类型：发明
国别省市：