一种基于自适应图融合卷积网络的交通流量预测方法技术

本发明专利技术涉及一种基于自适应图融合卷积网络的交通流量预测方法，包括下列步骤：将所需要进行预测的路网构建为图模型，称其为路网图模型；将节点的历史流量输入到自适应图融合卷积模块处理，自适应图融合卷积模块用于根据所生成的路网图模型建立自适应静态邻接矩阵和自适应动态邻接矩阵，并由静态

【技术实现步骤摘要】
speed prediction,"Sensors,17(4),p.818,2017.
[0010][5]R.Fu,Z.Zhang,and L.Li,“Using lstm and gru neural network methods for traffic flow prediction,”in Proc.31st Youth Acad.Annu.Conf.Chin.Assoc.Autom.(YAC),2016,pp.324
–
328.
[0011][6]]B.Yu,H.Yin,and Z.Zhu,"Spatio
‑
temporal graph convolutional networks:A deep learning framework for traffic forecasting,"arXiv preprint arXiv:1709.04875,2017.
[0012][7]C.Song,Y.Lin,S.Guo,and H.Wan,“Spatial
‑
temporal synchronousgraph convolutional networks:A new framework for spatial
‑
temporal network data forecasting,”in Proc.AAAI Conf.Artif.Intell.,vol.34,no.01,2020,pp.914
–
921.
[0013][8]M.Li and Z.Zhu,“Spatial
‑
temporal fusion graph neural networks for traffic flow forecasting,”in Proc.AAAI Conf.Artif.Intell.,vol.35,no.5,2021,pp.4189
–
4196.

技术实现思路

[0014]本专利技术的目的是提供一种基于自适应图融合卷积网络的交通流量预测方法，该方法相较于其他方法，在多种不同规模的路网结构上的预测误差更小，说明该方法能够更灵活地应用于实际预测之中，并可以达到准确的预测结果。技术方案如下：
[0015]一种基于自适应图融合卷积网络的交通流量预测方法，包括下列步骤：
[0016]步骤一，将所需要进行预测的路网构建为图模型，称其为路网图模型,路网路段建模为图的节点,每个路段节点都设有路网传感器，路段之间的连接关系建模为图的边,将每条路段的流量描述为节点的属性特征；
[0017]步骤二，将节点的历史流量输入到自适应图融合卷积模块处理，自适应图融合卷积模块用于根据所生成的路网图模型建立自适应静态邻接矩阵和自适应动态邻接矩阵，并由静态
‑
动态图融合层进行融合操作，提取对应的空间特征，方法如下：
[0018]1)对于一个由N个节点的交通流量序列输入X＝(X1,X2,
…
,X
I
)∈R
I
×
N
，包含I个时间步，其中，第i时间步流量表示为X
i
；
[0019]2)构建路网图模型的静态邻接矩阵，称其为自适应静态邻接矩阵，自适应图融合卷积层中的自适应静态邻接矩阵A
S
＝ReLU(tanh(a1(EE
T
)))，其中E∈R
N
×
D
表示随机初始化的可学习节点嵌入，根据节点数量N和自定义维度D在网络中定义，E
T
为E的转置，a1为网络参数；
[0020]3)在自适应图融合卷积模块之后设计有残差增强门控循环单元，残差增强门控循环单元以自适应图融合卷积模块提取到的路网空间特征作为输入，以隐状态向量作为输出；
[0021]4)构建路网图模型的动态邻接矩阵，称其为自适应动态邻接矩阵，将第i时间步流量X
i
结合残差增强门控循环单元第i
‑
1时间步输出的隐状态向量生成自适应动态邻接矩阵A
D
，公式如下：A
D
＝ReLU(tanh(a2(DE
·
DE
T
))),a2为网络参数，为网络参数，其中表示哈达玛积，[
·
,
·
]表示拼接操作，W∈R为可学习的权重参数，a3为网络参数；
[0022]5)通过静态
‑
动态图融合层进行特征融合，将第i时间步流量X
i
以及自适应静态邻接矩阵A
S
和自适应动态邻接矩阵A
D
输入到静态
‑
动态图融合层进行特征提取，提取到第i个时间步的路网的空间特征Z，Z被表示为其中α和β是可学习的参数，Z表示静态
‑
动态图融合层的输出，即自适应图融合卷积模块的输出；W1∈R
D
×
F
和b∈R
D
×
F
均为可学习参数，F为特征维度在网络中预先定义，W2为维度为F的可学习的权重；
[0023]步骤三，利用所述残差增强门控循环单元对自适应图融合卷积模块提取到的路网空间特征进行组织，残差增强门控循环单元以自适应图融合卷积模块的输出作为输入，同时在每个残差增强门控循环单元的输入输出间建立起线性连接，最终生成的隐状态向量被合并在一起作为输出，并生成对应的路网的时空特征；
[0024]步骤四，用节点嵌入的自注意力层处理步骤三得到的隐状态向量序列；将隐状态序列H和节点嵌入E连接作为输入在自注意力层进行自注意力运算生成注意力分数γ，将注意力分数γ与原隐状态序列点积得到新的隐状态序列H'；
[0025]步骤五：构建全连接层进行维度转换，将步骤四得到的隐状态序列H'输入全连接层,得到各路段上的预测结果。
[0026]进一步地，步骤三的方法如下：
[0027]1)将第i时间步的空间特征作为输入向量，输入到残差增强门控循环单元；
[0028]2)在残差增强门控循环单元中，空间特征通过tanh激活函数更新候选隐状态表示为：其中表示第i
‑
1时间步中对应的隐状态向量，r
t
为对应的权重，为残差增强门控循环单元的网络参数；
[0029]3)在残差增强门控循环单元中，根据和生成第i时间步对应的隐状态向量并且表示为：z
t
为组合和的权重，α
x
,α
h
,W
h
,W
ox
为残差权重；
[0030]4)将I个时间步的空间特征在残差增强门控循环单元中全部处理完毕后得到所有的时间步表示为隐状态向量序列
[0031]本专利技术不仅可以模拟交通流量的总体变化趋势，而且还可以捕捉交通流量的微小变化，预测结果接近实际值，在预测任务中无论预测时间步长如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应图融合卷积网络的交通流量预测方法，包括下列步骤：步骤一，将所需要进行预测的路网构建为图模型，称其为路网图模型,路网路段建模为图的节点,每个路段节点都设有路网传感器，路段之间的连接关系建模为图的边,将每条路段的流量描述为节点的属性特征；步骤二，将节点的历史流量输入到自适应图融合卷积模块处理，自适应图融合卷积模块用于根据所生成的路网图模型建立自适应静态邻接矩阵和自适应动态邻接矩阵，并由静态
‑
动态图融合层进行融合操作，提取对应的空间特征，方法如下：1)对于一个由N个节点的交通流量序列输入X＝(X1,X2,
…
,X
I
)∈R
I
×
N
，包含I个时间步，其中，第i时间步流量表示为X
i
；2)构建路网图模型的静态邻接矩阵，称其为自适应静态邻接矩阵，自适应图融合卷积层中的自适应静态邻接矩阵A
S
＝ReLU(tanh(a1(EE
T
)))，其中E∈R
N
×
D
表示随机初始化的可学习节点嵌入，根据节点数量N和自定义维度D在网络中定义，E
T
为E的转置，a1为网络参数；3)在自适应图融合卷积模块之后设计有残差增强门控循环单元，残差增强门控循环单元以自适应图融合卷积模块提取到的路网空间特征作为输入，以隐状态向量作为输出；4)构建路网图模型的动态邻接矩阵，称其为自适应动态邻接矩阵，将第i时间步流量X
i
结合残差增强门控循环单元第i
‑
1时间步输出的隐状态向量生成自适应动态邻接矩阵A
D
，公式如下：A
D
＝ReLU(tanh(a2(DE
·
DE
T
))),a2为网络参数，
⊙
其中表示哈达玛积，[
·
,
·
]表示拼接操作，W∈R为可学习的权重参数，a3为网络参数；5)通过静态
‑
动态图融合层进行...

【专利技术属性】
技术研发人员：徐岩，卢宇，张启源，苏倩，吉常涛，
申请(专利权)人：天津大学，
类型：发明
国别省市：