一种基于动态图卷积的交通预测方法技术

本发明专利技术公开了一种基于动态图卷积的交通预测方法，采用时间embedding生成器和MLP层来提取时空embedding和动态信号，并将两者结合得到动态图embedding用来生成动态图。为了提取交通信号的时空依赖关系，使用动态图构建了一个基于RNN的动态图卷积递归模块(DGCRM)来提取交通信号的时空特征。为了识别交通信号中的主体信号和异常信号，使用残差分解机制来分解得到异常信号并使用DGCRM进行建模预测。本发明专利技术采用上述的一种基于动态图卷积的交通预测方法，该方法不依赖任何先验知识，生成的动态邻接矩阵能根据当前时间特征和交通信号来挖掘节点间的动态关系，该方法可以识别交通信号中的主体信号和异常信号并对其分开建模以提升效果。提升效果。提升效果。

【技术实现步骤摘要】
一种基于动态图卷积的交通预测方法


[0001]本专利技术涉及智能交通系统领域，尤其涉及一种基于动态图卷积的交通预测方法。

技术介绍

[0002]交通预测是智能交通系统(ITS)中的一项重要服务，它可以根据传感器观测到的历史交通状况(如交通流量，交通速度)预测未来的交通状况。这一功能促进了与交通管理、城市计算、公共安全等相关的广泛服务。交通预测模型通过学习过去的交通序列的特征规律，从而预测未来一段时间内的交通序列。不同于其他单变量时间序列预测问题，交通预测是一个定义明确、具有代表性的时空图学习问题，它将每个路段视为图中的一个节点，节点之间的边对应路段的空间依赖性。
[0003]在早期的研究中，研究者通过一些先验知识(如，路段距离，POI相似度)来构建代表空间相关性的图结构，DCRNN,STGCN是其中的代表，它们使用路段之间的距离来计算机节点相似度来构建代表预定义图结构的邻接矩阵。但是，先验知识构建的领接矩阵不与任务直接相关，完全依赖于先验知识和构造方式的合理性导致邻接矩阵的表达能力有限。为了解决这个问题，Graph WaveNet、CCRNN使用自适应邻接矩阵来更好地提取空间特征，并取得了一定的成功，但它们仍需要预定义图结构才能发挥最好效果。AGCRN、MTGNN在不使用预定义矩阵的情况下，进一步改良自适应领接矩阵，取得了不输于预定义矩阵的效果。但是不管是预定义矩阵还是自适应矩阵都存在一个缺陷，它们的权重是静态的。交通路况是一个动态的变化过程，其路网结构是在不断变化的，预定义矩阵还是自适应矩阵都无法表达交通路网随着时间推移而发生的复杂变化，另外，交通信号的差异也会影响预测的效果。如何在没有任何先验知识下对道路相关性动态建模是一大挑战。

技术实现思路

[0004]本专利技术的目的是提供一种基于动态图卷积的交通预测方法
‑
解耦动态图卷积循环网络(DDGCRN)。该方法不依赖任何先验知识，生成的动态邻接矩阵能根据当前时间特征和交通信号来挖掘节点间的动态关系。该方法可以识别交通信号中的主体信号和异常信号并对其分开建模以提升效果。
[0005]为实现上述目的，本专利技术提供了一种基于动态图卷积的交通预测方法，步骤S1、数据预处理，获得训练数据集、验证数据集和测试数据集；
[0006]S2、从训练数据集选取训练数据，输入到解耦动态图卷积循环网络DDGCRN中，通过时空生成器生成时空embedding，并将时空embedding与交通信号拼接送入第一层的DGCRU中；
[0007]S3、将交通信号和时空embedding送入第一层的动态图卷积递归模块DGCRM中的动态图卷积单元DGCRU中，时空信号通过MLP层提取动态信号，并与时空embedding相结合生成动态图embedding，并根据节点生成动态图，用动态图和DGCRU提取交通信号的时空特征；
[0008]S4、将第一层DGCRM中提取出来的时空特征送入两个线性层中，其中一个向前预测
得到预测未来序列，一个向后预测输入的历史交通信号；
[0009]S5、将交通信号减去向后预测的值，然后送入第二层的DGCRM中，得到第二层的向前预测结果，将两层的向前预测结果相加，得到最后的预测值。
[0010]S6、计算步骤S5得到最终的生成预测值与预测结果的平均绝对误差(MAE)和均方误差(MSE)，然后通过Adam优化器进行反向传播，更新网络参数，得到训练好的解耦动态图卷积循环网络；
[0011]S7、借助训练好的解耦动态图卷积循环网络与步骤S1得到的测试数据集，选取64组测试数据作为输入数据，执行步骤S2至S6，将步骤S2中的训练数据替换成选取的64组测试数据，得到基于测试数据生成的预测序列；
[0012]S8、借助于步骤S7得到的基于测试数据生成的预测序列，计算该预测序列与真实序列之间的平均绝对误差(MAE)，求得所有组数据的平均绝对误差(MAE)后求均值，得到最终代表模型表现的MAE误差；
[0013]S9、重复步骤S2至步骤S8，优化模型，模型结束训练。
[0014]优选的，所述步骤S1中获得训练数据集、验证数据集和测试数据集的过程为：设定历史序列长度、预测序列长度；将输入的数据进行分割，每组数据各包含一个历史序列、预测序列和两个序列对应的时间信息；将历史序列、预测序列和时间信息，按组分为训练数据集和测试数据集，完成数据预处理，在完成数据分组之后，截取60％组数据作为训练数据集，20％组数据作为验证数据集，20％组数据作为测试数据集。
[0015]优选的，所述步骤S2中解耦动态图卷积循环网络包含时空embedding生成器、动态图卷积递归模块DGCRM、一个向前预测的线性层Forecast、一个向后预测的线性层Backcast。
[0016]优选的，所述步骤S2中的时空生成器生成时空embedding的具体过程为：时空embedding生成器根据时间信息找出对应的日embedding和周embedding，并与空间embedding做哈达玛乘积得到时空embedding。
[0017]优选的，所述步骤S2中时空embedding生成器的总体公式如下所示：
[0018][0019]其中，E为空间embedding，分别表示交通信号对应的日embedding和周embedding。
[0020]优选的，，所述步骤S3中将交通信号和时空embedding送入DGCRM中的动态卷积单元DGCRU中的动态图构建公式为：
[0021]F
t
＝MLP(x
t
)
[0022][0023][0024]其中，x为时刻t时的交通信号，F
t
为从x
t
中提取到的动态信号，表示点积操作，DF
t
，DA
t
为时刻t的动态图embedding和动态图，D表示DF
t
DF
tT
的秩矩阵，ReLU表示RELU激活函数；
[0025]动态图卷积单元(DGCRU)表示为：
[0026]r
t
＝F[x
t
||H
t
‑1]DA
t
W
r
+b
r
[0027]u
t
＝F[x
t
||H
t
‑1]DA
t
W
u
+b
u
[0028][0029][0030]其中，W
r
,W
u
,W
c
,b
r
,b
u
,b
c
表示可学习参数，||表示拼接操作，F表示动态图构建,r
t
,u
t
表示重置门和更新门，c
t
为中间的临时变量，将最后的DGCRU中H
t
作为D本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态图卷积的交通预测方法，其特征在于，步骤如下：S1、数据预处理，获得训练数据集、验证数据集和测试数据集；S2、从训练数据集选取训练数据，输入到解耦动态图卷积循环网络DDGCRN中，通过时空生成器生成时空embedding，并将时空embedding与交通信号拼接送入第一层的DGCRU中；S3、将交通信号和时空embedding送入第一层的动态图卷积递归模块DGCRM中的动态图卷积单元DGCRU中，时空信号通过MLP层提取动态信号，并与时空embedding相结合生成动态图embedding，并根据节点生成动态图，用动态图和DGCRU提取交通信号的时空特征；S4、将第一层DGCRM中提取出来的时空特征送入两个线性层中，其中一个向前预测得到预测未来序列，一个向后预测输入的历史交通信号；S5、将交通信号减去向后预测的值，然后送入第二层的DGCRM中，得到第二层的向前预测结果，将两层的向前预测结果相加，得到最后的预测值。S6、计算步骤S5得到最终的生成预测值与预测结果的平均绝对误差和均方误差，然后通过Adam优化器进行反向传播，更新网络参数，得到训练好的解耦动态图卷积循环网络；S7、借助训练好的解耦动态图卷积循环网络与步骤S1得到的测试数据集，选取64组测试数据作为输入数据，执行步骤S2至S6，将步骤S2中的训练数据替换成选取的64组测试数据，得到基于测试数据生成的预测序列；S8、借助于步骤S7得到的基于测试数据生成的预测序列，计算该预测序列与真实序列之间的平均绝对误差，求得所有组数据的平均绝对误差后求均值，得到最终代表模型表现的MAE误差；S9、重复步骤S2至步骤S8，优化模型，模型结束训练。2.根据权利要求1所述的一种基于动态图卷积的交通预测方法，其特征在于，所述步骤S1中获得训练数据集、验证数据集和测试数据集的过程为：设定历史序列长度、预测序列长度；将输入的数据进行分割，每组数据各包含一个历史序列、预测序列和两个序列对应的时间信息；将历史序列、预测序列和时间信息，按组分为训练数据集和测试数据集，完成数据预处理，在完成数据分组之后，截取60％组数据作为训练数据集，20％组数据作为验证数据集，20％组数据作为测试数据集。3.根据权利要求1所述的一种基于动态图卷积的交通预测方法，其特征在于：所述步骤S2中解耦动态图卷积循环网络包含时空embedding生成器、动态图卷积递归模块DGCRM、一个向前预测的线性层Forecast、一个向后预测的线性层Backcast。4.根据权利要求1所述的一种基于动态图卷积的交通预测方法，其特征在于：所述步骤S2中的时空生成器生成时空embedding的具体过程为：时空embedding生成器根据时间信息找出对应的日embedding和周embedding，并与空间embedding做哈达玛乘积得到时空embedding。5.根据权利要求4所述的一种基于动态图卷积的交通预测方法，其特征在于，所述步骤S2中时空embedding...

【专利技术属性】
技术研发人员：樊谨，翁文超，田浩，祝苻，陈溪源，
申请(专利权)人：浙江省交通运输科学研究院，
类型：发明
国别省市：