交通流量预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种交通流量预测方法、装置、设备及存储介质，所述方法包括：建立交通网络无向图G＝(V，E，A)；交通网络无向图G上的每个节点具有相同采样间隔的F个测量数据；将交通网络无向图G获取到的交通流表示为图信号X∈R

【技术实现步骤摘要】
交通流量预测方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及到一种交通流量预测方法、装置、设备及存储介质。

技术介绍

[0002]交通流量预测问题作为一个经典的时间序列预测问题，在近几十年的研究中取得了不少的成果。早先的交通预测问题主要基于排队论和模拟。随着交通数据的爆发性增长，数据驱动的交通预测方法受到了广泛的关注。如经典的时间序列统计模型AMIRA(自回归综合移动平均模型)，但是由于交通时间序列的在单一时刻同时具有图结构的复杂性，这些模型往往在实际数据集上表现欠佳。近年来研究人员正在转向基于GCN的模型。这些工作在图上描述了交通预测问题，并利用中开发的谱图GCN捕捉不同交通序列之间的显著空间相互作用。DCRNN将流量的空间相关性重新表述为扩散过程，并将之前的GCN扩展为有向图。继DCRNN之后，Graph Wavenet将GCN与扩展因果卷积网络相结合，以节省处理长序列的计算成本，并提出了一种自适应邻接矩阵，作为预定义邻接矩阵的补充，以捕获空间相关性。ASTGCN、STSGCN进一步添加了更复杂的时空注意机制和GCN，以捕捉动态的时空相关性。最近的工作中，STGODE引入神经常微分方程网络部分缓解了传统GCN因堆叠产生的过平滑问题，但却弱化了网络对特征的提取能力。
[0003]数据采集技术和移动计算的快速发展让我们能够进行大量交通数据的收集，如交通流量、车道占用率等，从而实现了大量的城市分析和相关应用。城市交通预测已成为智慧城市发展的关键任务，因为它可以为城市规划和交通管理提供新的策略，以提高公共交通的效率，并为公共安全应急管理提供预警。
[0004]然而，由于复杂的时空相关性，预测城市交通非常具有挑战性。这项任务之所以具有挑战性，主要是因为交通网络中存在复杂且长期的时空依赖关系。同一时刻内，由于每个交通节点不同的流量特征，同样连通性的交通网络表现出完全不同的交通特征，如图1。同时每个交通节点不仅仅影响同一时刻的其他节点，还对之后时刻的各个节点产生着不同程度的影响，如图2。在以往研究中神经网络通常在层数更多的情况下表现更好，而GNN从深度上获益甚微。相反，当两层图神经网络级联时，可以获得最好的结果，而在实践中，更多层可能会导致较差的性能。传统GNN被证明存在过度平滑问题，即所有节点表示将在较深的层中收敛到相同的值。这些缺点严重限制了GNN的深度，使其难以获得更深更丰富的空间特征。

技术实现思路

[0005]本专利技术的主要目的在于提供一种交通流量预测方法、装置、设备及存储介质，旨在解决目前交通流量预测长期以来面临着的如下问题：(1)交通网络流量复杂的时间相关性和空间相关性难以建模；(2)现有图神经网络堆叠易产生过平滑问题，即提升感受野和堆叠网络层数之间的矛盾，这便让传统网络难以提取交通网络的时间和空间上的长程依赖。
[0006]为实现上述目的，本专利技术提供一种交通流量预测方法，所述方法包括以下步骤：
[0007]建立交通网络无向图G＝(V，E，A)；其中V是V＝|N|个节点的有限集，E是表示节点之间的连通性的边集，A∈R
N
×
N
表示交通网络无向图G的邻接矩阵，交通网络无向图G上的每个节点具有相同采样间隔的F个测量数据；
[0008]将交通网络无向图G获取到的交通流表示为图信号X∈R
N
×
F
，输入动态图常微分网络进行交通流量预测，其中F是每个节点的特征数；
[0009]其中，动态图常微分网络包括由多个DGODE块组成的两个DGODE层、GraphSage层以及最大池化层和输出层。
[0010]可选的，将交通网络无向图G获取到的交通流表示为图信号X∈R
N
×
F
，输入动态图常微分网络进行交通流量预测步骤，具体包括：
[0011]将交通网络无向图G获取到的交通流表示为图信号X∈R
N
×
F
，并建立空间邻接矩阵和语义相关邻接矩阵；
[0012]将空间邻接矩阵和语义相关邻接矩阵分别输入动态图常微分网络进行交通流量预测。
[0013]可选的，空间邻接矩阵的表达式，具体为：
[0014][0015]其中d
ij
指节点i与节点j之间的距离，σ1和∈1是用来控制空间邻接矩阵稀疏度的参数。
[0016]可选的，语义相关邻接矩阵的表达式，具体为：
[0017][0018][0019]其中DC
t
(i,j)代表时间t时顶点i与顶点j间的动态连通性，∈2是用来控制语义邻接矩阵稀疏度的参数；
[0020][0021]S
t
(T
jt
,T
kt
)为时间t时顶点i与顶点j的相似性，τ
t
(i,j)为时间t时顶点i与顶点j的交互延迟；
[0022][0023][0024][0025]其中1≤τ
t
(j,k)≤W，*是卷积运算。
[0026]可选的，所述DGODE层由时间膨胀卷积模块和图常微分模块组成；其中：
[0027]时间膨胀卷积模块的表达式，具体为：
[0028][0029]其中X∈R
N
×
T
×
F
是TCN的输入，H
l
tcn∈R
N
×
T
×
F
是TCN第l层的输出，W
l
是第l层的卷积核；
[0030]图常微分模块的表达式，具体为：
[0031][0032]其中H
l
∈R
N
×
T
×
F
是表示第l层节点隐藏嵌入的时空张量；
×
i
表示模式i的张量矩阵乘法；A^是正则化的邻接矩阵，U是时间变换矩阵，W是特征变换矩阵，H0是图神经网络的初始输入。
[0033]可选的，所述GraphSage层的表达式，具体为：
[0034][0035]N(i)表示节点i的直接邻域节点。h
lj
为节点j在第l层的向量表示。
[0036]可选的，所述GraphSage层的聚合方式设置为pooling。
[0037]此外，为了实现上述目的，本专利技术还提供了一种交通流量预测装置，所述交通流量预测装置包括：
[0038]建立模块，用于建立交通网络无向图G＝(V，E，A)；其中V是V＝|N|个节点的有限集，E是表示节点之间的连通性的边集，A∈R
N
×
N
表示交通网络无向图G的邻接矩阵，交通网络无向图G上的每个节点具有相同采样间隔的F个测量数据；
[0039]预测模块，用于将交通网络无向图G获取到的交通流表示为图信号X∈R
N
×
F
，输入动态图常微分网络进行交通流量预测，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通流量预测方法，其特征在于，所述方法包括以下步骤：建立交通网络无向图G＝(V，E，A)；其中V是V＝|N|个节点的有限集，E是表示节点之间的连通性的边集，A∈R
N
×
N
表示交通网络无向图G的邻接矩阵，交通网络无向图G上的每个节点具有相同采样间隔的F个测量数据；将交通网络无向图G获取到的交通流表示为图信号X∈R
N
×
F
，输入动态图常微分网络进行交通流量预测，其中F是每个节点的特征数；其中，动态图常微分网络包括由多个DGODE块组成的两个DGODE层、GraphSage层以及最大池化层和输出层。2.如权利要求1所述的交通流量预测方法，其特征在于，将交通网络无向图G获取到的交通流表示为图信号X∈R
N
×
F
，输入动态图常微分网络进行交通流量预测步骤，具体包括：将交通网络无向图G获取到的交通流表示为图信号X∈R
N
×
F
，并建立空间邻接矩阵和语义相关邻接矩阵；将空间邻接矩阵和语义相关邻接矩阵分别输入动态图常微分网络进行交通流量预测。3.如权利要求2所述的交通流量预测方法，其特征在于，空间邻接矩阵的表达式，具体为：其中d
ij
指节点i与节点j之间的距离，σ1和∈1是用来控制空间邻接矩阵稀疏度的参数。4.如权利要求2所述的交通流量预测方法，其特征在于，语义相关邻接矩阵的表达式，具体为：具体为：其中DC
t
(i,j)代表时间t时顶点i与顶点j间的动态连通性，∈2是用来控制语义邻接矩阵稀疏度的参数；S
t
(T
jt
,T
kt
)为时间t时顶点i与顶点j的相似性，τ
t
(i,j)为时间t时顶点i与顶点j的交互延迟；延迟；
其中1≤τ
t
(j,k)≤W，*是卷积运算。5.如权利要求4所述的交通流量预测方法，其特征在于，所述DGODE层由时间膨胀卷积模块和图常微分模块组成；其中：时间膨胀卷积模块的表达式，具体为：其中X∈R
N
×
...

【专利技术属性】
技术研发人员：韩璿，王炜，
申请(专利权)人：云南大学，
类型：发明
国别省市：