一种交通调度方法与设备技术

本发明专利技术公开了一种交通调度方法与设备，包括如下步骤：S1、输入交通流数据，并使用基于图自注意力机制的多图卷积模块提取交通流数据的全局空间特征和局部空间特征；S2、融合所述全局空间特征和局部空间特征；S3、将所述融合后的空间特征输入时序预测模块，输出交通流预测结果；S4、根据所述交通流预测结果制定调度策略；本发明专利技术能够实现通过多图卷积模块兼顾全局空间特征的提取和局部空间特征的提取，能够实现通过时序预测模块增加时间维度的感受野并提升空间特征和时序特征的交互，从而有效提升交通流预测精度，进而优化交通调度策略。进而优化交通调度策略。进而优化交通调度策略。

【技术实现步骤摘要】
一种交通调度方法与设备


[0001]本专利技术涉及智能交通领域，特别是涉及一种交通调度方法与设备。

技术介绍

[0002]交通系统是现代城市最重要的基础设施之一，支持着数百万人的日常通勤和旅行。交通流是指由道路传感器所采集到的无差别交通工具经过该传感器的流量信息，通过对某一时刻的交通流数据进行分析可以反映出道路在该时刻的交通状态，如畅通或拥堵。对交通流信息进行预测可以提前合理地制定调度策略和管控措施，对乘客安全出行和城市的交通规划具有重要的影响。现有的交通调度方法对交通流的预测精度较低，无法满足城市交通规划的需求。

技术实现思路

[0003]本专利技术的目的在于解决优化交通调度策略的技术问题，提供一种交通调度方法及设备。
[0004]为实现上述目的，本专利技术采用以下技术方案：
[0005]一种交通调度方法，包括以下步骤：S1、输入交通流数据，并使用基于图自注意力机制的多图卷积模块提取交通流数据的全局空间特征和局部空间特征；S2、融合所述全局空间特征和局部空间特征；S3、将所述融合后的空间特征输入时序预测模块，输出交通流预测结果；S4、根据所述交通流预测结果制定调度策略。
[0006]在本专利技术的一些实施例中，步骤S1中，所述多图卷积模块包括基于节点嵌入向量的自适应图卷积和基于图自注意力机制动态图卷积，所述自适应图卷积能够提取所述全局空间特征，所述动态图卷积能够提取所述局部空间特征。
[0007]在本专利技术的一些实施例中，所述自适应图卷积提取全局空间特征的方法包括如下步骤：E1、根据图节点个数随机生成节点嵌入的参数；
[0008]E2、对节点嵌入参数矩阵进行点积式自注意力运算，得到自注意力分数；E3、对所述自注意力分数进行归一化后，作为表征全局空间特征提取的图的邻接矩阵。
[0009]在本专利技术的一些实施例中，所述动态图卷积能够提取所述局部空间特征的方法包括如下步骤：F1、对节点的输入特征进行线性映射；
[0010]F2、对映射后的节点特征进行图自注意机制的运算得到图自注意力系数；F3、将所述图自注意力系数进行归一化，作为表征局部空间特征提取的图的邻接矩阵。
[0011]在本专利技术的一些实施例中，还包括步骤F4、引入掩码机制，为局部空间特征提取提供道路拓扑先验。
[0012]在本专利技术的一些实施例中，所述掩码机制能够根据不同节点实际距离生成的邻接矩阵Adj作为掩码判断条件，将相连通的两节点矩阵权重赋值为所述表征局部空间特征提取的图的邻接矩阵中生成的权值。
[0013]在本专利技术的一些实施例中，步骤S2中，使用门控融合机制融合所述全局空间特征
和局部空间特征，所述全局空间特征和局部空间特征依次经过两个由线性层和激活层构成的门控层得到门控权重。
[0014]在本专利技术的一些实施例中，步骤S3中，时序预测模块采用门控循环单元，使用所述多图卷积模块初始化门控循环单元的重置门和更新门。
[0015]本专利技术还提出一种基于交通调度设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的交通调度方法。
[0016]本专利技术还提出一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如上所述的交通调度方法。
[0017]本专利技术具有如下有益效果：
[0018]本专利技术提出的交通调度方法通过使用多图卷积模块提取交通流数据的全局空间特征和局部空间特征，融合为空间特征后，输入时序预测模块预测交通流等技术特征的设置，能够实现通过多图卷积模块兼顾全局空间特征的提取和局部空间特征的提取，能够实现通过时序预测模块增加时间维度的感受野并提升空间特征和时序特征的交互，从而有效提升交通流预测精度，进而优化交通调度策略。
[0019]此外，在一些实施例中，本专利技术还具有如下有益效果：
[0020]通过基于节点嵌入向量的自适应图卷积、基于图自注意力机制的动态图卷积、门控单元和门控循环单元等技术特征的设置，能够实现通过充分利用自适应图卷积更好的捕捉空间特征中所含的全局特征信息，通过充分利用动态图卷积更好的提取空间特征中的局部特征信息，将两处图卷积结果通过门控单元自适应地融合两种维度的空间特征，通过门控循环单元增加了时间维度的感受野，增加了时序预测上的精度，从而进一步提升了交通流预测效果。
[0021]本专利技术实施例中的其他有益效果将在下文中进一步述及。
附图说明
[0022]图1是本专利技术实施例中基于图自注意力机制的多图卷积交通流预测算法(AMGCRN，attention
‑
based multi
‑
graph convolutional recurrent network)算法的步骤流程图；
[0023]图2是本专利技术实施例中基于节点嵌入向量的自适应图卷积步骤的流程图；
[0024]图3是本专利技术实施例中基于图自注意力机制的动态图卷积步骤的流程图；
[0025]图4是本专利技术实施例中AMGCRN算法的多图卷积网络模型。
具体实施方式
[0026]下面对照附图并结合优选的实施方式对本专利技术作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0027]由于交通流信息不仅包含时间相关性，而且还具有复杂和非线性的空间相关性，所以交通流预测问题具有一定的难度和挑战性。时间相关性是指某一时刻的交通流信息与历史状态的交通流信息相关，也会影响未来的交通流变化；对于处理时间依赖性，有基于传统机器学习方法的自回归模型、卡尔曼滤波模型
[1]与基于深度学习的递归神经网络
[2]和卷积神经网络
[3]来捕捉时间依赖信息。空间相关性是指在某个地方的交通流量与其它位置间
的非线性关系，这个位置可以是一个道路交叉口、一个地铁车站或一个城市区域。空间相关性不是局部的，例如交通状态不仅可能受到附近区域的影响，还可能受到那些在空间范围内很遥远但被连接的区域的影响。为了学习空间上的相关关系，图神经网络经常被用来构建空间上的非线性关系。
[0028]应用图神经网络的交通流预测主要包含两个模块，一个是空间特征提取，另一个是时间特征提取。其中，空间特征提取的方法主要包括基于真实网络结构的预定义图卷积神经网络(graph convolution neural network，GCN)
[4][5][6]与基于地图网格的普通卷积神经网络(convolution neural network，CNN)两种方法；时间特征提取则是主要是基于长短时记忆网络(long
‑
short term memory，LSTM)
[7]，门控循环单元(gated recurrent unit，GRU)
[8]等序列建模的方式建模时间依赖关系，或者使用时间卷积网络(temporal convolu本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通调度方法，其特征在于，包括如下步骤：S1、输入交通流数据，并使用基于图自注意力机制的多图卷积模块提取交通流数据的全局空间特征和局部空间特征；S2、融合所述全局空间特征和局部空间特征；S3、将所述融合后的空间特征输入时序预测模块，输出交通流预测结果；S4、根据所述交通流预测结果制定调度策略。2.根据权利要求1所述的交通调度方法，其特征在于，步骤S1中，所述多图卷积模块包括基于节点嵌入向量的自适应图卷积和基于图自注意力机制动态图卷积，所述自适应图卷积能够提取所述全局空间特征，所述动态图卷积能够提取所述局部空间特征。3.根据权利要求2所述的交通调度方法，其特征在于，所述自适应图卷积提取全局空间特征的方法包括如下步骤：E1、根据图节点个数随机生成节点嵌入的参数；E2、对节点嵌入参数矩阵进行点积式自注意力运算，得到自注意力分数；E3、对所述自注意力分数进行归一化后，作为表征全局空间特征提取的图的邻接矩阵。4.根据权利要求2所述的交通调度方法，其特征在于，所述动态图卷积能够提取所述局部空间特征的方法包括如下步骤：F1、对节点的输入特征进行线性映射；F2、对映射后的节点特征进行图自注意机制的运算得到图自注意力系数；F3、将所述图自注意力系数进行归一化，作为表征局...

【专利技术属性】
技术研发人员：董宇涵，刘璐，曹一博，李志德，李峰，张凯，李志恒，
申请(专利权)人：深圳市众行网科技有限公司，
类型：发明
国别省市：