一种时空数据预测方法及数据采集监控系统技术方案

本发明专利技术提供一种时空数据预测方法及数据采集监控系统，所述方法包括：根据采集的时空数据，建立拓扑空间图，记录不同时刻拓扑空间图各节点的图信号序列；构建基于时空生成对抗网络的时空数据预测模型，以历史图信号序列作为训练集，对时空数据预测模型进行训练；时空生成对抗网络包括生成器和判别器，生成器用于建模时空数据中的时空依赖关系，判别器用于对时空生成对抗网络进行正则化；利用训练后的模型进行时空数据预测，得到未来预设时间步各节点的图信号序列

【技术实现步骤摘要】
一种时空数据预测方法及数据采集监控系统


[0001]本专利技术涉及时空数据预测
，尤其涉及一种基于时空生成对抗网络的时空数据预测方法及数据采集监控系统
。

技术介绍

[0002]现实世界中产生了大量的时空数据，如何利用这些时空数据开发高效的城市应用如交通预测等具有重要的实际价值和研究意义
。
时空数据具有大规模
、
高维度
、
结构复杂
、
异质性
、
非线性程度高等性质
。
为解决大规模时空数据预测问题，基于图神经网络等先进深度学习技术的时空数据预测模型相继被学者提出并成功应用于复杂时空数据的建模中
。
这些模型中比较优秀的包括基于图注意力机制的模型和基于图卷积神经网络的模型，它们都隶属于消息传递机制，通过聚合相关节点的信息将网络的输出与历史时空信息连接起来
。
[0003]尽管现有的图神经网络技术在时空数据预测问题上取得了不错的效果，但是仍存在以下缺点：第一，现有的时空数据预测模型大多使用均方误差等损失函数作为目标函数来优化模型参数
。
然而现实世界中的时空数据具有很强的随机性，难以使用特定的
、
不灵活的单一目标函数来建模这种不确定性
。
第二，现有方法的另一问题是多步预测误差快速增长
。
在多步预测问题中，现有的方法通常分为两种方式：迭代多步预测方式
、
直接多步预测方式
。
>迭代多步预测方式具有灵活性大，需要的数据更少，因此大多数时空数据预测模型采用这种方式，但其在在多步预测任务中存在严重的误差累积问题
。
虽然使用直接多步预测策略的时空数据预测模型能够在某种程度上缓解基于迭代多步预测策略模型中存在的错误累积问题，但其对模型学习能力而言是一个很大的挑战，不同的模型在多步预测任务上随着预测时间步的增长，误差变化非常大
。
因此，如何使模型更加有效地学习数据特征是时空数据预测任务中需要深入研究的问题
。
[0004]生成对抗网络
(Generative Adversarial Nets
，
GAN)
是一类基于对抗学习过程的神经网络，能够从给定的真实数据学习概率分布，并利用所学的分布生成新数据
。
基于生成对抗网络强大的建模能力，近年来，也有研究考虑将
GAN
建模思想引入到预测问题中
。
针对单个空间地点传感器记录的时间序列数据，
Koochali
等人引入条件
GAN(Conditional GAN)
建模数据分布，消除了过往研究中基于均值回归策略难以建模复杂变量关联的缺点
。Wu
等人基于生成对抗网络提出一种时间序列预测模型，通过判别器的正则化作用提高多步预测性能
。
针对多个空间地点传感器的时空数据预测场景，
Wang
等人提出序列到序列生成对抗网络对城市人流量数据进行预测，但是该模型利用传统的
CNN
来建模空间依赖关系，只能用于欧几里得结构的数据，不能直接用于拓扑图结构数据
。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提供一种时空数据预测方法及数据采集监控系统，所述方法提出了用于时空数据预测的对抗式图神经网络模型
——
时空生成对抗网络
(Spatial Temporal GAN
，
STGAN)
，形成了一个由降噪时空图注意力网络和生成对抗网络相
结合的框架，在预测模型的目标函数中引入对抗损失，用以建模数据中的不确定性，并通过对抗过程学习真实时空数据分布，强化预测模型学习数据表征的能力，从而缓解多步预测误差增长过快的问题
。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：
[0007]一方面，提供了一种时空数据预测方法，包括以下步骤：
[0008]根据采集的时空数据，建立拓扑空间图，记录不同时刻拓扑空间图各节点的图信号序列；
[0009]构建基于时空生成对抗网络的时空数据预测模型，以历史图信号序列作为训练集，对所述时空数据预测模型进行训练；
[0010]其中，所述时空生成对抗网络包括生成器和判别器，所述生成器用于建模时空数据中的时空依赖关系，对于给定的输入数据，预测得到生成数据；所述判别器用于对所述时空生成对抗网络进行正则化，将所述生成器输出的生成数据与真实数据进行采样输入所述判别器中，当所述判别器无法区分两者时，认为所述时空数据预测模型收敛；
[0011]利用训练后的时空数据预测模型进行时空数据预测，得到未来预设时间步各节点的图信号序列
。
[0012]优选地，所述时空数据为城市道路网络中采集的交通数据
。
[0013]优选地，所述时空生成对抗网络中，利用
Wasserstein
距离作为优化目标，以度量真实数据分布与生成数据分布之间的差异
。
[0014]优选地，所述时空生成对抗网络中，在所述生成器的损失函数中添加
Huber
损失项，作为所述生成器的预测损失
。
[0015]优选地，所述生成器中，通过随机游走理论得到局部化时空图，以模拟时空数据中的时空依赖关系，在局部化时空图的基础上，通过时空图注意力模块来同步捕获节点间的时空依赖关系
。
[0016]优选地，所述生成器的输入包含两种时间段的历史图信号序列：近期输入和周期输入；
[0017]对近期输入数据，首先通过时空图注意力模块提取时空特征，然后利用自注意力模块引入周期输入数据中的周期特征信息，最后通过全连接层生成预测的未来图信号序列
。
[0018]优选地，在训练所述时空生成对抗网络时，所述生成器参数每迭代更新一次，对应的所述判别器参数迭代更新多次
。
[0019]另一方面，提供了一种数据采集监控系统，所述数据采集监控系统包括数据采集模块
、
数据分析预测模块
、
数据服务中心和监控
APP
；
[0020]其中，所述数据采集模块用于采集时空数据；所述数据分析预测模块用于根据所述的时空数据预测方法对采集的时空数据进行预测；所述数据服务中心存储历史时空数据
、
实时时空数据和业务流程数据，并提供检索服务；所述监控
APP
用于用于提供数据的查询
、
显示
、
在线更新及修改，便于管理人员实时监控
。
[0021]优选地，所述数据采集模块包括：交通测量仪器，数据采集前端，串口服务器，工控机
、
显示器
、
数据采集软件
。
[0022]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种时空数据预测方法，其特征在于，包括以下步骤：根据采集的时空数据，建立拓扑空间图，记录不同时刻拓扑空间图各节点的图信号序列；构建基于时空生成对抗网络的时空数据预测模型，以历史图信号序列作为训练集，对所述时空数据预测模型进行训练；其中，所述时空生成对抗网络包括生成器和判别器，所述生成器用于建模时空数据中的时空依赖关系，对于给定的输入数据，预测得到生成数据；所述判别器用于对所述时空生成对抗网络进行正则化，将所述生成器输出的生成数据与真实数据进行采样输入所述判别器中，当所述判别器无法区分两者时，认为所述时空数据预测模型收敛；利用训练后的时空数据预测模型进行时空数据预测，得到未来预设时间步各节点的图信号序列
。2.
根据权利要求1所述的时空数据预测方法，其特征在于，所述时空数据为城市道路网络中采集的交通数据
。3.
根据权利要求1所述的时空数据预测方法，其特征在于，所述时空生成对抗网络中，利用
Wasserstein
距离作为优化目标，以度量真实数据分布与生成数据分布之间的差异
。4.
根据权利要求1所述的时空数据预测方法，其特征在于，所述时空生成对抗网络中，在所述生成器的损失函数中添加
Huber
损失项，作为所述生成器的预测损失
。5.
根据权利要求1所述的时空数据预测方法，其特征在于，所述生成器中，通过随机游走理论得到局部化时空图，以模拟时空数据中的时空依赖关系，在局部化时空图的基础上，通过时空图注意力模块来同步捕获节点间的时空依赖关系
。6.
根据权利要求1所述的时空数据预测方法，其特征在于，所述生成器的输入包含两种时间段的历史图信号序列：近期输入和周期输入；对近期输入数据，首先通过时空图注意力模块提取时空特征，然后利...

【专利技术属性】
技术研发人员：王玲，贾高峰，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：