基于动态时空图卷积神经网络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时空图卷积神经网络的交通预测方法

【技术实现步骤摘要】
基于动态时空图卷积神经网络的交通预测方法、系统、设备及介质


[0001]本专利技术涉及智能交通
，尤其涉及一种基于动态时空图卷积神经网络的交通预测方法
、
系统
、
设备及介质
。

技术介绍

[0002]机动车保有量的持续增长为城市发展带来了一系列问题，解决交通拥堵问题已经成为全球化的挑战
。
智能交通系统
(Intelligent Transportation System
，
ITS)
的发展为城市交通管理提供了智能化解决方案，能够有效缓解道路拥堵，缩短出行时间，降低环境污染，提高交通安全性
。
交通流量预测作为实现智能交通系统的必要前提，可以提供未来交通流量信息，进而分析未来道路拥堵状况以及事故发生概率等，为交通决策和出行规划提供重要支持
。
[0003]交通流数据具有非线性时间特征和动态的空间特征
。
在同一路段上，当出现突发交通事件
(
如交通事故
)
时，该路段的交通状态可能会出现巨大突变，从而影响不同时间段之间交通流量变化的相关性
。
此外，受到路网结构和突发道路事件等多重因素影响，不同路段之间的交通状态相关性会随着时间的推移发生变化
。
[0004]综上，交通流量的变化与现实中的路网结构息息相关，同时也与突发的交通事件有关
。
从城市交通拥堵成因分析，城市道路拥堵往往是由通行车流量超出道路所能承担的极限导致的，这与城市早期建设的路网结构无法满足居民不断增长的出行需求有关
。
此外，各种突发的交通事件也是造成城市道路拥堵的主要原因
。
专利技术人发现，交通流量数据不应简单地被视做一个整体，它由连续平缓的趋势分量和突发交通事件造成的局部波动分量组成，这意味着交通流量数据本身存在着值得挖掘的潜在特征
。
对交通流量数据进行分解，对其不同部分进行建模，可以更加细致地挖掘交通流量的动态时空变化，从而提高预测精度
。
[0005]交通流量预测是根据过去一段时间内的道路交通流量信息来预测未来一段时间内的道路流量信息
。
交通流量预测方法可分为模型驱动方法和数据驱动方法
。
其中，模型驱动方法使用数学工具和物理知识为交通问题构建计算模型，如排队论模型，但难以准确描述现实环境中复杂的交通流变化
。
而数据驱动方法又可以分为参数模型和非参数模型
。
参数模型如
ARIMA、
卡尔曼滤波模型等忽略了交通流变化的非线性特征
。
非参数模型如
KNN、DBN、LSTM
等忽略了交通流数据的空间特征
。
[0006]由于交通路网结构具有图的属性，越来越多的基于图卷积神经网络的交通预测方法被提出
。
为了捕获交通流数据的动态空间特征，目前的研究方法主要有两种：其一，是通过注意力机制来捕获空间特征的动态变化，如
Zheng
等人提出了一个图多头注意力网络
GMAN
，
Guo
等提出了一个基于注意力的时空图卷积网络
ASTGCN。
但这些方法中使用预定义的静态邻接矩阵，不能准确地描真实路网中节点间的空间相关性
。
其二，是通过改进图结构来捕获空间特征的动态变化，如
Song
等人提出了一个时空同步图卷积网络
STSGCN
，
Li
等人提出了一个时空融合图神经网络
STFGNN。
但这些方法直接从原始交通流数据中捕获时空特
征，没能对交通流数据进行深度挖掘，忽略了交通流数据的潜在特征，预测精度不高
。

技术实现思路

[0007]本专利技术提供了一种基于动态时空图卷积神经网络的交通预测方法
、
系统
、
设备及介质，以解决现有交通流预测方法未能充分挖掘交通流数据的潜在特征以实现高精度预测的问题
。
首先通过小波变换将交通流数据分解为不同频率的近似分量和细节分量；其次利用深度可分离卷积神经网络来深度挖掘交通流量数据自身的潜在特征；然后对不同频率的交通流数据分别建模，结合静态邻接矩阵和自适应邻接矩阵构建动态图，通过动态图卷积神经网络细粒度地挖掘交通流量的动态时空相关性；最后利用多层扩张因果卷积网络来实现对长期时间特征的捕获
。
对不同频率的交通流数据进行建模能够更准确地描述城市路网中动态
、
复杂的交通流量变化，从而提高交通流量预测的精度
。
[0008]第一方面，提供了一种基于动态时空图卷积神经网络的交通预测方法，包括：
[0009]通过小波变换将道路路网中节点的历史交通流数据分解为不同频率的近似分量和多个细节分量，以模拟交通流数据中连续的平稳车流变化和突发事件带来的局部车流波动；
[0010]利用基于深度可分离卷积神经网络的特征融合方法分别对各节点的多个细节分量进行特征融合，深度挖掘交通流量数据自身的潜在特征；
[0011]分别对不同频率的交通流数据建模，包括利用静态邻接矩阵对各节点的近似分量进行建模以及利用自适应邻接矩阵对各节点的融合后的细节分量进行建模，分别对二者进行图卷积运算，最后利用矩阵乘法将图卷积运算结果融合，得到融合后的空间特征，细粒度地挖掘交通流量的动态时空相关性；
[0012]基于融合后的空间特征，利用多层扩张因果卷积神经网络来实现对长期时间特征的捕获，输出各节点的交通流量预测结果
。
[0013]进一步地，利用多级小波变换将道路路网中某一节点的历史交通流数据分解为近似分量和多个不同时间尺度上的细节分量表示如下：
[0014][0015]中，表示节点
i
上的交通流量时间序列，
T
表示交通流量时间序列长度；
J
表示小波变换尺度；表示近似分量，
N
表示节点数量，表示节点
i
上交通流量时间序列在第
J
变换尺度下的近似分量；表示细节分量，表示在节点
i
上交通流量时间序列分解后的细节分量序列，表示节点
i
上交通流量时间序列在第
j
变换尺度下的细节分量，
[0016]进一步地，所述小波变换的计算公式表示如下：
[0017][0018]其中，
ψ
(
·
)
为一个基本的小波或母小波；
ψ
*
(
·
)
为
ψ
(
·
)
的复共轭；
f(t)
表示待分析的信号，即交通流量时间序列，
t
是一个时序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于动态时空图卷积神经网络的交通预测方法，其特征在于，包括：通过小波变换将道路路网中节点的历史交通流数据分解为不同频率的近似分量和多个细节分量，以模拟交通流数据中连续的平稳车流变化和突发事件带来的局部车流波动；利用基于深度可分离卷积神经网络的特征融合方法分别对各节点的多个细节分量进行特征融合；分别对不同频率的交通流数据建模，包括利用静态邻接矩阵对各节点的近似分量进行建模以及利用自适应邻接矩阵对各节点的融合后的细节分量进行建模，分别对二者进行图卷积运算，最后利用矩阵乘法将图卷积运算结果融合，得到融合后的空间特征；基于融合后的空间特征，利用多层扩张因果卷积神经网络来实现对长期时间特征的捕获，输出各节点的交通流量预测结果
。2.
根据权利要求1所述的基于动态时空图卷积神经网络的交通预测方法，其特征在于，利用多级小波变换将道路路网中某一节点的历史交通流数据分解为近似分量和多个不同时间尺度上的细节分量表示如下：其中，表示节点
i
上的交通流量时间序列，
T
表示交通流量时间序列长度；
J
表示小波变换尺度；表示近似分量，
N
表示节点数量，表示节点
i
上交通流量时间序列在第
J
变换尺度下的近似分量；表示细节分量，表示在节点
i
上交通流量时间序列分解后的细节分量序列，表示节点
i
上交通流量时间序列在第
j
变换尺度下的细节分量，
3.
根据权利要求1所述的基于动态时空图卷积神经网络的交通预测方法，其特征在于，所述小波变换的计算公式表示如下：其中，
ψ
(
·
)
为一个基本的小波或母小波；
ψ
*
(
·
)
为
ψ
(
·
)
的复共轭；
f(t)
表示交通流量时间序列；在交通流预测场景下
f(t)
为交通流量时间序列；
WT
f
(j,k)
表示小波变换的结果，它有两个分量
j
和
k
，
k
表示时移因子，
j
表示尺度因子，即小波变换的尺度
。4.
根据权利要求1所述的基于动态时空图卷积神经网络的交通预测方法，其特征在于，所述基于深度可分离卷积神经网络的特征融合方法具体是将门控线性单元引入深度可分离卷积神经网络，表示为：
X
g
＝
(X
d
*W+b)
⊙
σ
(X
d
*V+c)X
ad
＝
β
(
α
(X
g
*
dc
Θ1)*
pc
Θ2)
其中，表示输入的细节分量；表示门控线性单元输出结果；
N
表示节点数量
、T
表示交通流量时间序列长度
、J
表示小波变换尺度；
σ
表示
Sigmoid
激活函数；
⊙
是
Hadamard
乘积；
W、V
表示权重；
b、c
表示偏置；
*
dc
表示逐通道卷积；
*
pc
表示逐点卷积；
Θ1、
Θ2表示可学习参数；
α
和
β
分别表示
softmax
函数和
ReLU
激活函数；表示特征融
合后的细节分量
。5.
根据权利要求1所述的基于动态时空图卷积神经网络的交通预测方法，其特征在于，分别对不同频率的交通流数据建模，包括：利用静态邻接矩阵
A
对各节点的近似分量进行图建模，同时引入节点嵌入挖掘每个节点的隐藏特征，并利用矩阵分解减少计算量，表示为：其中，均表示可学习参数，表示近似分量的空间特征，
K
表示切比雪夫
K
...

【专利技术属性】
技术研发人员：罗娟，胡梦琦，郭修远，
申请(专利权)人：湖南大学，
类型：发明
国别省市：