基于动态多尺度图学习的交通需求预测方法技术

本发明专利技术公开了一种基于动态多尺度图学习的交通需求预测方法，在时间上使用基于多尺度的时间卷积模块，用层次化的残差方法来捕获不同时间尺度和不同时间尺度间的深层时间依赖关系；在空间上考虑空间依赖关系随时间的动态变化，且不同时间尺度的空间依赖关系可能相似的特性，使用基于动态多尺度的图生成模块来构建不同时间尺度的动态图结构，减少模型的参数；同时，用基于图卷积神经网络的空间表示模块来表示复杂的空间依赖关系

【技术实现步骤摘要】
基于动态多尺度图学习的交通需求预测方法


[0001]本专利技术涉及时空数据挖掘
，特别是基于动态多尺度图学习的交通需求预测方法
。

技术介绍

[0002]近年来，智慧交通行业快速成长，对城市交通需求预测投入了极大的关注，特别是面向城市交通大数据
(
如交通需求数据
、
气象数据
、POI
数据等
)
的智能计算和预测建模来辅助智慧城市管理决策，是城市智慧交通行业的热点问题
。
准确的城市共享单车
、
出租车等交通需求预测，有利于减少城市交通出行的等待时间，避免叫不到车或者车空闲的情况，实现城市交通出行的高效性，促进城市智慧交通的快速发展
。
[0003]城市交通大数据作为最具代表性的一类城市时空大数据，具有时空关联
、
动态演化等特点
。
基于数据驱动的经典交通需求预测模型在时间表示方面，主要考虑时间依赖关系的邻近性
、
周期性
、
趋势性等，而时间属性还有多尺度的依赖关系，不同时间尺度的依赖关系不同；同时，不同时间尺度间的依赖关系也不同
。
因此，如何表示多尺度以及多尺度间的时间依赖关系是现已技术的一大问题
。
在空间表示方面，现有的方法要么仅用一个或多个静态图，要么对每个时间步都学习一个动态图
。
但前者未考虑城市交通大数据动态演化的特点，即空间依赖关系会随时间的变化而发生变化，而后者却忽略了不同时间步的空间依赖关系的相似性，存在模型参数过多的问题
。
[0004](1)
时间多尺度表示
[0005]多尺度表示在图像视觉领域已经取得了一定的研究成果，参考文献
1“Res2net
：
A New Multi
‑
scale Backbone Architecture”(Gao S
，
Cheng M
，
Zhao K
，
et al.
，
IEEE Transactions on Pattern Analysis and Machine Intelligence
，
2021(2)
：
43.)
提出了一种多尺度卷积神经网络模型，即
Res2Net
，通过在单个残差块中构造层次化的残差连接，来捕获图像的不同尺度的特征，
Res2Net
主要应用在图像领域二维的数据特征的表示
。
在时空领域，还少有考虑时间一维的多尺度和多尺度间的依赖关系
。
参考文献
2“Connecting the Dots
：
Multivariate Time Series Forecasting with Graph Neural Networks”(Wu Z
，
Pan S
，
Long G
，
et al.
，
Proceedings of the SIGKDD Conference on Knowledge Discovery and Data Mining.2020
：
753
‑
763.)
提出一种基于因果卷积的时间卷积方法，结合不同的卷积核来捕捉不同尺度的时间依赖关系，但是其忽略了不同时间尺度间的依赖关系，不能捕获高级别的时间依赖关系
。
[0006](2)
动态图学习
[0007]参考文献
3“Spatio
‑
Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction”(Xie P,Ma M
，
Li T
，
et al.
，
IEEE Transactions on Knowledge and Data Engineering
，
2023
：1‑
12)
提出了一种时空动态图关系学习方法用于地铁流量预测，主要从结点的动态嵌入和边的动态生成来学习动态的图结构
。
该方法虽然学习了空间依赖关系的动态特征，但是其会每个时间步都生成一个动态图，存在模型参数过多的问题
。
参考文献
4“Long
‑
term Spatio
‑
temporal Forecasting via Dynamic Multiple
‑
Graph Attention”(Shao W
，
Jin Z
，
Wang S
，
et al.
，
Proceedings of the Thirty
‑
First International Joint Conference on Artificial Intelligence
，
2022
：
2225
‑‑
2232)
提出了一种基于动态图和静态图结合的多图注意力方法来表示空间属性
。
这种动态图和静态图联合学习方法也是每个时间步都生成一个图结构，忽略了不同时间步的图结构
(
例如：每天的早高峰和晚高峰
)
可能是相似的，存在模型参数过多的问题
。

技术实现思路

[0008]本专利技术的目的是提供基于动态多尺度图学习
(Dynamic and Multi
‑
scale Graph Learning,DMGL)
的交通需求预测方法
。
[0009]实现本专利技术目的的技术方案如下：
[0010]基于动态多尺度图学习的交通需求预测方法，包括：
[0011]步骤1：从交通数据集
X
＝
(x1,x2,
…
,x
N
)∈R
T
×
N
×
D
中选取交通需求数据子集通过多层感知机的线性层，得到其中，
R
表示实数，
T
表示时间序列，
N
表示交通图的结点总数，
D
表示属性特征维度；
B
是批次大小，
in_dim
表示输入的即历史的时间序列长度，表示新的特征维度，
C
表示通道数；所述新的特征维度包含时间特征和属性特征；
[0012]步骤2：将输入基于动态多尺度图学习的时空表示模型的第一层，得到在第一层的时间表示和空间表示；所述基于动态多尺度图学习的时空表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于动态多尺度图学习的交通需求预测方法，其特征在于，包括：步骤1：从交通数据集
X
＝
(x1,x2,
…
,x
N
)∈R
T
×
N
×
D
中选取交通需求数据子集通过多层感知机的线性层，得到其中，
R
表示实数，
T
表示时间序列，
N
表示交通图的结点总数，
D
表示属性特征维度；
B
是批次大小，
in_dim
表示输入的即历史的时间序列长度，表示新的特征维度，
C
表示通道数；所述新的特征维度包含时间特征和属性特征；步骤2：将输入基于动态多尺度图学习的时空表示模型的第一层，得到在第一层的时间表示和空间表示；所述基于动态多尺度图学习的时空表示模型包括多层，每一层包括基于动态多尺度的图生成模块
、
基于多尺度的时间卷积模块和基于图卷积神经网络的图表示模块；具体为：
2.1
将输入到基于多尺度的时间卷积模块中，对交通需求数据子集进行多尺度时间表示，输出多尺度时间特征其中，
C
f
是多尺度的时间特征维度；
2.2
将和交通图的结点的静态邻接拓扑关系
A
s
∈R
N
×
N
输入到基于动态多尺度的图生成模块中，对交通需求数据进行结点动态表示和结点连接，生成多尺度的动态图
A1,A2,A3,
…
,A
m
；
2.3
将
A1,A2,A3,
…
,A
m
和多尺度时间特征输入到基于图卷积神经网络的图表示模块，输出交通需求数据子集的空间表示；步骤3：通过残差连接的方法，将第一层的步骤
2.1
的输入即和步骤
2.3
的输出即的空间表示连接，作为基于动态多尺度图学习的时空表示模型的第二层的输入，按照步骤
2.1
‑
2.3
相同的方法，得到在第二层的时间表示和空间表示；以此类推，得到在每一层的时间表示和空间表示；步骤4：通过跳跃连接的方式，将交通需求数据子集每一层的步骤
2.1
的输出即多尺度时间特征传递到由全连接层构成的输出模块，输出预测的交通需求数据其中，
out_dim
表示输出的即预测的时间序列长度
。2.
如权利要求1所述的基于动态多尺度图学习的交通需求预测方法，其特征在于，...

【专利技术属性】
技术研发人员：李天瑞，彭莉兰，李崇寿，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：