一种基于图过程神经网络的城市道路拥堵时空预测方法技术

本发明专利技术公开了一种基于图过程神经网络的城市道路拥堵时空预测方法

【技术实现步骤摘要】
一种基于图过程神经网络的城市道路拥堵时空预测方法


[0001]本专利技术涉及一种基于图过程神经网络的城市道路拥堵时空预测方法
。

技术介绍

[0002](1)
交通拥堵预测背景
[0003]城市道路网络交通拥堵预测问题一直以来都是智能交通系统中的一项重要的研究任务
。
基于精确的拥堵预测结果，交通管理部分可以调整信号控制计划或采取应急措施来减少拥堵，对城市规划和交通管理具有重要意义
。
[0004]虽然目前已经存在诸多对于拥堵预测方法的研究，利用卷积神经网络和循环神经网络来捕捉交通流量中的时间和空间关系是当前拥堵预测的主流方法
。
但是对大规模城市路网级拥堵的精确预测依然充满挑战，表
1.1
对拥堵问题的不同研究方法进行分类总结如下：
[0005]表
1.1
城市交通路网的拥堵预测方法分类
[0006][0007][0008]综上研究发现，对城市路网级拥堵预测问题建模研究中存在以下不足：
(1)
缺乏对全网络时空异质性的建模研究
。
大多数交通类方法研究只关注于预测特定地点或交叉口的拥堵，而不是整个城市道路网络范围
。
因此，很难将训练后得到的预测模型直接迁移到网络中的其他位置；
(2)
机器学习，尤其是深度学习理论的短期预测模型，缺乏交通流理论对模型指导训练，泛化能力不足；
(3)
缺乏对拥堵事件建模研究，多数集中在对交通流的短期预测方面
。
[0009](2)
标值时间点过程理论背景
[0010]对于给定的事件序列
X
，将
t
时刻过去事件的历史表示为具有
K
类标值的时间点过程分布可以用
K
个条件强度函数表示
。
单个类的标值条件强度函数表示如公式
(2)
所示：
[0011][0012]其中
,E
k
表示基于历史事件的影响，在时间窗口
[t,t+
Δ
t)
内事件发生事件次数的期望；
[*]表示强度函数是以历史事件为条件计算的
。
[0013]多类别的标值条件强度函数定义，如公式
(3)
所示：
[0014][0015]其中，
|B(m,
Δ
m)|
是以
Δ
m
为半径的球型，
B(m,
Δ
m)
的勒贝格测度
(Lebesgue measure)。
公式
(3)
也可以简化分解，如公式
(4)
所示：
[0016][0017]其中，通常指条件背景
(background)
强度函数，表示基于时间和历史事件的标值条件概率分布
。
通过对两个条件强度分布模型进行建模，分别预测事件的标值及发生时间
。
[0018]综上所述，传统的标值时间点过程建模主要是基于历史事件时间信息预测下一次事件发生时间和标值，没有结合图神经网络，没有将时间点过程建模和图神经网络联合考虑，导致预测准确性差
、
稳定性差
、
预测效率低的问题
。
[0019]因此，开发一种提升预测准确性
、
稳定性及预测效率的城市道路拥堵预测方法很有必要
。

技术实现思路

[0020]本专利技术的目的是为了提供一种基于图过程神经网络的城市道路拥堵时空预测方法，考虑拥堵事件空间关联及事件历史信息，提出的
MST
‑
NGP
模型能够基于混合模型，同时学习拥堵事件空间依赖和传播模式，提升预测准确性
、
稳定性及预测效率
。
[0021]为了实现上述目的，本专利技术的技术方案为：一种基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在拥堵预测建模过程中考虑拥堵事件的过程变化
、
拥堵在空间中传播的各向异性问题，将路网图结构信息嵌入到时间点过程模型内部，形成标值时空图过程神经网络模型，使时间点过程模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息；
[0022]此外，本专利技术考虑到拥堵事件稀疏，导致深度学习网络模型泛化能力不足，通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行扩展，形成新的感知拥堵模式变化的图传播卷积核
P
‑
GCN
，通过将拥堵传播模式融入时空关联建模，引导时空图过程神经网络的训练，使得城市道路拥堵时空预测模型能够准确地重现拥堵形态演化过程，使得图卷积核能够感知拥堵模式变化，提升标值时空图过程神经网络模型的泛化能力，加快训练和推理效率；解决因城市路网级的拥堵传播是一个十分复杂的
、
非刚性的时空动态变化过程，同时受到自身传播模式和显著的时空依赖影响，导致路网级交通拥堵很难预测的问题
。
[0023]在上述技术方案中，一种基于图过程神经网络的城市道路拥堵时空预测方法，具体包括如下步骤，
[0024]步骤一：基础资料整理；
[0025]分析基础资料，并进行数据预处理，获得完整的实验数据集；
[0026]步骤二：拥堵事件定义；
[0027]通过拥堵事件定义，将城市路网交通拥堵事件预测定义为一个多任务学习问题，用于预测未来多步时间拥堵是否发生和发生的标值，如下公式
(1)
所示：
[0028][0029]其中：
G
s
表示未发生拥堵事件时的道路网络连接图结构；
G
c
表示发生拥堵事件时的路网连接图结构；
X
表示历史时间段
[0,T]的节点特征；
E0→
T
表示拥堵图所有节点拥堵事件序列；
T+
△
T
表示从
T
时刻开始预测
△
T
个信号灯周期拥堵事件拥堵是否发生
(
时间
)
和标值
。
[0030]步骤三：城市路网拥堵传播时空依赖建模；
[0031]具体方法为：通过输入双层图结构
(
即交通拥堵图结构和交通状态图结构
)
数据，首先，利用从交通拥堵图数据中提取拥堵模式，并将提取的拥堵模式整合到传统的图卷积神经网络形成新的图传播卷积核
P
‑
GCN
；
[0032]接下来，利用新的图传播卷积核
P
‑
GCN
对历史交通路况图结构进行空间建模，同时空间建模后的模型学习城市路况图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：将路网图结构信息嵌入到时间点过程模型内部，形成标值时空图过程神经网络模型，使时间点过程模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息，同时通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行扩展，形成新的感知拥堵模式变化的图传播卷积核
P
‑
GCN
，使得图卷积核能够感知拥堵模式变化，提升标值时空图过程神经网络模型的泛化能力
。2.
根据权利要求1所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：包括如下步骤，步骤一：基础资料整理；分析基础资料，并进行数据预处理，获得完整的实验数据集；步骤二：拥堵事件定义；通过拥堵事件定义，将城市路网交通拥堵事件预测定义为一个多任务学习问题，用于预测未来多步时间拥堵是否发生和发生的标值，如下公式
(1)
所示：其中：
G
s
表示未发生拥堵事件时的道路网络连接图结构；
G
c
表示发生拥堵事件时的路网连接图结构；
X
表示历史时间段
[0,T]
的节点特征；
E0→
T
表示拥堵图所有节点拥堵事件序列；步骤三：城市路网拥堵传播时空依赖建模；步骤四：集成拥堵传播模式的空间关联建模；路网图结构每个节点学习路网相邻之间的空间信息和交通路网拥堵节点之间传播模式信息；对每个历史时刻的输入，进行空间卷积后，交通路况图结构的空间关联信息被融合到同一个图结构中，得到一个紧凑表示的多维特征张量作为历史输入长度；步骤五：时间维度卷积建模历史拥堵事件；通过时域卷积网络架构
TCN
，对路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，学习历史拥堵事件时空嵌入表示；当历史事件空间卷积输出设为
l
‑1层
T
(l
‑
1)
个历史时间步长的空间输出时：输入尺度为
[T
(l
‑
1)
×
N
×
C
(l
‑
1)
]
，它与大小为
K(t
‑
1)
的核函数的卷积公式
(9)
如下：其中：
[*]
表示标准的卷积运算；
Relu
为非线性激活函数；
K(t
‑
1)
表示时间维的卷积核
。3.
根据权利要求2所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在步骤一中，基础资料整理，具体方法为：通过数据分析，对数据缺失超过
20
％的路段进行筛选，并进一步通过补全数据预处理，获得实验数据集
。4.
根据权利要求2所述的基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：在步骤二中，拥堵事件定义，具体包括定义
1.
城市路网级拥堵事件，定义
2.
交通路况图，定义
3.
交通拥堵图；
其中，定义
1.
城市路网级拥堵事件，其具体方法为：根据城市对于特定的道路限速规定，将任一路段
、
任一时刻下速度小于标准时速的交通状态定义为一次拥堵事件，由发生时间和拥堵指数元组构成；假设某路段历史拥堵事件集合为
{(t1,m1),(t2,m2),
…
,(t
n
,m
n
)}
，
n
表示事件发生次数的随机变量，其中，
0<t1<t2<
…
<t
n
表示拥堵事件的发生时间
t
i
∈(0,T]
和表示事件标值，事件连续标值为连续相等时间分割下的拥堵指数，对于未发生拥堵时刻的标值用0填充；此时，
T
个历史事件序列输入为
E
＝
[(t1,m1),(t2,m2),(0,0),
…
,(0,0),(t
T
,m
T
)]
构成的
T
个连续时间序列；预测未来拥堵发生时间通过分类值
{0,1}
表示发生与否；在历史间隔
(0,T]
内，城市路网拥堵事件集合为：定义
2.
交通路况图，其具体方法为：
t
时刻城市路网所有节点交通状态表达为：因此，对于历史时间段
[0,T]
的节点特征表示
X
＝
(X1,
…
,X
T
)∈R
N
×
F
×
T
；其中，
x
t
∈R
F
表示交通状态特征向量，
F
表示交通状态特征个数；
N
表示节点集合；定义
3.
交通拥堵图，其具体方法为：假设
i
和
j
路段发生拥堵，矩阵元素否则
A
c
∈R
N
×

【专利技术属性】
技术研发人员：王建龙，义崇政，张力，吴学宇，彭军，
申请(专利权)人：长江空间信息技术工程有限公司武汉，
类型：发明
国别省市：