【技术实现步骤摘要】
本专利技术属于智慧城市治理，具体涉及一种基于图知识蒸馏的城市交通流量预测方法及系统。
技术介绍
1、智慧城市是指利用各种信息技术或创新概念，将城市的系统和服务打通、集成，以提升资源运用的效率，优化城市的管理和服务。现阶段，新型智慧城市早已变成全世界诸多城市整体规划和设计方案的焦点，并着眼于通过各种各样新技术的应用来改进城镇居民的工作与日常生活。智慧城市功能体系包括社会治理、市民服务和产业经济三大类别，具体包括市政、能源、政务、交通、卫健、制造和物流等多个智慧应用。其中，城市交通流量预测是智能交通智慧系统中的重要成分。随着我国经济的快速增长，汽车保有量逐年增加，导致城市中车辆不断增多，造成了交通堵塞、交通事故频发等问题。随着人们花费在路途中的时间变得越来越长，这些问题对于人们的日常生活产生了极大的负面影响，这需要我们借助现有的技术和知识来解决这些问题。实现城市交通流量预测被视为解决城市交通问题的有效方法之一，它旨在为人们提供交通管理服务。一方面，准确的城市交通流量预测可以让交通运营管理中心提前部署运输资源，能够节约运输资源，在避免资源浪费的同时还能让交通运输行业产生更大的经济效益。另一方面，它可以让用户获得更全面的路况信息，由此人们可以更安全、更协调地利用交通网络。
2、现代城市路网错综复杂，由于交通路网拓扑结构的约束和交通随时间变化的规律，即空间依赖性和时间依赖性，城市交通流量预测成为一个有挑战性的问题。传统的方法有卡尔曼滤波模型、支持向量机模型、神经网络等，却难以对这种高维和非线性数据进行建模。因此，图卷积神经网络
技术实现思路
1、针对现代城市路网错综复杂，由于交通路网拓扑结构的约束和交通随时间变化的规律，城市交通流量难以预测的问题，本专利技术提供了一种基于图知识蒸馏的城市交通流量预测方法及系统，设计基于图知识蒸馏的城市交通流量预测方法及系统，在保证模型轻量化的同时又能学习到预训练模型的强泛化能力，提高城市交通流量预测的准确性，助力智慧城市的建设。
2、为了达到上述目的，本专利技术采用了下列技术方案：
3、该方案包含三个主要环节，步骤1为城市交通流量预测数据预处理环节，步骤2～步骤4为基于图知识蒸馏的城市交通流量预测模型构建及优化环节，步骤5为城市交通流量预测结果输出环节。
4、步骤1：将路段相关数据(路段名称、路段类型、所处区域等)作为路段节点特征，根据路段与路段间的邻接关系进行空间结构信息的抽取，构建交通流量空间结构网络。
5、步骤1.1：从城市数据开放平台中获取路网数据集，根据路段之间的连接关系构建交通流量网络结构，将路段表示为网络中的路段节点，将路段之间的连接关系表示为路段节点间的边，将路段相关数据(路段名称、路段类型、所处区域等)作为路段节点特征。
6、步骤1.2：将交通流量网络记为g＝(v,e,x)，v＝{v1,v2,···,vn}表示交通流量网络中n个路段节点的集合，且v＝vl∪vu中的vl和vu分别表示有标记的节点集和未标记的节点集；e＝{e1,e2,···,em}表示路段节点之间存在的m条边；x是n×d维的路段节点特征矩阵，矩阵x的每一行表示路段节点v的d维特征。y包含所有路段节点的标签，其中是标记节点的标签集，是路段节点v的真实标签。
7、步骤2：基于步骤1构建的交通流量空间结构网络，对教师模型进行预训练，获得预测能力较强的教师模型。
8、步骤2.1：在步骤1中获取的路网数据集上训练含l层网络的教师图神经网络模型gnnst，教师模型为任意结构复杂的图神经网络如图卷积神经网络(graph convolutionnetwork，gcn)、图注意力网络(graph attention network，gat)、图采样和聚合网络(graphsample and aggregate，graphsage)等。从教师模型的所有层学习到的交通流量空间结构图表示可以写为其中flt是从第l层学习到的图表示。
9、步骤2.2：在城市交通流量预测任务上微调预先训练的教师模型。教师模型通过对城市交通流量预测的训练数据进行梯度下降步骤，以获得此任务的最优参数。
10、步骤3：基于步骤2预训练的教师模型，先通过捕捉路段节点结构信息和特征信息来构建轻量级结构感知mlps学生模型，再利用逐层映射蒸馏策略形成预训练教师模型对轻量级学生模型的监督信号，从而获得轻量且具可解释性的城市交通流量预测模型。
11、所述城市交通流量预测模型包含结构感知mlps学生模型和逐层映射蒸馏策略两个部分，其整体结构如附图2所示，步骤3包含以下步骤：
12、步骤3.1：构建一个含l′层网络的结构感知mlps作为学生模型，该模型由特征转换(fc)模块和结构感知(sp)模块组成。
13、步骤3.2：在fc模块中，mlps利用路段节点特征学习节点表示来获取交通流量网路输入图的先验特征信息，并利用softmax函数将路段节点表示转换为交通流量软标签预测。fc模块的输出定义为公式(1)：
14、yfc(v)＝softm ax(mlps(xv)). (1)
15、yfc(v)表示fc模块中路段节点v的输出，表示路段节点v的d维特征；
16、步骤3.3：在sp模块中，标签传播算法(label propagation algorithm，lpa)通过递归传播路段节点标签来感知交通流量网路输入图的先验结构信息。由于周围的路段邻居节点对目标路段节点的影响度不同，一些节点的预测标签可能比其他节点更“重要”，比如一个节点的预测标签与其大多数邻居节点相似，这样的节点将更有可能将自己的标签传播给邻居节点并保持自身标签不变。因此，为每个路段节点引入了重要性评分来衡量其对整个交通流量网络的贡献。第(l+1)层的标签传播过程定义在(2)中：
17、
18、其中，表示第(l+1)层路段节点v的标签传播，表示第l层路段节点u的标签预测，nv表示路段节点v的邻域，u′表示路段节点v的邻域集合和节点本身，ωu,v表示路段节点u与v之间的边权，由公式(3)计算：
19、
20、使用一个可学习的参数将路段节点的征映射为重要性评分，其中，cu′、cu和cv分别表示路段节点u′、u和v的重要性评分。由公式(4)计算：
21、cv＝γtxv (4)
22、步骤3.4：为了从路段节点的特征和结构两个方面获取相关先验信息，我们将fc模块和sp模块结合起来建立，结构感知mlps学生模型，该模型的状态通过公式(5本文档来自技高网...
【技术保护点】
1.一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤1的具体过程为：
3.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤3的具体过程为：
5.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤4的具体过程为：
6.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤5的具体过程为：
7.一种基于图知识蒸馏的城市交通流量预测系统，其特征在于，所述系统包括计算机处理器和内存、城市交通流量预测模型预处理单元、城市交通流量预测模型训练单元、城市交通流量预测结果输出单元；
【技术特征摘要】
1.一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤1的具体过程为：
3.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤2的具体过程为：
4.根据权利要求1所述的一种基于图知识蒸馏的城市交通流量预测方法，其特征在于，所述步骤3的具体过程为：
【专利技术属性】
技术研发人员：杜航原，余嵘，王文剑，白亮，白璐，金弟，
申请(专利权)人：山西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。