【技术实现步骤摘要】
本专利技术涉及时空数据预测领域，特别是涉及一种基于变分自编码器的时空数据预测方法。
技术介绍
1、时空数据可以抽象为在有向图上的图信号，抽象的有向图结构表示了不同时间，不同地点的时间序列连通图。在时空数据建模的过程中需要考虑以下3个因素：1)时间相关性：同一地理位置的序列数据在时间上高度相关，但是相关的强度会随时间动态变化，同时在时间上遵循周期模式；2)空间相关性：不同地理位置之间的序列数据相互影响，但是不同邻接地区所产生的影响是不同的；3)随机因素：未来时间序列会受到天气状况、随机事件等的影响，任何一个因素都会引起时空数据的变化，从而产生一定的随机性与不确定性。
2、深度学习以其优秀的性能而被广泛应用在相关领域，取得了惊艳效果。然而现有的深度学习方法都将交通流数据模拟为扩散的结果，并使用扩散图卷积(图卷积的变体)建模空间相关性。首先，时空数据不止存在扩散信号，这些方法忽略了传感器节点隐藏的时序信号，降低了时空数据中的随机性和不确定性，存在隐藏序列建模不可靠的问题，粗略的使用图卷积网络对复杂的时空相关性建模会对模型产生负面的影响。其次，现有方法采用静态道路传感器网络来建模空间相关性，然而现实节点之间的空间相关性是动态变化的，并且不同道路传感器对于未来序列的重要性也会随时间发生变化，所以将传感器网络建模为动态变化的系统可以有效模拟节点之间随时间变化的动态关系。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于变分自编码器的时空数据预测方法解决了现有时空
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于变分自编码器的时空数据预测方法，包括以下步骤：
3、s1：利用分离模型分离时空信号中的扩散信号、固有信号和随机信号，并对扩散信号、固有信号和随机信号进行特征学习；
4、s2：利用扩散信号学习模块的自适应子图结合空间注意力机制提取扩散信号的空间相关性特征，并通过门控图卷积的lstm提取扩散信号的时间相关性特征；
5、s3：利用固有信号学习模块和随机信号学习模块通过带注意力机制的lstm分别提取固有信号的时间相关性特征和随机信号的时间相关性特征；
6、s4：经过多层时空分离学习层的时空特征提取，将扩散信号的空间相关性特征、扩散信号的时间相关性特征、固有信号的时间相关性特征和随机信号的时间相关性特征融合后并行输入全局时空依赖模块，获取序列中的长期相关性，完成时空数据的预测。
7、上述方案的有益效果是：本方案考虑了时空序列的时空相关性与随机性，通过变分推断和残差降解来分离交通流信号中隐藏的扩散信号、固有信号和随机信号，对不同来源的隐藏信号分别进行有效建模，提高预测精度，将不同隐藏序列的多维特征融合输入到并行的时间卷积网络，以捕获全局和长期的时间依赖关系。解决了现有时空数据预测方法忽略了时空数据的随机性和不准确性，导致预测不准确，且忽略现实节点的空间相关性为动态的问题。
8、进一步地，s1中分离模型包括多个分离时空层，所述分离时空层中的扩散信号学习模块、固有信号学习模块和随机信号学习模块均包括预测分支和回退分支，所述分离时空层用于将时空信号分解为不同特征的子信号，并采用不同的模型分别对子信号进行建模。
9、上述进一步方案的有益效果是：本专利技术包括多个分离时控层，用于实现数据的分解和不同信号时空相关性的建模，同时各个模块都包括预测分支和回退分支，用于实现信号的逐步分解。
10、进一步地，将时空信号分解为不同特征的子信号的方法为：采用变分自编码器隐因子模型和残差降解机制，以数据驱动的方式分解时空信号，将不同的信号分别进行处理后提取时空相关性。
11、上述进一步方案的有益效果是：分解时空数据时由于没有先验知识，不能直接分解，所以本方案提出采用变分自编码器隐因子模型和残差降解机制，将不同的信号分别进行处理捕获时空相关性，保证复杂道路网络节点时空依赖的学习，同时保持了节点的动态性和不确定性。
12、进一步地，s1中扩散信号通过概率编码器和序列解码器学习所有传感器在每个时间步的观测值的扩散信号参数化分布，所述概率编码器和序列解码器均为lstm，概率编码器用于处理输入的信息序列并学习推断后验分布，序列解码器通过门控采样机制和lstm解码编码状态并汇总输入的信息序列。
13、上述进一步方案的有益效果是：通过利用概率编码器和序列解码器，完成交通信号扩散部分分布的生成。
14、进一步地，门控采样机制基于时间的周周期性张量和日周期性张量，引入第一时间嵌入矩阵ad、第二时间嵌入矩阵aw、时间位置嵌入矩阵t和节点嵌入矩阵e，包括以下公式：
15、
16、
17、t∈rm×w×d
18、
19、其中，r表示矩阵，n1表示一天中传感器的采样频次，c表示特征维度，d1表示天数，n2表示一周中传感器的采样频次，d2表示周数，m表示路网节点个数，w和d表示节点在时间上的相对位置，n3表示节点个数。
20、上述进一步方案的有益效果是：门控采样机制利用时空信号的周期性，基于这种周期性设计了两个时间张量，通过引入第一时间嵌入矩阵、第二时间嵌入矩阵、时间位置嵌入矩阵和节点嵌入矩阵，进行时间和空间位置编码。
21、进一步地，将扩散信号学习模块的输出信号通过预测分支和回退分支进行处理，对经回退分支的信号设计残差降解机制，以信息重构的方式去除已经分离的交通流信号，保留未分解的信号，从而实现信号的逐步分解。
22、上述进一步方案的有益效果是：预测分支从学习模块中输出隐藏状态，回退分支从学习模块中回退已经分离的信号。
23、进一步地，利用回退分支的残差连接，分离信号中的交通流固有信号，获得信号中的随机和不确定序列，公式为：
24、
25、
26、其中，xinh表示分离后的交通流固有序列，xori表示原始输入信号，表示回退分支的第一输出，σ表示相关函数，pdiff表示多层感知机的第一权重矩阵，xran表示最终输出的随机和不确定序列，表示回退分支的第二输出，pinh表示多层感知机的第二权重矩阵。
27、上述进一步方案的有益效果是：通过上述技术方案，利用回退分支，获得信号中的随机信号和不确定信号。
28、进一步地，对s3中的lstm沿着时间轴设计了一个并行的时间卷积网络，用于提高lstm长期的时间依赖性能。
29、上述进一步方案的有益效果是：传统的lstm模型是沿着时间线逐步展开处理的，导致输出结果依赖于短期的交通状况，缺乏获取长时间时空相关性的能力，因此通过上述技术方案，能够提高模型长期的时间依赖性能。
本文档来自技高网...【技术保护点】
1.一种基于变分自编码器的时空数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于变分自编码器的时空数据预测方法，其特征在于，所述S1中分离模型包括多个分离时空层，所述分离时空层中的扩散信号学习模块、固有信号学习模块和随机信号学习模块均包括预测分支和回退分支，所述分离时空层用于将时空信号分解为不同特征的子信号，并采用不同的模型分别对子信号进行建模。
3.根据权利要求2所述的基于变分自编码器的时空数据预测方法，其特征在于，所述将时空信号分解为不同特征的子信号的方法为：采用变分自编码器隐因子模型和残差降解机制，以数据驱动的方式分解时空信号，将不同的信号分别进行处理后提取时空相关性。
4.根据权利要求3所述的基于变分自编码器的时空数据预测方法，其特征在于，所述S1中扩散信号通过概率编码器和序列解码器学习所有传感器在每个时间步的观测值的扩散信号参数化分布，所述概率编码器和序列解码器均为LSTM，概率编码器用于处理输入的信息序列并学习推断后验分布，序列解码器通过门控采样机制和LSTM解码编码状态并汇总输入的信息序列。
5.根
6.根据权利要求5所述的基于变分自编码器的时空数据预测方法，其特征在于，将所述扩散信号学习模块的输出信号通过预测分支和回退分支进行处理，对经回退分支的信号设计残差降解机制，以信息重构的方式去除已经分离的交通流信号，保留未分解的信号，从而实现信号的逐步分解。
7.根据权利要求5所述的基于变分自编码器的时空数据预测方法，其特征在于，利用所述回退分支的残差连接，分离信号中的交通流固有信号，获得信号中的随机和不确定序列，公式为：
8.根据权利要求7所述的基于变分自编码器的时空数据预测方法，其特征在于，对所述S3中的LSTM沿着时间轴设计了一个并行的时间卷积网络，用于提高LSTM长期的时间依赖性能。
...【技术特征摘要】
1.一种基于变分自编码器的时空数据预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于变分自编码器的时空数据预测方法，其特征在于，所述s1中分离模型包括多个分离时空层，所述分离时空层中的扩散信号学习模块、固有信号学习模块和随机信号学习模块均包括预测分支和回退分支，所述分离时空层用于将时空信号分解为不同特征的子信号，并采用不同的模型分别对子信号进行建模。
3.根据权利要求2所述的基于变分自编码器的时空数据预测方法，其特征在于，所述将时空信号分解为不同特征的子信号的方法为：采用变分自编码器隐因子模型和残差降解机制，以数据驱动的方式分解时空信号，将不同的信号分别进行处理后提取时空相关性。
4.根据权利要求3所述的基于变分自编码器的时空数据预测方法，其特征在于，所述s1中扩散信号通过概率编码器和序列解码器学习所有传感器在每个时间步的观测值的扩散信号参数化分布，所述概率编码器和序列解码器均为lstm，概率编码器用于处理输入的信息序列并学习推断后验分布，序列解码器通过门控采...
【专利技术属性】
技术研发人员：滕飞，崔文源，夏金龙，熊磊，杜圣东，罗皓楠，杨军，仇戈，
申请(专利权)人：西南交通大学，
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。