【技术实现步骤摘要】
本专利技术涉及智能交通，尤其涉及一种融合长距离时空关联的大规模交通预测方法及系统。
技术介绍
1、交通预测是针对未来交通情况(如车流量、平均速度和出行需求量)进行准确、及时预测的一项重要任务，交通预测在现代智能交通系统中起着关键的作用，传统的交通预测方法通常采用基于线性自回归模型的统计方法，但无法充分捕捉交通系统中复杂的时空依赖关系，近年来，通过融合路网图结构信息的时空图神经网络取得了最先进的性能，目前，现有基于时空图神经网络的方法可以分为以下两类：
2、第一类是基于先验图结构的方法，这类方法利用预定义的度量指标(如距离、路段连接关系等)构建路网图结构，例如，dcrnn首先基于路网距离构建一张先验图，然后采用扩散图卷积结合循环神经网络进行预测，然而，这类方法高度依赖所选择的度量指标，并且在现实场景中目标交通系统的先验图拓扑信息通常是不完整且有噪声的，可能会影响预测性能。
3、第二类是图结构学习方法，这类方法通过自动学习一个端到端的潜在全连接路网图结构来解决上述问题，例如，gwnet通过将两个可学习的节点嵌入矩阵为任意节点对之间计算自适应的边权，step通过使用从transformer模型中提取的长期时序信息来学习离散图结构。
4、综上，现有的时空图神经网络在解决交通预测问题时仍然存在两个明显的局限性：
5、(1)未来的交通状态与长期历史观测存在依赖关系，考虑这些重复出现的交通模式可以进一步提高预测准确率，然而，随着输入序列长度的增加，时空图神经网络的计算和内存成本呈爆炸式增长，尤其
6、(2)现有基于图结构学习的方法需要在下游交通预测任务的监督下端到端地学习潜在图结构，这种方法减少了对先验知识的依赖，可以直接捕捉任意两个节点之间的关联性和路网中的长距离空间关联，从而获得最先进的性能，然而，学习图结构的计算复杂度为其中，n表示节点数，这在处理大规模道路网络时会带来昂贵的计算开销，阻碍了该方法在大规模道路网络中的应用。
技术实现思路
1、本专利技术的目的在于提供一种融合长距离时空关联的大规模交通预测方法及系统，以在交通预测中高效地捕捉长期历史依赖关系，并在大规模道路网络中学习图结构时降低二次计算和内容复杂度。
2、为解决以上技术问题，本专利技术提供了一种融合长距离时空关联的大规模交通预测方法及系统。
3、第一方面，本专利技术提供了一种融合长距离时空关联的大规模交通预测方法，所述方法包括以下步骤：
4、获取道路路网中各个观测节点在预设长期历史时间段内捕获的交通观测数据，构成长期交通观测数据序列；
5、利用预先构建的交通时空图神经网络预测模型对所述长期交通观测数据序列进行预测，得到交通状态预测结果；所述交通时空图神经网络预测模型包括依次连接的长距离时空关联神经网络和多层感知器，其中，所述长距离时空关联神经网络包括并行的长序列特征提取网络和线性化全局空间卷积网络。
6、在进一步的实施方案中，所述利用预先构建的交通时空图神经网络预测模型对所述长期交通观测数据序列进行预测，得到交通状态预测结果的步骤包括：
7、通过长序列特征提取网络捕获所述长期交通观测数据序列在不同时间步之间的时间依赖关系，得到交通长期时间关联特征；
8、通过线性化全局空间卷积网络捕获所述长期交通观测数据序列在不同观测节点之间的空间依赖关系，得到交通长期空间关联特征；
9、将所述交通长期时间关联特征和所述交通长期空间关联特征进行融合，得到长距离时空关联特征；
10、将长距离时空关联特征输入至多层感知器中，得到交通状态预测结果。
11、在进一步的实施方案中，所述长序列特征提取网络包括时间卷积层、线性映射层、线性化自注意力机制层和全连接层，所述通过长序列特征提取网络捕获所述长期交通观测数据序列在不同时间步之间的时间依赖关系，得到交通长期时间关联特征的步骤包括：
12、利用所述时间卷积层对所述长期交通观测数据序列进行时间卷积操作，得到各个观测节点的上下文特征向量；
13、通过所述线性映射层将各个观测节点的上下文特征向量分别映射到不同的线性空间中，得到对应的查询向量、键向量和值向量；
14、将所述查询向量、所述键向量和所述值向量输入到所述线性化自注意力机制层中，计算得到潜在长时间依赖表征；
15、通过所述全连接层将所述潜在长时间依赖表征映射为交通长期时间关联特征。
16、在进一步的实施方案中，线性化自注意力机制的表达式为：
17、
18、其中，
19、
20、
21、
22、式中，h′t表示t时间步的潜在长时间依赖表征；φ(x)表示向量x的随机特征映射函数，其中，x∈[qt，km]；qt表示观测节点在t时间步的查询向量；上标t表示转置符号；t0表示起始预测时间；tl表示预设长期历史时间段；km表示观测节点在m时间步的键向量；vm表示观测节点在m时间步的值向量；r表示向量x经过随机特征映射之后的维度；wr表示r维的正态分布向量。
23、在进一步的实施方案中，所述通过线性化全局空间卷积网络捕获所述长期交通观测数据序列在不同观测节点之间的空间依赖关系，得到交通长期空间关联特征的步骤包括：
24、根据所述长期交通观测数据序列，计算任意两个观测节点之间的空间交互系数；
25、根据所述空间交互系数计算不同观测节点之间的边权重，生成邻接矩阵，并根据所述邻接矩阵构建道路路网潜在图结构；
26、引入线性化特征传播算子，基于所述线性化特征传播算子对所述道路路网潜在图结构进行特征传播，得到交通长期空间关联特征。
27、在进一步的实施方案中，所述线性化全局空间卷积网络在训练过程中采用的优化目标函数为：
28、
29、
30、式中，表示线性化全局空间卷积网络的优化目标函数；n表示道路路网中的观测节点总数；t0表示起始预测时间；tf表示预设未来预测时间步长；yt表示时间步为t时的长期交通观测数据序列；表示时间步为t时的交通状态预测结果；λ表示控制先验空间知识的重要程度；表示先验空间约束；di,j表示道路路网中观测节点i和观测节点j之间的先验空间关系；ai,j表示观测节点i和观测节点j之间的边权重。
31、在进一步的实施方案中，基于所述线性化特征传播算子对所述道路路网潜在图结构进行特征传播的过程表达式为：
32、
33、
34、
35、
36、式中，h(k)表示特征传播深度为k时的节点交互信息；k表示特征传播的深度；q(k-1)表示特征传播深度为(k-1)时的可学习加权矩阵；diag(·)为用于构造对角矩本文档来自技高网...
【技术保护点】
1.一种融合长距离时空关联的大规模交通预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，所述利用预先构建的交通时空图神经网络预测模型对所述长期交通观测数据序列进行预测，得到交通状态预测结果的步骤包括：
3.如权利要求2所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，所述长序列特征提取网络包括时间卷积层、线性映射层、线性化自注意力机制层和全连接层，所述通过长序列特征提取网络捕获所述长期交通观测数据序列在不同时间步之间的时间依赖关系，得到交通长期时间关联特征的步骤包括：
4.如权利要求3所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，线性化自注意力机制的表达式为：
5.如权利要求2所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，所述通过线性化全局空间卷积网络捕获所述长期交通观测数据序列在不同观测节点之间的空间依赖关系，得到交通长期空间关联特征的步骤包括：
6.如权利要求5所述的一种融合长距离时空关联的大规模交通预测方法
7.如权利要求6所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，基于所述线性化特征传播算子对所述道路路网潜在图结构进行特征传播的过程表达式为：
8.一种融合长距离时空关联的大规模交通预测系统，其特征在于，所述系统包括：
9.一种计算机设备，其特征在于：包括处理器和存储器，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述计算机设备执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种融合长距离时空关联的大规模交通预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，所述利用预先构建的交通时空图神经网络预测模型对所述长期交通观测数据序列进行预测，得到交通状态预测结果的步骤包括：
3.如权利要求2所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，所述长序列特征提取网络包括时间卷积层、线性映射层、线性化自注意力机制层和全连接层，所述通过长序列特征提取网络捕获所述长期交通观测数据序列在不同时间步之间的时间依赖关系，得到交通长期时间关联特征的步骤包括：
4.如权利要求3所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，线性化自注意力机制的表达式为：
5.如权利要求2所述的一种融合长距离时空关联的大规模交通预测方法，其特征在于，所述通过线性化全局空间卷积网络捕获所述长期交通观测数据序列在不同观测节点...
【专利技术属性】
技术研发人员：韩金栋，刘浩，熊辉，
申请(专利权)人：广州市香港科大霍英东研究院，
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。