【技术实现步骤摘要】
本专利技术属于人工智能和智能交通领域，具体为一种基于去噪扩散时空残差多图卷积网络的交通流预测方法。
技术介绍
1、城市化进程的加快带来了汽车数量的迅猛增长，导致交通拥堵问题日益严重。智能交通系统为缓解交通拥堵具有重要研究价值。实时准确的交通流预测作为智能交通系统的重要组成部分，对提高交通效率起着关键性作用，如何提高交通流预测的精度是当前研究热点。现有的交通流预测模型大多是基于交通数据完整或缺失值较少的假设。然而，由于网络波动和设备损坏等因素，现实世界交通流数据不可避免存在数据缺失和异常。现有方法通常采用插值法来填充缺失数据，容易导致数据过于平滑，致使潜在特征被破坏，进而导致误差积累问题。因此，如何充分利用原始数据中的潜在特征来提高交通流的预测精度至关重要。
技术实现思路
1、专利技术目的：针对上述问题，本专利技术提出一种基于去噪扩散时空残差多图卷积网络的交通流预测方法。该方法针对现有交通流预测模型大多是基于交通数据完整或缺失值较少的假设，忽视了预处理后的交通数据过于平滑而导致潜在特征被破坏的问题，构建去噪扩散模块，该模块由扩散卷积操作组成，用于获取有噪声交通流量数据中的原始特征；构造时空残差多图卷积模块，该模块由门控因果卷积模块、信息编码模块、多图卷积模块和全连接层组成，用于增强无噪声交通流量数据的时空特征并输出预测值；构建去噪扩散时空残差多图卷积网络，该网络由去噪扩散模块和时空残差多图卷积模块组成。本专利技术通过对原始数据和经过预处理的数据分别进行特征提取来保留原始特征，有效避免
2、技术方案：一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于：
3、步骤1)采集路网交通流量数据，对有噪声交通流量数据进行预处理，得到无噪声交通流量数据，将有噪声和无噪声交通流量数据按照相同比例拆分为训练集和测试集；
4、步骤2)构建去噪扩散模块，该模块由扩散卷积操作组成，用于获取有噪声交通流量数据中的原始特征；
5、步骤3)构造时空残差多图卷积模块，该模块由门控因果卷积模块、信息编码模块、多图卷积模块和全连接层组成，用于增强无噪声交通流量数据的时空特征并输出预测值；
6、步骤4)构建去噪扩散时空残差多图卷积网络，该网络由去噪扩散模块和时空残差多图卷积模块组成，利用有噪声和无噪声交通流量训练集训练去噪扩散时空残差多图卷积网络，并用有噪声和无噪声交通流量测试集测试模型的预测精度。
7、进一步，所述步骤1)中，采集城市或高速路网交通流量数据并传输至服务器，得到原始交通流量数据为dflow＝{dtime，dnode，dlon，dlat}，其中dtime，dnode，d1on和dlat分别是交通流量的记录时间、记录节点、记录经度和纬度。由于网络延迟和传感器故障等因素会导致原始交通流量数据存在缺失值和异常值，将经过数据预处理的交通流量数据标记为确定节点数量为n，历史序列长度为l，预测序列长度为m，给定存在噪声的输入特征和无噪声的输入特征分别为和预测未来时刻交通流特征为
8、进一步，所述步骤2)中，构建去噪扩散模块，该模块由扩散卷积操作组成，用于获取有噪声交通流量数据中的原始特征。将扩散卷积定义为其中和分别是扩散卷积操作的输入和输出，θk，1和θk，2是过滤器权重，和分别是扩散过程和反向过程的转移矩阵，tr是转置操作。构建去噪扩散模块，操作定义为其中和分别是去噪扩散模块的输入和输出，θdcm是去噪扩散模块的学习权重。去噪扩散模块被用于从xnoise中提取经过数据预处理后丢失的关键特征。
9、进一步，所述步骤3)中，构造时空残差多图卷积模块，该模块由门控因果卷积模块、信息编码模块、多图卷积模块和全连接层组成，用于增强无噪声交通流量数据的时空特征并输出预测值。具体步骤如下：
10、步骤3-1：构建门控因果卷积模块。定义因果卷积fdcc操作为其中和分别是因果卷积的输入和输出，c是特征的通道数，wdcc是因果卷积的权重，扩张率为1。和是的子特征，通过连接操作“||”得到将门控因果卷积模块定义为fgccm，是门控因果卷积的输出，⊙是哈达玛机，σ是sigmoid激活函数；
11、步骤3-2：构建信息编码模块。信息编码模块被用于整合门控因果卷积模块和去噪扩散模块的输出。给定门控因果卷积模块的输入和去噪扩散模块的输入定义信息编码模块为其中为信息编码模块的输出，hgccm是门控因果卷积模块的输出，hdcm是去噪扩散模块的输出；ffc1和ffc2是全连接操作，被用于获取输入的权重；
12、步骤3-3：构建多图卷积模块。给定输入分别构建静态多图和动态图，静态多图包括关联图和距离图，动态图包括节日图、周周期图和时周期图。具体操作如下：
13、步骤3-3-1：构建关联图。关联图被用于获取节点之间的数据关联性。构建肯德尔相关系数来获取任意两个节点之间的数据关联下，定义为其中pken(i，j)代表节点i和节点j的肯德尔相关系数，ncon(i，j)和ndisc(i，j)分别代表节点i和节点j的同序对和异序对数量，nsum(i，j)代表节点i和节点j所有可能的观测值对的总数。依据pken(i，j)计算出所有节点之间的数据关联性，得到关联图
14、步骤3-3-2：构建距离图。距离图被用于获取节点之间的距离关联性。距离评价公式为其中d(i，j)是节点i和节点j的物理距离，ddistall节点之间距离的集合。依据adist(i，j)计算出所有的距离关联性，得到距离图
15、步骤3-3-3：构建节日图。根据节点的输入和构建第i个节点的节日特征为若当前时间t为节假日，则hholiday(i，t)＝0，反之则为1。所有节点的节日图为
16、步骤3-3-4：构建周周期图。根据节点的输入和构建第i个节点的周周期特征为hweek(i，t)∈[1，7]，若当前时间t为周一，则hweek(i，t)＝1。所有节点的周周期图为
17、步骤3-3-5：构建时周期图。根据节点的输入和构建第i个节点的时周期特征为hhour(i，t)∈[0，23]，若当前时间t为上午10点到上午11点之间时，则hhour(i，t)＝10。所有节点的时周期图为
18、步骤3-3-6：融合静态图和动态图特征输出为多图特征。构建全连接操作获取多图之间权重，定义为
19、af＝faf(ffc1(acor)+ffc2(adist)+ffc3(hholidaywholiday)+ffc4(hweekwweek)+ffc5(hhourwhour))，其中和分别是节日图、周周期图和时周期图的映射权重，faf是激活函数。最终输出得到多图特征
20、步骤3-3-7：基于图卷积操作对多图特征的空间特征进行提取，具体操作为：其中和分别是图卷积操作的输入和输出，是图卷积操作的训练权重；
21、步骤3-3-8：将多图卷积模块定义为fmgcm，则是多图卷积模块的本文档来自技高网...
【技术保护点】
1.一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，采集城市或高速路网交通流量数据并传输至服务器，得到原始交通流量数据为Dflow＝{Dtime,Dnode,Dlon,Dlat}，其中Dtime，Dnode，Dlon和Dlat分别是交通流量的记录时间、记录节点、记录经度和纬度；将经过数据预处理的交通流量数据标记为确定节点数量为N，历史序列长度为L，预测序列长度为M，存在噪声的输入特征和无噪声的输入特征分别记为和
3.根据权利要求1所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，所述去噪扩散模块构建流程为：
4.根据权利要求1所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，所述门控因果卷积模块的构建方法为：
5.根据权利要求1所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，所述信息编码模块的构建方法为：
6.根据权利要求1所述的一
7.根据权利要求6所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，所述多图卷积操作用于融合静态图和动态图特征输出为多图特征，方法为：
8.根据权利要求1所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，所述去噪扩散时空残差多图卷积网络训练流程为：
...【技术特征摘要】
1.一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，采集城市或高速路网交通流量数据并传输至服务器，得到原始交通流量数据为dflow＝{dtime,dnode,dlon,dlat}，其中dtime，dnode，dlon和dlat分别是交通流量的记录时间、记录节点、记录经度和纬度；将经过数据预处理的交通流量数据标记为确定节点数量为n，历史序列长度为l，预测序列长度为m，存在噪声的输入特征和无噪声的输入特征分别记为和
3.根据权利要求1所述的一种基于去噪扩散时空残差多图卷积网络的交通流预测方法，其特征在于，所述去噪扩散模块构建流程为：
4.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：施佺，包银鑫，曹晨阳，沈琴琴，余弦，曹阳，
申请(专利权)人：南通大学，
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。