一种基于多时空图融合卷积网络的交通速度预测方法

1.本发明属于时空数据集的交通速度预测技术领域，涉及一种基于多时空图融合卷积网络的交通速度预测方法。


背景技术：

2.由于城市人口增长，人民生活水平提高，车辆数量增多，导致交通安全问题和交通拥堵问题日益严重。为了解决这些问题，发展智能交通系统用来高效的进行交通管理被许多国家所重视。交通速度预测是时空数据预测的经典问题，在智能交通系统中发挥着基础性而又至关重要的作用。近年来，随着卷积神经网络和图神经网络的发展，交通速度预测的图建模成为研究热点，许多模型在预测精度上的表现都取得了突出的表现，虽然在将图结构用在交通速度预测模型方面都已经取得了显著的改进，但这些模型仍然面临着一些缺点。
3.其中一个缺点就是图结构中缺乏丰富的信息。不相邻的节点之间可能存在一定的相关性，即它们有着相似的“时间模式”。在高峰时间段，商业办公区附近的大部分道路将在同一时间遭遇交通堵塞，然而，大部分现有的模型只能够利用给定的空间邻接矩阵进行建模，并且在对邻接矩阵建模时忽略了节点之间的时间相似性，对此，许多人都对图的改进进行了一些尝试。通过掩码矩阵和自适应矩阵来调整存在的空间邻接矩阵，但这些可学习的矩阵对于复杂的时空依赖性都缺乏相关性表示能力。时间自我注意模块也可以提取动态的时空相关性，但无法通过预定的空间图来反映这种相关性。
4.此外，目前的时空数据预测研究在捕捉局部和全局之间的相关性方面效果不好。在捕获长期序列时，基于rnn/lstm的模型可能会发生梯度消失或梯度爆炸。如果扩张率增加，stgcn和graphwave-net会丢失局部信息。stsgcn提出了一种新的局部时空子图，该子图同步捕获局部相关性，只设计局部而忽略全局信息。当数据丢失时，情况更加严重，只学习了局部噪声。
5.因此，本发明提供一种基于多时空图融合卷积网络的交通速度预测方法,解决了现有交通速度预测方法的不足，利用一个模块同时捕获时空相关性，并且分别利用多图融合卷积模块和门控多分支卷积模块来捕获局部和全局的时空相关性之间的关系。


技术实现要素：

6.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
7.鉴于上述和/或现有的基于多时空图融合卷积网络的交通速度预测方法中存在的问题，提出了本发明。
8.因此，本发明所要解决的问题在于如何提供一种基于多时空图融合卷积网络的交通速度预测方法。为解决上述技术问题，本发明提供如下技术方案：接收预测请求并采集数
据；根据采集数据，将其处理成标准化的数据集；根据标准化的数据集生成元图；利用生成的元图得到时空融合图；根据时空融合图，经全连接层输入到堆叠层，经过堆叠多层后通过两层全连接层得到预测结果。
9.作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：根据采集数据，将其处理成标准化的数据集包括如下步骤：
10.标准化的数据集包括将数据集中的数据按比例缩放，使数据属于[0,1]内；对生成的标准化数据集，明确其中的特征与标签。
[0011]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：生成的元图，包括由dtw动态时间规划生成时间元图tg，空间特征数据生成空间元图sg，和描述时间连通性的数据生成时间连通元图tc。
[0012]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：时空融合图是通过将时间元图tg，空间元图sg和时间连通元图tc任选两个组成主对角线矩阵和次对角线矩阵，在主对角线矩阵和次对角线矩阵中分别选择一个进行求和操作得到的。
[0013]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：堆叠层由门控多分支卷积模块和多图融合图卷积模块组成，多图融合卷积模块是通过l-gcn单元、剩余连接和最大池化等操作来提取时空相关性。
[0014]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：通过l-gcn单元、剩余连接和最大池化等操作来提取时空相关性包括如下步骤：l-gcn单元使用gcn来学习时空特征；再通过lstm/rnn的选通机制来进行gcn的泛化，其中gcn公式如下：
[0015][0016]
其中，h
l
表示特定多图融合卷积模块的第l个隐藏状态；a
*
是时空融合图是glu的所有参数，表示hadamard积，σ表示sigmoid函数。
[0017]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：最大池化保留最显著的特征，在每个隐藏状态的串联上操作。
[0018]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：剩余连接通过叠加多图融合卷积模块，依据更复杂的局部空间依赖关系，为每个区块引入剩余连接。
[0019]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：门控多分支卷积模块由门控多分支卷积网络给定总输入数据再通过扩展因果卷积之后将输入传递给选通激活单元来提取，其公式如下：
[0020][0021]
其中，φ(
·
)是tanh函数，是激活函数的输出；g(
·
)是relu函数，用来缓解过拟合问题；σ(
·
)是sigmoid函数，用来决定传递到下一层的信息比率；θ1，θ2和θ3是扩展因果卷积的内核，其膨胀率为k-1.a，b和c是模型的参数是元素层面的乘积，即两个向量按元素一
个个相乘，组成一个新的向量，结果向量与原向量尺寸相同。
[0022]
作为本发明所述基于多时空图融合卷积网络的交通速度预测方法的一种优选方案，其中：多图融合卷积模块通过多个独立处理输入数据，节省时间并捕获更复杂的关联性。
[0023]
本发明的有益效果为：本发明解决了现有交通速度预测方法的不足，利用一个模块同时捕获时空相关性，并且分别利用多图融合卷积模块和门控多分支卷积模块来捕获局部和全局的时空相关性之间的关系。此外，本发明根据基于多时空图融合卷积网络的算法模型有效降低了的计算复杂度并提高了预测结果的准确度。
附图说明
[0024]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0025]
图1为实施例1中基于多时空图融合卷积网络的交通速度预测方法的流程图。
[0026]
图2为实施例1中基于多时空图融合卷积网络的交通速度预测方法的交通速度预测模型示意图。
[0027]
图3为实施例1中基于多时空图融合卷积网络的交通速度预测方法的多图融合卷积模块中的l-gcn单元示意图。
[0028]
图4为实施例2中基于多时空图融合卷积网络的交通速度预测方法的交通速度预测示意图。
具体实施方式
[0029]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0030]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0031]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0032]
实施例1
[0033]
参照图1～图3，为本发明第一个实施例，该实施例提供了一种基于多时空图融合卷积网络的交通速度预测方法，基于多时空图融合卷积网络的交通速度预测方法如下步骤：
[0034]
s1、接收预测请求并采集数据。
[0035]
具体的，采集的数据来源于加利福尼亚高速公路，是通过环路检测器从加利福尼亚高速公路实时收集的，每30秒实时收集一次的数据集，并且流量数据每5分钟从原始数据聚合一次，即每小时的原始数据中有12个点。洛杉矶数据集的时间范围是2018/1/1-2018/
2/28，传感器的数量有307个。
[0036]
s2、根据采集的数据，将其处理成标准化的数据集。
[0037]
具体的，根据采集的数据，将其处理成标准化的数据集包括：
[0038]
标准化的数据集包括将数据集中的数据按比例缩放，使数据属于[0,1]内；对生成的标准化数据集，明确其中的特征与标签。
[0039]
进一步的，将数据集进行标准化，标准化公式为：x
′
＝x-mean(x)/std(x)，其中x
′
是标准化的交通速度矩阵，mean(x)和std(x)分别对应于历史时间序列的平均值和标准差。
[0040]
s3、根据标准化的数据集生成元图。
[0041]
具体的，生成的元图，包括由dtw动态时间规划生成时间元图tg，空间特征数据生成空间元图sg，和描述时间连通性的数据生成时间连通元图tc。
[0042]
s4、利用生成的元图得到时空融合图
[0043]
具体的，时空融合图是将时间元图tg，空间元图sg和时间连通元图tc任选两个组成主对角线矩阵和次对角线矩阵，在主对角线矩阵和次对角线矩阵中分别选择一个进行求和操作得到。
[0044]
进一步的，将标准化后的交通流数据集的时间特征通过dtw动态时间规划生成时间元图tg，动态时间规划算法通过计算两个时间序列的相似度，表征不同节点之间的模式相似度，例如，给定两个时间序列x＝(x1,x2,
…
,xn)和y＝(y1,y2,...,ym)，可以引入序列距离矩阵mn×m，然后可以定义成本矩阵mc(i,j)；将标准化后的交通流数据集的空间特征生成空间元图sg，描述时间连通性的特征生成时间连通元图tc；然后任取两个元图生成主对角线矩阵和次对角线矩阵，最后进行选择求和生成最终的时空融合图。
[0045]
s5、根据时空融合图，经全连接层输入到堆叠层，经过堆叠多层后通过两层全连接层得到预测结果。
[0046]
具体的，堆叠层由门控多分支卷积模块和多图融合图卷积模块组成，多图融合卷积模块是通过l-gcn单元、剩余连接和最大池化等操作来提取时空相关性。
[0047]
进一步的，多图融合卷积模块是通过l-gcn单元、剩余连接和最大池化等操作来提取时空相关性。其中l-gcn单元首先使用gcn来学习时空特征，然后通过lstm/rnn的选通机制来进行gcn的泛化；最大池化为了保留最显著的特征，将在每个隐藏状态的串联上操作；与中间时间步相对应的连接将被裁剪，既能保证与输出的尺寸一致，又能节省时间。门控多分支卷积网络是给定总输入数据，通过扩展因果卷积之后将输入传递给选通激活单元来提取。
[0048]
更进一步的，通过l-gcn单元、剩余连接和最大池化等操作来提取时空相关性包括如下步骤：l-gcn单元使用gcn来学习时空特征，再通过lstm/rnn的选通机制来进行gcn的泛化，其中gcn公式如下：
[0049][0050]
其中，h
l
表示特定多图融合卷积模块的第l个隐藏状态。a
*
是时空融合图是glu的所有参数。表示hadamard积，σ表示sigmoid函数。
[0051]
更进一步的，计算步骤包括：将算法的搜索长度“t”设置为12，即时间步长，与原始数据集中的12个点为一个循环。tg的稀疏度为0.01。该模型包含3个堆叠层，每个堆叠层包
含3个独立的多图融合卷积模块和1个膨胀率为3的门控多分支卷积模块，因为我们使用的时空融合图的大小k为2。我们保持时间元图tg与空间元图sg的稀疏性几乎相同。为了简化，三种图的元素都布尔值为0或1。每个卷积中的滤波器都是64。我们使用学习率为0.001的adam优化器训练我们的模型，损失函数δ的阈值参数设置为1，批大小设置为32，训练epoch设置为200。
[0052]
本实施例所述的基于多时空图融合卷积网络的交通速度预测方法,解决了现有交通速度预测方法的不足，利用一个模块同时捕获时空相关性，并且分别利用多图融合卷积模块和门控多分支卷积模块来捕获局部和全局的时空相关性之间的关系。
[0053]
实施例2
[0054]
参照表1，为本发明的一个实施例，基于上述方法，为了验证其有益效果，提供了与传统方案的对比说明。
[0055]
表1对比表
[0056][0057]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可以根据基于多时空图融合卷积网络的交通速度预测方法，通过将多图融合卷积模块和门控多分支卷积模块并行，可同时捕获局部和全局的时空相关性的关系。根据图4在3、6、9、12不同时间步长可以清晰看到，多时空图融合卷积网络相对比时空同步图卷积网络以及时间融合图神经网络在交通速度预估误差方面出现的误差都要小。根据基于多时空图融合卷积网络的算法模型，有效降低了的计算复杂度并提高了预测结果的准确度。
[0058]
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于多时空图融合卷积网络的交通速度预测方法，其特征在于：包括：接收预测请求并采集数据；根据采集数据，将其处理成标准化的数据集；根据标准化的数据集生成元图；利用生成的元图得到时空融合图；根据时空融合图，经全连接层输入到堆叠层，经过堆叠多层后通过两层全连接层得到预测结果。2.如权利要求1所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述根据采集数据，将其处理成标准化的数据集包括如下步骤：标准化的数据集包括将数据集中的数据按比例缩放，使数据属于[0,1]内；对生成的标准化数据集，明确其中的特征与标签。3.如权利要求1所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述生成的元图，包括由dtw动态时间规划生成时间元图tg，空间特征数据生成空间元图sg，和描述时间连通性的数据生成时间连通元图tc。4.如权利要求1～3任一所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述时空融合图是通过将时间元图tg，空间元图sg和时间连通元图tc任选两个组成主对角线矩阵和次对角线矩阵，在主对角线矩阵和次对角线矩阵中分别选择一个进行求和操作得到的。5.如权利要求1所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述堆叠层由门控多分支卷积模块和多图融合图卷积模块组成，多图融合卷积模块是通过l-gcn单元、剩余连接和最大池化等操作来提取时空相关性。6.如权利要求5所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述通过l-gcn单元、剩余连接和最大池化等操作来提取时空相关性包括如下步骤：l-gcn单元使用gcn来学习时空特征；再通过lstm/rnn的选通机制来进行gcn的泛化，其中gcn公式如下：h
l+1
＝(a
*
h
l
w1+b1)
⊙
(a
*
h
l
w2+b2)其中，h
l
表示特定多图融合卷积模块的第l个隐藏状态；a
*
是时空融合图是glu的所有参数，
⊙
表示hadamard积，σ表示sigmoid函数。7.如权利要求5或6所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述最大池化保留最显著的特征，在每个隐藏状态的串联上操作。8.如权利要求5或6所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述剩余连接通过叠加多图融合卷积模块，依据更复杂的局部空间依赖关系，为每个区块引入剩余连接。9.如权利要求5所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述门控多分支卷积模块由门控多分支卷积网络给定总输入数据再通过扩展因果卷积之后将输入传递给选通激活单元来提取，其公式如下：y＝φ(θ1*x+a)
⊙
g(θ2*x+b)
⊙
σ(θ3*x+c)其中，φ(
·
)是tanh函数，是激活函数的输出；g(
·
)是relu函数，用来缓解过拟合问
题；σ(
·
)是sigmoid函数，用来决定传递到下一层的信息比率；θ1，θ2和θ3是扩展因果卷积的内核，其膨胀率为k-1.a，b和c是模型的参数
⊙
是元素层面的乘积，即两个向量按元素一个个相乘，组成一个新的向量，结果向量与原向量尺寸相同。10.如权利要求8所述的基于多时空图融合卷积网络的交通速度预测方法，其特征在于：所述多图融合卷积模块通过多个独立处理输入数据，节省时间并捕获更复杂的关联性。

技术总结
本发明公开了一种基于多时空图融合卷积网络的交通速度预测方法，其特征在于：包括接收预测请求并采集数据；根据采集的数据，将其处理成标准化的数据集；根据标准化的数据集生成元图；利用生成的元图得到时空融合图；根据得到的时空融合图，经全连接层输入到堆叠层，经过堆叠多层后通过两层全连接层得到预测结果。本发明解决了现有交通速度预测方法的不足，利用一个模块同时捕获时空相关性，并且分别利用多图融合卷积模块和门控多分支卷积模块来捕获局部和全局的时空相关性之间的关系。此外，本发明根据基于多时空图融合卷积网络的算法模型，有效降低了的计算复杂度并提高了预测结果的准确度。测结果的准确度。测结果的准确度。


技术研发人员：顾兆岭 张安勤 陈菁菁
受保护的技术使用者：上海电力大学
技术研发日：2023.04.17
技术公布日：2023/9/14