基于多属性增强图卷积-Informer模型的长时序货运量预测方法技术

本发明专利技术基于多属性增强图卷积

【技术实现步骤摘要】
基于多属性增强图卷积
‑
Informer模型的长时序货运量预测方法


[0001]本专利技术基于多属性增强图卷积
‑
Informer模型的长时序货运量预测方法，属于长时序货运 量预测方法


技术介绍

[0002]随着我国国民经济高速发展，人民消费水平增长，数字电商等领域的兴起都大大促进了 物流运输行业的高速发展。公路货运作为最主要的货物流通方式，物流运输行业中的重要组 成部分，其发展规模持续扩大。在此发展过程中，公路建设现状也暴露出公路货运数字化水 平较低，数据挖掘与数据分析能力欠缺等问题，导致公路货运统筹安排及管理能力的不足。
[0003]近年来智慧交通系统(Intelligent Traffic System,简称ITS)越来越引起交通行业相关部 门重视，该系统运用多种先进尖端技术，如人工智能，大数据，云计算，5G通信与物联网 等，实现用数据驱动业务，深度挖掘数据价值，以应对路网规模扩张带来的各种挑战与机 遇，提升相关部门对交通行业宏观决策能力，同时提升公路货运统筹安排管理能力。
[0004]当前在交通情况调查系统的研究与应用上，单一属性的交通流量预测技术占据主要地 位，路网建设评价分析，行程时间预估等智慧交通新系统子系统的众多数据分析管理工作都 离不开对交通流量的实时监控与准确预测。例如经典的统计类模型，差分整合移动平均自回 归(ARIMA)模型方法以及支持向量回归(SVR)模型方法；对大规模高维非线性数据特 征分析能力更强的深度学习相关模型，深度置信网络以及堆栈自动编码神经网络；处理空间 信息的图卷积神经网络与处理时序信息的循环神经网络相结合的时空特征分析模型，上述模 型从不同角度切入，均从一定程度上实现了交通流量预测功能。但公路货运作为公路道路运 输的主要组成部分之一，主流方法中鲜有对这一指标的预测研究，且无法直接将现有主流方 法应用于该领域的一个重要原因在于单一属性的交通流量预测方法未考虑将货运量相关特征 与交通流量特征相关联。
[0005]另一方面，现存少数对货运量进行预测分析的解决方法也存在着对客观现实条件中动 态，静态特征考虑不全面的问题，例如未考虑天气因素对公路货运的影响，具体来说，天气 情况对道路运输状态能够产生较大影响，例如晴天道路运输效率较高，雨天，雾天等道路能 见路较低的天气，由于车速降低，拥堵等事件发生概率提升，道路运输效率通常下降明显， 该影响也将直接在货运量与交通流量中体现，因此采集天气数据作为货运量外部影响因素特 征之一的重要性不言而喻。再如对城市交通流量进行预测的场景中，多数方法曾提出采用兴 趣点信息作为静态信息对路段进行分类，兴趣点(POI)是地理信息系统中一个术语，着重 抽象与人们生活密切相关的地理实体，例如学校，银行，医院，餐馆等。兴趣点对城市交通 流量预测可提供足够特征信息，例如若该路段餐厅较多，则根据兴趣点信息分类为用餐路 段，在用餐高峰时间段该路段交通流量明显变化。但由于货运公路路段并没有
足够参考的地 理对象，兴趣点信息也就无法对公路路段进行分类，亦无法对于公路货运提供足量有效特征 信息。
[0006]除此之外，现存方法亦存在着对长时序货运量的预测能力弱，预测效率低等缺点，具体 来说，货运量预测需要以较大时间跨度进行公路货运的统筹安排，这需要货运量预测方法能 够达到预测未来一周，甚至几周的货运量变化趋势。如此长的时间周期必然包含了数量众多 的时间节点，但现有方法中采用的LSTMs(Long short
‑
term memory network)因循环神经网 络结构造成固有的长序列依赖以及梯度消失问题使其无法对长时序问题进行精准预测。以两 小时为计算时间间隔，该类方法仅能利用前一天至两天(12至24个时间节点)的时序信息 对未来几小时(1至6个时间节点)的货运量信息进行准确预测，若强行拉长预测时间范 围，则预测精度会大大下降，模型计算效率也会大大降低，综上该类方法显然并不能完全满 足当前货运量预测的业务需求。

技术实现思路

[0007]本专利技术为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于多属性 增强图卷积
‑
Informer模型的长时序货运量预测方法的改进。
[0008]为了解决上述技术问题，本专利技术采用的技术方案为：基于多属性增强图卷积
‑
Informer模 型的长时序货运量预测方法，包括如下步骤：
[0009]步骤一：在间隔时间内，根据车型分类采集高速公路各站点的所有通过货运车辆的流量 信息并在数据预处理后建立交通流量时序信息数据集X；
[0010]步骤二：根据各站点收集的货运车辆特征信息，结合交通流量时序信息数据集X，计算 单位时间内平均空车载重与平均总载重，得到货运车辆载货重量时序信息数据集Y；
[0011]步骤三：建立客观动态、静态外部影响因素数据集，分别是客观动态天气数据集D与 客观静态地理信息统计特征数据集S；
[0012]步骤四：对货运车辆载货重量时序信息数据集Y、客观动态天气数据集D中的时序特 征按时序切分，并将非时序特征分段通过属性增强模块进行拼接整合，得到时序属性增强特 征矩阵E；
[0013]步骤五：构建站点网络结构拓扑图，同时得出基于无向无权图的站点邻接矩阵A并进 行预处理，计算该邻接矩阵的对称归一化拉普拉斯矩阵
[0014]步骤六：将站点邻接矩阵的对称归一化拉普拉斯矩阵与时序属性增强特征矩阵E同时 作为图卷积神经网络模型的输入，对路网拓扑结构的空间结构信息与货运量相关时序属性增 强特征矩阵时序信息进行编码并学习数据的空间依赖特征信息；
[0015]步骤七：将图神经网络模型输出的已编码长时序属性增强特征作为Informer框架的输 入，将上述编码信息输入Informer层进行训练并学习数据长时序依赖特征信息，最终实现对 未来长时序货运量的预测。
[0016]所述步骤一中采集的货运车辆的流量信息具体通过设置在高速公路上的微波测速雷达与 激光传感器获取货车的行驶速度信息，通过应变式窄条称重传感器与车检器获取货车的流量 信息与货运量信息。
[0017]所述步骤二具体为：
[0018]对单位时间内，在各站点分别对七类货车计算车流量X∈R
N*P*C
，计算每类货车单位
时 间间隔内的总载重Z
full
∈R
N*P*C
，并根据实际载重信息标定每类货车空车平均载重Z
empty
∈ R
N*P*C
，其中N为交调站点编号维度，P为时间序列节点编号维度，C为货车分类；
[0019]对上述信息进行数据预处理，主要采用数据清洗的方法，设定离群值，无效值的检查阈 值进行检测筛选，并对包含缺失值数据利用同类数据平均值进行替代操作；
[0020]最终计算货运车辆载货重量时序信息数据集Y∈R
N*P
，其中N为交调站点编号维度，P本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多属性增强图卷积
‑
Informer模型的长时序货运量预测方法，其特征在于：包括如下步骤：步骤一：在间隔时间内，根据车型分类采集高速公路各站点的所有通过货运车辆的流量信息并在数据预处理后建立交通流量时序信息数据集X；步骤二：根据各站点收集的货运车辆特征信息，结合交通流量时序信息数据集X，计算单位时间内平均空车载重与平均总载重，得到货运车辆载货重量时序信息数据集Y；步骤三：建立客观动态、静态外部影响因素数据集，分别是客观动态天气数据集D与客观静态地理信息统计特征数据集S；步骤四：对货运车辆载货重量时序信息数据集Y、客观动态天气数据集D中的时序特征按时序切分，并将非时序特征分段通过属性增强模块进行拼接整合，得到时序属性增强特征矩阵E；步骤五：构建站点网络结构拓扑图，同时得出基于无向无权图的站点邻接矩阵A并进行预处理，计算该邻接矩阵的对称归一化拉普拉斯矩阵步骤六：将站点邻接矩阵的对称归一化拉普拉斯矩阵与时序属性增强特征矩阵E同时作为图卷积神经网络模型的输入，对路网拓扑结构的空间结构信息与货运量相关时序属性增强特征矩阵时序信息进行编码并学习数据的空间依赖特征信息；步骤七：将图神经网络模型输出的已编码长时序属性增强特征作为Informer框架的输入，将上述编码信息输入Informer层进行训练并学习数据长时序依赖特征信息，最终实现对未来长时序货运量的预测。2.根据权利要求1所述的基于多属性增强图卷积
‑
Informer模型的长时序货运量预测方法，其特征在于：所述步骤一中采集的货运车辆的流量信息具体通过设置在高速公路上的微波测速雷达与激光传感器获取货车的行驶速度信息，通过应变式窄条称重传感器与车检器获取货车的流量信息与货运量信息。3.根据权利要求1所述的基于多属性增强图卷积
‑
Informer模型的长时序货运量预测方法，其特征在于：所述步骤二具体为：对单位时间内，在各站点分别对七类货车计算车流量X∈R
N*P*C
，计算每类货车单位时间间隔内的总载重Z
full
∈R
N*P*C
，并根据实际载重信息标定每类货车空车平均载重Z
empty
∈R
N*P*C
，其中N为交调站点编号维度，P为时间序列节点编号维度，C为货车分类；对上述信息进行数据预处理，主要采用数据清洗的方法，设定离群值，无效值的检查阈值进行检测筛选，并对包含缺失值数据利用同类数据平均值进行替代操作；最终计算货运车辆载货重量时序信息数据集Y∈R
N*P
，其中N为交调站点编号维度，P为时间序列节点编号维度，计算公式如下：4.根据权利要求1所述的基于多属性增强图卷积
‑
Informer模型的长时序货运量预测方法，其特征在于：所述步骤三中的客观动态天气数据集D的构建具体为：
采集各个站点单位时段内的天气数据，具体来说，将天气情况分为B类，同样以单位时间为间隔，对每一段时间长度的天气信息进行归纳分类，得到客观动态天气数据集D∈R
N*P*B
，其中N为交调站点编号维度，P为时间序列节点编号维度，B为天气分类。5.根据权利要求1所述的基于多属性增强图卷积<...

【专利技术属性】
技术研发人员：程保喜，郭自强，杨晓磊，薛时伦，张挺，张刚，
申请(专利权)人：山西云时代智慧城市技术发展有限公司，
类型：发明
国别省市：