基于因果门控-低通图卷积网络的短时交通流量预测方法技术

本发明专利技术公开了一种基于因果门控

【技术实现步骤摘要】
基于因果门控
‑
低通图卷积网络的短时交通流量预测方法


[0001]本专利技术涉及交通流量预测
，特别涉及一种基于因果门控
ꢀ‑
低通图卷积网络的短时交通流量预测方法。

技术介绍

[0002]交通控制与诱导系统的研究是智能交通系统领域的热门课题，其核心是准确判别时刻变化着的道路交通状态。准确判别的关键技术之一就是短时交通流量预测的研究。与宏观意义上的以小时、周、天甚至是年计算的交通流量预测不同，短时流量预测是微观意义上的。它主要是根据道路交通流量历史信息，采用恰当的方法预测未来短时交通状况，这为平衡路网交通流、优化交通管理方案、改善交通控制等提供有效参考。目前神经网络在交通流量预测领域起到的作用越来越大，其不需要建立深度的数学模型，通过卷积的方法进行交通流量预测，精准且高效。但还存在一些问题，如交通数据是时序数据与空间数据的结合，长短时记忆网络(LSTM)对于空间数据的特征提取过于冗杂，计算耗时不利于短时预测实时性的需求。图卷积中切比雪夫多项式做卷积核对于空间数据的空间特征提取会放大高频数据在数据整体中的比例，而交通数据的空间特征多是低频特征，因此上述方式在卷积过程中影响预测精度。因此，如何在现有的神经网络基础上进一步地进行短时交通流量预测成为了申请人亟待解决的技术问题。

技术实现思路

[0003]本专利技术的目的在于，提供一种基于因果门控
‑
低通图卷积网络的短时交通流量预测方法。本专利技术可以预测短时交通流量，具备很高的准确性。
[0004]本专利技术的技术方案：基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，包括以下步骤：
[0005]S1：构建因果门控
‑
低通图卷积网络，所述因果门控
‑
低通图卷积网络包括因果门控
‑
低通卷积块，因果门控
‑
低通卷积块连接有全连接输出层；所述因果门控
‑
低通卷积块包括两个因果门控线性单元和一个具有低通滤波器的低通图卷积块，所述低通图卷积块设置在因果门控线性单元之间；
[0006]S2、根据交通流量数据获取交通流量网络图，以交通流量网络图作为输入，利用因果门控线性单元来捕捉交通流量网络图中的时间特征，利用低通图卷积块来捕捉交通流量网络图中的空间特征，且通过低通滤波器来抑制空间特征中的高频信息并增强低频信息，然后融合时间特征和空间特征，再由全连接层输出预测结果。
[0007]上述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，所述因果门控线性单元由因果卷积，膨胀卷积和残差连接组成；所述因果卷积负责提取时间序列的特征，利用一维的卷积核进行卷积，卷积核的大小为2，每次卷积的步长为1；所述膨胀卷积是步长至少为2的卷积方式，通过多个隐藏层在极少的数据长度下提高极大的卷积感受野，减少的因果卷积的时间消耗；所述残差连接是用于缓解梯度消失问题，且避免冗余计算过程。
[0008]前述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，所述因果门控线性单元捕捉时间特征是对交通流量网络图G上的每个节点的k
t
阶邻域进行探索，每次卷积缩短k
t
‑
1的时间序列长度，将i节点数据看做切片时间序列长度为τ，通道数为C
i
的数据卷积内核定义为其中第一个因果门控线性单元做一维因果卷积，第二个因果门控线性单元做一维因果卷积后再做非线性变化，这两部分数据输出记为最后将两部分数据用hadamard积，得到因果门控线性单元的卷积：
[0009][0010]式中：为矩阵；N为数据拆分为N个部分；C0为交通流特征维度；f为低通滤波。
[0011]前述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，所述交通流量网络图定义为无方向图形：
[0012]G
t
＝{V
t
，E，A}；
[0013]式中，G
t
表示t时刻的交通网络图，V
t
表示t时刻的|V|＝n的节点的集合，E为一组边的集合，表示节点之间的连接性；是邻接矩阵，A
i，j
＝A
j，i
定义了节点i和节点j之间的连接；
[0014]使用来表示节点i在t时刻的c
t
特征的值， c
t
∈(f
t
，o
t
，s
t
)，表示节点i在t时刻的所有特征的值；f
t
表示在交通网络图G时间序列上t时刻的交通流量特征；表示t时刻所有节点的所有特征的值，表示在τ时间切片上所有节点所有特征的值；o
t
为t时刻的交通占据，s
t
为t时刻的车速；同时任意i节点在未来任意t时刻的交通流量值
[0015]前述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，所述低通图卷积块用低通滤波器来增大低频信号的权重，并抑制高频信号，所述低通滤波器定义为：
[0016][0017]式中，λ
i
是第i个特征值；
[0018]低通图卷积块的图卷积操作为：
[0019][0020]式中：表示低通滤波器滤波后的对角矩阵，图卷积的卷积核为核为U表示拉普拉斯矩阵的特征向量；θ∈R
k
是多项式的系数； k是图卷积内核的尺寸；x为交通网络图G上的流量信号；L为拉普拉斯矩阵，L＝D
‑
A，是表示从节点i出发的所有边的权重之和的对角矩阵；I是常量A是邻接矩阵。
[0021]前述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，经过因果门控
‑
低通卷积块提取融合的时间空间特征为由全连接层输出预测结果：
[0022]out＝＝Relu(Γ1*
f
(Relu((Γ0*
f
x
t
)*
G
g
θ
)))；
[0023]式中：Γ0是第一个因果门控线性单元卷积模块的卷积核；Γ1是第二个因果门控线性单元卷积模块的卷积核；g
θ
是低通图卷积块的卷积核，Relu是低通图卷积块和全连接层的激活函数；*
f
表示因果门控线性单元操作，*
G
表示低通图卷积块的操作。
[0024]与现有技术相比，本专利技术采用了因果门控
‑
低通卷积块和一个全连接输出层构成预测模型，利用图卷积块来捕捉交通流量网络图中的空间特征，同时为了避免高频信息的带来的高权重影响，在图卷积中增加了一个既能抑制高频信息又能增强低频信息的低通滤波器，让整个图上信号更加平滑，鲁棒性更好，同时为了解决递归网络固有的缺陷，本专利技术在时间轴上采用了因果门控线性单元来捕捉时间序列上的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，其特征在于：包括以下步骤：S1：构建因果门控
‑
低通图卷积网络，所述因果门控
‑
低通图卷积网络包括因果门控
‑
低通卷积块，因果门控
‑
低通卷积块连接有全连接输出层；所述因果门控
‑
低通卷积块包括两个因果门控线性单元和一个具有低通滤波器的低通图卷积块，所述低通图卷积块设置在因果门控线性单元之间；S2、根据交通流量数据获取交通流量网络图，以交通流量网络图作为输入，利用因果门控线性单元来捕捉交通流量网络图中的时间特征，利用低通图卷积块来捕捉交通流量网络图中的空间特征，且通过低通滤波器来抑制空间特征中的高频信息并增强低频信息，然后融合时间特征和空间特征，再由全连接层输出预测结果。2.根据权利要求1所述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，其特征在于：所述因果门控线性单元由因果卷积，膨胀卷积和残差连接组成；所述因果卷积负责提取时间序列的特征，利用一维的卷积核进行卷积，卷积核的大小为2，每次卷积的步长为1；所述膨胀卷积是步长至少为2的卷积方式，通过多个隐藏层在极少的数据长度下提高极大的卷积感受野，减少的因果卷积的时间消耗；所述残差连接是用于缓解梯度消失问题，且避免冗余计算过程。3.根据权利要求2所述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，其特征在于：所述因果门控线性单元捕捉时间特征是对交通流量网络图G上的每个节点的k
t
阶邻域进行探索，每次卷积缩短k
t
‑
1的时间序列长度，将i节点数据看做切片时间序列长度为τ，通道数为C
i
的数据卷积内核定义为其中第一个因果门控线性单元做一维因果卷积，第二个因果门控线性单元做一维因果卷积后再做非线性变化，这两部分数据输出记为最后将两部分数据用hadamard积，得到因果门控线性单元的卷积：式中：为矩阵；N为数据拆分为N个部分；C0为交通流特征维度；f为低通滤波。4.根据权利要求3所述的基于因果门控
‑
低通图卷积网络的短时交通流量预测方法，其特征在于：所述交通流量网络图定义为无方向图形：G
t
＝{V
t
，E，A}；式中，G
t
表示t时刻的交通网...

【专利技术属性】
技术研发人员：徐兴，茆浩，赵芸，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：