一种基于图神经网络的多组件融合交通流量预测方法技术

本发明专利技术属于交通流量预测领域，具体涉及一种基于图神经网络的多组件融合交通流量预测方法，包括：建立多组件融合交通流量预测模型对路网卡口的交通流量数据进行处理；在隐藏信息捕获模块对每一个时间序列的路网卡口交通流量数据进行隐藏信息捕获，得到每一个时间序列的卡口隐藏信息；在局部时空信息捕获模块显式地挖掘结构信息的局部用域关系；在全局信息注意力挖掘模块捕获全局空特征，将局部时空特征序列进行全局结构化的拼接，在交通流量预测模块对全局结构化序列进行路网卡口流量分布情况。本发明专利技术通过显式地挖掘结构信息的全局作用域关系，可以有效地进行交通路网卡口流量预测，还能够分析出多种隐藏因素对卡口流量变化趋势的影响。趋势的影响。趋势的影响。

【技术实现步骤摘要】
一种基于图神经网络的多组件融合交通流量预测方法


[0001]本专利技术属于交通流量预测领域，具体涉及一种基于图神经网络的多组件融合交通流量预测方法。

技术介绍

[0002]当前，我国汽车保有量正在飞快增长，据统计，截止2020年底，全国汽车保有量高达2.8亿辆，与2019年底相比，增加了3100万辆，增长率达到了12.4％。最近有关，部门对2010
‑
2020年全国机动车及汽车保有量进行了统计。道路运载能力有限，由此带来严重的交通拥堵问题。《2020北京市交通发展年度报告》显示，北京市2020年平均每日交通拥堵现象严重。交通流预测作为智能交通系统(Intelligent Transportation Systems,ITS)的
‑
一个重要组成部分，具有非常大的研究意义，目前正在被广泛研究。
[0003]近年来，国内外学者提出了多种交通流预测算法，但仍然无法满足应用需求，其主要原因:一方面交通流数据具有高度的非线性和复杂性的特征，在时间与空间上都表现出很强的动态性，通过哪一种方式可以对已有的交通数据进行分析，挖掘潜在的流量模式关系。另一方面，通过有效的特征分析，需要构造一种有效的特征学习模型框架，这对于交通流预测的准确度和有效性也是非常重要的。交通流预测任务主要是考虑传感器节点的历史时间序列特征去预测当前目标节点在未来一段时间内的交通流量信息。目前已有的研究中，首先是将交通路网传感器节点看作单个时间序列特征，通过一种回归的方式来处理问题；后来一些研究者使用机器学习的方式解决了手工特征提取的困难，但仍然是研究交通路网单个时间序列数据。近年来，研究者们考虑到真实路网拓扑结构的空间关系对交通流预测任务的影响也很关键，所以，本文希望从图的角度出发，通过使用真实路网中交通流的历史时间序列数据构建一种新的路网拓扑结构关系，挖掘潜在的路网交通模式；另外，研究时空数据特征信息的抽取、时空特征的表示学习以及交通流预测模型的构建。
[0004]随着城市交通路网数据量的不断扩张和深度学习技术的逐渐成熟，神经网络，深度学习等非线性模型逐步成为路网交通数据分析预测模型的主流选择。Li等人(Yaguang Li,Rose Yu,Cyrus Shahabi,and Yan Liu.2017.Diffusion convolutional recurrent neural network:Data
‑
driven traffic forecasting.arXiv preprint arXiv:1707.01926(2017))提出了一种新的基于图神经网络的交通流量预测模型，该模型通过图网络的形式强调了路网节点之间的作用关系，这种关注机制帮助捕获卡口节点的流量权重变化趋势。该论文说明了利用图神经网络捕获路网卡口流量变化的分析方法可以有效的预测卡口交通流量，受到该论文的启发，本文提出了一种基于图神经网络捕获全局特征的交通流量预测方法，引入了一个全局结构信息挖掘模块，显式地挖掘结构信息的全局作用域关系，不仅可以有效地进行交通路网卡口流量预测，还能够分析出多种隐藏因素对卡口流量变化趋势的影响。
[0005]终上所述所，现有技术问题是：综合当前城市路网交通数据已有的研究情况，发现在交通卡口流量预测上仍然存在一些挑战：
[0006]1.交通卡口上下文关系复杂多样，相较于自然语言处理中语料的上下文关系，交通卡口的关系数据更加复杂多样，给模型对整个路网卡口的关系表示带来了困难；
[0007]2.交通卡口语料的时空相关性，不同时刻同一卡口的时空相关性与相同时刻不同卡口的时空相关性无明显规律可寻，如何捕获不同时间间隔下各个交通卡口语料的时空相关性仍然具有挑战性；
[0008]3.交通卡口的全局语义相关性，传统的卷积网络仅仅考虑提取节点空间上的局部特征，忽略了对整个路网的时空特征进行捕获，如何提取基于全局视野下的卡口语义相关性显然是个问题。

技术实现思路

[0009]为解决上述技术问题，本专利技术提出一种基于图神经网络的多组件融合交通流量预测方法，包括以下步骤：
[0010]S1：获取路网卡口的交通流量数据，对路网卡口的交通流量数据进行数据清洗，得到标准化路网卡口的交通流量数据；
[0011]S2：对标准化路网卡口的交通流量数据按照时间的临近性、周期性、趋势性进行时间片划分，得到时间步长为T的时间序列；
[0012]S3：建立多组件融合交通流量预测模型，所述交通流量预测模型包括：隐藏信息捕获模块、局部时空信息捕获模块、全局信息注意力挖掘模块、交通流量预测模块；
[0013]S4：在隐藏信息捕获模块中采用RI2vec算法对每一个时间序列的路网卡口交通流量数据进行隐藏信息捕获，得到每一个时间序列的卡口隐藏信息；
[0014]S5：将每一个带有卡口隐藏信息的时间序列输入局部时空信息捕获模块，利用GRU门控单元获取时间特征信息，通过卷积神经网络获取局部空间信息，将时间特征信息与局部空间信息进行同步卷积，得到步长为T的局部时空特征序列；
[0015]S6：将步长为T的局部时空特征序列输入全局信息注意力挖掘模块，在空间上使用RGA进行全局空间结构注意力学习，得到全局空间特征，在时间上使用transform对局部时空特征序列进行全局结构化拼接，通过卷积操作得到步长为T的全局时空特征序列；
[0016]S7：将时间步长为T的全局时空特征序列输入交通流量预测模块，得到时间步长为T的预测序列，对时间步长为T的预测序列解码得到下一时刻T内的路网卡口流量分布情况。
[0017]优选的，所述采用RI2vec算法对每一个时间序列的路网卡口交通流量数据进行隐藏信息捕获，表示为：
[0018][0019]其中，f为节点V的映射函数，v∈V表示路网中的每一个卡口节点，Max()表示最大化节点v在其特征表示下观察邻接节点域N
t
(v)的对数概率，Area(v)表示对节点v划分的分区函数，f(v)表示卡口节点v的期望值，f(u)表示领域卡口节点u的期望值，B
r
()表示条件相互独立情况下将每个源邻接节点作为softmax单元做参数化处理，ActiL(v)表
示节点v的卡口活跃度。
[0020]优选的，利用图卷积神经网络获取空间特征信息，表示为：
[0021][0022]其中，S
out
表示输出带有空间特征信息序列，σ表示非线性激活函数，表示输出带有空间特征信息序列，σ表示非线性激活函数，表示一个N维单位矩阵中的精细化邻接矩阵，A表示邻接矩阵，I
N
表示N维单位矩阵，表示精化度矩阵，mask(R)表示一个掩码函数，R表示关系矩阵，W表示可训练权重矩阵，S
in
表示输入的时间序列。
[0023]优选的，在时间上采用门控递归单元控制时间序列的卡口隐藏信息流向下一个时间序列，表示为：
[0024][0025]其中，H
t
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的多组件融合交通流量预测方法，其特征在于，包括以下步骤：S1：获取路网卡口的交通流量数据，对路网卡口的交通流量数据进行数据清洗，得到标准化路网卡口的交通流量数据；S2：对标准化路网卡口的交通流量数据按照时间的临近性、周期性、趋势性进行时间片划分，得到时间步长为T的时间序列；S3：建立多组件融合交通流量预测模型，所述交通流量预测模型包括：隐藏信息捕获模块、局部时空信息捕获模块、全局信息注意力挖掘模块、交通流量预测模块；S4：在隐藏信息捕获模块中采用RI2vec算法对每一个时间序列的路网卡口交通流量数据进行隐藏信息捕获，得到每一个时间序列的卡口隐藏信息；S5：将每一个带有卡口隐藏信息的时间序列输入局部时空信息捕获模块，利用GRU门控单元获取时间特征信息，通过卷积神经网络获取局部空间信息，将时间特征信息与局部空间信息进行同步卷积，得到步长为T的局部时空特征序列；S6：将步长为T的局部时空特征序列输入全局信息注意力挖掘模块，在空间上使用RGA进行全局空间结构注意力学习，得到全局空间特征，在时间上使用transform对局部时空特征序列进行全局结构化拼接，通过卷积操作得到步长为T的全局时空特征序列；S7：将时间步长为T的全局时空特征序列划输入交通流量预测模块，得到时间步长为T的预测序列，对时间步长为T的预测序列解码得到下一时刻T内的路网卡口流量分布情况。2.根据权利要求1所述的一种基于图神经网络的多组件融合交通流量预测方法，其特征在于，所述采用RI2vec算法对每一个时间序列的路网卡口交通流量数据进行隐藏信息捕获，表示为：其中，f为节点v的映射函数，v∈V表示路网中的每一个卡口节点，Max()表示最大化节点v在其特征表示下观察邻接节点域N
t
(v)的对数概率，Area(v)表示对节点v划分的分区函数，f(v)表示卡口节点v的期望值，f(u)表示领域卡口节点u的期望值，领域卡口节点u的期望值，B
r
()表示条件相互独立情况下将每个源邻接节点作为softmax单元做参数化处理，ActiL(v)表示节点v的卡口活跃度。3.根据权利要求1所述的一种基于图神经网络的多组件融合交通流量预测方法，其特征在于，利用图卷积神经网络获取空间特征信息，表示为：其中，S
out
表示输出带有空间特征信息序列，σ表示非线性激活函数，表示输出带有空间特征信息序列，σ表示非线性激活函数，表示一个N维单位矩阵中的精细化邻接矩阵，A表示邻接矩阵，I
N
表示N维单位矩阵，表示精化度矩阵，mask(R)表示一个掩码函数，R表示关系矩阵，W表示可训练权重矩阵，S
in
表示输入的时间序列。4.根据权利要求1所述的一种基于图神经网络的多组件融合交通流量预测方法，其特
征在于，在时间上采用门控递归单元控制时间序列的卡口隐藏信息流向下一个时间序列，表示为：其中，H
t
[i,:]是当前时刻t第i个输出序列，i,:表示矩阵的第i行节点，
⊙
表示逐元素乘法，表示t时刻的隐藏状态即下一个时间步的输入序列表示t时刻的隐藏状态即下一个时间步的输入序列z
t
表示t时刻的更新门...

【专利技术属性】
技术研发人员：贾朝龙，龚佳明，肖云鹏，李文辉，赵雪，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：