一种面向智能交通控制系统的流量预测方法技术方案

本发明专利技术公开了一种面向智能交通控制系统的流量预测方法包括：利用图结构构建城市道路网络结构；利用图卷积网络提取道路空间特征，通过双向长短期记忆网络进行初步时间特征提取，并利用主干网络过滤提取强相关时间特征；基于道路空间特征和时间特征生成特征矩阵；基于特征矩阵，利用映射函数生成未来预测的交通数据时间序列；设置网络训练目标，利用绝对值损失函数进行网络训练。本发明专利技术利用双向长短期记忆网络，增强了时间特征提取能力，提升了流量预测方法捕捉道路上交通数据的动态变化的能力；采用残差网络跳线结构，有效缓解神经网络模型堆叠导致的梯度消失问题，使得预测方法具有更好的预测性能；通过设置绝对值损失函数，提高了整体预测精度。提高了整体预测精度。提高了整体预测精度。

【技术实现步骤摘要】
一种面向智能交通控制系统的流量预测方法


[0001]本专利技术涉及流量预测
，具体为一种面向智能交通控制系统的流量预测方法。

技术介绍

[0002]交通流量预测一直是智能交通控制系统中的一个重要问题，流量预测是分析城市道路交通状况的过程，包括流量、速度和密度以及预测道路交通的趋势。流量预测在很多方面都有着重要的应用，不仅可以为交通管理者感知交通拥堵、提前限制车辆提供科学依据，而且可以为城市旅行者选择合适的出行路线、提高出行效率提供保障。特征提取是流量预测技术中的关键，特征的质量往往可以很大程度上决定最终目标识别算法性能；而流量预测技术中设计的历史交通数据序列输入既包含空间特征又包含时间特征，如何高质量提取这些特征成为了流量预测技术的关键。
[0003]近年来基于深度学习的流量预测方法通过训练网络使得模型具有自主学习特征，使得流量预测性能大幅度提升，其中包括：基于图卷积的T
‑
GCN模型，基于切比雪夫图神经网络的ST
‑
ChebNet模型等；基于知识图谱的KST
‑
GCN模型，使用多步耦合图卷积模块的MCGCN模型等。然而，除了历史交通信息，交通状态还可能受到多种因素的影响，如天气条件、地铁站、公交站点信息、POI等，流量预测仍是一个具有挑战的任务，现有的流量预测方法在预测精度以及时空相关性方面仍有上升空间。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：如何高质量提取空间特征与时间特征，以提高流量预测精度。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种面向智能交通控制系统的流量预测方法，包括：
[0008]利用图结构构建城市道路网络结构；
[0009]利用图卷积网络提取道路空间特征，通过双向长短期记忆网络进行初步时间特征提取，并利用主干网络过滤提取强相关时间特征；
[0010]基于所述道路空间特征和时间特征生成特征矩阵；
[0011]基于所述特征矩阵，利用映射函数生成未来预测的交通数据时间序列；
[0012]设置网络训练目标，利用绝对值损失函数进行网络训练。
[0013]作为本专利技术所述的一种面向智能交通控制系统的流量预测方法的一种优选方案，其中：所述利用图结构构建城市道路网络结构，包括：
[0014]使用图结构G＝(V,E)来描述城市道路网的拓扑结构，使用邻接矩阵A表示道路之间的联系，A∈R
N*N
，其中，V表示道路节点的集合，E表示边的集合，N表示道路节点的数量。
[0015]作为本专利技术所述的一种面向智能交通控制系统的流量预测方法的一种优选方案，其中：所述利用图卷积网络提取道路空间特征，包括：
[0016]利用图卷积网络对给定的邻接矩阵A和特征矩阵X进行处理，在傅里叶域中构造一个作用于节点的滤波器，捕获该节点周围的拓扑空间结构特征，再通过叠加多个卷积层建立图卷积模型，表示为：
[0017][0018]其中，I为单位矩阵，为的度矩阵，是对A进行了对称归一化的处理，H
(l)
表示第l层的输出，W
(l)
为包含了第l层参数的线性变换，σ(
·
)为激活函数sigmoid。
[0019]作为本专利技术所述的一种面向智能交通控制系统的流量预测方法的一种优选方案，其中：所述利用图卷积网络提取道路空间特征，还包括：
[0020]使用两层图卷积模型获取空间相关性，可用公式表示为：
[0021][0022]其中，W0∈R
P*H
表示从输入层到隐藏层的参数矩阵，P为特征矩阵的长度，H为隐藏单元的个数，W1∈R
H*T
表示从隐藏层到输出层的参数矩阵；f(X,A)∈R
N*T
表示预测未来时间序列长度为T的输出，ReLU是深度神经网络中常用的激活层。
[0023]作为本专利技术所述的一种面向智能交通控制系统的流量预测方法的一种优选方案，其中：所述双向长短期记忆网络由前向LSTM层和后向LSTM层组成，分别提供正向隐层输出和反向隐层输出进行拼接，得到当前时刻的隐层输出。
[0024]作为本专利技术所述的一种面向智能交通控制系统的流量预测方法的一种优选方案，其中：所述初步时间特征提取，包括：
[0025]使用遗忘门f
t
代表根据当前时间步输入和上一个时间步隐含状态h
t
‑1来决定遗忘多少上一层细胞状态所携带的过往信息，f
t
的计算公式表示为：
[0026]f
t
＝σ(W
f
·
[h
t
‑1,f(X
t
,A)]+b
f
)
[0027]其中，f(X
t
,A)为图卷积过程，W
f
和b
f
表示训练过程中的权重和偏差，h
t
‑1为上一个时间步隐含状态；
[0028]使用输入门i
t
和代表当前得到的细胞状态；i
t
为输入门门值，代表需进行过滤的输入信息数量，与传统RNN的内部结构计算相同，i
t
和的计算公式分别表示为：
[0029]i
t
＝σ(W
i
·
[h
t
‑1,f(X
t
,A)]+b
i
)
[0030][0031]其中，W
i
、W
C
和b
i
、b
C
表示训练过程中的权重和偏差，f(X
t
,A)为图卷积过程，h
t
‑1为上一个时间步隐含状态；
[0032]使用C
t
表示细胞状态，代表最终得到的更新，是下一个时间步输入的一部分，是对遗忘门和输入门的应用，C
t
的计算公式表示为：
[0033][0034]其中，f
t
表示当前时间的遗忘门，C
t
‑1表示上一个时间步的细胞状态，i
t
表示需进行过滤的输入信息数量，表示当前得到的细胞状态；
[0035]使用输出门o
t
和h
t
，o
t
为输出门的门值，h
t
为当前时间步的输出，双向LSTM中h
t
使用向量的形式加以区分，其中，前向LSTM层中记为后向LSTM层中记为o
t
...

【技术保护点】

【技术特征摘要】
1.一种面向智能交通控制系统的流量预测方法，其特征在于，包括：利用图结构构建城市道路网络结构；利用图卷积网络提取道路空间特征，通过双向长短期记忆网络进行初步时间特征提取，并利用主干网络过滤提取强相关时间特征；基于所述道路空间特征和时间特征生成特征矩阵；基于所述特征矩阵，利用映射函数生成未来预测的交通数据时间序列；设置网络训练目标，利用绝对值损失函数进行网络训练。2.如权利要求1所述的一种面向智能交通控制系统的流量预测方法，其特征在于：所述利用图结构构建城市道路网络结构，包括：使用图结构G＝(V，E)来描述城市道路网的拓扑结构，使用邻接矩阵A表示道路之间的联系，A∈R
N*N
，其中，V表示道路节点的集合，E表示边的集合，N表示道路节点的数量。3.如权利要求1或2所述的一种面向智能交通控制系统的流量预测方法，其特征在于：所述利用图卷积网络提取道路空间特征，包括：利用图卷积网络对给定的邻接矩阵A和特征矩阵X进行处理，在傅里叶域中构造一个作用于节点的滤波器，捕获该节点周围的拓扑空间结构特征，再通过叠加多个卷积层建立图卷积模型，表示为：其中，I为单位矩阵，为的度矩阵，是对A进行了对称归一化的处理，H
(l)
表示第l层的输出，W
(l)
为包含了第l层参数的线性变换，σ(
·
)为激活函数sigmoid。4.如权利要求3所述的一种面向智能交通控制系统的流量预测方法，其特征在于：所述利用图卷积网络提取道路空间特征，还包括：使用两层图卷积模型获取空间相关性，可用公式表示为：其中，W0∈R
P*H
表示从输入层到隐藏层的参数矩阵，P为特征矩阵的长度，H为隐藏单元的个数，W1∈R
H*T
表示从隐藏层到输出层的参数矩阵；f(X，A)∈R
N*T
表示预测未来时间序列长度为T的输出，ReLU是深度神经网络中常用的激活层。5.如权利要求1或4所述的一种面向智能交通控制系统的流量预测方法，其特征在于：所述双向长短期记忆网络由前向LSTM层和后向LSTM层组成，分别提供正向隐层输出和反向隐层输出进行拼接，得到当前时刻的隐层输出。6.如权利要求5所述的一种面向智能交通控制系统的流量预测方法，其特征在于：所述初步时间特征提取，包括：使用遗忘门f
t
代表根据当前时间步输入和上一个时间步隐含状态h
t
‑1来决定遗忘多少上一层细胞状态所携带的过往信息，f
t
的计算公式表示为：f
t
＝σ(W
f
·
[h
t
‑1，f(X
t
，A)]+b
f
)其中，f(X
t
,A)为图卷积过程，W
f
和b
f
表示训练过程中的权重和偏差，h
t
‑1为上一个时间步隐含状态；
使用输入门i
t
和代表当前得到的细胞状态；i
t
为输入门门值，代表需进行过滤的输入信息数量，与传统RNN的内部结构计算相同，i
t
和的计算公式分别表示为：i
t
＝σ(W
i
·
[h
t
‑1，f(X
t
,A)]+b
i
)其中，W
i
、W
C
和b
i
、b
C
表示训练过程中的权重和偏差，f(X
t
,A)为图卷积过程，h
t
‑1为上一个时间步隐含状态；使用C
t
表示细胞状态，代表最终得到的更新，是下一个时间步输...

【专利技术属性】
技术研发人员：徐小龙，施秋豪，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：