基于几何代数和超图的交通速度预测方法技术

基于几何代数和超图的交通速度预测方法。步骤1.输入交通速度数据进入模型；结合整个训练集的预训练K

【技术实现步骤摘要】
基于几何代数和超图的交通速度预测方法


[0001]本专利技术涉及智能交通领域，具体是一种基于几何代数和超图的交通速度预测方法。

技术介绍

[0002]交通系统是现代城市中最重要的基础建设之一，支撑着数百万人的日常出行。随着快速的城市化和人口增长，交通系统正在变得更加复杂。现代交通系统包括公路车辆、轨道交通以及近年来不断涌现的各种共享出行方式。不断扩张的城市面临着许多与交通有关的问题，包括空气污染和交通拥堵。而基于交通预测的提前干预可以成为提高交通系统效率和缓解如交通拥堵等相关问题的关键。
[0003]交通速度预测方法以数据驱动的方法为主，大多是基于历史速度数据的预测。交通预测问题比其他时间序列预测问题更具挑战性，因为交通预测问题涉及到高维度的大数据量，以及包括紧急情况(如交通事故)在内的多种动态特性，可能导致交通时间序列的非平稳性，使其难以进行长期预测。
[0004]特定位置的交通状态既有时间依赖性，又有空间依赖性。传统的线性时间序列模型，如自回归和综合移动平均模型，不能很好的处理这种时空预测问题。而近年来，机器学习和深度学习技术已经被引入到这一领域，以提高预测精度。例如，通过将整个城市建模成为一个网格，并应用卷积神经网络。然而，基于卷积神经网络的方法对于具有图形形式的交通路网结构来说并非最优的解决方案。
[0005]近年来，图神经网络已经成为了深度学习研究的前沿，在各种应用中都表现出了十分出色的性能。图神经网络非常适合用于交通预测问题，因为它们能够捕捉空间依赖性，并使用非欧几里得图表示。而道路网络中的传感器一般具有复杂的关系，即使是两个在欧几里得空间中很接近的传感器，也可能表现出非常不同的行为。因此，道路网络自然是一个非欧几里得图形，可以以道路交叉为结点，道路连接为边。以图形为输入，若干基于图神经网络的模型在道路交通流和速度预测等问题上都表现出了优于以往方法的性能。
[0006]目前最先进的模型虽然能够通过结合时间特征提取方法和图卷积网络对交通数据中的时空特征进行提取，但依旧存在着一些不足。从时间信息提取层面来说，往往采用的是基于循环神经网络或卷积神经网络的方法。前者容易造成梯度消失或梯度爆炸的问题，如果使用循环神经网络的变体，如长短期记忆模型，则会出现消耗过量资源、难以训练以及无法处理大量更长时的序列预测等问题；后者虽然解决了上述基于循环神经网络的问题，但是通常的卷积神经网络不仅忽略了不同时间片段之间的内部依赖关系，也无法建模卷积核与时间片段之间的外部依赖关系，在海量高维相关的交通数据的挖掘和分析方面具有局限性。从空间信息提取层面来说，先前的工作往往通过一个固定的图结构来捕捉空间以来特征。但交通预测问题是一个时间序列问题，传感器结点之间的关系可能会随着时间而变化，而固定的图结构并不能反映这样的变化。同时目前的模型大多基于传统的非欧几里得图结构，其中包含的边只能够连接两个顶点，而交通预测问题中路网传感器之间的关系并
不完全是这样的成对关系，很大程度上包含有多个结点之间共同作用，这是传统图结构所无法捕捉的高阶关系。
[0007]几何代数(Geometric Algebra)是以统一模式生成的协变量代数框架，是向量代数的拓展。几何代数通过引入多重向量与几何积的概念，使得其能够使用更高维度的子空间进行运算，同时其对于高维空间内的信息以及信息之间的交互关系有统一而高效的表达，且能够扩展到任意高维空间中。几何代数的特性使其适合用于对于交通数据中不同时间片段的编码，建模时间片段之间的内部依赖关系，以及基于卷积运算中卷积核的构建。
[0008]而超图是图的一种推广，与简单图中两个节点由一条边连接不同之处在于，每个超边可以连接超图中任意数量的结点。超图中的超边度数可以比简单图的边度数高，与只能用成对连接的图结构相比，超图在建模实际数据的相关性方面有显著的优势。

技术实现思路

[0009]本专利技术针对现有交通速度预测领域存在的上述不足，在时间维度上基于几何代数框架中对于高维数据的编码方式以及旋转对于依赖关系的表述，并在空间维度上基于能够表示高阶交互作用的超图，提出了一种基于几何代数和超图的交通速度预测方法，通过将时间片段编码成为多重向量，并构造几何代数框架下的旋转矩阵作为卷积核，学习时间序列不同时间片段之间的内部依赖关系以及时间序列和卷积核之间的外部依赖关系，提取到时间特征。结合对数据应用多层级聚类方法构建的一组超边，以及基于路网结构构建的一组超边，组成多维度的高阶超图结构，结合超图卷积与传统交通图上的扩散图卷积，提取到更高阶的空间信息。通过对交通速度数据进行多维度的深入挖掘，实现了对交通速度的长时预测，从而提高对交通速度预测的准确性。
[0010]本专利技术中需要保护的技术方案为：
[0011]一种基于几何代数和超图的交通速度预测方法，该方法步骤如下：
[0012]步骤1.输入交通速度数据进入模型，通过一个线性层对速度数据进行维度提升，使速度值由标量转化为向量，并通过K
‑
means无监督聚类方法获得聚类，结合整个训练集的预训练聚类结果以及交通路网图构建空间特征提取模块中的超图。
[0013]输入交通速度数据进入模型，通过一个线性层对速度数据进行维度提升，将速度值由标量转化为向量，使得模型能够提取到更丰富的信息。对输入数据使用K
‑
means无监督聚类方法获得聚类结果，结合对整个训练集预训练多层K
‑
means聚类方法得到的聚类结果，将聚类结果作为超图中的一组超边，同时将交通路网结构中的每一个结点与其邻居结点结合构建一组超边。两组超边共同构建的多层级超图既包括了基于交通数据的超边，也包括有基于路网结构的超边，将用于时空提取模块的超图卷积中使用。
[0014]步骤2.构建K层时空特征提取模块。在每个模块中，构建基于几何代数框架的门控几何代数时间卷积网络对交通数据中的时间特征进行提取，使用将扩散图卷积和多层级超图卷积结合的多维图卷积网络对空间特征进行提取。
[0015]在时间信息提取模块中，首先使用滑动时间窗口将不同时间片编码成为几何代数中的多向量，使得模型能够对时间片段之间的内部依赖以及卷积进行建模。并基于几何代数中对多向量旋转的描述来构建时间卷积网络的卷积核，使得模型能够对时间数据和卷积核之间的外部依赖关系进行建模，更好地对时间特征进行挖掘。在空间信息提取模块中，使
用两类不同层次的图卷积，一类为基于自适应邻接矩阵和传统路网结构的扩散图卷积，可以建模成对结点之间的空间关系；另一类为基于步骤1中构建的多层级超图的超图卷积，可以建模多个结点之间的空间关系。
[0016]步骤3.将交通数据属于每周的哪一天，以及属于每天的哪一个时刻的周期性信息通过两层线性层进行嵌入，结合每层模块的提取到的时空特征，再通过线性层从当前输入数据的时空特征中预测未来交通速度。
[0017]交通数据包含着很强的周期性，交通速度的变化情况和属于每周的某一天以及每天的某一个时刻有很强的相关性。这种周期性可以通过对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于几何代数和超图的交通速度预测方法，其特征在于，具体方法包括如下步骤：步骤1.输入交通速度数据进入模型，通过一个线性层对速度数据进行维度提升，使速度值由标量转化为向量，并通过K
‑
means无监督聚类方法获得聚类，结合整个训练集的预训练K
‑
means聚类结果以及交通路网图构建空间特征提取模块中的超图；步骤2.构建K层时空特征提取模块；在每个模块中，构建基于几何代数框架的门控几何代数时间卷积网络对交通数据中的时间特征进行提取，使用将扩散图卷积和多层级超图卷积结合的多维图卷积网络对空间特征进行提取；步骤3.将交通数据属于每周的哪一天，以及属于每天的哪一个时刻的周期性信息通过两层线性层进行嵌入，结合每层模块的提取到的时空特征，再通过线性层从当前输入数据的时空特征中预测未来交通速度；步骤4.使用结合了两种常用损失函数的优化损失函数，通过反向传播与梯度下降不断优化网络参数，使得损失函数最小化，最终得到最优模型。2.如权利要求1所述的预测方法，其特征在于，所述步骤1中，输入交通速度数据进入模型，通过一个线性层对速度数据进行维度提升，将速度值由标量转化为向量，使得模型能够提取到更丰富的信息；对输入数据使用K
‑
means无监督聚类方法获得聚类结果，结合对整个训练集预训练多层K
‑
means聚类方法得到的聚类结果，将聚类结果作为超图中的一组超边，同时将交通路网结构中的每一个结点与其邻居结点结合构建一组超边；两组超边共同构建的多层级超图既包括了基于交通数据的超边，也包括有基于路网结构的超边，将用于时空...

【专利技术属性】
技术研发人员：臧笛，雷俊涛，崔哲，程久军，张军旗，
申请(专利权)人：同济大学，
类型：发明
国别省市：