一种用于交通预测的图卷积和多路径神经网络预测方法技术

本发明专利技术公布了一种用于交通预测的图卷积和多路径神经网络预测方法，使用改进的图卷积神经网络，用于学习交通状况的空间相关性；其次，使用一个增加注意力机制的多路径卷积神经网络模型，用于学习交通状况的时间相关性。准确预测城市道路网络的交通流。本发明专利技术方法能够有效预测交通流的时空变化特征和规律，预测精度高，提升了交通流预测效果。提升了交通流预测效果。提升了交通流预测效果。

【技术实现步骤摘要】
一种用于交通预测的图卷积和多路径神经网络预测方法


[0001]本专利技术涉及智能交通
，具体涉及一种用于交通预测的图卷积和多路径神经网络预测方法。

技术介绍

[0002]交通流预测是城市交通管理乃至城市大脑或智慧城市的重要组成部分。在自动驾驶系统中，环境感知、车道规划和车辆控制还需要预测周围车道的车速等相关信息。最近，不仅特斯拉等新能源汽车厂商在自动驾驶上投入了大量精力，奔驰、宝马等传统汽车公司也开始生产自己的自动驾驶汽车。日益增长的车辆数量与城市交通容量不足之间的矛盾越来越严重。专家和学者对交通拥堵问题给予了更多的关注。一些研究人员将计算机技术应用于交通信息预测领域，这有助于解决交通拥堵问题。图神经网络的兴起为图型数据的研究提供了一个新的方向。越来越多的图神经网络被专业人士和学术界提出。越来越多的图神经网络已经被专业人士和学者提出，用于各种领域，包括分子优化、语义分析、动作识别、推荐系统、生物制药等。然而，只有少数研究者将其应用于交通数据预测中，并取得了理想的效果。另一方面，交通流预测还需要对交通流数据进行时间维度的建模，即提取时间特征信息。根据研究，使用先进的图形神经网络模型来预测交通速度可以提高预测的准确性。
[0003]近年来，基于图卷积(GCN)的时空神经网络模型已经成为交通预测的焦点之一。图卷积神经网络可以捕捉到位于不规则非欧几里得空间上的空间依赖关系，并在各个领域取得了巨大成功，如蛋白质结构、社会网络等。图卷积网络分为两类，基于频谱和基于空间。基于空间的方法直接对图的节点进行卷积操作。GraphSAGE引入了一个聚合函数来定义图卷积。图注意网络(GAT)在应用聚合函数时利用注意层来调整每个节点的重要性。基于光谱的方法采用拉普拉斯矩阵在傅里叶域对图进行卷积操作。根据卷积核的选择，基于光谱的方法主要包括ChebNet和GCNs。GCNs采用ChebNet的一阶近似，大大简化了图卷积的参数。通过堆叠多个GCN层，GCNs的接受邻域范围可以被扩大。最近，一些研究人员使用图学习模块来获取图结构。现有技术公开号为CN112949828A公开了一种基于图学习的图卷积神经网络交通预测方法及系统，采用图学习模块学习来得到更为准确的新的邻接矩阵，通过图学习模块能够捕获多种空间关系，通过开发一个自适应的依赖矩阵，但主要问题是亲和矩阵的稀疏性无法保证。有学者利用了一个新颖的拉普拉斯矩阵学习层，根据输入数据动态地构建图矩阵。在这种方法中，预设图的不准确性被忽略了，节点之间的潜在关联性不能被有效利用。

技术实现思路

[0004]1.所要解决的技术问题：
[0005]针对上述技术问题，本专利技术提供一种用于交通预测的图卷积和多路径神经网络预测方法，本方法可以通过同时捕获城市交通路网的时间依赖性和空间依赖性以提高交通预测精度。本方案中采用图卷积和多路径神经网络的预测模型，使用改进的GCN组件，用于学
习交通状况的空间相关性；其次，使用一个增加注意力机制的多路径CNN结构，用于学习交通状况的时间相关性。准确预测城市道路网络的交通流。
[0006]2.技术方案：
[0007]一种用于交通预测的图卷积和多路径神经网络预测方法，其特征在于：包括：
[0008]步骤一：获取城市交通网络的历史交通流数据，将交通流数据带入前馈神经网络映射得出比原来的交通流数据具有更高维度的空间的交通流序列；所述交通流数据包括交通速度、预设时间段的流量；
[0009]步骤二：构建基于图卷积神经网络的模块与多路径卷积神经网络模型；将交通流序列分别输入两个模型，通过图卷积神经网络提取出交通流序列的空间周期性特征；通过多路径卷积神经网络模型提取交通流序列的时间周期性特征；
[0010]步骤三：将交通流序列的空间周期性特征与时间周期性特征采用门控融合方法进行融合后，输入线性层，输出即为预测的交通序列。
[0011]进一步地，步骤一具体包括：
[0012]S11：将道路网络数据建模表示为G＝<V,E>：其中V表示顶点V的集合，E表示所有边的集合，其中每个边为两个顶点之间的空间连接性及其对应的距离；所述顶点处安装用于测量交通流数据的设备；
[0013]预设过去p个时间的顶点V对应的历史交通状况数据，表示为
[0014][0015](1)式中，表示在t
i
时刻在顶点V测量的每个交通流数据或者在一段时间(t
i
‑1，t
i
)内的顶点V的总的交通状况值，其每一行有c列，代表c个预设的交通流数据，所述总的交通状况包括总交通量、平均交通速度；
[0016]S12:将顶点V的历史交通状况数据输入带有线性层的前馈神经网络后，输出交通状态特征矩阵X
′
；其中是一个V*d矩阵，d为预设的前馈神经网络的隐空间的维度。
[0017]进一步地，步骤二具体为：
[0018]S21：构建两层图卷积神经网络作为空间模块，提取出交通流序列的空间周期性特征；
[0019]S22：构建多路径卷积神经网络模型作为时间模块，提取出交通流序列的时间周期性特征；
[0020]把交通数据映射输出矩阵X
′
，其中将输入p
‑
1个1维卷积神经网络，以步幅为1来增加核大小使其从依次从2，3，...，至p；使用内核大小为j的一维CNN即C
j
，列举出相邻的每一个j矩阵来学习它们的综合时间影响，从而得到一个p
‑
j+1的矩阵序列，用表示，j∈[2，p]；上述过程用以下公式表示：
[0021][0022][0023]……
[0024][0025]上述过程中，每个输出矩阵都在R
V
×
d
中；把输出矩阵和串联起来得到串联后的矩阵为即：
[0026][0027]表示串联操作；
[0028]在对时间t
p+1
进行预测时，用t
p+1
来计算对的注意力：
[0029][0030](7)式中，softmax(
·
)是softmax函数，是t
p+1
的嵌入，要与中V不同顶点的向量相乘；对每个不同的顶点使用不同的t
p+1
的嵌入，得到每个顶点的基于时间的不同注意力。
[0031]进一步地，步骤三具体包括：
[0032]S31：使用门控融合机制，将空间模块的输出与时间模块的输出进行融合，具体如下：
[0033][0034][0035](8)、(9)式中，表示融合后的输出，表示以t
i
时的交通状况为输入的空间模块的输出；表示时间t
p+i
的时间注意力输出；σ表示sigmoid激活函数，W1、W2和b是可学习参数；
[0036]S32，将预测值送入线性层，实现将预测值从R
V
×
d
映射回R
V
...

【技术保护点】

【技术特征摘要】
1.一种用于交通预测的图卷积和多路径神经网络预测方法，其特征在于：包括：步骤一：获取城市交通网络的历史交通流数据，将交通流数据带入前馈神经网络映射得出比原来的交通流数据具有更高维度的空间的交通流序列；所述交通流数据包括交通速度、预设时间段的流量；步骤二：构建基于图卷积神经网络的模块与多路径卷积神经网络模型；将交通流序列分别输入两个模型，通过图卷积神经网络提取出交通流序列的空间周期性特征；通过多路径卷积神经网络模型提取交通流序列的时间周期性特征；步骤三：将交通流序列的空间周期性特征与时间周期性特征采用门控融合方法进行融合后，输入线性层，输出即为预测的交通序列。2.根据权利要求1所述的一种用于交通预测的图卷积和多路径神经网络预测方法，其特征在于：步骤一具体包括：S11：将道路网络数据建模表示为G＝<V,E>：其中V表示顶点V的集合，E表示所有边的集合，其中每个边为两个顶点之间的空间连接性及其对应的距离；所述顶点处安装用于测量交通流数据的设备；预设过去p个时间的顶点V对应的历史交通状况数据，表示为(1)式中，表示在t
i
时刻在顶点V测量的每个交通流数据或者在一段时间(t
i
‑1，t
i
)内的顶点V的总的交通状况值，其每一行有c列，代表c个预设的交通流数据；所述总的交通状况包括总交通量、平均交通速度；S12:将顶点V的历史交通状况数据输入带有线性层的前馈神经网络后，输出交通状态特征矩阵X
’
；其中是一个|V|*d矩阵，d为预设的前馈神经网络的隐空间的维度。3.根据权利要求2所述的一种用于交通预测的图卷积和多路径神经网络预测方法，其特征在于：步骤二具体为：S21：构建两层图卷积神经网络作为空间相关性模块，提取出交通流序列的空间周期性特征；S22：构建多路径卷积神经网络模型作为时间相关性模块，提取出交通流序列的时间周期性特征；把交通数据映射输出矩阵X
′
，其中将输入p
‑
1个1维卷积神经网络，以步幅为1来增加核大小使其从依次从2，3，...，至p；使用内核大小为j的一维CNN即C
j
，列举出相邻的每一个j矩阵来学习它们的综合时间影响，从而得到一个p
‑
...

【专利技术属性】
技术研发人员：许坤波，石运，刘存粮，郝苏申，张艳芹，李猛，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：