基于时空图卷积神经网络的交通流预测方法及系统技术方案

本发明专利技术提供了一种基于时空图卷积神经网络的交通流预测方法及系统，包括：获取高速公路的相关信息，并进行相应预处理；其中，所述相关信息包括道路收费信息、道路属性信息以及道路交通信息；基于所述道路收费信息及道路属性信息，利用预先构建的图自学习模块将道路收费信息编码至图邻接矩阵中，并获得最优的图邻接矩阵；基于作为节点信息的所述道路收费信息及道路交通信息，并结合所述最优图邻接矩阵，利用预先训练的基于时间注意力机制的时空图卷积神经网络模型，获得高速公路的交通流预测结果。果。果。

【技术实现步骤摘要】
基于时空图卷积神经网络的交通流预测方法及系统


[0001]本专利技术属于交通工程
，尤其是涉及一种基于时空图卷积神经网络的交通流预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]当前，由于路网上交通流量分布不均衡导致的交通拥堵的问题愈发严重，修建新的道路需要大量的投资，同时也可能会产生新的交通需求。相对而言，分时段，分方向，分路段的对道路上的车辆收取价格不同的道路通行费，引导道路网络上的交通流量和车流密度时空重分布，缓解拥堵路段的交通压力，均衡道路网络上的交通流量分布是一种相对廉价的解决方案。这种方法被学者称为动态拥堵定价。它通过价格杠杆影响用户行为，将系统从用户均衡(即人们在选择路线时表现得自私，并试图使自己的利益最大化)推向更有效的系统最优(即部分网络用户需要以非自私的方式行事，选择可能导致(例如：更长的旅行时间的替代路线)。
[0004]高速公路差异化收费方案的定价推导需要预测未来一段时间的道路网络上的交通流量的分布状况，了解价格变化对道路网络交通流量分布的影响规律。过去的学者在研究差异化收费问题时，多是使用知识驱动的方法，例如：Wardrop第一第二原理和排队论对道路网络上的交通流量进行预测，有少部分学者使用基于数据驱动的时间序列的方法对道路交通流量进行预测，同样，在分析价格变化对道路网络交通流量分布情况的影响时，更多的也是应用知识驱动的方法，例如使用期望效用理论或者随机效用理等规范性理论，或者使用前景理论等描述性理论对道路使用者的出行行为进行预测，进而预测价格变化后道路网络上的交通流量分布应该是一种什么样的状态。
[0005]近年来，人工智能技术快速发展，特别的图神经网络技术(时空图神经网络的详细介绍基于图的时空神经网络)在最近几年有了重大的进步，一系列更为精确的基于图神经网络的交通流量预测方法已经被提出，却没有在解决差异化收费问题上得到应用。更为关键的是，尽管图神经网络可以建模多种数据与道路网络交通流量分布之间的关系，大量学者为了提高图神经网络进行交通流量预测的精确度，也在这一方向做了大量的工作，他们建模了天气状况，周围兴趣点分布(POI)，交通事故等因素与交通流分布之间的关系，却很少有学者关注到价格这一可以通过影响道路使用者的出行行为，进而影响道路网络上的交通流量分布状态的关键因素。
[0006]同时，图神经网络技术迟迟没有在差异化收费问题上得到应用，缺少合适的数据库是一个关键问题。互联网上存在大量可以用于道路交通流量预测使用的数据集，但是这些数据集一部分是所分析的区域没有实行道路网络收费的政策，另一部分是难以获取对应区域的道路网络收费信息。总而言之，他们都有一个共同的缺陷，无法同时提供道路网络的收费情况以及道路网络上的交通流量分布情况。

技术实现思路

[0007]为了解决上述问题，本专利技术提供了一种基于时空图卷积神经网络的交通流预测方法及系统，所述方案在进行交通流预测时基于预先构建的图自学习模型引入价格因素，从宏观和微观的角度获得最优的图邻接矩阵；同时，利用基于时间注意力机制的时空图卷积神经网络模型对交通流进行预测，有效提高了交通流的预测精度。
[0008]根据本专利技术实施例的第一方面，提供了一种基于时空图卷积神经网络的交通流预测方法，包括：
[0009]获取高速公路的相关信息，并进行相应预处理；其中，所述相关信息包括道路收费信息、道路属性信息以及道路交通信息；
[0010]基于所述道路收费信息及道路属性信息，利用预先构建的图自学习模块将道路收费信息编码至图邻接矩阵中，并获得最优的图邻接矩阵；其中，所述图自学习模块包括用于整合节点距离图邻接矩阵、节点实际连接图邻接矩阵和道路收费图邻接矩阵的宏观图邻接矩阵获取单元以及基于若干卷积运算捕捉节点间短期波动的微观图邻接矩阵获取单元；
[0011]基于作为节点信息的所述道路收费信息及道路交通信息，并结合所述最优图邻接矩阵，利用预先训练的基于时间注意力机制的时空图卷积神经网络模型，获得高速公路的交通流预测结果。
[0012]进一步的，所述宏观图邻接矩阵的获取，具体为：基于交通流探测器节点之间的距离、交通流探测器节点之间的连接关系以及道路收费信息，分别构建节点距离图邻接矩阵、节点实际连接图邻接矩阵和道路收费图邻接矩阵；基于预设计算方式对各个图邻接矩阵进行整合，获得初始图邻接矩阵；基于图自学习挖掘节点间的空间关系，生成新的图邻接矩阵，并将所述初始图邻接矩阵与新的图邻接矩阵进行融合，经稀疏处理后获得宏观图邻接矩阵。
[0013]进一步的，所述对各个图邻接矩阵进行整合，具体采用如下公式：
[0014][0015][0016]其中，A
k
表示反映第k种关系的图邻接矩阵，I
N
表示单位矩阵，Γ为指标函数。
[0017]进一步的，所述微观图邻接矩阵的获取，具体采用如下公式：
[0018][0019]其中，ω2,ω3,ω4为可学习的卷积核参数，ReLU为激活函数，为预设的节点属性信息，为节点中与临时因子相关的信息。
[0020]进一步的，所述获得最优的图邻接矩阵，具体为：基于ReLU激活函数及归一化方法，将获得的宏观图邻接矩阵及微观图邻接矩阵进行融合，得到最优的图邻接矩阵。
[0021]进一步的，所述基于时间注意力机制的时空图卷积神经网络模型，具体包括如下处理过程：通过时间注意力机制对输入的数据自适应赋予在不同时间时的不同重要性权值；将赋予权值后的数据输入时空卷积神经网络中，经空间和时间维度特征提取后，获得最
终的交通流预测结果。
[0022]进一步的，所述道路属性特征包括交通流探测器节点之间的距离、道路宽度及匝道数；所述道路交通特征信息包括交通流、车速以及占有率。
[0023]根据本专利技术实施例的第二方面，提供了一种基于时空图卷积神经网络的交通流预测系统，包括：
[0024]数据获取单元，其用于获取高速公路的相关信息，并进行相应预处理；其中，所述相关信息包括道路收费信息、道路属性信息以及道路交通信息；
[0025]图邻接矩阵获取单元，其用于基于所述道路收费信息及道路属性信息，利用预先构建的图自学习模块将道路收费信息编码至图邻接矩阵中，并获得最优的图邻接矩阵；其中，所述图自学习模块包括用于整合节点距离图邻接矩阵、节点实际连接图邻接矩阵和道路收费图邻接矩阵的宏观图邻接矩阵获取单元以及基于若干卷积运算捕捉节点间短期波动的微观图邻接矩阵获取单元；
[0026]交通流预测单元，其用于基于作为节点信息的所述道路收费信息及道路交通信息，并结合所述最优图邻接矩阵，利用预先训练的基于时间注意力机制的时空图卷积神经网络模型，获得高速公路的交通流预测结果。
[0027]根据本专利技术实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于时空图卷积神经网络的交通流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空图卷积神经网络的交通流预测方法，其特征在于，包括：获取高速公路的相关信息，并进行相应预处理；其中，所述相关信息包括道路收费信息、道路属性信息以及道路交通信息；基于所述道路收费信息及道路属性信息，利用预先构建的图自学习模块将道路收费信息编码至图邻接矩阵中，并获得最优的图邻接矩阵；其中，所述图自学习模块包括用于整合节点距离图邻接矩阵、节点实际连接图邻接矩阵和道路收费图邻接矩阵的宏观图邻接矩阵获取单元以及基于若干卷积运算捕捉节点间短期波动的微观图邻接矩阵获取单元；基于作为节点信息的所述道路收费信息及道路交通信息，并结合所述最优图邻接矩阵，利用预先训练的基于时间注意力机制的时空图卷积神经网络模型，获得高速公路的交通流预测结果。2.如权利要求1所述的一种基于时空图卷积神经网络的交通流预测方法，其特征在于，所述宏观图邻接矩阵的获取，具体为：基于交通流探测器节点之间的距离、交通流探测器节点之间的连接关系以及道路收费信息，分别构建节点距离图邻接矩阵、节点实际连接图邻接矩阵和道路收费图邻接矩阵；基于预设计算方式对各个图邻接矩阵进行整合，获得初始图邻接矩阵；基于图自学习挖掘节点间的空间关系，生成新的图邻接矩阵，并将所述初始图邻接矩阵与新的图邻接矩阵进行融合，经稀疏处理后获得宏观图邻接矩阵。3.如权利要求2所述的一种基于时空图卷积神经网络的交通流预测方法，其特征在于，所述对各个图邻接矩阵进行整合，具体采用如下公式：所述对各个图邻接矩阵进行整合，具体采用如下公式：其中，A
k
表示反映第k种关系的图邻接矩阵，I
N
表示单位矩阵，Γ为指标函数。4.如权利要求1所述的一种基于时空图卷积神经网络的交通流预测方法，其特征在于，所述微观图邻接矩阵的获取，具体采用如下公式：M＝ω4*ReLU(ω3*ReLU(ω2*χ))其中，ω2,ω3,ω4为可学习的卷积核参数，ReLU为激活函数，为预设的节点属性信息，为节点中与临时因子相关的信息。5.如权利要求1所述的一种基于时空图卷积神经网络的交通流预测方法，其特征在于，所述获得...

【专利技术属性】
技术研发人员：吴建清，许晔，霍延强，闫方，韩汶，杜双，王晓燕，田源，王旭，李利平，
申请(专利权)人：山东高速东营发展有限公司山东省交通科学研究院，
类型：发明
国别省市：