基于POI的双层图卷积网络交通预测方法技术

本发明专利技术公开了一种基于POI的双层图卷积网络交通预测方法，通过对历史交通流量数据进行处理，获得交通流量预测值，包括以下步骤：基于POI对流量节点功能构建模型；基于构建的模型获得节点之间的功能相似度矩阵；将具有相似功能的节点聚类，构建区域网络；在节点和区域网络上分别提取空间特征；将节点和区域网络上提取的空间特征融合，输出对交通流量的预测结果。本发明专利技术公开的基于POI的双层图卷积网络交通预测方法，预测精度高。预测精度高。预测精度高。

【技术实现步骤摘要】
基于POI的双层图卷积网络交通预测方法


[0001]本专利技术涉及一种基于POI的双层图卷积网络交通预测方法，属于交通


技术介绍

[0002]交通预测是多元时间序列预测的一项典型任务，在现代智能交通系统中得到了广泛应用，如预测未来交通拥堵和提前规划出行路线。交通预测主要侧重于预测道路网络上未来的交通特征(例如流量、速度)。
[0003]在交通量预测中，兴趣点(POI)用于描述节点之间的内在地理联系，POI通常是指人们对其有特定兴趣的地理对象，如餐馆、医疗服务、购物中心、住宅、企业等。POI的分布反映了交通节点的功能，与交通流有着密切的关系。
[0004]主流的使用POI辅助交通流预测的方法通常利用POI作为特征嵌入来计算静态功能相似性矩阵，例如文献Lv,M.,Hong,Z.,Chen,L.,Chen,T.,Zhu,T.,and Ji,S.Temporal multi
‑
graph convolutional network for traffic flow prediction.IEEE Transactions on Intelligent Transportation Systems22.6:3337
‑
3348,2020.中，使用TF
‑
IDF方程来计算节点之间的功能关系；文献Zhang,M.,Li,T.,Li,Y.,and Hui,P.Multi
‑
view joint graph representation learning for urban region embedding.Proceedings of the Twenty
‑
Ninth International Conference on International Joint Conferences on Artificial Intelligence,2021.中，还使用TF
‑
IDF方程得到固有区域属性的POI模型；文献Zheng,C.,Fan,X.,Wen,C.,Chen,L.,Wang,C.,and Li,J.DeepSTD:Mining spatio
‑
temporal disturbances of multiple context factors for citywide traffic flow prediction.IEEE Transactions on Intelligent Transportation Systems 21.9:3744
‑
3755,2019.中，还提出采用固有影响因子(IIF)来计算POI对交通流的固有影响。IIF意味着每个区域的潜在功能，它由三部分组成：POI分布的频率、POI分布的密度和POI分布的不平衡度。
[0005]然而，传统方法均忽略了POI对固有交通模式的动态影响。例如，企业区和住宅区在工作日高峰时段可能交通繁忙，购物区在傍晚时可能交通繁忙。此外，由于节点的功能相似性，城市被自然地划分为区域，这反映了它们内在的地理关系。例如，工厂聚集在一起，以便于集中处理污染，零售商业聚集形成商业区。同一区域中的流量节点具有相似的交通流量模式，挖掘该区域中的潜在流量模式可以辅助节点级的交通流量预测。
[0006]因此，有必要对交通预测方法进行更深入的探索，以提高预测准确性。

技术实现思路

[0007]为了克服上述问题，本专利技术人进行了深入研究，设计出一种基于POI的双层图卷积网络交通预测方法，通过对历史交通流量数据进行处理，获得交通流量预测值，包括以下步骤：
[0008]S1、基于POI对流量节点功能构建模型；
[0009]S2、基于构建的模型获得节点之间的功能相似度矩阵；
[0010]S3、将具有相似功能的节点聚类，构建区域网络；
[0011]S4、在节点和区域网络上分别提取空间特征；
[0012]S5、将节点和区域网络上提取的空间特征融合，输出对交通流量的预测结果。
[0013]在一个优选的实施方式中，S1中，采用IIF方法进行功能建模，所述模型表示为：
[0014][0015][0016][0017]IIF(n,k)＝Fre(n,k)
×
Den(n,k)
×
IBD(k)
[0018]其中，Fre(n,k)表示第n个节点的第k个POI类别的频率，Den(n,k)表示第n个节点的第k个POI类别的密度，IBD(k)表示第k个POI类别的不平衡度，IIF(n,k)表示第n个节点的第k个POI类别的功能，POI(n,k)表示第n个节点的第k个POI类别的数量。
[0019]在一个优选的实施方式中，S2中，将每个节点的不同POI类别的功能合并，获得节点功能矩阵，采用余弦相似性函数获得不同节点之间的功能相似度矩阵。
[0020]在一个优选的实施方式中，S3中，通过谱聚类方法将节点聚类，采用功能相似度矩阵作为邻接矩阵，获取其拉普拉斯矩阵作为谱聚类的输入。
[0021]在一个优选的实施方式中，S4中，在节点上提取空间特征包括以下子步骤：
[0022]S411、采用时间卷积提取时间特征；
[0023]S412、采用基于POI的动态图卷积获取节点之间随时间变化的空间相关性特征；
[0024]S413、采用注意力机制获取节点之间空间相关性特征的时间相关性，获得节点空间特征。
[0025]在一个优选的实施方式中，S411中，所述时间卷积提取过程表示为：
[0026](α1,α2)＝split(W*X
(l)
)
[0027][0028]其中，split表示分割函数，将运算结果分成α1，α2两部分，W为卷积滤波器的可学习参数，*是扩张卷积运算，X
(l)
表示第l层时间卷积的输入，表示第l层时间卷积的输出，代表提取的时间特征，
⊙
表示元素乘法运算符，σ是sigmoid激活函数。
[0029]在一个优选的实施方式中，S412中，包括以下子步骤：
[0030]使用可训练张量H
c
对POI之间的时序关系进行描述，获得描述节点之间的动态函数相似性张量P；
[0031]将提取到的时间特征作为输入，基于节点之间的动态函数相似性张量获得节点之间随时间变化的空间相关性特征。
[0032]在一个优选的实施方式中，S4中，在区域网络上提取空间特征包括以下子步骤：
[0033]S421、采用时间卷积提取时间特征；
[0034]S422、采用空间注意力图卷积提取区域之间的空间相关性特征；
[0035]S423、采用时间注意力机制获取区域之间空间相关性特征的时间相关性特征，获得区域网络空间特征。
[0036]在一个优选的实施方式中，S422中，空间注意力图卷积表示为：
[0037]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于POI的双层图卷积网络交通预测方法，其特征在于，通过对历史交通流量数据进行处理，获得交通流量预测值，包括以下步骤：S1、基于POI对流量节点功能构建模型；S2、基于构建的模型获得节点之间的功能相似度矩阵；S3、将具有相似功能的节点聚类，构建区域网络；S4、在节点和区域网络上分别提取空间特征；S5、将节点和区域网络上提取的空间特征融合，输出对交通流量的预测结果。2.根据权利要求1所述的基于POI的双层图卷积网络交通预测方法，其特征在于，S1中，采用IIF方法进行功能建模，所述模型表示为：S1中，采用IIF方法进行功能建模，所述模型表示为：S1中，采用IIF方法进行功能建模，所述模型表示为：IIF(n,k)＝Fre(n,k)
×
Den(n,k)
×
IBD(k)其中，Fre(n,k)表示第n个节点的第k个POI类别的频率，Den(n,k)表示第n个节点的第k个POI类别的密度，IBD(k)表示第k个POI类别的不平衡度，IIF(n,k)表示第n个节点的第k个POI类别的功能，POI(n,k)表示第n个节点的第k个POI类别的数量。3.根据权利要求1所述的基于POI的双层图卷积网络交通预测方法，其特征在于，S2中，将每个节点的不同POI类别的功能合并，获得节点功能矩阵，采用余弦相似性函数获得不同节点之间的功能相似度矩阵。4.根据权利要求1所述的基于POI的双层图卷积网络交通预测方法，其特征在于，S3中，通过谱聚类方法将节点聚类，采用功能相似度矩阵作为邻接矩阵，获取其拉普拉斯矩阵作为谱聚类的输入。5.根据权利要求1所述的基于POI的双层图卷积网络交通预测方法，其特征在于，S4中，在节点上提取空间特征包括以下子步骤：S411、采用时间卷积提取时间特征；S412、采用基于POI的动态图卷积获取节点之间随时间变化的空间相关性特征；S413、采用注意力机制获取节点之间空间相关性特征的时间相关性，获得节点空间特征。6.根据权利要求5所述的基于POI的双层图卷积网络交通预测方法，其特征在于，S411中，所述时间卷积提取过程表示为：(α1,α2)＝split(W*X
(l)
)其中，split表示分割函数，将运算结果分成α1，α2两部分，W为卷积滤波器的可学习参
数，*是扩张卷积运算，X

【专利技术属性】
技术研发人员：苏荔，赵鑫浩，吴哲，邓志远，李国荣，张新峰，卿来云，黄庆明，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：