【技术实现步骤摘要】
本专利技术涉及智能交通系统中的时空数据挖掘，具体涉及一种基于集群时空动态图网络的轨迹预测方法及系统。
技术介绍
1、为了实现对交通路网的组织与管理，its在交通路网中部署了大量的传感器（节点）以收集交通信号，包括车辆轨迹、车流量、车速和车道占有率等等。通过收集这些交通信号，可以训练拓扑交通信号预测模型，从而实现对未来拓扑交通信号的预测。近年来，基于深度学习的拓扑交通信号预测模型被证明是有效的，而这些模型的核心在于学习拓扑交通信号的时空依赖。时空依赖指的是交通信号中节点之间的关联和时间步之间的关联。通过学习时空依赖，聚合时空特征，即可实现交通预测。交通信号的时空依赖存在异质性，即不同的信号可能具有不同的时空依赖。例如，在早高峰和晚高峰期间，住宅区和办公区之间的主要车流方向通常是相反的。在早高峰期间，办公区的传感器侦测到的流量主要源于住宅区，模型在进行办公区节点流量预测时，将会大大依赖住宅区的流量。然而，在晚高峰期间，这种依赖会被削弱。
2、为了区分时空依赖的异质性，先前方法利用交通信号的周期特性，构建动态图，即为每一个时间戳/日戳设计一张独有的图。该方法存在两个问题，其一，动态图是建立在交通信号具有显著周期性的基础上，在具有弱周期性的交通信号上实施难以发挥作用即泛化能力弱；其二，相比于静态图，动态图需要更多的参数，给显存带来巨大的挑战。
3、综上所述，如何学习拓扑交通信号异质的时空依赖，构建高效的拓扑交通预测方法是一个亟需解决的问题。
技术实现思路
1、为了解
2、步骤s1、收集已有的交通信号数据并进行预处理；
3、步骤s2、从预处理后的交通信号数据中选取训练集并进行聚类，基于聚类结果对去除训练集后剩余的交通信号数据赋予类别索引；
4、步骤s3、从所述交通信号数据中随机采样历史交通信号和未来交通信号两组数据以及对应的类别索引，将所述历史交通信号输入嵌入层进行映射，得到高维特征；
5、步骤s4、将所述高维特征输入空间块和时间块中生成空间聚合特征图和时间聚合特征图，将所述空间聚合特征图和所述时间聚合特征图进行融合，得到聚合特征；
6、步骤s5、将所述聚合特征输入反嵌入层进行映射，得到未来的拓扑信号交通信号，完成基于集群时空动态图网络的轨迹预测。
7、可选的，所述步骤s1中，所述预处理的过程具体包括：
8、,
9、其中，为预处理函数，x为交通信号数据，和分别表示平均和标准差函数。
10、可选的，所述步骤s2中，从处理后的交通信号数据中选取训练集并进行聚类的过程具体包括：
11、a.从所述交通信号数据中随机选取60%的数据作为训练集；
12、b.设定k-means算法中聚类的类别数量k；
13、c.从训练集中随机选取k个样本作为聚类质心；
14、d.分别计算每个样本距离k个质心的距离，基于距离划分训练集的类别；
15、e.基于划分结果，计算划分到一个类中全部样本的均值，基于所述均值更新类的质心；
16、f.比较原质心与更新后质心的距离，若距离小于预设距离，则终止聚类，否则重复步骤b-d。
17、可选的，所述步骤s3中，将所述历史交通信号输入所述嵌入层进行映射，得到高维特征的内容具体包括：
18、，
19、其中，为全连接层，为高维特征，为历史交通信号。
20、可选的，所述步骤s4中，将所述高维特征输入空间块生成空间聚合特征图的过程具体包括：
21、，
22、其中，m表示集群时空动态图网络的层数索引；为第i个空间聚合特征图；表示空间静态图的邻接矩阵；为第i个集群空间图的邻接矩阵，表示集群空间图的邻接矩阵；i表示的类别索引；表示邻接矩阵输入/输出节点的数量。
23、可选的，所述步骤s4中，将所述高维特征输入时间块生成时间聚合特征图的过程具体包括：
24、，
25、其中，为第i个时间聚合特征图；表示时间静态图的邻接矩阵；为第i个时间集群图的邻接矩阵，表示时间集群图的邻接矩阵，表示输出/输入节点的数量。
26、本专利技术还公开一种基于集群时空动态图网络的轨迹预测系统，所述系统包括：数据采集模块、数据聚类模块、数据映射模块、特征融合模块和交通预测模块；
27、所述数据采集模块用于收集已有的交通信号数据并进行预处理；
28、所述数据聚类模块用于从预处理后的交通信号数据中选取训练集并进行聚类，基于聚类结果对去除训练集后剩余的交通信号数据赋予类别索引；
29、所述数据映射模块用于从所述交通信号数据中随机采样历史交通信号和未来交通信号两组数据，将所述历史交通信号输入嵌入层进行映射，得到高维特征；
30、所述特征融合模块用于将所述高维特征输入空间块和时间块中生成空间聚合特征图和时间聚合特征图，将所述空间聚合特征图和所述时间聚合特征图进行融合，得到聚合特征；
31、所述交通预测模块用于将所述聚合特征输入反嵌入层进行映射，得到未来的拓扑信号交通信号，完成基于集群时空动态图网络的轨迹预测。
32、可选的，所述数据采集模块中，收集已有的交通信号数据并进行预处理的过程具体包括：
33、,
34、其中，为预处理函数，x为交通信号数据，和分别表示平均和标准差函数。
35、与现有技术相比，本专利技术的有益效果为：
36、本专利技术旨在设计异质时空依赖的学习方法，设计集群时空图以区分时空依赖的异质性，解决先前方法在处理弱周期性交通信号上的不足以及参数量庞大的问题，从而实现拓扑交通信号预测。本专利技术利用矩阵分解的方式，将时间集群图分解为2个维度较小的矩阵，减少图的参数量；利用张量分解的方式，将空间集群图分解为4个维度较小的矩阵，减少图的参数量。
本文档来自技高网...【技术保护点】
1.一种基于集群时空动态图网络的轨迹预测方法，其特征在于，方法包括：
2.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤S1中，所述预处理的过程具体包括：
3.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤S2中，从处理后的交通信号数据中选取训练集并进行聚类的过程具体包括：
4.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤S3中，将所述历史交通信号输入所述嵌入层进行映射，得到高维特征的内容具体包括：
5.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤S4中，将所述高维特征输入空间块生成空间聚合特征图的过程具体包括：
6.根据权利要求5的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤S4中，将所述高维特征输入时间块生成时间聚合特征图的过程具体包括：
7.一种基于集群时空动态图网络的轨迹预测系统，所述轨迹预测系统用于实现权利要求1-6任一项所述的轨迹预测方法，其特征在于，所述系统包括：数据
8.根据权利要求7的基于集群时空动态图网络的轨迹预测系统，其特征在于，所述数据采集模块中，收集已有的交通信号数据并进行预处理的过程具体包括：
...【技术特征摘要】
1.一种基于集群时空动态图网络的轨迹预测方法，其特征在于，方法包括：
2.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤s1中，所述预处理的过程具体包括：
3.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤s2中，从处理后的交通信号数据中选取训练集并进行聚类的过程具体包括：
4.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，所述步骤s3中，将所述历史交通信号输入所述嵌入层进行映射，得到高维特征的内容具体包括：
5.根据权利要求1的基于集群时空动态图网络的轨迹预测方法，其特征在于，...
【专利技术属性】
技术研发人员：郭灿阳，朱达欣，夏侯建兵，蔡丹琳，刘超，曾台盛，苏宇超，
申请(专利权)人：泉州师范学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。