【技术实现步骤摘要】
本专利技术涉及交通预测的，尤其是涉及一种基于改进时空图卷积神经网络的交通流量预测方法。
技术介绍
1、交通预测作为智能交通系统(itss)的重要组成部分，可以为城市交通网络的管理和规划提供科学依据。交通部门可以根据预期的交通情况，提前调配和引导交通流量，改善行车条件，缓解交通拥堵压力。基于历史时间序列数据进行准确的交通流量预测是一项艰巨的挑战，因为它往往需要收集复杂的空间和时间关系，需要同时建模时间序列内的趋势和序列之间的相关性。
2、随着数学理论和现代技术的发展，进一步提高交通预测的准确性意味着对道路管理可观的经济和安全利益，这些潜在的利益促进了交通预测模型的不断改进。其中，实时交通预测可以在降低预测延时的同时，为智能交通系统提供合理的交通引导，降低车辆通勤的运行压力，这些都是交通管理部门所关心的问题。因此，智能交通系统需要一种能实时反映交通状态，并能提供直观参考范围的新方法。
3、图神经网络(gnn)凭借其对图数据处理的优越性，在处理交通数据方面取得了相当大的成功。因为gnn在整个结构中传递信息，这样图中的每个节点都可以访问关于其附近环境的信息。使用图神经网络建模多变量时间序列数据是一种可能的方法，可以将序列中的变量描绘为由隐藏依赖项连接的图中的节点，在捕获相互依赖项的同时保留序列的时间轨迹。在现有的复杂模型中，图卷积网络(gcn)经常被用于描述图数据的空间相关性。为了用于流量预测情况，t-gcn和stgcn直接将gcn与时间模块(如lstm,gru)堆叠在一起，这些模块在时域中专门记录时间模式，增加
技术实现思路
1、本专利技术的目的就是为了摆脱对预先设置的道路拓扑结构的依赖，提高模型在面对复杂道路拓扑结构时的预测精度而提供的一种基于改进时空图卷积神经网络的交通流量预测方法。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于改进时空图卷积神经网络的交通流量预测方法，方法包括以下步骤：
4、步骤s1，将交通流量数据x输入预处理模块当中，筛选得到历史流量数据，传输到模型的图学习模块，所述历史流量数据包括各个时刻的交通信息；
5、步骤s2，图学习模块中的门控循环单元根据历史流量数据，依次计算每个时间步t的隐藏状态，对于当前节点，门控循环单元将上个节点输出的t-1时刻的隐藏状态和当前节点的交通信息作为当前节点的输入，获取t时刻的隐藏状态和当前节点的输出，门控循环单元根据上一个节点传递下来的隐藏状态和当前节点的交通信息来获取当前节点的控制门和更新门的门控信号；
6、步骤s3，得到门控信号之后，使用重置门来得到重置之后的隐藏状态，再将重置之后的隐藏状态和当前节点的交通信息拼接起来，然后利用激活函数对拼接的数据进行缩放；
7、步骤s4，利用更新门，对缩放后的数据进行记忆，同时对传递的t-1时刻的隐藏状态进行遗忘，得到更新后的当前节点的隐藏状态，更新后的当前节点的隐藏状态输入下一个节点，并以此类推；
8、步骤s5，根据最后一个节点输出的隐藏状态表示完整的流量数据利用自注意机制计算邻接矩阵a；
9、步骤s6，得到邻接矩阵a后，图学习模块将邻接矩阵a处理为单向链接形式w；
10、步骤s7，将图学习模块得到的单向链接形式邻接矩阵w与历史流量数据输入到预测模块中，通过图拉普拉斯矩阵进行图傅里叶变换，同时将图傅里叶变换的结果输入到图卷积中；
11、步骤s8，将多个图卷积通过图拉普拉斯的一阶近似进行叠加，得到分层线性公式来恢复深度空间信息，经过图卷积后的历史流量数据；
12、步骤s9，将经过图卷积后的历史流量数据通过离散傅里叶变换分解为频率基，并输入到门控线性单元中，基于频率基学习历史流量数据的特征，并进行预测；
13、步骤s10，将门控线性单元输出的预测结果进行逆离散傅里叶和逆图傅里叶变换；
14、步骤s11，将变换后的预测结果进行评估，若不满足损失函数的要求则返回步骤s7，直至损失函数满足要求，将此时的预测结果作为最后的预测结果。
15、进一步地，控制门和更新门的信号分别表示为：
16、r＝σ(wr)·[ht-1,xt]
17、z＝σ(wz)·[ht-1,xt]
18、其中，xt为当前节点的交通信息，ht-1是上一个节点传递下来的隐藏状态，σ为激活函数，wr为控制门的权重，wz为更新门的权重，r为控制门信号，z为更新门的信号。
19、进一步地，s3中利用的激活函数为tanh函数。
20、进一步地，重置之后的隐藏状态为：
21、h′＝tanh(wh′[ht-1⊙r,xt])
22、其中，h′为重置之后的隐藏状态，wh′为重置之后的隐藏状态的权重，ht-1为上一个节点传递下来的隐藏状态，xt为当前节点的交通信息。
23、进一步地，s4中更新后的当前节点的隐藏状态为：
24、h″＝ht-1⊙z+h′⊙(1-z)
25、其中，h″为更新后的当前节点的隐藏状态，h′为重置之后的隐藏状态，z为门控信号，也就是更新门的信号，ht-1为上一个节点传递下来的隐藏状态。
26、进一步地，邻接矩阵a为：
27、
28、q＝hf′aq
29、k＝hf′ak
30、其中，q和k分别代表查询和键的表示，aq和ak为自注意机制的学习参数，d为q和k的隐藏维度大小，hf′为得到的最后一个隐藏状态。
31、进一步地，单向链接形式为：
32、
33、其中，relu和tanh为激活函数，a1、a2表示随机初始化的节点嵌入在训练期间学习得到的邻接矩阵，α是控制节点饱和率的超参数激活函数。
34、进一步地，图卷积表示为：
35、θ(l)x＝θ(uλut)x＝uθ(λ)utx
36、其中，θ为卷积核，u为图傅里叶基，λ为归一化的图拉普拉斯的特征值对角矩阵，l为图拉普拉斯矩阵，图拉普拉斯矩阵为：
37、l＝uλut
38、其中u为图傅里叶基，λ为归一化的图拉普拉斯的特征值对角矩阵。
39、进一步地，s9中，将经过图卷积后的历史流量数据通过离散傅里叶变换分解为频率基，频率基有实部p和虚部q，实部p和虚部q分别为门控线性单元中门极的输入。
40、进一步地，损失函数为：
41、
42、其中wθ是模型中可训练的参数；xt+1为真实值,y表示模型的预测值，xt为当前节点的交通信息，m为每个节点的时间卷积输入的长度，l为损失函数。
43、与现有技术相比，本专利技术具有以下有益效果：
44、本专利技术采用门控循环单元(gru)和注意力机制进行图学习，得到以邻接矩阵表本文档来自技高网...
【技术保护点】
1.一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，控制门和更新门的信号分别表示为：
3.根据权利要求2所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，S3中利用的激活函数为tanh函数。
4.根据权利要求3所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，重置之后的隐藏状态为：
5.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，S4中更新后的当前节点的隐藏状态为：
6.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，邻接矩阵A为：
7.根据权利要求6所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，单向链接形式为：
8.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，图卷积表示为：
9.根据权利要求1所述的一
10.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，损失函数为：
...【技术特征摘要】
1.一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，控制门和更新门的信号分别表示为：
3.根据权利要求2所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，s3中利用的激活函数为tanh函数。
4.根据权利要求3所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，重置之后的隐藏状态为：
5.根据权利要求1所述的一种基于改进时空图卷积神经网络的交通流量预测方法，其特征在于，s4中更新后的当前节点的隐藏状态为：
6.根据权利要求1所述的一种基...
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。