基于时空门控图卷积网络的交通速度预测方法及其应用

技术领域

本申请涉及时间序列预测领域，特别是涉及基于时空门控图卷积网络的交通速度预测方法及其应用。

背景技术

随着城市的发展，交通拥堵成为了一个日益严重的问题，准确的交通速度预测是解决这一个问题的关键。可靠的交通速度预测不仅可以帮助政府合理安排潮汐车道，还能够帮助公民合理地安排出行道路，然而交通网络有复杂的时空关联性，导致难以准确地对交通速度进行准确的预测。

交通速度在一天中具有明显的周期性，并且传感器的空间位置对交通速度具有很大的影响，目前交通速度虽然也与天气、车流量和时间等有关系，但是这些外在会反映在时间特征与空间特征中，可通过训练模型来捕获他们之间的联系，但是由于这些关系是多变的，因此无法百分百准确预测交通速度，只能准确的预测交通速度。交通传感器之间的空间依赖对于准确的交通速度预测来说十分重要，但目前的方法往往忽略了空间特征的时变特性，或者只获得了局部的空间特征，导致预测效果不理想。

因此，亟待一种基于时空门控图卷积网络的交通速度预测方法及其应用，以解决现有技术存在的问题。

发明内容

本申请实施例提供了基于时空门控图卷积网络的交通速度预测方法及其应用，针对目前技术忽略了空间特征的时变特性或只有局部空间特征，导致预测精度低的问题。

本发明核心技术主要是能够利用深度学习和时间序列数据处理等技术，分析在道路上设置的传感器数据和传感器的分布图来预测道路上在一定的时间后的交通速度。

第一方面，本申请提供了基于时空门控图卷积网络的交通速度预测方法，所述方法包括以下步骤：

S00、获取某一时刻的交通速度数据作为数据集，其中交通速度数据来源于设于交通道路上的多个传感器；

S10、将每个传感器在交通道路上的空间位置信息和交通速度数据输入到时空门控图卷积网络中，以训练生成时空门控图卷积网络的空间图生成模块、时空门控循环单元模块及自注意力模块的参数；

S20、在空间图生成模块中，利用带阈值的高斯核函数与传感器的空间位置信息生成邻接矩阵，并基于邻接矩阵生成全局空间图；

S30、将交通速度数据和全局空间图输入到时空门控循环单元模块，以提取交通网络中的时变空间特征和时间特征；

S40、将时变空间特征和时间特征输入到自注意力模块中，并进行位置编码，将该位置编码得到的数据输入到自注意力模块中，以提取待预测交通数据中的全局特征；

S50、利用时空门控图卷积网络的全连接层输出交通速度预测结果，其中全连接层作为输出层。

进一步地，S00步骤中，对数据集进行缺失值补全，并按照设定比例划分为训练集、验证集以及测试集。

进一步地，S10步骤中，时空门控图卷积网络以均方误差作为损失函数，平均绝对误差、均方根误差以及平均绝对百分比误差作为评价指标。

进一步地，S20步骤中，通过将邻接矩阵与K-hop算法结合以生成全局空间图。

进一步地，S40步骤中，通过对交通速度数据和全局空间图进行正弦位置编码后再利用自注意力模块提取预测交通数据中的全局特征。

进一步地，S40步骤中，自注意力模块采用多头自注意力机制。

进一步地，S40步骤中，通过增加多个分支的残差网络提高时空门控图卷积网络的模型训练效率，并在其中至少两个分支中加入不同的激活函数。

第二方面，本申请提供了基于时空门控图卷积网络的交通速度预测装置，包括：

输入模块，用于输入获取到的获取某一时刻的交通速度数据作为数据集，其中交通速度数据来源于设于交通道路上的多个传感器；输入待预测的输入到模型训练模块中；

模型训练模块，用于将每个传感器在交通道路上的空间位置信息和交通速度数据输入到时空门控图卷积网络中，以训练生成时空门控图卷积网络的空间图生成模块、时空门控循环单元模块及自注意力模块的参数；在空间图生成模块中，利用带阈值的高斯核函数与传感器的空间位置信息生成邻接矩阵，并基于邻接矩阵生成全局空间图；将交通速度数据和全局空间图输入到时空门控循环单元模块，以提取交通网络中的时变空间特征和时间特征；将时变空间特征和时间特征输入到自注意力模块中，并进行位置编码，将该位置编码得到的数据输入到自注意力模块中，以提取待预测交通数据中的全局特征；

输出模块，利用时空门控图卷积网络的全连接层输出交通速度预测结果，其中全连接层作为输出层。

第三方面，本申请提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的基于时空门控图卷积网络的交通速度预测方法。

第四方面，本申请提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的基于时空门控图卷积网络的交通速度预测方法。

本发明的主要贡献和创新点如下：1、与现有技术相比，本申请充分考虑到完整的空间特征以及时变特征，交通网络中隐含的空间信息、空间特征的时变特性与全局特征，通过时空门控卷积网络训练而成的模型来对交通输入进行预测，可以很好地解决目前交通速度存在的明显周期性以及传感器空间位置不同带来的影响，从而得到了更加精准的预测数据；

2、与现有技术相比，本申请仍旧能够采用目前常见的传感器获取交通速度数据的方式，并不需要对硬件部分的结构进行改变，从而显著降低了改进成本；

3、与现有技术(类似采用利用时空门控分析交通速度的方法)相比，本申请的结构主体为循环门控单元与图卷积网络，并没有采用门控卷积，并且在图卷积网络中更改了图卷积的计算方法，作为了一个门控单元加入了循环门控单元中，更好地融合了时空特征，与现有技术存在实质性区别；

4、与现有技术相比，本申请在时空特征之余，还考虑到了循环门控单元无法捕捉双向空间关系的问题，加入了自注意力模块来获得它的全局特征，同时提出了新的残差网络来提升模型的训练效果，重点是残差网络是一种新的结构，目前没有看到这种残差结构在其他地方出现。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的基于时空门控图卷积网络的交通速度预测方法的流程图；

图2是本申请所采用的网络结构图；

图3是本申请的时空门控循环单元结构图；

图4是根据本申请实施例的电子装置的硬件结构示意图。

具体实施方式

这里将详细的对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

目前的方法往往忽略了空间特征的时变特性，或者只获得了局部的空间特征，导致预测不准确的问题。

基于此，本发明基于时空门控图卷积网络，本时空门控图卷积网络训练得到的模型采用时空门控循环单元模块提取交通网络中的时变空间特征ST和时间特征T，利用自注意力模块提取交通数据中的全局特征G，最后利用全连接层来获得最终的交通速度预测数据，来解决现有技术存在的问题。

实施例一

本申请旨在提出一种基于时空门控图卷积网络的交通速度预测方法，具体地，参考图1，所述方法包括以下步骤：

S00、获取某一时刻的交通速度数据作为数据集，其中交通速度数据来源于设于交通道路上的多个传感器；

在本实施例中，在交通道路上设置个N传感器，收集t个时刻的交通速度数据作为数据集，而数据

优选地，在道路上设置N个传感器，每30秒收集一次交通速度数据，在使用时聚合成每5分钟一个数据，收集到p个时刻的交通速度数据(

其中Z为标准化后的数据，X为交通速度数据，μ为交通速度数据的均值，s为交通速度数据的方差。

S10、将每个传感器在交通道路上的空间位置信息和交通速度数据输入到时空门控图卷积网络中，以训练生成时空门控图卷积网络的空间图生成模块、时空门控循环单元模块及自注意力模块的参数；

在本实施例中，如图2所示，将传感器在交通道路上的空间位置信息和收集到的交通速度数据输入到时空门控图卷积网络中训练空间图生成模块、时空门控循环单元模块和自注意力模块的参数(即可训练的参数，如空间图生成模块的权重参数W

优选地，本申请的时空门控图卷积网络采用均方误差(MSE)作为损失函数，平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为评价指标，计算方法如下：

/>

其中，mean为取平均值，H为预测的时间长度，N为传感器的数量，

优选地，具体训练过程中，网络输入为共T个时刻的交通速度数据和空间图生成模块生成的全局空间图G

优选地，具体模型的测试过程中，输入测试集的T个时刻的交通速度数据和全局空间图G

S20、在空间图生成模块中，利用带阈值的高斯核函数与传感器的空间位置信息生成邻接矩阵，并基于邻接矩阵生成全局空间图；

在本实施例中，在空间图生成模块中，利用传感器在交通道路上的空间位置信息和带阈值的高斯核函数生成邻接矩阵A∈R

优选地，具体参见图2中的A部分，邻接矩阵A∈R

其中，W

K-hop邻接矩阵：将邻接矩阵A∈R

其中，

全局空间图G

/>

其中，relu为relu激活函数，layernorm是层归一化，W

S30、将交通速度数据和全局空间图G

在本实施例中，参见图2中的B部分，为了提取到时变空间特征ST和时间特征T，将图卷积网络作为一个新的空间门S

在本实施例中，在训练和使用时空门控循环单元时，会将全局空间图G

KGC＝(G

式中，KGC为K-hop图卷积，diag为获得对角矩阵的函数，X

将KGC与重置门r

其中

S40、将时变空间特征ST和时间特征T输入到自注意力模块中，并进行位置编码，将该位置编码得到的数据输入到自注意力模块中，以提取待预测交通数据中的全局特征G；

在本实施例中，参见图2中的C部分，位置编码时，首先对输入的特征进行正弦位置编码，防止在提取全局特征时忽略交通速度之间的时间关联，正弦位置编码计算方法如下：

式中，pe

优选地，在位置编码后，利用自注意力层来获取交通数据的全局特征，自注意力层使用多头自注意机制，多头自注意机制计算方法如下：

Q＝x

head

Multihead(x

其中，Q，K和V分别是查询向量，键值向量和内容向量，W

优选地，在自注意力层后，使用残差网络来提高模型训练效率，降低训练时梯度爆炸的风险，并且获得多个方面的全局特征。为了让残差网络更好地适用于交通速度预测，将常规的残差网络增加到了三个分支，并且在其中的两个分支加上了不同的激活函数，具体计算方法如下：

output＝layernorm(σ(value)+relu(value)+value)

式中，output为归一化后的全局特征G，layernorm为层归一化，σ和relu分别为sigmoid激活函数和relu激活函数，value为输入特征。

S50、利用时空门控图卷积网络的全连接层输出交通速度预测结果，其中全连接层作为输出层。

实施例二

基于相同的构思，本申请还提出了基于时空门控图卷积网络的交通速度预测装置，包括：

输入模块，用于输入获取到的获取某一时刻的交通速度数据作为数据集，其中交通速度数据来源于设于交通道路上的多个传感器；输入待预测的输入到模型训练模块中；

模型训练模块，用于将每个传感器在交通道路上的空间位置信息和交通速度数据输入到时空门控图卷积网络中，以训练生成时空门控图卷积网络的空间图生成模块、时空门控循环单元模块及自注意力模块的参数；在空间图生成模块中，利用带阈值的高斯核函数与传感器的空间位置信息生成邻接矩阵，并基于邻接矩阵生成全局空间图；将交通速度数据和全局空间图输入到时空门控循环单元模块，以提取交通网络中的时变空间特征和时间特征；将时变空间特征和时间特征输入到自注意力模块中，并进行位置编码，将该位置编码得到的数据输入到自注意力模块中，以提取待预测交通数据中的全局特征；

输出模块，利用时空门控图卷积网络的全连接层输出交通速度预测结果，其中全连接层作为输出层。

实施例三

本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

具体地，上述处理器402可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecificIntegratedCircuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器(HardDiskDrive，简称为HDD)、软盘驱动器、固态驱动器(SolidStateDrive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性(Non-Volatile)存储器。在特定实施例中，存储器404包括只读存储器(Read-OnlyMemory，简称为ROM)和随机存取存储器(RandomAccessMemory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(ProgrammableRead-OnlyMemory，简称为PROM)、可擦除PROM(ErasableProgrammableRead-OnlyMemory，简称为EPROM)、电可擦除PROM(ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM)、电可改写ROM(ElectricallyAlterableRead-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(StaticRandom-AccessMemory，简称为SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器404(FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM)、同步动态随机存取内存(SynchronousDynamicRandom-AccessMemory，简称SDRAM)等。

存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。

处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意基于时空门控图卷积网络的交通速度预测方法。

可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。

传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是待预测的交通数据等，输出的信息可以是最终的交通速度预测结果等。

实施例四

本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的基于时空门控图卷积网络的交通速度预测方法。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。

本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。

本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以作出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。