基于时空混合图卷积的城市交通预测方法和装置
文献发布时间：2024-04-18 19:58:30
技术领域
本发明涉及一种城市路段速度预测方法和装置。
背景技术
随着深度学习的不断发展，智能交通领域得到了进一步的发展，尤其是交通预测方向，成为当下研究的热门。现有的方法都是基于时空维度对城市路网进行特征提取，建立时空依赖关系。在空间特征上，普通的图卷积及其变种在经过多层叠加后都会出现节点过平滑现象，节点呈现相似性，无法准确的描述路段属性。其次在时间依赖性上，主流方法采用递归神经网络，该方法虽然能通过历史序列信息预测未来的时序，但时间序列信息无法并行执行，在长期预测问题上仍存在局限性。
发明内容
为克服现有技术的不足，本发明提出时空混合图卷积的交通速度预测方法和装置。
本发明主要是通过混合图卷积来对路网空间结构进行处理，分别从全局和局部出发，利用图卷积提取全局特征，利用图注意力网络提取局部特征，最后经过融合层达到深度挖掘路网空间潜在信息的目的。另外，对于时间维度的信息，采用长序列预测模型Informer来建立路网对时间的依赖，相对于其他时序模型，该模型可以处理更加复杂的时间序列，进行交通流的长期预测。
本发明使用的技术方案：
基于时空混合图卷的城市交通预测方法，具体步骤如下：
步骤1，对路网数据进行建模，过程如下：
1.1记录各路段的速度时间序列；
通过检测装置，分别对每条路段所有车辆速度进行记录并求平均，记录时间窗口设为15分钟，得到关于速度的时序X＝(X
1.2对各路段之间的邻接关系建模，过程如下：
对路网中所有的路段赋予节点属性，并对其邻接关系进行独热编码，得到邻接矩阵A，A∈R
步骤2，路网空间特征提取建模，过程如下：
2.1提取局部空间特征；
真实交通路网中，目标路段对周围相邻路段的依赖性较大，为了区分不同路段对目标路段的影响，本发明采用图注意力网络GAT来捕捉局部特征，GAT在汇聚节点信息时，对每个邻居节点赋予不同的权重系数，在传播过程中引入自注意力机制，每个节点的隐藏状态通过注意其邻居节点来计算，该网络既可以准确的捕捉到路网的空间特征，又能判断出相邻路段对目标路段不同的影响性。对节点(i，j)的注意力系数计算方法如下：
e
其中e
其中N
2.2提取全局空间特征；
为了提取路网的全局空间特征，采用图卷积模型GCN，不同于GAT的注意力权重，该模型在汇聚节点特征信息时会进行平均操作，在一定程度上不会造成信息损失，有利于得到更远节点的信息，进而获得全局依赖关系，具体公式如下：
其中
2.3挖掘空间特征的深度；
为了解决2.1和2.2节中局部和全局模型在层堆叠出现的节点过平滑现象，引入密集连接网络进行层连接，组成密集块，密集连接网络通过对每层网络的输入输出进行向量拼接，达到加强空间特征的传递和使用的目的，同时也减轻模型在反向传播过程中出现的梯度消失。将密集连接网络与GAT和GCN相结合，多次重复的利用路网的空间特征。传播方式公式为：
x
其中x
2.4融合全局和局部信息的空间特征；
为了更好的融合全局和局部的信息，本发明通过引入可训练权重对两者进行信息提取，具体融合公式如下：
其中
步骤3，路网时间依赖建模，过程如下：
对于时间特征的捕获，本发明利用Informer模型来建立路网对时间的依赖性，Informer对待长序列问题具有较强的预测能力，该模型采用encoder-decoder框架，在transformer基础上引进ProbSparse自注意力替代自注意力机制(self-attention)来降低长序列计算复杂度，随机采样一定数量的K，将所有的Q与采样的K做内积，通过得分选取一定数量差异较大的Q，剩余的Q用V的均值替代，计算过程如下：
其中d为Q为维度，另外每次层堆叠之前都会利用一维卷积来进行下采样操作，进一步降低计算复杂度。需要注意的是每个节点都使用独立的Informer模型进行预测，即Informer数量对应路网中路段数量。
步骤4，时空混合图卷积模型建模，过程如下：
将步骤2中的混合图卷积密集连接块与时间依赖模型相结合，组成可提取路网时空特征的时空混合图卷积模型，将前n个时间步的序列X＝(X
[X
其中G为道路网络，用无向图G＝(V，E)来描述路网的拓扑结构，把每条路段作为一个节点，V是一组道路节点，V＝{v
步骤5，设置评价指标，对预测结果的准确度进行评估：
采用5个主流的评价指标来描述真实交通速度Y
1.均方根误差RMSE：
2.平均绝对误差MAE：
3.精确度Accuracy：
4.可决系数R2：
5.解释方差分数Var：
其中RMSE和MAE代表Y和
步骤6，基于上述已构造的网络模型，确立整体预测方法：
将步骤1中收集的速度时序和描述路段间邻接关系的邻接矩阵进行分析和数据建模，划分为训练集和测试集。利用步骤2的混合图卷积对时序进行空间特征提取，经过融合函数后送入长序列预测模型中，选定损失函数和评价指标，调整模型超参数，使得模型达到最佳预测性能，并用测试集对模型性能进行评估。
本发明的第二个方面涉及基于时空混合图卷积的城市交通预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明的基于时空混合图卷积的城市交通预测方法。
本发明的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本发明的基于时空混合图卷积的城市交通预测方法。
本发明的有益效果为：通过对城市交通路网时空信息的提取，深度挖掘路网空间特征，可以增强交通管理能力，减少交通拥堵成本。
附图说明
图1是本发明所提出时空混合图卷的神经网络模型示意图。
图2是本发明的方法流程图。
具体实施过程
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
实施例1
本实施例涉及基于时空混合图卷积的城市交通预测方法，包括如下步骤：
步骤1，对路网数据进行建模，过程如下：
1.1记录各路段的速度时间序列；
通过检测装置，分别对每条路段所有车辆速度进行记录并求平均，记录时间窗口设为15分钟，得到关于速度的时序X＝(X
1.2对各路段之间的邻接关系建模，过程如下：
对路网中所有的路段赋予节点属性，并对其邻接关系进行独热编码，得到邻接矩阵A，A∈R
步骤2，路网空间特征提取建模，过程如下：
2.1提取局部空间特征；
真实交通路网中，目标路段对周围相邻路段的依赖性较大，为了区分不同路段对目标路段的影响，本发明采用图注意力网络GAT来捕捉局部特征，GAT在汇聚节点信息时，对每个邻居节点赋予不同的权重系数，在传播过程中引入自注意力机制，每个节点的隐藏状态通过注意其邻居节点来计算，该网络既可以准确的捕捉到路网的空间特征，又能判断出相邻路段对目标路段不同的影响性。对节点(i，j)的注意力系数计算方法如下：
e
其中e
其中N
2.2提取全局空间特征；
为了提取路网的全局空间特征，采用图卷积模型GCN，不同于GAT的注意力权重，该模型在汇聚节点特征信息时会进行平均操作，在一定程度上不会造成信息损失，有利于得到更远节点的信息，进而获得全局依赖关系，具体公式如下：
其中
2.3掘空间特征的深度挖；
为了解决2.1和2.2节中局部和全局模型在层堆叠出现的节点过平滑现象，引入密集连接网络进行层连接，组成密集块，密集连接网络通过对每层网络的输入输出进行向量拼接，达到加强空间特征的传递和使用的目的，同时也减轻模型在反向传播过程中出现的梯度消失。将密集连接网络与GAT和GCN相结合，多次重复的利用路网的空间特征。传播方式公式为：
x
其中x
2.4融合全局和局部信息的空间特征；
为了更好的融合全局和局部的信息，本发明通过引入可训练权重对两者进行信息提取，具体融合公式如下：
其中
步骤3，路网时间依赖建模，过程如下：
对于时间特征的捕获，本发明利用Informer模型来建立路网对时间的依赖性，Informer对待长序列问题具有较强的预测能力，该模型采用encoder-decoder框架，在transformer基础上引进ProbSparse自注意力替代自注意力机制(self-attention)来降低长序列计算复杂度，随机采样一定数量的K，将所有的Q与采样的K做内积，通过得分选取一定数量差异较大的Q，剩余的Q用V的均值替代，计算过程如下：
其中d为Q为维度，另外每次层堆叠之前都会利用一维卷积来进行下采样操作，进一步降低计算复杂度。需要注意的是每个节点都使用独立的Informer模型进行预测，即Informer数量对应路网中路段数量。
步骤4，时空混合图卷积模型建模，过程如下：
将步骤2中的混合图卷积密集连接块与时间依赖模型相结合，组成可提取路网时空特征的时空混合图卷积模型，将前n个时间步的序列X＝(X
[X
其中G为道路网络，用无向图G＝(V，E)来描述路网的拓扑结构，把每条路段作为一个节点，V是一组道路节点，V＝{v
步骤5，设置评价指标，对预测结果的准确度进行评估：
采用5个主流的评价指标来描述真实交通速度Y
6.均方根误差RMSE：
7.平均绝对误差MAE：
8.精确度Accuracy：
9.可决系数R2：
10.解释方差分数Var：
其中RMSE和MAE代表Y和
步骤6，基于上述已构造的网络模型，确立整体预测方法：
将步骤1中收集的速度时序和描述路段间邻接关系的邻接矩阵进行分析和数据建模，划分为训练集和测试集。利用步骤2的混合图卷积对时序进行空间特征提取，经过融合函数后送入长序列预测模型中，选定损失函数和评价指标，调整模型超参数，使得模型达到最佳预测性能，并用测试集对模型性能进行评估。
实施例2
本实施例涉及基于时空混合图卷积的城市交通预测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现实施例1的基于时空混合图卷积的城市交通预测方法。
实施例3
本实施例涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现实施例1的基于时空混合图卷积的城市交通预测方法。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。