一种基于多维度时间和空间依赖挖掘的交通流量预测方法

技术领域

本发明涉及一种基于多维度时间和空间依赖挖掘的交通流量预测方法

背景技术

交通流量预测(traffic flow prediction)是近年来智慧交通研究的热点方向。借助深度学习工具来对交通流在时间轴上的特征变化趋势和交通节点间的空间交互关系进行特征分析，并依据提取出来的时空特征得到较为准确的预测结果。基于深度学习的交通流量预测方法不仅完全避免了人工对数据的分析处理过程，而且通过多组模块之间的嵌合可以得到隐含的时空关联特征，从而提高对交通流量预测的准确性，因此受到了国内外学者的广泛关注。

具体的，给定交通流量数据

其中，X

其中Opimizer(·)表示优化过程，Loss(·)表示选取的损失函数，X

发明内容

本发明实施例是提供一种基于时间和空间特征依赖挖掘的交通流量预测方法，可以更精确地对交通流量进行预测，提高智慧交通系统的鲁棒性。

本发明解决上述问题的方案如下：一种基于多维度时间和空间特征依赖挖掘的交通流量预测方法，其特征在于：在交通流量预测模型中，引入了异构组件自适应时间特征提取模块，利用基于时间卷积网络(Temporal Convolution Network，TCN)的自适应时间特征提取模块和基于自注意力机制的多元时间特征融合模块(Self-attention FeaturesMerge Module，SFMM)，扩张模型对关键时间特征的感受空间，提高模型在时间维度的特征抽取能力，即采用下述模型进行时间特征的提取：

其中

具体的SATCN模块可分解为具体的如下运算过程，首先我们通过定义多层时间卷积来在时间维度进行特征提取：

其中

同时我们使用SFMM来对模型时间特征提取域的扩展。SFMM内部使用多头自注意力机制来进行对不同维度的特征进行融合的工作。一般来说自注意力机制使用单一输入的不同变换形式作为Query，Key和Value来计算输出。Query和Key被用来计算注意力分。注意力分和Value的乘积即为最终的输出结果。在这里SFMM使用原始输入序列X

其中

/>

其中

其中Q

其中

SATCN和SFMM的使用有效地在时间维度对交通流数据进行了特征提取。交通节点之间的空间特征同样对交通流量的变化起到了决定性的作用。在我们提出的模型中复合图卷积模块(Compound Graph Convolution Module，CGCM)被用来从多个域中提取数据的空间特征。

CGCM由两个图卷积网络(Graph Convolution Network，GCN)和一个门控单元组成。两个GCN分别用来从已知的节点空间拓扑信息和交通流数据本身提取空间特征。GCN使用图傅里叶变换将原始的图节点信息从空域转换到谱域来进行卷积运算。

其中

引入切比雪夫多项式来降低式(9)的计算复杂度：

其中λ

节点空间拓扑信息包含在邻接矩阵

其中X

在另一路GCN中，通过节点嵌入来学习数据自身所表现出的节点互作用模式，其中节点嵌入可表示为

e＝min{e|2

之后用以表示交通数据内含的节点间空间关联表征可根据公式(13)得到。

其中A

为避免现实拓扑关系矩阵中包含的人工误差以及从噪声数据中学习的到干扰空间关联影响最终的预测结果，采用一门控单元来融合X

其中X

其中

本发明的有益效果是：本发明所述的一种基于多维度时间和空间依赖挖掘的交通流量预测方法，该方法首先将历史交通流数据转化为模型处理所需的形式，通过自适应时间卷积网络(SATCN)作为编码器来获取交通流数据的高维局部隐含特征，引入自注意力机制来获取非局部特征并将局部和非局部特征相融合的交通时间特征提取方法。同时采用两路图卷积网络的复合图卷积模块(CGCM)分别对交通节点之间的现实拓扑特性和数据内生节点关联进行了探索。之后采用了一个门控单元对数据的流向进行了一定的限制，从而规避了数据采集和处理过程中的误差，进一步提高了模型对未来交通流量的预测准确性。

在上述技术方案的基础上，本发明还可作如下改进：

进一步，所述时空特征抓取模型是基于构建分时特征关联，在获得表征节点间关联的空间特征矩阵的基础上，采用基于临近周期映射的子网络来构建空间特征邻接矩阵的分时表征对不同时刻交通节点之间的空间关联进行建模，具体步骤如下：

首先基于每日时间片构建时间片嵌入

其中Timestamps是每日的采集的时间片数，以每五分一次的采样频率计算，则其值为288。该时间片嵌入通过扰动映射矩阵

采用矩阵P

其中

其中

附图说明：

图1为本发明涉及的一种基于多维度时间和空间依赖挖掘的交通流量预测方法的结构图；

图2为本发明涉及的一种基于多维度时间和空间依赖挖掘的交通流量预测方法的总流程图；

图3为本发明采用的时间特征提取子模块的特征提取步骤流程图：

图4为本发明采用的复合图神经网络抓取交通节点之间空间特征的步骤流程图：

具体实施方式

以下结合附图并对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明涉及的一种基于多维度时间和空间依赖挖掘的交通流量预测方法的结构图；

图2为本发明设计的一种基于多维度时间和空间依赖挖掘的交通流量预测方法的总流程图；

图3为本发明采用的时间特征提取子模块的特征提取步骤流程图，图4为本发明采用的复合图神经网络抓取交通节点之间空间特征的步骤流程图。如图2，3，4所示，一种基于时间和空间依赖挖掘的交通流量预测方法的具体步骤如下：

由用户提供具体的交通特征原始数据：

步骤一：首先将原始交通序列规整化为一个时间空特征序列矩阵，对多元交通侦测节点上的序列数据进行对齐，而后进行正规化等预处理过程生成一组时空特征序列值

步骤二：将获取到的特征送入第一层全连接线性层进行升维，扩展数据的信息表征维度得到高维特征矩阵

步骤三：模型根据T和卷积核大小来判定生成多少时间卷积层数以及是否生成自适应卷积层来生成最终的高维局部时间特征。以每五分钟采样一次的频率，取一小时的历史数据作为T的取值即T＝12，卷积核为3，则此时每层卷积会将该层时间序列长度缩减2，当堆叠五层时间卷积后，剩余序列长度为2，需要一层自适应层来进一步生成最终的时间特征表示。即此时卷积核大小为2。

步骤四：使用生成的时间卷积层以及自适应层对序列X

其中，BatchNormal表示批归一化操作，Dropout表示随机丢弃操作，此处选取的随机丢弃概率为0.5，且该操作只在模型训练阶段生效，在模型的使用及预测阶段不生效。H

步骤五：使用自注意力机制进一步从全局维度观测交通的时间维度特征，并将X

其中由于X

步骤六：将X

其中

将X

以上所述仅为本发明的较佳实施例子，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。