一种属性增强的感知时序图卷积网络交通速度预测方法

技术领域

本发明涉及智能交通领域，特别是涉及一种属性增强的感知时序图卷积网络交通速度预测方法。

背景技术

在智能交通系统中，准确的交通状况预测具有重要意义。为了缓解城市道路的拥堵，交通信号灯需要通过预测的交通参数，如路口速度、流量和路口转弯比等，自适应地生成交通信号。作为重要的参数之一，道路速度的预测质量严重影响智能交通控制的性能。除了交通信号灯的控制之外，准确的道路速度预测在自动驾驶、预计到达时间等领域中也发挥着重要作用。

在一定程度上，交通参数的数据收集方法是否高效，会影响数据分析的结果。随着V2X网络基础设施的不断完善，部署在道路和车辆上更多的实时传感器，例如回路检测器和车载单元，可以方便地将各种数据以低延迟上传到云端进行进一步的处理。实际上，尽管已经实现了相关静态或动态数据的获取，但由于综合的路网结构和顺序周期性，精确预测上述参数仍然是一个很大的挑战。由于道路之间的连通性，相邻道路发生的动态变化会不断影响目标道路。此外，基于先验知识，未来的交通状况高度依赖于历史状态和特定周期性。因此，在考虑计算能力的前提下，预测模型从现实世界中收集的时间序列数据中提取时空关系和周期性是至关重要的和必要的。

针对这个问题，解决方法可以分为两类：基于模型的方法和数据驱动的方法。现有模型大多数尝试使用深度学习技术来捕获流量行为模式。其中，循环神经网络(RNN)及其变体、门控循环单元(GRU)和长短期记忆(LSTM)通常用于提取时间依赖性，图神经网络(GNN)及其变体通常用于理解空间依赖性。随着注意力机制的发展，它在特征相关性提取方面已被证明是有效的，在周期性交通行为预测中具有巨大的应用潜力。

申请号为202210179481.1的发明专利申请公开一种融合时空注意力神经网络和交通模型的交通流预测方法，将深度学习中的神经网络模型与交通仿真进行有效融合，在进行交通流量预测时不止运用到了节点的流量特征，同时也考虑到了节点的速度特征，并经由交通仿真模型将速度特征转换成流量特征。此外，一些外部要素包括天气、地域因素等也会对交通特性产生影响，如何有效利用外部因素条件帮助时序预测也成为了预测算法设计的挑战之一。

发明内容

本发明主要解决的技术问题是提供一种属性增强的感知时序图卷积网络交通速度预测方法，充分利用外部因素条件，提升预测效能。

受益于深度神经网络的发展，在空间和时间依赖性捕获方面取得了巨大的进展。对于时间关系提取，GRU和LSTM已被广泛用于处理大量流量数据集并表现出良好的预测能力。它们都是RNN网络的成功变体，并且具有相似的结构，可以根据最近的几个步骤推导出未来的状态。而GRU由于其结构比LSTM更简单，并且可以在一定程度上避免梯度消失问题而受到更多关注。

对于空间关系提取，CNN和GNN被广泛使用。CNN在欧几里得数据上表现出稳定的性能，例如图像和视频识别。由于交通数据是非欧几里得数据的形式，CNN无法很好地处理它们。因此，GNN在处理交通网络空间依赖性提取时引起了更多关注。此外，图卷积网络(GCN)通过考虑节点之间的连接性而得到广泛应用。

此外，随着注意力机制吸引了更多的研究人员，类似Transformer的框架，例如Informer，被应用于解决长序列预测问题，流量预测问题也不例外。注意力机制的原理是计算每对输入元素之间的相关性，并尝试从样本中找到最相关的一对来进行预测。一些研究成功地尝试将注意力机制集成到一些简洁的神经网络中，而不是直接应用类似Transformer的架构，因为结构复杂且计算时间较长。代表性模型包括图注意力网络(GAT)和双重注意力网络(DANet)。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种属性增强的感知时序图卷积网络交通速度预测方法，包括以下步骤：

步骤1，向属性增强的感知时序图卷积网络中输入交通路网的速度数据II、邻接矩阵G、静态外部信息α和动态外部信息β，属性增强的感知时序图卷积网络包括属性增强层、空间信息提取层、时间信息提取层和全连接层；

步骤2，将速度数据和动态外部信息按照时间分别划分为{II

步骤3，将所有数据划分为训练集和测试集；

步骤4，将训练集数据输入网络，利用属性增强层中的属性增强单元对速度数据II、邻接矩阵G、静态外部信息α和动态外部信息β进行处理整合，在t时刻，获得输出E

步骤5，选择GAT单元作为基于注意力的空间信息提取层来考虑网络连接关系，GAT架构中,每一节点代表一条道路，根据邻接矩阵可知每个节点的连接情况，某节点

节点

其中

其中，

为了找到每个点的最终输出特征，平均结果为以下公式2：

空间信息提取层通过GAT单元对属性增强单元整合后的整合信息进行空间依赖性提取，输出信息提取后的特征矩阵，将每条道路视为一个节点，对于节点

步骤6，将特征矩阵输入时间信息提取层，通过GRU单元对特征矩阵进行时序信息提取，GRU单元结合当前输入x

r＝σ(W

z＝σ(W

其中σ为Sigmoid函数，W

h

并计算候选状态h′，其中W为参数矩阵：

h′＝tanh(Wx

更新当前时间点隐状态h

h

步骤7，将GRU单元计算的特征数据进行拼接，作为全连接层的输入；

步骤8，全连接层计算最终网络输出结果，即预测速度值；

步骤9，重复步骤4到8，将训练集数据依次输入属性增强的感知时序图卷积网络，计算输出，根据网络输出计算损失，进行模型更新学习，直到迭代次数上限或损失足够小，则结束训练，得到训练好的模型；

步骤10，实际应用中，将实时观测数据，包括速度数据以及外部信息数据连同邻接矩阵一起输入训练好的模型，模型输出值即为速度预测值。

在本发明一个较佳实施例中，道路的拓扑结构用图G＝{P,C,A}来表示，每个数据采集位置为一个点，P为点集，C为连通边集，A是包含整个路网空间依赖关系的邻接矩阵，为了构造邻接矩阵，每两个节点之间分配0和1的元素，0表示两个节点断开连接，1表示两个位置连接。

在本发明一个较佳实施例中，包含P个点的

在本发明一个较佳实施例中，将外部因素的影响视为附属属性矩阵M，构造一个属性矩阵[M

在本发明一个较佳实施例中，利用属性增强层将静态外部信息α和动态外部信息β整合并做信息增强，一个有n种要素的静态要素矩阵表示为α∈R

在本发明一个较佳实施例中，通过β∈R

本发明的有益效果是：本发明指出的一种属性增强的感知时序图卷积网络交通速度预测方法，同时考虑时空信息和周期性，提出了一种包含空间信息提取层、时间信息提取层的时序预测深度模型来提取时空信息，并具有更好的性能，从流量数据集中了解周期性模式，并考虑了静态与动态两种外部因素，提出了状态预测的外部因素利用方案，通过对外部因素的利用，提升模型对数据时序性的感知，从而提高模型的预测效能。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：

图1是本发明一种属性增强的感知时序图卷积网络交通速度预测方法中利用到的属性增强的感知时序图卷积网络的结构示意图；

图2是图1中空间信息提取层的结构示意图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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它实施例，都属于本发明保护的范围。

可以通过考虑历史数据和路网结构来预测链路速度，也即是道路的平均速度。在进一步研究交通数据特征之前，道路的拓扑结构用图G＝{P,C,A}来表示，每个数据采集位置为一个点，P为点集，C为连通边集，A是包含整个路网空间依赖关系的邻接矩阵，为了构造邻接矩阵，每两个节点之间分配0和1的元素，0表示两个节点断开连接，1表示两个位置连接。

包含P个点的

将外部因素的影响视为附属属性矩阵M，构造一个属性矩阵[M

请参阅图1，本发明实施例包括：

一种属性增强的感知时序图卷积网络交通速度预测方法，包括以下步骤：

步骤1，向属性增强的感知时序图卷积网络中输入交通路网的速度数据II、邻接矩阵G、静态外部信息α和动态外部信息β，如图1所示，属性增强的感知时序图卷积网络包括属性增强层、空间信息提取层、时间信息提取层和全连接层，是为交通速度预测的首创设计；

属性增强单元，对应图1中的A2Unit，将外部信息与历史属性特征矩阵做整合，通过GAT提取整合后矩阵的空间信息，时间信息提取层将基于注意力的空间信息提取层的输出作为输入，并将处理后的时间信息传播到全连接层以生成最终输出；

步骤2，将速度数据和动态外部信息按照时间分别划分为{II

步骤3，将所有数据划分为训练集和测试集；

步骤4，将训练集数据输入网络，利用属性增强层中的属性增强单元对速度数据II、邻接矩阵G、静态外部信息α和动态外部信息β进行处理整合，在t时刻，获得输出E

在利用属性增强层将静态外部信息α和动态外部信息β整合的过程中做信息增强，一个有n种要素的静态要素矩阵表示为α∈R

步骤5，选择GAT单元作为基于注意力的空间信息提取层来考虑网络连接关系，如图所示，GAT架构中,每一节点代表一条道路，根据邻接矩阵可知每个节点的连接情况，某节点

节点

其中

其中，

为了找到每个点的最终输出特征，平均结果为以下公式2：

空间信息提取层通过GAT单元对属性增强单元整合后的整合信息进行空间依赖性提取，输出信息提取后的特征矩阵，将每条道路视为一个节点，对于节点

步骤6，将特征矩阵输入时间信息提取层，通过GRU单元对特征矩阵进行时序信息提取，与RNN和LSTM相比，GRU的结构具有更高的计算效率，并且可以缓解训练过程中的梯度消失问题，因此，选择GRU单元组成作为时间信息提取层，GRU中的门控机制是为了保留遥远的时间信息；

GRU单元结合当前输入x

r＝σ(W

z＝σ(W

其中σ为Sigmoid函数，W

h

并计算候选状态h′，其中W为参数矩阵：

h′＝tanh(Wx

更新当前时间点隐状态h

h

步骤7，将GRU单元计算的特征数据进行拼接，作为全连接层的输入；

步骤8，全连接层计算最终网络输出结果，即预测速度值；

步骤9，重复步骤4到8，将训练集数据依次输入属性增强的感知时序图卷积网络，计算输出，根据网络输出计算损失，进行模型更新学习，直到迭代次数上限或损失足够小，则结束训练，得到训练好的模型；

步骤10，实际应用中，将实时观测数据，包括速度数据以及外部信息数据连同邻接矩阵一起输入训练好的模型，模型输出值即为速度预测值。

为了验证属性增强的感知时序图卷积网络(TGAT模型)的效果，将此模型应用到广泛使用的2个现实世界的数据集，以进一步证明该模型的有效性。

第一个数据集是真实世界的交通速度数据集SZ-tax i，于2015年9月在中国广东省深圳市罗湖区收集。该数据集中记录了1月1日至1月31日期间156条道路每5分钟的平均速度，此外，邻接156条道路的矩阵也包含在数据集中。

第二个数据集是Los-l oop，是2012年3月1日至7日在美国洛杉矶高速公路上的环路检测器记录的，此数据集通过207个传感器，每5分钟记录一次交通速度，除了交通速度之外，还提供了207个传感器的邻接矩阵。

在外部信息的收集方面，天气信息来自于当地具体日期的天气记录。地域信息根据谷歌地图收集，将地图进行区域划分，收集每个区域内的主要地域要素，包括学校、住宅区和商业区等。

外部信息预处理：

将区域主要要素划分8个种类，包括交通服务区域、购物中心、住宅区、学校区域、医疗区域、生活服务区域、饮服务区域和其他。区域内的主要要素将作为区域的代表区域，并被标上标签作为静态外部因素信息。

天气信息被分为5种类别，包括晴天、多云、大雾、小雨和大雨，用标签1到5表示，统计时间间隔与速度数据集时间间隔保持一致。

评估指标：

三个常用指标包括RMSE、MAE和预测精度，用于评估GAT和其他对照模型的性能；

均方根误差(RMSE):

平均绝对误差(MAE):

准确率:

其中y

对照模型和实验设定：

使用五种最先进的交通速度预测时间序列预测模型与TGAT进行比较。这些模型包括纯时间序列模型Gate Recurrent Unit(GRU)、Transformer和Informer以及时空模型Spatial-Temporal Graph Convolutional Networks(STGCN)和Spatial-TemporalTransformer Network(STTN)。GRU对于短期时间序列预测是有效的，而Transformer和Informer可以保证短期和长期预测的准确性。同时，STGCN和STTN因其同时捕获空间和时间信息的能力而脱颖而出，在大型网络中获得了较高的预测精度。实验设置采用具有10个隐藏节点的8层GAT网络进行空间信息提取。之后，具有512个隐藏节点的单层GRU接收GAT的输出，并实现基于时间信息提取的交通速度预测。在实验中，使用均方误差(MSE)作为损失函数，从0.001的学习率开始。所提出的方法使用Adam优化器进行优化，批量大小为16。训练周期总共100个步骤，所有模型都在RTX3060 GPU上实现和评估。

实验结果：

将TGAT模型与其他对照模型一起应用于未来15分钟、30分钟、45分钟和60分钟4个时间段的预测。表I显示了在SZ-tax i数据集上的实验结果，表I I显示了在Los-l oop数据集上的实验结果。

表I:SZ-tax i数据集实验结果

表I I:Los-l oop数据集实验结果

扰动和鲁棒性分析：

根据表I和表I I，TGAT模型在不同预测范围的所有场景下都优于其他基线模型，与GRU、Transformer和I nformer相比，TGAT取得了良好的表现，具有更高的预测精度和更低的RMSE和MAE。在数小时内的短期预测中，TGAT能够捕获短期时间依赖性，从而确保性能和短期预测场景。同时，TGAT中的GAT网络确保TGAT能够更好地利用注意力方法从邻接矩阵中提取空间信息，这使得TGAT优于STGCN和STTN。

综上所述，本发明指出的一种属性增强的感知时序图卷积网络交通速度预测方法，首次提出TGAT模型来处理交通速度预测问题，考虑时空关系，利用注意力机制捕捉全局视角下的交通行为周期性，并验证了TGAT模型的可行性，总体预测性能优于其他常用基线算法，TGAT模型可以应用于不同的交通特征预测场景，包括车流预测、客流预测、公共交通需求预测以及其他与地理因素密切相关的预测场景。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。