[發明專利]一種基于圖注意力卷積網絡的交通流量預測方法

有效

• 申請號: 202010164451.4
• 申請日: 2020-03-11
• 公開（公告）號: CN111223301B
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 鄭宏;張思凱;劉佳謀;宿紅毅;閆波
• 申請（專利權）人: 北京理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06N3/04;G06N3/08
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 王民盛

本發明涉及一種基于圖注意力卷積網絡的交通流量預測方法，旨在預測中長時間交通車流量，屬于城市交通規劃及流量預測技術領域。包括：步驟1：對交通流量數據預處理，輸出預處理完成后的數據序列；步驟2：基于預處理完成后的數據序列，提取數據序列的空間特征以及時間特征；步驟3、輸入經過步驟2兩個AGA塊的特征提取，經過一層全連接層得到下一時刻預測結果。所述方法未使用無法并行訓練的遞歸結構，模型的所有組件都是卷積結構，可以減少訓練時間；所述方法是首次嘗試結合基于頻譜的圖卷積網絡和基于空間的卷積網絡，分別提取空間特征和時間特征,在時空交通網絡上算法表現出眾。

本發明涉及一種基于圖注意力卷積網絡的交通流量預測方法，旨在預測中長時間交通車流量，屬于城市交通規劃及流量預測技術領域。

背景技術

交通預測問題長期以來一直是一個令人高度關注的問題。根據2018年的一項調查，美國司機在路上花費50.6分鐘，平均每天行駛31.5英里。在這種情況下，準確的交通量預測對于人民和政府必須提前計劃并緩解擁堵至關重要。路線規劃和其他運輸服務也嚴重依賴交通狀況預測。通常，交通預測是城市交通控制的基礎，在智能交通系統中也起著重要的作用。

交通預測的目標是使用歷史交通參數，即交通速度，體積和密度，來預測未來的交通參數。流量預測是數據預測的典型時空問題。在空間維度上，不同的節點對同一節點具有不同的相互影響力；在時間維度上，兩個節點在不同時間具有不同的相互影響力。

隨著運輸系統的發展，由于大量的攝像頭和傳感器被廣泛使用，因此交通數據變得更易于收集。所有收集交通數據的設備構成了一個龐大的交通信息網絡。該網絡為交通預測任務提供了堅實的數據基礎，吸引了許多研究人員來解決這些問題。流量預測可以分為兩種類型，短期流量預測和中長期流量預測。與短期交通量預測相比，中長期交通量預測具有更多的研究價值和實際意義。以前關于中長期交通量預測的研究可大致分為兩類：動態建模和數據驅動建模。但是，由于交通預測問題的復雜性，不穩定性和干擾性，以及動態建模中不現實的假設和簡化，在中長期交通預測問題中，動態建模方法的性能要比數據驅動方法差。近年來，許多研究人員采用深度學習方法來處理時空數據，即卷積神經網絡。但是，這種方法是從網格數據，例如視頻和圖像，中提取空間特征的，這意味著這些方法仍然會失敗。同時提取時空特征而忽略交通數據的動態相關性。

發明內容

本發明的目的在于克服現有城市交通流量預測方法存在的忽略網絡動態性技術缺陷，提出了一種基于圖注意力卷積網絡的交通流量預測方法。

所述基于圖注意力卷積網絡的交通流量預測方法，依托的網絡結構包括一個輸出層和兩個注意力機制-卷積-注意力機制塊，簡寫為AGA塊。其中每個AGA塊包括兩個多頭圖注意力機制層，簡寫為MA和一個圖形卷積層；

AGA塊構造為可將圖結構時間序列中的空間和時間特征聯合起來；當處理更復雜或特定的情況時，可以堆疊或擴展AGA塊；

每個AGA塊包括兩個具有相同結構的多注意層以及位于多注意層之間的GCN層；

為防止過度擬合問題，每個AGA塊均使用歸一化層；

AGA的輸出由以下(1)定義：

x^t+1＝AGA(x^t)＝att_d(ReLU(Θ^l*_Gatt_u(x^t))) (1)

其中，x^t是t時刻的交通流量；att_d，att_u分別是AGA塊內的上下多注意機制；Θ^l是圖卷積的譜核；ReLU表示relu激活函數；Θ^l是第l塊AGA塊的圖卷積核；