[發(fā)明專利]基于有向圖卷積神經(jīng)網(wǎng)絡(luò)的城市交通態(tài)勢(shì)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010305319.0
• 申請(qǐng)日: 2020-04-17
• 公開(kāi)（公告）號(hào): CN111540198B
• 公開(kāi)（公告）日: 2021-07-27
• 發(fā)明（設(shè)計(jì)）人: 劉端陽(yáng);韓笑;沈國(guó)江;楊曦;劉志;朱李楠;阮中遠(yuǎn)
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵;黃美娟

1.基于有向圖卷積神經(jīng)網(wǎng)絡(luò)的城市交通態(tài)勢(shì)識(shí)別方法，包括如下步驟：

(1) 獲取城市路網(wǎng)的歷史交通流信息；

(2) 標(biāo)記歷史交通流信息的交通態(tài)勢(shì)等級(jí)；表1和表2定義了四種交通擁堵等級(jí)，即交通態(tài)勢(shì)等級(jí)，其中表1是針對(duì)路段下游路口有信號(hào)機(jī)的情況，而表2是針對(duì)路段下游路口無(wú)信號(hào)機(jī)的情況；根據(jù)表1和表2的四種分類，將歷史交通流信息標(biāo)記為相應(yīng)的分類；

表1有信號(hào)機(jī)路口的擁堵等級(jí)定義

表2無(wú)信號(hào)機(jī)路口的擁堵等級(jí)定義

(3) 將城市路網(wǎng)數(shù)據(jù)進(jìn)行“點(diǎn)邊”轉(zhuǎn)換；城市路網(wǎng)數(shù)據(jù)包括地面道路、高架道路和隧道，把這些路網(wǎng)數(shù)據(jù)映射至有向圖中，其中，表示圖的節(jié)點(diǎn)集合，為圖的節(jié)點(diǎn)個(gè)數(shù)，表示圖的邊集，表示圖的鄰接矩陣；“點(diǎn)邊”轉(zhuǎn)換的規(guī)則是：把路段交通流轉(zhuǎn)換為節(jié)點(diǎn)，而把路段交通流的上下流連通關(guān)系轉(zhuǎn)換為有向邊，雙向路段有兩個(gè)相反方向的交通流，而單向路段只有一個(gè)方向的交通流；雙向路段與雙向路段相鄰，且路段為路段的上游道路，則路段中往下行路段方向的交通流是有向圖的節(jié)點(diǎn)，而路段中與同方向的交通流則是有向圖的節(jié)點(diǎn)；節(jié)點(diǎn)與節(jié)點(diǎn)間的有向邊表示交通流到有路口連通；

(4) 依次提取所有節(jié)點(diǎn)對(duì)應(yīng)的子圖；在步驟(3)所得的有向圖的基礎(chǔ)上依次提取所有節(jié)點(diǎn)對(duì)應(yīng)的子圖，子圖的個(gè)數(shù)等于節(jié)點(diǎn)的個(gè)數(shù)；節(jié)點(diǎn)的子圖為，子圖表示從目標(biāo)節(jié)點(diǎn)出發(fā)，向各個(gè)交通流方向擴(kuò)展最多跳個(gè)節(jié)點(diǎn)的子圖，其中，系數(shù)可以人為設(shè)定，一般取值為；所以，子圖，其中，表示子圖的節(jié)點(diǎn)集合，為子圖的節(jié)點(diǎn)個(gè)數(shù)，表示子圖的邊集，表示子圖的鄰接矩陣；

(5) 依次計(jì)算所有子圖的有向邊的權(quán)重；有向圖子圖可以分兩種情況來(lái)計(jì)算該子圖的有向邊的權(quán)重，有向邊的權(quán)重，具體計(jì)算如下：

第一種是路口沒(méi)有信號(hào)控制的情況，具體計(jì)算如下：

(1)

其中，表示經(jīng)過(guò)沒(méi)有信號(hào)控制的路口時(shí)交通流對(duì)交通流的關(guān)聯(lián)度，表示單位時(shí)間內(nèi)路段的交通流量，表示單位時(shí)間內(nèi)路段轉(zhuǎn)至路段的交通流量，和則分別表示五分鐘內(nèi)相應(yīng)交通流量的變化量，表示五分鐘內(nèi)不包括駛往路段方向的路段的交通流量變化量的最大值，為環(huán)境影響因子，可以根據(jù)經(jīng)驗(yàn)值設(shè)定；

第二種是路口有信號(hào)控制的情況，具體計(jì)算如下：

(2)

其中，表示經(jīng)過(guò)信號(hào)控制的路口時(shí)交通流對(duì)交通流的關(guān)聯(lián)度，表示清空排隊(duì)車輛所需的平均時(shí)間，表示路段到路段所在信號(hào)相位的綠燈時(shí)間長(zhǎng)度，表示當(dāng)前時(shí)刻路段到路段所在路口信號(hào)相位經(jīng)過(guò)的綠燈時(shí)間，該相位在當(dāng)前時(shí)刻為紅燈時(shí)，則；

(6) 依次計(jì)算所有子圖的非直接相連節(jié)點(diǎn)間的權(quán)重；有向圖子圖為，依次計(jì)算該子圖的非直接相連節(jié)點(diǎn)間的權(quán)重，節(jié)點(diǎn)到節(jié)點(diǎn)之間不存在直接相連的有向邊，但存在不少于一條有效連通路徑，即存在路徑，則節(jié)點(diǎn)到節(jié)點(diǎn)的權(quán)重為，具體計(jì)算如下：

只存在一條有效路徑，則權(quán)重為：

(3)

存在多條有效路徑時(shí)，則權(quán)重取最大的權(quán)重值，即：

(4)

其中，是最大有效路徑數(shù)；

(7) 依次對(duì)所有子圖的節(jié)點(diǎn)個(gè)數(shù)進(jìn)行標(biāo)準(zhǔn)化處理；首先，根據(jù)經(jīng)驗(yàn)設(shè)定參數(shù)，子圖的節(jié)點(diǎn)個(gè)數(shù)大于參數(shù)，則從目標(biāo)節(jié)點(diǎn)出發(fā)到其它節(jié)點(diǎn)的所有權(quán)重中，選擇權(quán)重值最大的個(gè)節(jié)點(diǎn)；子圖的節(jié)點(diǎn)個(gè)數(shù)小于參數(shù)，則在子圖中添加個(gè)直接與目標(biāo)節(jié)點(diǎn)相連的節(jié)點(diǎn)，其相應(yīng)有向邊的權(quán)重為0；子圖的節(jié)點(diǎn)個(gè)數(shù)等于參數(shù)，則繼續(xù)處理下一個(gè)子圖；所有子圖都處理完成，則繼續(xù)下一步處理；

(8) 依次計(jì)算所有子圖的交通信息矩陣；有向圖子圖的交通信息矩陣與拉普拉斯矩陣相似，具體描述如下：

(5)

其中，，是對(duì)角矩陣，，表示子圖的出度矩陣，相應(yīng)對(duì)角線的值表示節(jié)點(diǎn)的出度；是子圖的鄰接矩陣，；

(9) 依次求解所有交通信息矩陣的特征矩陣；根據(jù)圖傅里葉變換，提取子圖的交通信息矩陣的特征矩陣，并通過(guò)Jordan分解法進(jìn)行求解：

(6)

其中，特征矩陣，表示使用Jordan分解法分解后的Jordan標(biāo)準(zhǔn)型矩陣；

(10) 設(shè)計(jì)交通有向圖卷積神經(jīng)網(wǎng)絡(luò)模型；交通有向圖卷積神經(jīng)網(wǎng)絡(luò)模型共有六層，包括輸入層，TDGCNN層、Dropout層、Flatten層、全連接層和輸出層；輸入層包括兩部分輸入，即圖特征信息和圖節(jié)點(diǎn)信息，其中，圖特征信息是交通信息矩陣經(jīng)特征提取后的特征矩陣，圖節(jié)點(diǎn)信息是有向圖子圖中每一個(gè)節(jié)點(diǎn)的交通流信息，包括路段的靜態(tài)信息和動(dòng)態(tài)信息； TDGCNN層，即交通有向圖卷積神經(jīng)網(wǎng)絡(luò)層，該層使用圖卷積的方法對(duì)輸入數(shù)據(jù)進(jìn)行圖卷積計(jì)算，從而提取路網(wǎng)空間關(guān)聯(lián)特性；Dropout層用于提升模型的泛化能力，防止訓(xùn)練所得模型過(guò)擬合；Flatten層用于將結(jié)果數(shù)據(jù)由二維矩陣轉(zhuǎn)換成一維向量，從而統(tǒng)一前后網(wǎng)絡(luò)層的數(shù)據(jù)維度；全連接層采用全連接神經(jīng)元將Flatten層的輸出結(jié)果與輸出層相連；輸出層采用Softmax函數(shù)對(duì)結(jié)果進(jìn)行分類，并作為最終的交通態(tài)勢(shì)識(shí)別結(jié)果；整個(gè)預(yù)測(cè)模型的損失函數(shù)采用多分類交叉熵函數(shù)，基于此誤差進(jìn)行反向傳播更新神經(jīng)網(wǎng)絡(luò)的權(quán)重；

TDGCNN層的圖卷積過(guò)程為：

(7)

其中，表示TDGCNN層的第層網(wǎng)絡(luò)，，是TDGCNN層的最大網(wǎng)絡(luò)層數(shù)；，表示第層節(jié)點(diǎn)信息的維度，其中，表示圖節(jié)點(diǎn)信息矩陣，；表示第層的權(quán)重矩陣，也是神經(jīng)網(wǎng)絡(luò)可訓(xùn)練參數(shù)的組成部分，；表示非線性模型中的sigmoid激活函數(shù)；

輸出層采用Softmax函數(shù)進(jìn)行分類，具體如下：

(8)

其中，表示第種分類的概率，，分別對(duì)應(yīng)表1和表2定義的四種擁堵等級(jí)分類；表示第種分類的神經(jīng)網(wǎng)絡(luò)加權(quán)輸出，，表示輸出層的輸入向量，表示與輸入向量中每一個(gè)值一一對(duì)應(yīng)的第種分類的權(quán)重向量，而是的轉(zhuǎn)置；最終選取值最大的第種分類為分類結(jié)果；

損失函數(shù)采用多分類交叉熵，具體如下：

(9)

其中，為損失函數(shù)，為把樣本數(shù)據(jù)標(biāo)記為第類的期望，為輸出數(shù)據(jù)屬于的概率；

(11) 生成樣本數(shù)據(jù)集，訓(xùn)練和測(cè)試神經(jīng)網(wǎng)絡(luò)模型；基于步驟(2)所得的歷史交通流信息和步驟(9)所得的圖特征信息，即交通信息矩陣的特征矩陣，亂序拆分并生成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，訓(xùn)練并測(cè)試步驟(10)設(shè)計(jì)的交通有向圖卷積神經(jīng)網(wǎng)絡(luò)模型；

(12) 獲取城市路網(wǎng)的實(shí)時(shí)交通流信息；采集城市路網(wǎng)中各類檢測(cè)器設(shè)備數(shù)據(jù)，并進(jìn)行預(yù)處理，從而可以獲得城市路網(wǎng)中各個(gè)路段不同流向的實(shí)時(shí)交通流信息；

(13) 識(shí)別城市路網(wǎng)所有路段的交通態(tài)勢(shì)；采用基于步驟(11)訓(xùn)練和測(cè)試所得的神經(jīng)網(wǎng)絡(luò)模型，可以對(duì)城市路網(wǎng)中各個(gè)路段不同流向的實(shí)時(shí)交通流信息進(jìn)行分類，從而識(shí)別出城市路網(wǎng)所有路段的交通態(tài)勢(shì)。

2.如權(quán)利要求1所述的基于有向圖卷積神經(jīng)網(wǎng)絡(luò)的城市交通態(tài)勢(shì)識(shí)別方法，其特征在于：步驟（11）中，按5：1的比例亂序拆分并生成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。