[發明專利]一種基于圖嵌入的交通道路事件預測方法

在審

• 申請號: 202010623828.8
• 申請日: 2020-07-01
• 公開（公告）號: CN111768625A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 吳向平;平力俊;徐懂事
• 申請（專利權）人: 中國計量大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06F16/901;G06N7/00;G06Q10/04;G06Q50/26
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 孫孟輝

1.一種基于圖嵌入的交通道路事件預測方法，其特征在于包括如下步驟：

步驟1，獲取歷史交通數據集中發生交通事件的道路前2小時間內的道路速度數據和統計該道路的基本屬性特征數據并進行歸一化處理，作為圖嵌入模型的輸入數據；

步驟2，將實際路網映射為圖結構的數據，采用基于GraphSAGE的圖嵌入方法進行圖嵌入模型的訓練，利用道路的屬性特征數據以及空間結構將每條發生交通事件的道路嵌入成一條向量；

步驟3，使用從步驟2中得到的發生交通事件的道路的嵌入向量進行降維處理，獲取降至二維的數據結果作為樣本點，再采用高斯核函數作為核密度估計的核函數來擬合輸入的樣本點，獲得擬合好的概率密度模型；

步驟4，統計需要預測發生交通事件的道路前2小時間內的道路的屬性特征數據，使用訓練好的圖嵌入模型，嵌入得到數據向量，降維后輸入到擬合好的概率密度模型中，得到這些道路上交通事件發生的概率，并繪制核密度估計圖進行可視化展示。

2.如權利要求1所述的一種基于圖嵌入的交通道路事件預測方法，其特征在于所述步驟1的具內容如下：

步驟1.1.獲取歷史交通數據集中各道路發生交通事件的前2小時間內的速度數據，以30分鐘為時間粒度，統計出每個時段內的平均速度，并使用min-max標準化方法將每個時段的平均速度進行歸一化處理，計算公式如下：

其中，V_value表示對應時段內的目標道路的實際速度，V_max表示對應時段內所有統計道路速度中的最大值，V_min表示對應時段內所有統計道路速度中的最小值，表示為對應時段內的目標道路速度的歸一化的結果；

步驟1.2.統計每個事件發生道路的道路長度和各條道路相連的道路數量，也使用min-max標準化方法進行歸一化處理；其次，統計交通事件發生時的時間特征，所述時間特征，是通過對發生事件時間是否處于06:00至09:00以及16:00至19:00的早晚高峰時段內進行判斷，若處于該時段內，則時間特征的數據值設置為1，否則為0；

步驟1.3.將每條道路中的各項數據項進行拼接，作為各自道路的屬性特征數據。

3.如權利要求1所述的一種基于圖嵌入的交通道路事件預測方法，其特征在于所述步驟2的具內容如下：

步驟2.1.將實際路網中的道路路段作為圖網絡結構G＝(V，E)中的節點V，對于實際路網中道路的交點作為圖網絡的邊E，將實際路網映射為一個圖網絡結構G；

步驟2.2.對目標節點的2階鄰居節點使用隨機重采樣的方法進行采樣；

步驟2.3.對于收集到目標節點的相鄰節點的集合，將鄰居節點特征通過平均聚合的方式聚合到目標節點上，即先對鄰居節點特征的每個維度取平均值，然后與目標節點的特征拼接，拼接后進行一次非線性變換，計算公式如下：

其中，v是目標節點u隨機采樣的到達的鄰居節點，表示頂點的當前特征，mean表示為取平均值操作，表示第k層鄰居聚合的特征，σ表示激活函數Sigmoid函數，W^k表示優化參數，CONCAT表示為特征拼接操作；

步驟2.4.得到節點的局部領域信息特征的表示向量后，通過無監督的方式進行訓練，初始化設置學習率為0.00001，設置最大節點的度為7，設置嵌入的向量維度大小為256維，每次訓練所選取的樣本數為20，采用的無監督函數的損失函數表示為：

其中，Z_u表示為目標節點u通過GraphSAGE的圖嵌入算法生成的嵌入向量，σ表示激活函數Sigmoid函數，v是目標節點u隨機采樣的到達的鄰居節點，P_n(v)是負采樣的概率分布，v_n～P_n(v)表示為節點v_n從目標節點u的負采樣分布P_n采樣的，Q為采樣的樣本數量；通過前向傳播得到目標節點u的嵌入向量Z_u，然后通過梯度下降算法，進行反向傳播優化參數W^k和聚合函數內參數。