[發明專利]一種基于全局擴散卷積殘差網絡的交通流預測方法

在審

• 申請號: 202010973961.6
• 申請日: 2020-09-16
• 公開（公告）號: CN112071065A
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 鄭凱;葉冠宇;李元明;孫福振;劉聰
• 申請（專利權）人: 山東理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/04;G06N3/08;G06Q10/04;G06Q50/30
• 代理公司: 淄博佳和專利代理事務所(普通合伙) 37223
• 代理人: 孫愛華

1.一種基于全局擴散卷積殘差網絡的交通流預測方法，其特征在于，包括如下步驟：

步驟1，建立基于全局擴散卷積殘差網絡的交通預測模型；

建立基于全局擴散卷積殘差網絡的交通預測模型，在基于全局擴散卷積殘差網絡的交通預測模型中根據時間周期設置每時、每天、每周三種分支，其中每個分支中運用了兩次全局擴散卷積殘差網絡，每個全局擴散卷積殘差網絡包括依次連接的全局注意力擴散卷積網絡和全局殘差網絡，通過全局注意力擴散卷積網絡和全局殘差網絡學習各個時間段的動態時空信息；

步驟2，利用全局注意力擴散卷積網絡學習動態相關性、局部和全局空間相關性；

在全局注意力擴散卷積網絡中包含時空注意力單元和全局圖卷積單元，時空注意力單元用于捕獲交通數據的動態相關性，全局圖卷積單元用于捕獲交通數據的局部和全局空間相關性，通過向全局注意力擴散卷積網絡輸入各個時間段的動態時空信息以及交通網絡結構圖得到表示局部和全局空間相關性的矩陣H_S；

步驟3，利用全局殘差網絡捕獲時間相關性和全局時空相關性；

全局殘差網絡包括門控時域卷積單元和全局殘差單元，門控時域卷積單元和全局殘差單元分別用于捕獲時間相關性和捕獲全局時空相關性，通過向全局殘差網絡輸入矩陣H_S得到表示時空相關性的矩陣

步驟4，融合分支結果及輸出；

基于全局擴散卷積殘差網絡的交通預測模型利用卷積層融合三個時間周期分支的結果并進行預測結果輸出。

2.根據權利要求1所述的基于全局擴散卷積殘差網絡的交通流預測方法，其特征在于：在進行所述的執行步驟1時，將歷史交通數據設置有三個分支，分別建立以每時、每日和每周的時間相關性，得到每時動態張量、每天動態張量以及每周動態張量，在每時動態張量、每天動態張量以及每周動態張量的輸出端分別接入所述的全局擴散卷積殘差網絡。

3.根據權利要求1所述的基于全局擴散卷積殘差網絡的交通流預測方法，其特征在于：在進行所述的執行步驟1時，交通網絡結構圖為一個加權的雙向圖G＝(V，E，A)，V表示圖中一定數量的節點(|V|＝N)，E表示節點間訪問路線的邊，A∈R^N×N表示圖G的加權鄰接矩陣，a_ij∈A表示節點v_i到v_j的邊權重。

4.根據權利要求1所述的基于全局擴散卷積殘差網絡的交通流預測方法，其特征在于：在進行所述的執行步驟2時，時空注意力單元捕獲交通數據動態相關性的過程為：首先應用注意力層將第一層由歷史交通數據構建的矩陣或上一層輸出的矩陣作為輸入，構建成一個時間注意力矩陣α；利用softmax函數對時間注意力矩陣α進行歸一化處理并構建矩陣α’，然后再次與本層輸入的矩陣相乘構建面向重要性的動態時間表示H_t，利用注意力機制將H_t與參數進行乘積構建時空注意力矩陣β；最后將歸一化后的時空注意力矩陣β’帶入到圖卷積單元中，動態地調整節點之間的關聯性。

5.根據權利要求1所述的基于全局擴散卷積殘差網絡的交通流預測方法，其特征在于：在進行所述的執行步驟2時，全局圖卷積單元捕獲信息局部和全局空間相關性的過程為：首先使用通過對交通網絡結構圖中的邊權重進行高斯變換得到的前向鄰接矩陣A^F和后向鄰接矩陣A^B來計算局部空間的鄰近度；之后以隨機游走的形式來計算節點間的頻率矩陣F，根據頻率矩陣F計算任意兩個節點間的全局概率，最后在此概率矩陣下構造全局輔助矩陣A^P來嵌入全局空間的知識。

6.根據權利要求4所述的基于全局擴散卷積殘差網絡的交通流預測方法，其特征在于：在進行所述執行步驟2時，動態地調整節點之間關聯性的過程為：將時空注意力矩陣β分別輸入到前向鄰接矩陣、后向鄰接矩陣和全局輔助矩陣中進行Hadamard乘積，得到以重要度為導向的擴散矩陣和通過結合擴散矩陣和構建一個圖卷積層，在圖卷積層中分為K個擴散步驟，每個步驟k中依次累加對應步驟下的和與上一層輸入矩陣和可學習參數矩陣的乘積結果，得到體現局部和全局空間相關性的矩陣H_S。