[發(fā)明專利]一種基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通流預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010973961.6
• 申請(qǐng)日: 2020-09-16
• 公開（公告）號(hào): CN112071065A
• 公開（公告）日: 2020-12-11
• 發(fā)明（設(shè)計(jì)）人: 鄭凱;葉冠宇;李元明;孫福振;劉聰
• 申請(qǐng)（專利權(quán)）人: 山東理工大學(xué)
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06N3/04;G06N3/08;G06Q10/04;G06Q50/30
• 代理公司: 淄博佳和專利代理事務(wù)所(普通合伙) 37223
• 代理人: 孫愛華

一種基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通流預(yù)測(cè)方法，屬于智能交通系統(tǒng)技術(shù)領(lǐng)域。包括如下步驟：步驟1，建立基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通預(yù)測(cè)模型；步驟2，學(xué)習(xí)動(dòng)態(tài)相關(guān)性、局部和全局空間相關(guān)性；步驟3，捕獲時(shí)間相關(guān)性和全局時(shí)空相關(guān)性；步驟4，融合分支結(jié)果及輸出；本交通流預(yù)測(cè)方法中，提出全局?jǐn)U散卷積殘差網(wǎng)絡(luò)，該模型由多個(gè)具有相同結(jié)構(gòu)的周期性分支組成，每個(gè)分支的全局注意力擴(kuò)散卷積網(wǎng)絡(luò)和全局殘差網(wǎng)絡(luò)來獲取每個(gè)周期的時(shí)空相關(guān)性。特別地，全局注意力擴(kuò)散卷積網(wǎng)絡(luò)應(yīng)用基于注意力機(jī)制的PPMI矩陣捕獲動(dòng)態(tài)的時(shí)空相關(guān)性，全局殘差網(wǎng)絡(luò)應(yīng)用門控卷積和全局殘差單元同時(shí)捕獲時(shí)間相關(guān)性和全局的時(shí)空相關(guān)性，以此提高交通預(yù)測(cè)的精度和效率。

技術(shù)領(lǐng)域

一種基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通流預(yù)測(cè)方法，屬于智能交通系統(tǒng)技術(shù)領(lǐng)域。

背景技術(shù)

交通流預(yù)測(cè)是智能交通系統(tǒng)的一個(gè)關(guān)鍵問題。由于交通網(wǎng)絡(luò)的復(fù)雜拓?fù)浣Y(jié)構(gòu)和交通情況的動(dòng)態(tài)時(shí)空模式，對(duì)交通網(wǎng)絡(luò)流量的預(yù)測(cè)仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。大多數(shù)現(xiàn)有的研究方法主要關(guān)注局部的時(shí)空相關(guān)性，而忽略了全局的空間相關(guān)性和全局的動(dòng)態(tài)時(shí)空相關(guān)性。

交通預(yù)測(cè)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，因?yàn)樗哂袕?fù)雜的非線性動(dòng)態(tài)時(shí)空相關(guān)性。研究人員在交通預(yù)測(cè)方面付出了巨大的努力。例如ARIMA及其變型的統(tǒng)計(jì)回歸方法是交通預(yù)測(cè)早期研究中的代表性模型，但這些模型只研究了每個(gè)地點(diǎn)的交通時(shí)間序列，而沒有考慮空間相關(guān)性。之后一些研究人員將空間特征和其他的外部特征信息運(yùn)用到傳統(tǒng)的機(jī)器學(xué)習(xí)模型，但高維交通數(shù)據(jù)的時(shí)空相關(guān)性仍然難以考慮。

近年來，深度學(xué)習(xí)方法在交通預(yù)測(cè)方面取得了巨大的進(jìn)步，其性能超過了許多傳統(tǒng)的方法。為了模擬交通網(wǎng)絡(luò)中復(fù)雜的非線性空間相關(guān)性，卷積神經(jīng)網(wǎng)絡(luò)(CNN)被用于交通預(yù)測(cè)，并取得了一定的成功。然而，由于網(wǎng)格結(jié)構(gòu)不具備真實(shí)的條件，使得它不能有效地捕捉交通網(wǎng)絡(luò)的空間相關(guān)性。部分人員提出了基于GCN的方法來捕獲交通網(wǎng)絡(luò)的結(jié)構(gòu)相關(guān)性，DCRNN進(jìn)一步應(yīng)用擴(kuò)散卷積網(wǎng)絡(luò)捕捉雙向交通網(wǎng)絡(luò)的空間特征。然而，這些方法中大部分使用基于RNN的結(jié)構(gòu)，不僅具有耗時(shí)長(zhǎng)、延遲高等缺陷，而且在獲取遠(yuǎn)距離的上下文信息過程中效率較低。為了解決這些挑戰(zhàn)，一些研究將CNN應(yīng)用于時(shí)間維度，使得模型具有梯度穩(wěn)定、內(nèi)存消耗低、并行計(jì)算等優(yōu)點(diǎn)。GaAN模型和ASTGCN模型進(jìn)一步利用注意力機(jī)制，動(dòng)態(tài)調(diào)整時(shí)空相關(guān)性。它們雖然提高了交通預(yù)測(cè)的精度和效率，但未能同時(shí)捕獲交通網(wǎng)絡(luò)中的全局和局部時(shí)空相關(guān)性。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是：克服現(xiàn)有技術(shù)的不足，提供一種同時(shí)捕獲交通網(wǎng)絡(luò)中的動(dòng)態(tài)性、全局時(shí)空相關(guān)性和局部時(shí)空相關(guān)性，提高了交通預(yù)測(cè)的精度和效率的基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通流預(yù)測(cè)方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：該基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通流預(yù)測(cè)方法，其特征在于，包括如下步驟：

步驟1，建立基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通預(yù)測(cè)模型；

建立基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通預(yù)測(cè)模型，在基于全局?jǐn)U散卷積殘差網(wǎng)絡(luò)的交通預(yù)測(cè)模型中根據(jù)時(shí)間周期設(shè)置每時(shí)、每天、每周三種分支，其中每個(gè)分支中運(yùn)用了兩次全局?jǐn)U散卷積殘差網(wǎng)絡(luò)，每個(gè)全局?jǐn)U散卷積殘差網(wǎng)絡(luò)包括依次連接的全局注意力擴(kuò)散卷積網(wǎng)絡(luò)和全局殘差網(wǎng)絡(luò)，通過全局注意力擴(kuò)散卷積網(wǎng)絡(luò)和全局殘差網(wǎng)絡(luò)學(xué)習(xí)各個(gè)時(shí)間段的動(dòng)態(tài)時(shí)空信息；

步驟2，利用全局注意力擴(kuò)散卷積網(wǎng)絡(luò)學(xué)習(xí)動(dòng)態(tài)相關(guān)性、局部和全局空間相關(guān)性；

在全局注意力擴(kuò)散卷積網(wǎng)絡(luò)中包含時(shí)空注意力單元和全局圖卷積單元，時(shí)空注意力單元用于捕獲交通數(shù)據(jù)的動(dòng)態(tài)相關(guān)性，全局圖卷積單元用于捕獲交通數(shù)據(jù)的局部和全局空間相關(guān)性，通過向全局注意力擴(kuò)散卷積網(wǎng)絡(luò)輸入各個(gè)時(shí)間段的動(dòng)態(tài)時(shí)空信息以及交通網(wǎng)絡(luò)結(jié)構(gòu)圖得到表示局部和全局空間相關(guān)性的矩陣H_S；

步驟3，利用全局殘差網(wǎng)絡(luò)捕獲時(shí)間相關(guān)性和全局時(shí)空相關(guān)性；