[發明專利]一種基于時空圖卷積-生成對抗網絡的交通速度預測方法

有效

• 申請號: 202110491442.0
• 申請日: 2021-05-06
• 公開（公告）號: CN113450561B
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 郭海鋒;吳銓力;劉瑞;程茂恒
• 申請（專利權）人: 浙江工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/052;G06N3/04;G06N3/08
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵

1.一種基于時空圖卷積-生成對抗網絡的交通速度預測方法，包括：

步驟1：交通圖網絡鄰接矩陣構建；

通過將路網中的路段作為節點，路口作為連接節點的邊，構建交通圖網絡，將交通路網表示為：

G＝{V,E,A} (1)

其中V＝{V₁,V₂,…,V_n}表示交通圖網絡中的節點集合，節點個數為n，E表示交通圖網絡的連邊集合，A為n×n的對稱鄰接矩陣并且為A_i,j＝A_j,i，定義規則如下：

對上一步獲取的鄰接矩陣進行處理：

計算得到鄰接矩陣的拉普拉斯矩陣L＝D-A，其中D是A的度矩陣并且為對角陣，D_i,i為第i個節點的度，度矩陣計算公式：

鄰接矩陣的值表示鄰接矩陣的權重，給鄰接矩陣加上一個單位矩陣，使得鄰接矩陣的對角元素變成1；

對上述拉普拉斯矩陣進行歸一化處理，歸一化后的拉普拉斯矩陣定義為：

其中I_n∈R^n×n是單位陣；

將歸一化后的拉普拉斯矩陣L進行分解，得到L＝UΛU^T，其中表示n個相互正交的特征向量，是一個對角陣，λ_i表示u_i對應的特征值；

步驟2：路網車流量數據獲取并處理；

采集交通數據，并對交通數據進行清洗，去除冗余數據和錯誤數據，對于某個時刻路段有缺失現象的，通過采用線性插值法進行補全，如下圖所示：

其中，x表示數據缺失點的時刻，y₀表示x時的上一時刻x₀的交通速度量值，y₁表示x時刻的下一時刻x₁的交通速度量值，y表示通過線性插值法擬合得到的結果；

步驟3：構建生成對抗網絡(GAN)的生成器；

采用時空圖卷積網絡(STGCN)作為生成對抗網絡的生成器，對交通速度數據進行空間特征和時域特征的提取；

其中，利用STGCN提取特征的步驟如下：

STGCN的框架由兩個時空卷積模塊和一個輸出層組成；

時空卷積塊：

每個時空卷積模塊由兩個門控序列卷積層(Temporal Gated-Conv)和在中間的一個空間圖卷積層(Spatial Graph-Conv)組成，門控序列卷積層用來獲取交通數據的時間關聯性；空間卷積層用于獲取交通速度數據的空間關聯性；

其中門控序列卷積層由一個一維的卷積神經網絡(1-D Conv)和一個門控線性單元(GLU)組成，該層對交通特征數據在時間維度進行一維卷積，從而提取交通速度時域特征；

門控序列卷積層每個節點的輸入為沿著時間維度一維卷積，卷積核為卷積核個數為2C_o，其中C_i和C_o是輸入和使出的特征圖的大小，輸入包含M幀的通道圖，這樣可以得到兩個輸出然后通過門控線性單元激活：

對于一張完整的時空圖卷積網絡，每一幀可以由一個矩陣表示，維度為n×C，n表示n個節點，C代表特征維度：輸入輸出

空間卷積層使用的是切比雪夫圖卷積，對圖結構數據在空間域上進行高階特征提取，使用切比雪夫多項式近似，切比雪夫圖卷積公式如下：

其中K是卷積核的大小，T_k是切比雪夫多項式，通過遞歸得到，其遞歸表達式如下：

T_k(x)＝2xT_k-1(x)-T_k-2(x) (8)

其中T₀(x)＝1，T₁(x)＝x；

θ_k是多項式系數，需要學習得到，分層線性公式可以通過使用拉普拉斯圖的一階近似疊加多個局部化圖卷積層來定義；因此，可以構造更深層的體系結構來深度恢復空間信息，而不受多項式給出的顯式參數化的限制；由于神經網絡的標度和歸一化，我們可以進一步假設λ_max≈2；因此，式(7)可以簡化為：

其中θ₀，θ₁是卷積核的兩個共享參數，為了約束參數和提高穩定性，這里用一個參數θ代替，θ＝θ₀＝-θ₁，再分別定義然后可以進一步簡化式(9)為：

切比雪夫網絡第m層的結構定義如下：

最終帶有C個通道的數據的圖卷積可以表示為：

根據時域的一維卷積，每經過一個時空卷積塊，數據在時間維度的長度會減小2(K_t-1)，經過兩個時空卷積層后，輸出

輸出層：

經過前面兩個時空卷積塊后，數據最后進入輸出層，輸出層包含一個時域卷積層和一個全連接層，時域卷積層的卷積核的大小為個數為C_o，將輸出映射到全連接層其中最終輸出

生成器生成數據后，通過生成器的損失函數G_loss對生成的數據和真實數據計算平均差值，并希望G_loss盡可能小，G_loss定義如下：

其中W_θ是所有可以訓練的參數，是生成器生成的數據，v是真實的交通速度數據，其中輸入的是連續的M個時刻t-M+1,…,t的數據，對比的是t+ε的數據；

步驟4:構建生成對抗網絡(GAN)的判別器；

生成對抗網絡的判別器用于判別生成器生成的數據的真假，判別器采用構造三層的全連接神經網絡來判別輸出交通速度數據的真假概率，當判別器輸入的為真實數據，要讓其輸出盡可能大；輸入為假數據時，則盡可能小，判別器判別過程表示如下：

在生成對抗網絡中，生成器的使用分兩個過程，首先用真實數據和生成數據作為輸入對其訓練，讓其能夠識別出真實數據的特征，要使判別器訓練的輸出損失D_loss盡可能小，損失函數定義如下：

其中D為判別器輸出為判別器輸入真假數據時的輸出得分，即真假概率；

步驟5：通過構建完成的生成對抗網絡生成交通速度數據；

通過生成對抗網絡根據輸入的歷史交通速度數據，不斷對抗生成預測數據，最終生成最接近真實數據的交通速度數據，同時，使用平均絕對誤差MAE、均方根誤差RMSE和平均絕對百分比誤差MAPE計算評估生成得到的數據與真實數據的誤差。