[發明專利]短期交通預測圖卷積網絡的路況評估方法

有效

• 申請號: 202110603374.2
• 申請日: 2021-05-31
• 公開（公告）號: CN113313947B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 安吉堯;郭亮;付志強;劉韋;李濤
• 申請（專利權）人: 湖南大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/052;G08G1/065;G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 長沙新裕知識產權代理有限公司 43210
• 代理人: 梁小林

1.短期交通預測圖卷積網絡的路況評估方法，其特征在于包括以下步驟：

步驟一：獲取交通數據并進行預處理：獲取交通節點的空間距離信息，用于構建交通網絡的圖結構；獲取的交通流數據建立交通流數據集，提取每個節點的自由行駛速度和最大自由通行流量，然后將歷史交通數據按交通節點數N、特征數量F、時間序列T三個維度整理成N×F×T的多維數據集，對缺失數據進行缺失補齊，并進行歸一化處理最后劃分訓練集和測試集；

其中N表示交通節點數，即的大小；F表示收集的交通流數據特征總數，T表示時間序列；

步驟1.1：獲取各交通節點之間的空間距離信息，用于構建交通網絡有向加權圖的結構，交通網絡有向加權圖表示如下：

其中表示圖的頂點集合，即交通網絡中的所有節點，ε表示圖的邊集合，即交通網絡中節點之間的距離信息；

用來表示的自循環有向加權鄰接矩陣，的對角線元素為1，如果是ε中的一條邊，則等于和之間的歸一化距離；

步驟1.2：提取每個節點的自由行駛速度V_free和最大自由通行流量MaxF_free；自由行駛速度對歷史數據均勻取樣后按各節點凌晨時段的歷史平均速度數據去噪后平均估計得到，最大自由通行流量按各節點在自由行駛速度向上向下取整范圍內的速度對應的流量數據集合取部分最大值平均估計得到；

步驟1.3：建立交通流數據集數據集結構表示如下：

其中N表示交通節點數，即的大小；F表示收集的交通流數據特征總數，T表示時間序列；用表示節點i在t時刻的所有交通特征數據；

缺失數據補齊規則：在連續缺失值少于等于3個時采用線性插值，大于3個時采用上個數值、昨天數值與上周數值加權平均，數據補齊后按照采用0均值歸一化方法對數據集進行歸一化處理，歸一化公式如下：

x＝(x-mean)/std (3)

其中mean表示該交通特征數據的平均值，std表示該交通特征數據的標準差；

步驟二：對多維數據集劃分為小時趨勢數據、天趨勢數據、周趨勢數據：三類數據具有相同的目標值，小時趨勢的輸入值為目標值時段前幾個小時時間段的數據,天趨勢的輸入值為前幾天相同目標時間段與小時趨勢同長度的前幾個小時的數據，周趨勢的輸入值為近幾周前相同目標時間段的與小時趨勢同長度的前幾個小時的數據；

步驟2.1周趨勢數據、天趨勢數據、小時趨勢數據從步驟一中的數據集產生；

假設預測時間長度為p,則目標值為[X_t,X_t+1,...,X_t+p]，生成規則如下:

小時趨勢數據：

X_h＝[X_t-n,X_t-n+1,...,X_t-1]

其中n表示取與目標值相鄰的前n個時間步；

天趨勢數據：

X_d＝[X_(t-n)-dt*dn,X_{(t-n+1)-dt*dn},...,X_(t-1)-dt*dn；X_{(t-n)-dt*(dn-1)},X_{(t-n+1)-dt*(dn-1)},...,X_{(t-1)-dt*(dn-1)}；......；X_(t-n)-dt,X_(t-n+1)-dt,...,X_(t-1)-dt]

其中dt為一天的時間長度,dn表示取與目標值相鄰的前dn天；

周趨勢數據：

X_w＝[X_(t-n)-wt*wn,X_{(t-n+1)-wt*wn},...,X_(t-1)-wt*wn；X_{(t-n)-wt*(wn-1)},X_{(t-n+1)-wt*(wn-1)},...,X_{(t-1)-wt*(wn-1)}；......；X_(t-n)-wt,X_(t-n+1)-wt,...,X_(t-1)-wt]

其中wt為一周的時間長度,wn表示取與目標值相鄰的前wn個周；

步驟三：構建基于模糊關系的短期交通預測圖卷積網絡：構造時空卷積單元，每個單元包括時間注意力模塊、空間注意力模塊、模糊關系圖卷積模塊、門控空洞因果時間卷積模塊；通過時空卷積單元的堆疊，完成對交通流張量的時空特征提取，最后構建全連接層通過relu非線性回歸得到預測結果；

步驟3.1：時間注意力模塊用于捕獲輸入數據之間的動態時間相關性，即找到當前輸入X中相關性較高的時間步：

P＝V_p·tanh((X^TU₁)U₂(U₃X)+b_p) (4)

其中為時間注意力矩陣，T為輸入的時間步長；V_p,U₁,U₂,U₃,b_p為可學習的參數，采用tanh激活函數；

P中各元素的值表示輸入時間序列中不同時間步長之間的動態聯系程度；然后對P使用softmax函數進行歸一化處理，然后用P乘以輸入X得到根據時間相關性動態調整后的輸入X；

步驟3.2：空間注意力模塊：

S＝V_s?tanh((X W₁)W₂(W₃X^T)+b_s) (5)

其中為空間注意力矩陣，N為交通節點數；V_s,W₁,W₂,W₃,b_S為可學習的參數，采用tanh激活函數；S中各元素的值表示當前輸入中不同交通節點之間的動態聯系程度；然后對S使用softmax函數進行歸一化處理；

步驟3.3模糊關系圖卷積網絡模塊：對步驟一中得到的有向加權鄰接矩陣視為模糊關系矩陣，表示各交通節點之間的傳遞轉移關系，對矩陣求傳遞閉包初始化為按下式迭代計算ln(N)+1次，N為交通節點數：

采用K階近似切比雪夫多項式圖卷積來獲取交通流數據中各節點之間空間依賴：

其中由步驟1.1中的拉普拉斯矩陣計算得到，表示k階切比雪夫多項式，采用k階切比雪夫多項式近似能大大降低計算復雜度；

將步驟3.2中得到的S空間注意力矩陣結合得到路況的動態聯系后應用到K階近似切比雪夫多項式圖卷積中來獲取不同交通節點之間的動態依賴，增強對空間特征的提取，過程表示如下：

其中⊙表示哈達瑪積；

步驟3.4時間卷積模塊：

采用K層門控空洞因果卷積來獲取交通流數據中交通節點的時間依賴；

其中*表示空洞因果卷積操作，Φ表示卷積核參數，tanh是輸出的激活函數，sigmiod函數決定了當前輸入傳遞給下一層的比率；K層空洞因果卷積結構通過跳過部分序列擴大卷積的感受野，同時使序列變得更加光滑，增強模型魯棒性；

步驟四:構建三個并行模型：三個并行模型具有相同的網絡結構，每個網絡結構由時空卷積單元堆疊，最后一層添加全連接層構成；三個并行模型分別處理周趨勢數據、天趨勢數據和時刻趨勢數據，最后將得到的三個預測結果通過參數加權得到最終預測結果；融合過程如下：

其中W_w,W_d,W_r為可學習的加權參數，為三個子模型的預測值，為模型最終預測結果；

步驟五:訓練深度模型優化參數實現短期交通流的實時預測：將訓練集作為深度模型的輸入，定義模型的損失函數，根據損失函數數值利用反向傳播算法不斷更新模型參數；待參數模型收斂后利用訓練好的模型對測試集進行實時交通流預測；

定義模型的損失函數，訓練模型：

選用L1損失函數，其中Y為真實交通數據目標值，為模型預測值，θ為模型中所有可學習參數，通過反向傳播算法尋找相對最優參數，反向傳播算法中的梯度計算與參數更新均采用Adam優化器；

步驟六：實時交通流的路況評估：將實時交通流數據輸入到上述訓練好的模型，得到預測車速和流量，再根據自由行駛速度和最大自由通行流量計算行駛時間指標TTI和道路流量指標RFI，按照兩個指標對交通狀態的隸屬度函數以及專家經驗進行交通狀況進行模糊綜合評價；

步驟6.1：TTI,RFI指標兩者計算公式如下：

其中V_free自由通行速度，V_current為當前速度；

其中MaxF_free表示最大自由通行流量，F_current表示當前流量；

TTI指標的理論取值范圍為[1,+∞]，由于自由通行速度為平均估計數據以及考慮到超速情況，對于小于1的值按向上取整處理，RFI指標的理論取值范圍為[1,+∞]，將兩者歸一化按下式歸一化處理：

步驟6.2：根據模糊理論，得到因素論域U＝{TTI,RFI}，將交通等級論域：

V＝{完全暢通,基本暢通,輕微擁堵,中度擁堵,嚴重擁堵}，采用TTI和RFI的隸屬度函數，高斯隸屬的函數的公式為：

在TTI中的三個高斯隸屬度函數的k取值依次為[0.3,0.5,0.7],r的取值依次為[0.07,0.08,0.08]；

在RFI中的三個高斯隸屬度函數的k取值依次為[0.25,0.4,0.55],r的取值依次為[0.07,0.08,0.09]；根據隸屬度函數計算得到的TTI和RFI指標得到模糊關系矩陣R:

r_ij表示模糊關系矩陣R中第i個指標對第j個交通等級的隸屬度，隨后根據專家經驗確定評判因素權向量A＝{a₁,a₂},a_i是U中第i個因素對交通等級評判的重要性分配權重，設置為a₁＝0.5,a₂＝0.5；選擇合適的評論合成算子，將A與R合成得到綜合評判B＝(b₁,b₂,b₃,b₄,b₅)，采用算子，其中運算符表示求和取與1比較的較小值：

其中B為模糊綜合評價論域，b_i為評價隸屬值。

2.根據權利要求1所述的短期交通預測圖卷積網絡的路況評估方法，其特征在于：所述步驟一中，F表示收集的交通流數據特征總數，至少包括車流量、平均速度。