[發明專利]基于動態時空圖卷積注意力模型的交通預測方法及裝置

在審

• 申請號: 202110763398.4
• 申請日: 2021-07-06
• 公開（公告）號: CN113487088A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 張霆廷;李睿
• 申請（專利權）人: 哈爾濱工業大學（深圳）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08;G08G1/01
• 代理公司: 深圳市添源知識產權代理事務所(普通合伙) 44451
• 代理人: 于標

本發明公開了一種基于動態時空圖卷積注意力模型的交通預測方法及裝置，首先，將道路交通網絡建模為圖結構，利用圖結構和圖信號對動態時空圖卷積注意力模型進行建模，通過所述動態時空圖卷積注意力模型的編碼器單元，捕獲不同時刻傳感器節點間的動態空間相關性，捕獲歷史時刻步長的時間相關性以及多步預測間的時間相關性，以及得到包含每個預測步長的隱藏狀態；解碼器單元接收每個預測步長的隱藏狀態，采用調度采樣策略，得到未來一小時所有傳感器節點記錄速度值的預測結果。實驗證明，本發明方法能有效得到未來一小時的交通預測結果，本發明方法所述模型超越了SOTA。

技術領域

本發明屬于智能交通領域，具體涉及一種基于動態時空圖卷積注意力模型的交通預測方法及裝置。

背景技術

交通狀態預測是智能交通領域(Intelligent Transportation System,ITS)中一項較為關鍵的任務，交通流量及速度的實時準確預測對于緩解交通壓力、協調交通運輸管理及智慧城市建設具有重要的作用。交通數據來源于道路邊緣設置的傳感器，記錄周期通常為5mins，由于道路的連通性及數據記錄固有的序列相關性，交通數據是典型的時空數據。早期的交通狀態預測方法主要是模型驅動model-driven的，例如基于線性回歸的方法、基于滑動窗口的自回歸算法及卡爾曼濾波算法等。然而這些算法通常獨立地在單個交通傳感器節點上進行單步預測，忽略了交通節點間的空間依賴性，也無法進行中長時段(30-60min)的多步預測。

隨著機器學習和深度學習的發展以及硬件計算資源的持續升級，一些數據驅動data-driven的方法逐漸應用于計算機視覺、自然語言處理、語音識別及時空序列預測等領域。在深度學習應用的初期階段，一些研究者開始將基于CNN(Convolution NeuralNetwork卷積神經網絡)的模型和基于RNN(Recurrent Neural Network循環神經網絡)的模型用于交通狀態預測建模，然而由于CNN受限于只能針對柵格數據提取空間特征，而交通傳感器并不能采用規則的柵格數據來對其空間依賴性建模。

GNN(Graph Neural Network圖神經網絡)擅長在非歐式空間提取數據特征，其可以應用于社交網絡、分子結構、道路網絡等不規則圖結構的各個領域，隨著圖網絡的提出和發展，越來越多的研究者將交通數據建模為圖數據，將傳感器視作圖上的節點，傳感器間的連通性視作邊。在此我首先介紹一下前人的研究，一些模型例如DCRNN(DiffusionConvolution Recurrent Neural Network Data-Driven Network擴散卷積遞歸神經網絡數據驅動網絡)采用了擴散卷積及隨機游走(Random Walk)策略來捕捉節點間的空間相關性；STGCN(Spatial-Temporal Graph Convolution Network時空圖卷積網絡)采用圖卷積神經網絡(Graph Convolution Network，GCN)對空間相關性建模并利用多尺度一維卷積網絡(1D-CNN)來建模時間相關性；GraphWaveNet采用了自適應鄰接矩陣來建模交通數據中隱藏的空間依賴性；MRA-BGCN(Multi-Range Attentive Bicomponent Graph ConvolutionNetwork多距離注意雙分量圖卷積網絡)對圖節點間邊的交互關系進行建模，同時考慮到了邊與邊間的流量連通性和競爭性；DSTGCN采用張量矩陣估計器對拉普拉斯矩陣進行實時分解，以此來建模動態空間相關性；STGAT(Spatial-Temporal Graph Attention Networks)采用了圖注意力網絡(Graph Attention Network)來聚合節點特征并采用一維門控卷積網絡(1D-Gated Temporal Convolution Network)捕捉序列相關性，STGAT為北京交通大學于2020年7月發表的文章，是截止目前在兩個公開數據集METR-LA和PEMS-BAY上的SOTA(state-of-the-art)。