[發明專利]基于多元時間序列插補的圖神經網絡交通流預測方法

在審

• 申請號: 202110973523.4
• 申請日: 2021-08-24
• 公開（公告）號: CN113673769A
• 公開（公告）日: 2021-11-19
• 發明（設計）人: 彭浩;劉琳;劉明生;冼俊宇
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G08G1/01;G06N3/04;G06N3/08
• 代理公司: 成都帝鵬知識產權代理事務所(普通合伙) 51265
• 代理人: 李華

1.基于多元時間序列插補的圖神經網絡交通流預測方法，其特征在于，包括步驟：

S10，用加權圖來描述交通網絡中站點之間的拓撲，將交通的流入和流出作為站點節點本身的特征；

S20，根據各站點流入流出情況，構建交通流圖；

S30，利用圖神經網絡對缺失值進行插補；

S40，通過圖注意力網絡得到空間特征序列；

S50，時間關注捕獲不同時間之間的動態相關性，再利用長短期記憶網絡捕獲時間特征，得到交通流特征作為預測結果。

2.根據權利要求1所述的基于多元時間序列插補的圖神經網絡交通流預測方法，其特征在于，在所述步驟S10中，包括步驟：

S11，用加權圖Gt＝(Vt，Et)來描述交通網絡中站點之間的拓撲，其中

Vt＝{v₁，v₂，…，v_N}表示站點的節點集，N是站點數，Et是加權邊集；

S12，分別統計各個站點流入和流出的交通流量，獲取所有站點在時間t的交通流特征矩陣Xt＝[I^t，O^t]。

3.根據權利要求2所述的基于多元時間序列插補的圖神經網絡交通流預測方法，其特征在于，在所述步驟S20中，根據各站點流入流出情況，構建交通流圖包括步驟：

在時間范圍(t-T，t)內從站點v_i到站點v_j的行駛記錄數，計算任意兩個站點節點之間的邊的權重，構建交通流圖。

4.根據權利要求3所述的基于多元時間序列插補的圖神經網絡交通流預測方法，其特征在于，在所述步驟S30中，利用圖神經網絡對缺失值進行插補，包括步驟：

S31，交通流圖增加二進制掩碼M_t∈{01}，其中交通流圖中每行的表示的對應節點在Xt中可用的特征屬性；

其中，意味著無效，相反，如果表示存儲實際的傳感讀數，Xt為交通流特征矩陣，矩陣第i行是與第i個節點相關聯的d維節點屬性向量

S32，建立基于兩個模塊的架構包括時空編碼器和空間解碼器，時空編碼器利用遞歸圖神經網絡將輸入序列X_[t，t+T]映射為時空表示P_[t，t+T]，編碼器由消息傳遞神經網絡實現，作為時空特征提取的構建塊；

S33，通過消息傳遞層實現門控循環；

S34，空間解碼器將隱藏表示生成預測Q_t，用Q_t中相同位置的值替換輸入X_t中缺失的值，計算過程如下：

Q_t＝P_t-1V_h+b_h

其中，P_t-1可以被初始化為一個常數，也可以是一個可學習的嵌入V_h是一個可學習的權重矩陣，而b_h是一個可學習的偏差向量。

5.根據權利要求4所述的基于多元時間序列插補的圖神經網絡交通流預測方法，其特征在于，在所述步驟S40中，通過圖注意力網絡得到空間特征序列，包括步驟：

S41，交通流圖包括流入圖和流出圖將流入圖和流出圖的鄰接矩陣A和節點特征[X_t-n，…，X_t-1，X_t]作為圖卷積神經網絡的輸入；

S42，在空間維度上，不同地點的交通狀況相互影響，使用注意力機制自適應地捕捉空間維度中節點之間的動態相關性；

S43，通過圖卷積神經網絡的分別得到流入的空間特征和流出的空間特征將流入圖和流出圖的卷積結果結合起來，然后進行線性變換通過一個完全連接的層，再通過激活函數σ執行非線性變換，以獲得聚集流入圖和流出圖的相鄰頂點特征的空間特征