[發明專利]一種基于多視角自適應時空圖網絡的交通控制方法

有效

• 申請號: 202210208526.3
• 申請日: 2022-03-03
• 公開（公告）號: CN114566048B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 張旭;聶莊;夏英;閆亮
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06F18/211;G06N3/0464;G06N3/049;G06N3/044;G06N3/08
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

1.一種基于多視角自適應時空圖網絡的交通控制方法，其特征在于，包括：實時獲取交通流量數據，將獲取的交通流量數據輸入到基于多視角自適應時空圖網絡中，得到下一時刻路口的交通流量；根據得到的交通流量對該路口進行交通指揮，控制該路口的交通；

采用基于多視角自適應時空圖網絡對交通流量數據進行處理的過程包括：

S1：獲取交通流量數據的特征，并將獲取的特征通過全連接層映射到多通道上；

S2：將映射到多通道上的特征輸入到采用雙向異性圖學習模塊中，得到時間圖和空間圖；采用雙向異性圖學習模塊對映射到多通道上的特征進行處理包括：雙向異性圖學習模塊包括時間圖學習模塊和空間圖學習模塊；獲取映射到多通道上特征的時間維的長度，將時間維的長度輸入到時間圖學習模塊中，得到時間圖；獲取映射到多通道上特征的空間維的長度，將空間維的長度輸入到空間圖學習模塊中，得到空間圖；采用雙向異性圖學習模塊構建時間圖和空間圖的公式為：

M₁＝tanh(αE₁θ₁)

M₂＝tanh(αE₂θ₂)

A＝ReLU(tanh(βf^L(M_corr)))

其中，M₁和M₂分別表示初始的相關性矩陣，tanh表示雙曲正切函數，α和β均表示設置的超參數，E₁、E₂分別表示可學習的圖編碼矩陣，θ₁和θ₂均表示權重矩陣，M_corr表示相關性矩陣，T表示轉置，A表示雙向異性圖鄰接矩陣，ReLU表示激活函數，f^L表示第L層的雙向異性函數；

第L層雙向異性函數f的迭代運算的公式為：

f(X)＝p₁ⁱX-p₂ⁱX^T

其中，f(X)表示一次雙向異性函數運算，X表示輸入的圖鄰接矩陣，p₁ⁱ表示放大因子，p₂ⁱ表示縮小因子，f⁰表示第0層迭代運算結果；

S3：對時間圖進行卷積，提取時間圖的全局時間關聯特征；

S4：根據全局時間關聯特征采用多層循環的多尺度時空卷積網絡對空間圖進行處理，得到空間圖的多尺度時空特征和長短期時間特征，長短期時間特征包括短期時間依賴特征和長期時間依賴特征；

S5：將輸入的交通流量數據的特征、長短期時間特征以及多尺度時空特征進行融合，得到多尺度全局時空特征；

S6：將多尺度全局時空特征輸入到全連接層中，得到預測的結果。

2.根據權利要求1所述的一種基于多視角自適應時空圖網絡的交通控制方法，其特征在于，獲取的交通流量數據包括：獲取以單向車道為單位的車速聚合數據；設置聚合時間窗，在設置的聚合時間窗內車輛的平均速度作為聚合結果；在聚合的數據中每個時間窗對應的周期性特征為：確定聚合時間窗的起始時間，計算聚合時間窗的起始時間占一天時間中的百分比，將計算得到的百分比作為周期性特征。

3.根據權利要求1所述的一種基于多視角自適應時空圖網絡的交通控制方法，其特征在于，采用多層循環的多尺度時空卷積網絡對空間圖進行處理包括：多尺度時空卷積網絡包括多尺度的混合時間卷積層、空間圖卷積層以及門控單元；采用多尺度混合時間卷積層對輸入的全局時間關聯特征進行長短期時間特征提取；根據提取的長短期時間特征采用空間圖卷積層對空間圖進行特征提取，得到長短期時空特征；將全局時間關聯特征和長短期時空特征進行殘差連接，并采用門控單元對殘差連接的特征進行篩選，得到空間圖的多尺度時空特征。