[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

本發明屬于時序預測交通流預測領域，具體涉及一種基于多視角自適應時空圖網絡的交通控制方法，該方法包括：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，預測下一時刻該路口的交通流量；根據預測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；本發明引入了時間圖卷積，增加了在時間維上全局關聯的提取能力；本發明設計了一種多尺度時間卷積層，用空洞卷積核代替普通的大卷積核提取長期關聯，提高模型的效率。

技術領域

本發明屬于時序預測交通流預測領域，具體涉及一種基于多視角自適應時空圖網絡的交通控制方法。

背景技術

交通流預測在時空數據挖掘和智慧交通系統中一直是重要的研究課題，也是全球交通領域的研究熱點。傳統的交通流預測被看作時序數據的預測的一種應用，通常使用如差分整合移動平均自回歸(ARIMA)和支持向量機(SVM)等模型提取交通流的時序特征。這些研究假設路段與路段間不存在相互影響，僅關注同一路段在時間序列上的變化規律。隨著深度神經網絡的發展，研究者們開始用深度神經網絡提取交通數據中的時序特性，Graves等人使用LSTM預測時序數據，展現出循環神經網絡對長期、短期時間關聯提取的優勢。

近年來，研究者們使用現實中的地理信息作為外部數據取得了效果上的提升。Zhang等人將流量數據按地理位置劃分到網格中，提出了ST-ResNet殘差結構，使用卷積神經網絡提取網格間的局部空間關聯；Guo等人在此基礎上提出ST-3DNet，使用3D卷積在時間維、空間維和特征維上同時提取局部關聯。Shi等人提出ConvLSTM，將長短期記憶網絡中的矩陣乘法改為卷積運算，在學習局部空間關聯的同時捕捉長期和短期時間關聯。網格數據可以很好的表示區域間的關系，但很難表達更復雜的拓撲結構。

研究者開始用圖結構表示復雜路網的拓撲關系，并基于圖卷積網絡挖掘圖中的復雜空間關聯。圖神經網絡能夠聚集和傳播關系網絡中相連接的實體間的相互影響，例如在高速公路網中不同位置設置的傳感器數據之間的相互關聯。圖神經網絡方法又可以分為基于譜域的圖卷積和基于空間域的圖卷積。基于圖結構的交通流預測研究通常基于距離或連通性定義圖，使用圖神經網絡提取空間特征，并使用卷積神經網絡或循環神經網絡提取時間特征。由于譜域圖卷積運算復雜度較高，Yu等人提出STGCN模型，使用基于鄰接矩陣或轉移矩陣的空間域圖卷積方法簡化圖神經網絡中的傳播、聚集過程，并使用門控機制調整時間、空間模塊，提取復雜的時空關聯

在現有的時空圖卷積方法中，存在以下挑戰：

1.圖的鄰接矩陣可以通過路網屬性、結點自相關性、自適應圖學習多種方式產生；而現有的自適應圖學習方法通常只學習到圖的全局關聯，缺乏對交通時空數據特性的針對性學習；

2.現有的時間關聯提取通常采用循環神經網絡或卷積神經網絡，前者使用記憶單元保存歷史時間步的影響，但迭代操作導致時間開銷較大；后者使用卷積核捕捉局部關聯，時間開銷較小，但缺乏對全局時間關聯的建模；

3.現有的時間卷積網絡大多直接采用大尺寸卷積核提取長期關聯，結合交通時序數據的周期性特點，大尺寸卷積核中的參數沒有被有效利用。

發明內容

為解決以上現有技術存在的問題，本發明提出了一種基于多視角自適應時空圖網絡的交通控制方法，該方法包括：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，預測下一時刻該路口的交通流量；根據預測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進輸入到采用雙向異性圖學習模塊中，得到時間圖和空間圖；

S3：對時間圖進行卷積，提取時間圖的全局時間關聯特征；