[發(fā)明專利]一種基于動(dòng)態(tài)超圖卷積神經(jīng)網(wǎng)絡(luò)的OD客流預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202210249218.5
• 申請日: 2022-03-06
• 公開（公告）號: CN114611798A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計(jì)）人: 張勇;張毅;池海楠;尹寶才
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.一種基于動(dòng)態(tài)超圖卷積神經(jīng)網(wǎng)絡(luò)的OD客流預(yù)測方法，其特征在于包括以下步驟：

(1)對道路網(wǎng)絡(luò)利用超圖進(jìn)行建模表示，其中超圖節(jié)點(diǎn)V為路網(wǎng)節(jié)點(diǎn)，超邊E為路網(wǎng)線路，與路網(wǎng)中路網(wǎng)節(jié)點(diǎn)的連接方式相同，超圖表示中通過超邊連接多個(gè)節(jié)點(diǎn)，自此利用路網(wǎng)拓?fù)浣Y(jié)構(gòu)構(gòu)建靜態(tài)超邊G_s；

(2)采集客流OD的歷史數(shù)據(jù)，客流OD歷史的順序時(shí)間序列為{x₀，x₁，x₂，...，x_t}，x_t表示t時(shí)刻的OD值，將歷史的客流OD張量按時(shí)間軸相加得到該時(shí)段的客流OD矩陣，據(jù)此對客流OD矩陣進(jìn)行余弦相似度分析，構(gòu)造在起始點(diǎn)層面的動(dòng)態(tài)超邊G_do和目的地層面的動(dòng)態(tài)超邊G_dd；

(3)對于動(dòng)態(tài)超圖時(shí)空卷積模塊由二維動(dòng)態(tài)超圖卷積模塊(2D-HGCN)和多感受野擴(kuò)張因果卷積模塊組成，二維超圖卷積模塊建模起始點(diǎn)層面和目的地層面的空間關(guān)聯(lián)性，多感受野擴(kuò)張因果卷積模塊建模時(shí)間關(guān)聯(lián)性；

其中二維動(dòng)態(tài)超圖卷積模塊構(gòu)建如下：

超圖G的拉普拉斯矩陣為：

其中是超圖節(jié)點(diǎn)的度矩陣，是超圖超邊的度矩陣，H是超圖的關(guān)聯(lián)矩陣，W是超邊的權(quán)重矩陣，Δ為僅有實(shí)數(shù)特征值的半正定矩陣，通過對超圖拉普拉斯矩陣進(jìn)行特征分解并將特征向量作為傅里葉變換的基底，可得超圖卷積表達(dá)式：

(x*g)_HG＝Φ((Φ^Tg)⊙(Φ^Tx))＝Φ(g_θ(Λ)⊙(Φ^Tx))

其中，⊙是哈達(dá)瑪乘積，Φ^Tg是可訓(xùn)練的卷積核，表示為g_θ(Λ)是拉普拉斯特征值的函數(shù)，x為超圖上節(jié)點(diǎn)的特征數(shù)據(jù)，Λ＝diag(λ₁，...，λ_n)，是對超圖拉普拉斯矩陣進(jìn)行特征分解得到的非負(fù)特征值矩陣，Φ＝diag(Φ₁，...，Φ_n)是超圖拉普拉斯矩陣進(jìn)行特征分解后得到的正交的特征向量；

由于在實(shí)際應(yīng)用中計(jì)算特征分解的時(shí)間復(fù)雜度過高，通過切比雪夫多項(xiàng)式來降低計(jì)算復(fù)雜度，即：

(x*g)_HG表示對超圖上的信號進(jìn)行超圖卷積操作，是縮放后歸一化的拉普拉斯矩陣，λ_max是Δ的最大特征值，θ_k(k＝0，1，...k)是切比雪夫多項(xiàng)式的第k項(xiàng)的系數(shù)，的k階切比雪夫多項(xiàng)式遞歸的定義為：因?yàn)槌瑘D表示節(jié)點(diǎn)間的高階關(guān)聯(lián)，進(jìn)一步將k設(shè)置為1，超圖卷積進(jìn)一步簡化為：

θ₀和θ₁是在模型訓(xùn)練中的可學(xué)習(xí)參數(shù)，為了防止過擬合問題使用一個(gè)單一參數(shù)θ來替代θ₀和θ₁：

超圖卷積簡化為如下表示：

Θ是應(yīng)用在超圖節(jié)點(diǎn)上提取特征的卷積核；

在得到超圖卷積的基礎(chǔ)上，對節(jié)點(diǎn)的輸入特征進(jìn)行二維超圖卷積(2D-HGCN)操作，對OD客流在起始點(diǎn)(original)層面和目的地(destination)層面上的空間關(guān)聯(lián)性進(jìn)行融合可表示為：

L₁表示在起始點(diǎn)(original)層面的超圖拉普拉斯矩陣，L₂表示在目的地(destination)層面的超圖拉普拉斯矩陣，σ(·)為激活函數(shù)，T_i(·)，T_j(·)是切比雪夫多項(xiàng)式，W^l表示表示第l層的可學(xué)習(xí)的卷積核，H^(l)是l-1層二維超圖卷積的輸出，H^(l+1)是第l層進(jìn)行二維超圖卷積(2D-HGCN)操作后的輸出；

時(shí)間卷積模塊：

通過擴(kuò)張因果卷積捕獲時(shí)間層面隱藏的相關(guān)性，通過疊加層數(shù)獲得指數(shù)級增加的感受野；擴(kuò)張因果卷積操作表示為：

其中，X是輸入的一維時(shí)序信號，f是卷積核，M是卷積核的大小，s代表在卷積核中的位置，t代表t時(shí)刻，d代表擴(kuò)張率的大小，t-d×s代表時(shí)間維度上移動(dòng)的位置，擴(kuò)張因果卷積是在時(shí)間維度上進(jìn)行的，對每一對OD對卷積核的參數(shù)是共享的；

門控機(jī)制在循環(huán)神經(jīng)網(wǎng)絡(luò)中有大量應(yīng)用，對通過信息流通過時(shí)間卷積層具有重要意義；門控的時(shí)間卷積表示為：

h＝g(Θ₁*X+b)⊙σ(Θ₂*X+c)

Θ₁，Θ₂代表擴(kuò)張卷積操作，兩個(gè)卷積操作是相同的，b，c代表偏置項(xiàng)，⊙代表哈達(dá)瑪積，h代表時(shí)間卷積的結(jié)果，g代表雙曲正切激活函數(shù)，σ代表sigmoid函數(shù)；卷積操作后經(jīng)過sigmoid函數(shù)激活得到輸入下一層的比例，與經(jīng)過雙曲正切函數(shù)激活的結(jié)果做哈達(dá)瑪積，得到輸入下一層的特征。