[發(fā)明專利]一種基于圖時(shí)空自編碼網(wǎng)絡(luò)的交通路網(wǎng)數(shù)據(jù)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210339542.6
• 申請(qǐng)日: 2022-04-01
• 公開(kāi)（公告）號(hào): CN114565187A
• 公開(kāi)（公告）日: 2022-05-31
• 發(fā)明（設(shè)計(jì)）人: 李海濤;李志慧;宋現(xiàn)敏;曲昭偉;曹倩;田婧;馬永健
• 申請(qǐng)（專利權(quán)）人: 吉林大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所 23109
• 代理人: 張換男

一種基于圖時(shí)空自編碼網(wǎng)絡(luò)的交通路網(wǎng)數(shù)據(jù)預(yù)測(cè)方法，本發(fā)明涉及基于圖時(shí)空自編碼網(wǎng)絡(luò)的交通路網(wǎng)數(shù)據(jù)預(yù)測(cè)方法。本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的路網(wǎng)交通時(shí)空特征提取與數(shù)據(jù)預(yù)測(cè)過(guò)程中局部與全局特征失衡，難以保證路網(wǎng)各節(jié)點(diǎn)的預(yù)測(cè)結(jié)果的穩(wěn)定可靠，降低了路網(wǎng)交通預(yù)測(cè)準(zhǔn)確性的問(wèn)題。過(guò)程為：一、將實(shí)際交通路網(wǎng)數(shù)據(jù)抽象為加權(quán)有向圖結(jié)構(gòu)；二、構(gòu)建圖時(shí)空自編碼網(wǎng)絡(luò)；三、將歷史交通數(shù)據(jù)按一的圖結(jié)構(gòu)進(jìn)行組織，并對(duì)二構(gòu)建的圖時(shí)空自編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的圖時(shí)空自編碼網(wǎng)絡(luò)；四、將實(shí)時(shí)獲取的交通數(shù)據(jù)按一處理獲得圖結(jié)構(gòu)交通數(shù)據(jù)，輸入訓(xùn)練好的圖時(shí)空自編碼網(wǎng)絡(luò)中，獲得路網(wǎng)各節(jié)點(diǎn)的預(yù)測(cè)結(jié)果。本發(fā)明屬于智能交通技術(shù)領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及基于圖時(shí)空自編碼網(wǎng)絡(luò)的交通路網(wǎng)數(shù)據(jù)預(yù)測(cè)方法，屬于智能交通技術(shù)領(lǐng)域。

背景技術(shù)

路網(wǎng)交通流預(yù)測(cè)任務(wù)一直是智能交通系統(tǒng)的重要組成部分，對(duì)居民出行規(guī)劃與城市交通管理有著重要的影響。與傳統(tǒng)的單點(diǎn)交通流預(yù)測(cè)任務(wù)不同，路網(wǎng)交通流預(yù)測(cè)是通過(guò)對(duì)路網(wǎng)整體的交通流運(yùn)行時(shí)空規(guī)律進(jìn)行學(xué)習(xí)，可以更為精準(zhǔn)地推斷未來(lái)路網(wǎng)交通變化情況。但這就要求預(yù)測(cè)模型不僅能發(fā)現(xiàn)路網(wǎng)交通流潛在的空間依賴關(guān)系，還需具備獲取并利用交通流時(shí)變特性的能力。此外，路網(wǎng)不同區(qū)域交通流運(yùn)行往往存在異質(zhì)性，表現(xiàn)為不同的交通模式，這使路網(wǎng)交通預(yù)測(cè)任務(wù)具有挑戰(zhàn)性。

現(xiàn)有技術(shù)的交通預(yù)測(cè)方法多種多樣，從計(jì)算原理主要分為模型驅(qū)動(dòng)方法與數(shù)據(jù)驅(qū)動(dòng)方法。模型驅(qū)動(dòng)方法如線性回歸法、時(shí)間序列法、移動(dòng)平均自回歸法(AutoregressiveIntegrated MovingAverage model，ARIMA)等，通過(guò)對(duì)交通參數(shù)變化趨勢(shì)與統(tǒng)計(jì)分布的預(yù)先假設(shè)，實(shí)現(xiàn)對(duì)交通參數(shù)的推斷與預(yù)測(cè)。但這些假設(shè)在實(shí)際交通流中很難得到滿足，從而限制了該類方法的預(yù)測(cè)效果。數(shù)據(jù)驅(qū)動(dòng)方法利用各類機(jī)器學(xué)習(xí)模型對(duì)交通數(shù)據(jù)中復(fù)雜的非線性變化進(jìn)行建模，具有更好的預(yù)測(cè)表現(xiàn)；其代表方法有包括人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeural Network，ANN)、徑向基函數(shù)(Radial Basis Function，RBF)、支持向量機(jī)(SupportVector Machines，SVM)等以及各類深度學(xué)習(xí)模型如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional NeuralNetworks，CNN)以及循環(huán)神經(jīng)網(wǎng)絡(luò)(Rerrent Neural Network，RNN)及其各種組合變體。圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Network，GNN)可以將交通網(wǎng)絡(luò)抽象為圖結(jié)構(gòu)形式，比常規(guī)網(wǎng)格數(shù)據(jù)更符合實(shí)際路網(wǎng)交通的關(guān)聯(lián)結(jié)構(gòu)，更能反映交通流節(jié)點(diǎn)之間的相關(guān)性，是目前路網(wǎng)交通流預(yù)測(cè)任務(wù)的主流研究方法。

現(xiàn)有的圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型大多通過(guò)預(yù)先設(shè)定的邊權(quán)來(lái)計(jì)算空間相關(guān)性，即假設(shè)道路之間存在固定的空間依賴關(guān)系，未充分考慮在實(shí)際交通路網(wǎng)環(huán)境中，交通流及其空間相關(guān)性的時(shí)間變化特性。其次，對(duì)于大規(guī)模的異構(gòu)交通網(wǎng)絡(luò)，在神經(jīng)網(wǎng)絡(luò)的逐層特征提取過(guò)程中很難保證每個(gè)道路節(jié)點(diǎn)其時(shí)空相關(guān)特征的有效性，現(xiàn)有技術(shù)的網(wǎng)絡(luò)結(jié)構(gòu)很難兼顧路網(wǎng)的局部和全局時(shí)空特征，難以保證路網(wǎng)各節(jié)點(diǎn)的預(yù)測(cè)結(jié)果的穩(wěn)定可靠，降低了路網(wǎng)交通預(yù)測(cè)準(zhǔn)確性。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的路網(wǎng)交通時(shí)空特征提取與數(shù)據(jù)預(yù)測(cè)過(guò)程中局部與全局特征失衡，難以保證路網(wǎng)各節(jié)點(diǎn)的預(yù)測(cè)結(jié)果的穩(wěn)定可靠，降低了路網(wǎng)交通預(yù)測(cè)準(zhǔn)確性的問(wèn)題，而提出一種基于圖時(shí)空自編碼網(wǎng)絡(luò)的交通路網(wǎng)數(shù)據(jù)預(yù)測(cè)方法。

一種基于圖時(shí)空自編碼網(wǎng)絡(luò)的交通路網(wǎng)數(shù)據(jù)預(yù)測(cè)方法具體過(guò)程為：

步驟一、將實(shí)際交通路網(wǎng)數(shù)據(jù)抽象為加權(quán)有向圖結(jié)構(gòu)，檢測(cè)器位置表示為圖的節(jié)點(diǎn)，檢測(cè)器位置間的連接關(guān)系表示為圖的邊，獲得圖結(jié)構(gòu)交通數(shù)據(jù)；

步驟二、構(gòu)建圖時(shí)空自編碼網(wǎng)絡(luò)；

圖時(shí)空自編碼網(wǎng)絡(luò)包括：圖編碼器、圖解碼器、預(yù)測(cè)器；

將圖結(jié)構(gòu)交通數(shù)據(jù)輸入圖時(shí)空自編碼網(wǎng)絡(luò)中的圖編碼器，圖編碼器對(duì)圖結(jié)構(gòu)交通數(shù)據(jù)進(jìn)行空間與時(shí)間維度的特征融合提取；

圖解碼器以圖編碼器提取到的特征為輸入，對(duì)圖結(jié)構(gòu)交通數(shù)據(jù)進(jìn)行重構(gòu)；