[發明專利]基于多步耦合圖卷積網絡的交通預測方法

有效

• 申請號: 202210368645.5
• 申請日: 2022-04-09
• 公開（公告）號: CN114692984B
• 公開（公告）日: 2023-02-07
• 發明（設計）人: 黃曉輝;葉裕明;凌嘉壕;藍緣春
• 申請（專利權）人: 華東交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0464;G06N3/0442;G06F18/231;G06F18/2321;G08G1/01
• 代理公司: 南昌大牛知識產權代理事務所(普通合伙) 36135
• 代理人: 鄭劍文

1.基于多步耦合圖卷積網絡的交通預測方法，其特征在于，包括如下內容：

(1)交通出行記錄收集和數據預處理：通過GPS和北斗定位設備收集到每次出行的起始、終止位置和時間信息，對于有固定停車點的出行流量預測，則以停車點為站點；對于沒有固定停車點的交通出行預測，則通過聚類算法聚合出行的起始和終止位置，構造出虛擬停車站點；然后進行站點流量預測；每個站點在每個時間段的特征可表示為X_t∈R^Nxd，其中N為站點數目，d為站點的特征數目；

(2)站點關系圖構造：將整個城市的交通網絡表示為一個圖G＝(V,E)，其中V為站點集合，X_t為站點集合V在t時刻的特征表示，E為站點之間的連接邊集合，站點之間流量相似度視為邊的權重；對于站點與站點之間的聯系，可以定義一個鄰接矩陣A⁰來編碼站點間的初始依賴關系,即其中t_a表示第一個時間步所有站點的特征，τ為時間步長，F₁為映射函數；

(3)多步耦合圖卷積站點空間特征提取：基于多步耦合圖卷積站點空間特征學習，首先要學習每一步的空間特征Z^m+1，其學習公式為

其中Z^m+1表示第m+1步耦合圖卷積學習后獲得的站點特征矩陣，當m＝0時，即Z⁰＝X_t，即初始站點特征表示，表示在第m步耦合圖卷積后的特征表示Z^m上以為參數在圖G上做圖卷積；其具體計算方法為其中k為卷積層數，A^m為第m步耦合圖卷積所用的圖表示，即鄰接矩陣，為第m 步耦合圖卷積參數；然后，在獲得每一個步的空間特征表示{Z¹,Z²,...,Z^M}后，通過多層次聚類獲得在t時間段的特征表示h^t，其公式表示為

其中α^m為歸一化參數，W_α和b_α為需要學習的參數；(4)基于門控循環圖卷積網絡時空特征融合學習：在不同時間段的空間特征表示基礎上，利用門控循環圖神經網絡學習站點的時空特征，實現空間特征與時間特征的融合，其具體操作為

r^(t)＝σ(Θ_r*G[h^(t),H^(t-1)]+b_r)

u^(t)＝σ(Θ_u*G[h^(t),H^(t-1)]+b_u)

c^(t)＝tanh(Θ_c*G[h^(t),(r^(t)⊙H^(t-1))]+b_c)

H^(t)＝u^(t)⊙H^(t-1)+(1-u^(t))⊙c^(t)

其中，*G[h^(t),H^(t-1)]表示在圖G上進行卷積操作，h^(t)和H^(t-1)為卷積輸入向量，h^(t)表示第t個時間步的站點空間特征，H^(t-1)為第t-1步輸出的時空融合特征，e表示按元素做乘積，σ表示激活函數，r^(t)為重置門，u^(t)為更新門，c^(t)為臨時變量，Θ_r，Θ_u，Θ_c為門控循環圖卷積網絡需要學習的參數，b_r，b_u和b_c為偏置參數，也是需要隨著網絡一起學習得到；

(5)基于多步時間注意力交通流量預測：利用多步注意力機制從歷史交通流量特征中提取有用的信息，結合編碼-解碼器結構來預測未來時刻的交通流量，其表示為

其中H^t為基于門控循環圖卷積網絡時空特征融合學習在第t個時間段的時空特征融合學習，X_t+1,X_t+2,...,X_Q為需要預測的Q個時間段的交通流量，F₂為基于多步時間注意力交通流量預測網絡。