[發明專利]一種基于金字塔式因果網絡的耦合信息流長期預測方法

有效

• 申請號: 202310065473.9
• 申請日: 2023-02-06
• 公開（公告）號: CN115809747B
• 公開（公告）日: 2023-05-09
• 發明（設計）人: 李雨芝;邱晨萌;邵其;陳都鑫;虞文武
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/08;G06N3/0442;G06N3/045;G06N3/049
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

本發明公開一種基于金字塔式因果網絡的耦合信息流長期預測方法，適用于預測耦合信息流的長時時空信息,該方案采用因果性指標判斷，以交通流為例，通過檢測器獲取的車輛速度時間序列數據為基礎構建因果網絡，通過互信息估計方法來計算因果熵，完成因果網絡的構建。利用金字塔時空網絡模型，從輸入預處理層到時空塊層，得到預測結果。其中每個時空塊包含一個可以雙向提取時間序列數據的時間金字塔模塊和一個可以總結因果網絡和地理網絡信息的殘差多圖卷積網絡模塊。該方法可達到較高的信息流長時預測精度，可為在智能交通系統提供有效數據支撐。

技術領域

本發明涉及一種預測方法，具體涉及一種基于金字塔式因果網絡的耦合信息流長期預測方法，屬于預測耦合信息流術領域。

背景技術

隨著網絡信息平臺的不斷發展,信息流在現代管理、市場營銷、輿情監測、交通等領域都有所體現。信息流預測的目標是通過給出網絡結構和歷史數據，預測未來一段時間內信息流變化的總體趨勢。由于近年來信息流數據類型和數量的爆炸性增長，人們對有效穩定的信息流預測方法有著強烈的需求。一般來說，信息流預測模型大致可以分為兩類：經典統計方法和數據驅動方法。

當網絡系統不復雜，即檢測器單元較少時，利用統計方法預測耦合信息流是可行的。歷史均值模型（HA）通過最小二乘法進行估計，一定程度內解決不同時間、時段的信息流變化問題；時間序列算法（ARIMA）等傳統統計方法利用時間序列觀測值之間的依賴關系和相關性，從而進行動態預測。然而，受統計方法處理高維時間序列數據能力的限制和網絡規模和數據量的增加，越來越多的研究人員開始關注基于數據驅動的預測方法。由于神經網絡算法在處理人類活動、社會關系、空氣質量等復雜數據方面的顯著優勢，深度神經網絡為解決耦合信息流預測問題提供了新的思路。目前已有許多神經網絡方法用于信息流預測，如深度置信網絡(DBN)、堆疊式自編碼器(SAE)等，它們能夠有效地學習高維數據的特征。最近提出的T-GCN模型是利用圖卷積方法提取圖信息，結合循環神經網絡（RNN）預測信息流，可以獲得良好的預測結果。但是，基于數據驅動的交通流預測方法數據仍面臨兩個困難：（1）由于受卷積神經網絡接收域的限制，T-GCN模型不能有效地總結網絡的全局信息。網絡具有長距離依賴性，基于網絡的T-GCN模型不能保證長期交通流預測的穩定性；（2）受RNN方法性能的限制，T-GCN模型在處理長期預測任務時不能有效地聚合數據的長期依賴性，會導致預測結果不準確。因此，這些基于數據驅動的預測方法仍然不能提取網絡的全球空間信息，不能把握時間序列數據的長期依賴性。因此，迫切的需要一種新的方案解決上述技術問題。

發明內容

本發明正是針對現有技術中存在的問題，提供一種金字塔時空網絡模型（PSTN）來進行耦合信息流的預測，特別是交通流的長期預測。根據上述分析，網絡不能很好地提取數據的長距離依賴性。因此，我們引入因果網絡來重新構建交通流網絡。通過因果網絡構建，每個節點的父節點，即影響該節點產生變化的節點，將是該節點的一階鄰居，然后通過圖卷積網絡（GCN）獲得網絡空間的因果關系，利用多種提取方法提取時間序列數據的時間特征。本發明可以更有效地獲取耦合信息流網絡的時空信息，特別是在長期預測方面有較好的效果。

為了實現上述目的，本發明的技術方案如下，一種基于金字塔式因果網絡的耦合信息流長期預測方法，所述方法包括以下步驟：

步驟1：因果網絡重構；

步驟2：金字塔時空網絡模型建立。

其中，步驟1：因果網絡重構，包括以下兩個步驟

步驟11：構建復雜的因果網絡，具體如下：我們采用基于因果性指標的因果推理方法來構建復雜的因果網絡，對于事件，我們可以通過信息熵來反映信息的不確定性，其公式為：

，

其中是變量的概率,而對于兩個事件可以通過定義聯合熵和條件熵來確定信息之間的關系，其公式為：

，