一种用于交通预测的图卷积和多路径神经网络预测方法

1.本发明涉及智能交通技术领域，具体涉及一种用于交通预测的图卷积和多路径神经网络预测方法。


背景技术：

2.交通流预测是城市交通管理乃至城市大脑或智慧城市的重要组成部分。在自动驾驶系统中，环境感知、车道规划和车辆控制还需要预测周围车道的车速等相关信息。最近，不仅特斯拉等新能源汽车厂商在自动驾驶上投入了大量精力，奔驰、宝马等传统汽车公司也开始生产自己的自动驾驶汽车。日益增长的车辆数量与城市交通容量不足之间的矛盾越来越严重。专家和学者对交通拥堵问题给予了更多的关注。一些研究人员将计算机技术应用于交通信息预测领域，这有助于解决交通拥堵问题。图神经网络的兴起为图型数据的研究提供了一个新的方向。越来越多的图神经网络被专业人士和学术界提出。越来越多的图神经网络已经被专业人士和学者提出，用于各种领域，包括分子优化、语义分析、动作识别、推荐系统、生物制药等。然而，只有少数研究者将其应用于交通数据预测中，并取得了理想的效果。另一方面，交通流预测还需要对交通流数据进行时间维度的建模，即提取时间特征信息。根据研究，使用先进的图形神经网络模型来预测交通速度可以提高预测的准确性。
3.近年来，基于图卷积(gcn)的时空神经网络模型已经成为交通预测的焦点之一。图卷积神经网络可以捕捉到位于不规则非欧几里得空间上的空间依赖关系，并在各个领域取得了巨大成功，如蛋白质结构、社会网络等。图卷积网络分为两类，基于频谱和基于空间。基于空间的方法直接对图的节点进行卷积操作。graphsage引入了一个聚合函数来定义图卷积。图注意网络(gat)在应用聚合函数时利用注意层来调整每个节点的重要性。基于光谱的方法采用拉普拉斯矩阵在傅里叶域对图进行卷积操作。根据卷积核的选择，基于光谱的方法主要包括chebnet和gcns。gcns采用chebnet的一阶近似，大大简化了图卷积的参数。通过堆叠多个gcn层，gcns的接受邻域范围可以被扩大。最近，一些研究人员使用图学习模块来获取图结构。现有技术公开号为cn112949828a公开了一种基于图学习的图卷积神经网络交通预测方法及系统，采用图学习模块学习来得到更为准确的新的邻接矩阵，通过图学习模块能够捕获多种空间关系，通过开发一个自适应的依赖矩阵，但主要问题是亲和矩阵的稀疏性无法保证。有学者利用了一个新颖的拉普拉斯矩阵学习层，根据输入数据动态地构建图矩阵。在这种方法中，预设图的不准确性被忽略了，节点之间的潜在关联性不能被有效利用。


技术实现要素：

4.1.所要解决的技术问题：
5.针对上述技术问题，本发明提供一种用于交通预测的图卷积和多路径神经网络预测方法，本方法可以通过同时捕获城市交通路网的时间依赖性和空间依赖性以提高交通预测精度。本方案中采用图卷积和多路径神经网络的预测模型，使用改进的gcn组件，用于学
习交通状况的空间相关性；其次，使用一个增加注意力机制的多路径cnn结构，用于学习交通状况的时间相关性。准确预测城市道路网络的交通流。
6.2.技术方案：
7.一种用于交通预测的图卷积和多路径神经网络预测方法，其特征在于：包括：
8.步骤一：获取城市交通网络的历史交通流数据，将交通流数据带入前馈神经网络映射得出比原来的交通流数据具有更高维度的空间的交通流序列；所述交通流数据包括交通速度、预设时间段的流量；
9.步骤二：构建基于图卷积神经网络的模块与多路径卷积神经网络模型；将交通流序列分别输入两个模型，通过图卷积神经网络提取出交通流序列的空间周期性特征；通过多路径卷积神经网络模型提取交通流序列的时间周期性特征；
10.步骤三：将交通流序列的空间周期性特征与时间周期性特征采用门控融合方法进行融合后，输入线性层，输出即为预测的交通序列。
11.进一步地，步骤一具体包括：
12.s11：将道路网络数据建模表示为g＝《v,e》：其中v表示顶点v的集合，e表示所有边的集合，其中每个边为两个顶点之间的空间连接性及其对应的距离；所述顶点处安装用于测量交通流数据的设备；
13.预设过去p个时间的顶点v对应的历史交通状况数据，表示为
[0014][0015]
(1)式中，表示在ti时刻在顶点v测量的每个交通流数据或者在一段时间(t
i-1
，ti)内的顶点v的总的交通状况值，其每一行有c列，代表c个预设的交通流数据，所述总的交通状况包括总交通量、平均交通速度；
[0016]
s12:将顶点v的历史交通状况数据输入带有线性层的前馈神经网络后，输出交通状态特征矩阵x
′
；其中是一个v*d矩阵，d为预设的前馈神经网络的隐空间的维度。
[0017]
进一步地，步骤二具体为：
[0018]
s21：构建两层图卷积神经网络作为空间模块，提取出交通流序列的空间周期性特征；
[0019]
s22：构建多路径卷积神经网络模型作为时间模块，提取出交通流序列的时间周期性特征；
[0020]
把交通数据映射输出矩阵x
′
，其中将输入p-1个1维卷积神经网络，以步幅为1来增加核大小使其从依次从2，3，...，至p；使用内核大小为j的一维cnn即cj，列举出相邻的每一个j矩阵来学习它们的综合时间影响，从而得到一个p-j+1的矩阵序列，用表示，j∈[2，p]；上述过程用以下公式表示：
[0021]
[0022][0023]
……
[0024][0025]
上述过程中，每个输出矩阵都在rv×d中；把输出矩阵和串联起来得到串联后的矩阵为即：
[0026][0027]
表示串联操作；
[0028]
在对时间t
p+1
进行预测时，用t
p+1
来计算对的注意力：
[0029][0030]
(7)式中，softmax(
·
)是softmax函数，是t
p+1
的嵌入，要与中v不同顶点的向量相乘；对每个不同的顶点使用不同的t
p+1
的嵌入，得到每个顶点的基于时间的不同注意力。
[0031]
进一步地，步骤三具体包括：
[0032]
s31：使用门控融合机制，将空间模块的输出与时间模块的输出进行融合，具体如下：
[0033][0034][0035]
(8)、(9)式中，表示融合后的输出，表示以ti时的交通状况为输入的空间模块的输出；表示时间t
p+i
的时间注意力输出；σ表示sigmoid激活函数，w1、w2和b是可学习参数；
[0036]
s32，将预测值送入线性层，实现将预测值从rv×d映射回rv×c，从而生成时间t
p+i
的流量预测。
[0037]
进一步地，还包括计算实际交通流量与预测值的损失，进行模型评估；具体为：
[0038]
使用均方误差mse作为损失函数l；
[0039][0040]
(10)式中，x表示交通状况数据在时间上的分布，表示交通状况j在顶点vi和时间t的地面真实值，表示相应的模型预测值；
[0041]
采用平均绝对误差mae、均方根误差rmse以及平均绝对百分比误差mape进行模型评估；
[0042][0043][0044][0045]
其中，yi和分别表示实际交通流量和预测流量，平均绝对百分比误差mape，平均绝对误差mae和均方根误差rmse的值越小模型预测效果越好。
[0046]
3.有益效果：
[0047]
本发明提出了一种用于交通预测的图卷积和多路径神经网络模型，首先，使用改进的gcn组件，用于学习交通状况的空间相关性；其次，使用一个增加注意力机制的多路径cnn结构，用于学习交通状况的时间相关性。与现有技术相比，在预测交通流方面，gcn可以提取一个与实际的非欧氏结构相当的路网结构，cnn的每条路径可以关注不同的组合。通过使用交通预测时间嵌入的注意机制进一步调制学习到的联合影响，以反映交通状况的周期性模式。因此，本发明方法能够有效预测交通流的时空变化特征和规律，预测精度高，提升了交通流预测效果。
附图说明
[0048]
图1为本发明的总体流程框图；
[0049]
图2为本发明中的基于图卷积空间建模结构框图；
[0050]
图3为本发明中的基于多路径神经网络的时间建模结构框图；
[0051]
图4为本发明的基于图卷积和多路径神经网络的预测模型的结构框图。
具体实施方式
[0052]
下面结合附图对本发明进行具体的说明。
[0053]
具体实施例：
[0054]
本发明具体实施采用某城区公路上一个月时间段的交通流量数据，采用基于图卷积和多路径神经网络的预测模型的交通预测方法进行交通流预测，具体实施步骤如下：
[0055]
1)针对城市交通网络的连接属性构建一个道路网络g＝《v,e》，其中v表示一组顶点(例如交通传感器)，e表示一组边，代表顶点之间的空间连接以及距离。给定过去p个时间点v的历史交通状况数据(如交通速度值)，表示为
[0056][0057]
(1)中，p是系统参数，在中，每一行有c列，代表c个感兴趣的交通状况，如速度、流量等。每个元素都可以用来代表一个顶点在单一时间点ti观察到的单一交通状况值，或在一段时期内(t
i-1
,ti)在顶点观察到的总的交通状况值(例如，总交通量或平均交通
速度)。
[0058]
2)每个时间点的交通数据首先使用一个带有线性层的前馈网络，将交通值映射到一个更高维的潜在空间，以增强其表示能力(在实验中使用两层10个和100个节点)。映射的输出，表示为是一个v
×
d矩阵，其中d是预设的隐空间的维度(在实验中d＝100)。时间t1到时间t
p
的输出矩阵经过两个独立的模块，即空间相关性和时间相关性模块，以学习交通数据的相关性。
[0059]
3)空间相关性模块：构建基于图卷积神经网络的模块，以提取周期性特征，并学习顶点之间交通状况的空间相关性，具体如下：
[0060]
在gcn中，拉普拉斯矩阵被定义为l＝d-a，l是一个实数对称矩阵，d是顶点的度矩阵(对角线矩阵)，对角线上的元素依次是每个顶点的度，a是图的邻接矩阵。通过分析拉普拉斯矩阵及其特征值，得到图结构的属性。到目前为止，gcn的相关理论表明，在实验中使用两层gcn效果最好。两层gcn模型公式可表示为：
[0061][0062]
x、a分别代表特征矩阵和邻接矩阵。
[0063][0064]
上述两个公式表示预处理步骤，其中特征向量矩阵s为正交矩阵，
[0065]
ss
t
＝in[0066][0067]
为自连接结构的矩阵
[0068][0069]
为度矩阵
[0070]
将x'应用于gcn模型，得到f
t
(x
t
',a)。将这部分作为gcn的输入，有如下公式：
[0071][0072]
gcn创建的矩阵保留了交通网络的空间结构。
[0073]
4)时间相关性模块：构建增加多路径卷积神经网络模型，用来自动获取交通流序列在不同时间的不同影响程度。
[0074]
把矩阵进入p-1个1维卷积神经网络，核大小不断增加(即2，3，...，p)，跨度大小分别为1，使用内核大小为j的一维cnn即cj，列举出相邻的每一个j矩阵来学习它们的综合时间影响，从而得到一个p-j+1的矩阵序列，用表示，其中j∈[2，p]。
[0075][0076]
[0077]
……
[0078][0079]
这里，每个输出矩阵都在rv×d中，使用所有这些输出矩阵来预测t
p+1
,t
p+2
,...,t
p+q
并行预测，而不是从一个时间点到另一个时间点，这样，就减少了计算时间，同时避免了因使用近期的预测结果来预测更远的未来而引起的误差传播问题。把这些矩阵和连接起来。
[0080]
让串联后的矩阵为
[0081][0082]
表示串联操作。
[0083]
确定时间上的注意力；在对时间t
p+1
进行预测时，用t
p+1
来计算对的注意力。
[0084][0085]
(7)式中，softmax(
·
)是softmax函数，是t
p+1
的嵌入，要与中v不同顶点的向量相乘，乘法在图3中用'
⊙
'来表示。这里，对每个不同的顶点使用不同的t
p+1
的嵌入，这样每个顶点就有不同的基于时间的注意力。
[0086]
5)使用门控融合机制，将空间相关性模块和时间相关性模块的输出融合
[0087][0088][0089]
(8)、(9)式中，表示融合输出，表示以ti时的交通状况(即)为输入的gcn输出，表示时间t
p+i
的时间注意力输出，σ表示sigmoid激活函数，w1、w2和b是可学习参数。
[0090]
6)融合后的输出通过线性转化层生成交通流量预测；
[0091]
将送入线性层(在实验中使用10个和c个节点的两层)，将预测值从rv×d映射回rv×c，以生成时间t
p+i
的流量预测。
[0092]
7)计算实际交通流量与预测值的损失；
[0093]
使用均方误差(mse)作为损失函数l。
[0094][0095]
这里，x表示交通状况数据在时间上的分布，表示交通状况j在顶点vi和时间t的地面真实值，而表示相应的模型预测值。
[0096]
8)进行模型评估；
[0097]
(1)平均绝对误差(mae):
[0098][0099]
(2)均方根误差(rmse):
[0100][0101]
(3)mape平均绝对百分比误差
[0102][0103]
其中，yi和分别表示实际交通流量和预测流量，平均绝对百分比误差mape，平均绝对误差(mae)和均方根误差(rmse)的值越小模型预测效果越好。
[0104]
表1模型在emsd4和pemsd8数据集的预测误差结果图
[0105][0106]
从表1中可以看出，本发明提出的基于图卷积和多路径神经网络的交通预测模型在与自回归综合移动平均(arima)、seq2seq、stg2seq、gwnet、stgcn和mtgnn模型的比较中，评价指标mae，rmse和mape都取得了明显的优势，取得了一个比较满意的预测结果。实验对比综合说明本发明提出的基于图卷积和多路径神经网络的交通预测方法的科学性和精确性。
[0107]
本发明基于图卷积和多路径神经网络的交通预测模型，使用改进的gcn组件，用于学习交通状况的空间相关性；其次，使用一个增加注意力机制的多路径cnn结构，用于学习交通状况的时间相关性。使用门控融合机制，将空间相关模块和时间相关模块的输出融合，最后通过线性转化生成各个路段的交通预测结果。在具体实施中，将所提模型与自回归综合移动平均(arima)、seq2seq、stg2seq、gwnet、stgcn和mtgnn模型进行了实验对比，实验结果表明本发明所提出的基于图卷积和多路径神经网络的交通预测方法在交通流的预测中取得了明显的优势。
[0108]
虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本技术的权利要求保护范围所界定的为准。