一种基于贝叶斯神经网络的车辆OD预测方法

本发明涉及智能交通领域，特别是涉及一种基于贝叶斯神经网络的车辆起点-终点(orient-destination，od)预测方法。

背景技术：

1、车辆od预测指根据当前时段的起点-终点的订单数量，预测后一时段的订单情况。交通预测对城市交通有重要意义，车辆od预测作为更为复杂的需求预测，更加强调了城市交通中人群出行的整体变化，这对研究道路交通情况和城市路网建设等具有重要意义。以出租车od预测为例，出租车需求预测能够增加出租车营收，提高道路使用，缓解道路拥挤。

2、现有的车辆od预测主要基于图卷积神经网络(graph convolution neuralnetwork，gcn)和一些时序预测的网络，例如循环神经网络(recurrent neural network，rnn)、长短时记忆网络(long-short term memory，lstm)、门控循环单元(gated recurrentunit，gru)等，共同构建时空联合网络进行预测。现有的方法一般首先使用gcn对交通图上周围节点的信息进行聚合和卷积，再将这些隐变量送入时序预测网络中预测未来的od。其中gcn中用于卷积的图一般是静态图，不能很好的代表空间相关性随时间的变化。

3、如上所述，现有的出租车需求预测往往结合时空的相互关联进行建模。这些方法在空间上通常使用图卷积神经网络等来学习拓扑关系，然后在时间上使用时序预测的神经网络，如rnn、lstm等，对未来的供需关系进行预测。其应用的空间信息往往基于固定的空间结构，如邻接矩阵、相似性矩阵等明确的图结构，对出租车需求进行预测。例如，有人采用了neighborhood、functional similarity、transportation connectivity三个先验图来表征图上的连接关系；有人使用了兴趣点(point of interest，poi)、天气等图的信息进行辅助工作。然而，这种方法往往丧失了对拓扑关系的不确定性和随时间变化性的描述。

4、需要说明的是，在上述背景技术部分公开的信息仅用于对本技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的主要目的在于克服上述背景技术的缺陷，提供一种基于贝叶斯神经网络的车辆od预测方法。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于贝叶斯神经网络的车辆od预测方法，包括如下步骤：

4、对时间进行编码，构建不同时刻的时间编码表征不同的时间段信息；

5、以时空多图卷积网络st-mgcn作为模型基础，将其中图结构从静态的邻接矩阵改为贝叶斯图嵌入(embedding)，将时间编码作为输入送入线性映射的贝叶斯神经网络，将图嵌入输出为一个概率分布，通过每次从概率分布中采样得到对应的图嵌入，由此构建时空贝叶斯图卷积网络st-bgcn；其中，基于贝叶斯神经网络构建随时间动态变化的图结构，使用贝叶斯方法将空间结构信息描述成与时间信息相关的概率分布，并且在过程中隐式地自适应学习和更新；

6、通过时空贝叶斯图卷积网络st-bgcn来进行车辆od预测，以使得od预测结果能够展示出不同时间下地区间的联系。

7、进一步地，车辆od预测问题简化为求解如下函数形式：

8、xt＝f(xt-1,xt-2,...xt-t,o)

9、其中，xt为t时刻下相应的od需求，xt-1,xt-2,...xt-t代表t时刻前的t个时间段下已知的od情况，o代表其余的辅助数据，基于已知的信息预测未来的od情况。

10、进一步地，先通过下文门控长短时记忆网络cg-lstm，从原始特征中通过门控机制挖掘和挑选不同时刻下的特征信息；然后，将挖掘得到的相关信息作为贝叶斯图卷积网络bgcn的输入特征，送入bgcn做最后的预测。

11、进一步地，所述下文门控长短时记忆网络cg-lstm模块加入了通道注意力的门控机制，给每个时刻引入了不同权重的注意力系数，其中，使用lstm网络来学习和保存不同时段下的信息，由此，挖掘时间上的前后关联性，使得lstm网络能保留更多有用的信息。

12、进一步地，od预测使用的数据x1:t的形式为(batch_size(b),nodes(n),seq_len(t),features(f))；首先聚合节点上的相关信息，得到每个节点的不同时刻下相关特征x1:t(b,n,t)；使用图卷积部分学习数据在图上的关联性，图卷积中图的部分使用经过贝叶斯网络生成的图嵌入embedding；再与原始特征拼接的方式得到其在不同节点和时间上的注意力关系，其计算公式如下：

13、

14、随后聚合节点的注意力信息通过两层全连接网络自适应的调整每一个时刻上的注意力信息，并且通过哈达玛积赋予原始输入xt不同时刻的注意力，其计算公式如下：

15、

16、s1:t＝σ(w2σ(w1z1:t))

17、

18、其中，z1:t的数据格式为(b,t)；

19、最后，将t个时刻下的作为lstm的输入送入lstm时序网络中得到不同时序下的隐含信息，此时数据的特征维度为(b,t,hidden_dim(h))。

20、进一步地，贝叶斯图卷积网络bgcn中，通过一组时间编码来表示不同时刻，以日或者周进行编码反应其时间的循环性，并且使用一组线性的贝叶斯神经网络来构建上述时间编码以及图之间的关系，该关系表示成：

21、

22、其中，t为根据时间段构建的one-hot编码，以周为例，编码为(7*24*d)的一维向量，d为单位小时内所设置数据的时间间隔个数，w和b分别代表需要学习的权重参数(7*24*d,n)和偏置参数n，。

23、进一步地，使用高斯分布描述先验分布；通过将上述one-hot编码的时间向量映射到节点个数n大小的图嵌入embedding向量，表征不同时间下各个节点得到的注意力强度，再使用图嵌入embedding的结果转置相乘得到节点间构成的图结构。

24、进一步地，贝叶斯图卷积网络bgcn中，保留部分原始先验的图结构以保持收敛过程后期的稳定性，形成最终图：

25、

26、其中，代表在最后图卷积中使用的图结构，大小与图的拉普拉斯矩阵一致，代表原本的图结构。

27、进一步地，将从cg-lstm学习出的特征送入bgcn网络中，设定bgcn的input_size和output_size匹配lstm中的hidden_dim和原始输入的features，完成最终预测。

28、一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序由处理器执行时，实现所述的基于贝叶斯神经网络的车辆od预测方法。

29、本发明具有如下有益效果：

30、本发明提出了一种基于贝叶斯神经网络的车辆od预测方法，基于贝叶斯神经网络构建随时间变化的图结构，对时间进行编码再通过贝叶斯神经网络获取动态变化的图，使得od预测结果能够展示出不同时间下地区间的联系，增强了预测结果的鲁棒性。通过使用贝叶斯方法将空间结构信息描述成与时间信息相关的概率分布，并且在过程中隐式地自适应学习和更新，实验证明，本发明的方法性能优于基准方法，同时能够给出不确定的方差。