本发明涉及时空预测。
背景技术:
1、时空预测是目前人工智能研究领域的一大热点,其应用范围越来越广泛。针对时空数据的空气质量预测、气象预报、股票预测等在日常生活和生产中得到了广泛应用,并显示出良好的效果。特别是在智能交通系统its领域中,使用时空预测技术进行交通预测已成为一项重要的任务,因此也得到了广泛的应用。这种应用不仅可以帮助人们更好地规划自己的行程,还可以提高交通效率,减少堵塞和延误,改善城市交通拥堵现象。随着时空预测技术的不断发展,我们相信它将会在更多领域发挥出强大作用。
2、最近几年,随着图神经网络的迅速发展和广泛应用,人们开始使用图神经网络在交通预测中取得了一些进展。比如stgcn、astgcn、graph wavenet和stsgcn等网络都使用图神经网络来构建空间和时间模型,以捕捉各自时间序列数据的时间和空间特征。在这些网络进行特征提取时,它们分别使用空间和时间邻接矩阵来表示不同节点之间时间和空间的联系,并通过图卷积操作来集成这些信息,最后输出预测结果。
3、然而,现有的方法和模型仍然存在一些局限性:(1)道路交通结构日益复杂,使得提取空间特征变得更加困难;(2)单独生成时间和空间邻接矩阵来捕捉节点特征忽视了节点之间时间和空间上的联系;(3)交通流数据复杂多变,需要能够同时、动态地捕捉全局特征,这对于现有的方法来说非常具有挑战性。
4、目前在时空预测方面,由于数据量大、准确度和实时性要求高,现有的网络模型和邻接矩阵特征提取方法并不适用。所以需要一个新的技术方案来解决这些问题。
技术实现思路
1、本发明的目的是为了克服现有的深度学习网络难以对多源数据做到快速精准的预测的问题,提供一种基于时空门控图卷积神经网络的多源数据预测方法,以解决时空预测任务中的数据量大、实时性要求高、准确性要求高的特点。
2、为实现上述目的,本发明提供了如下技术方案:
3、方案一、一种基于时空门控图卷积网络的多源数据预测方法,所述方法包括以下步骤:
4、s1:获取多源时序历史数据;
5、s2:由s1所述多源时序历史数据进行数据预处理,得到所述预处理后的训练样本数据作为训练输入数据;
6、s3:由s2所述的训练输入数据对时空门控图卷积网络模型进行训练,得到时空数据特征的预测值;
7、s4:将所述预测值与真实值比较,得到基于时空门控图卷积网络模型的参数
8、进一步的,提供一种优选实施方式,所述s1包括以下步骤:
9、s1.1:数据同步处理:用于获取到多源时序历史数据;对各数据源的时序数据同步采样,得到同步时序数据集d;
10、s1.2:归一化处理:对s1.1中得到的同步时序数据集d中各数据源在不同时刻的数据采用min-max标准化处理,经过标准化处理后的数据集记为d*;
11、s1.3:数据分类处理:将s1.2中得到的数据集d*作为训练样本,将训练样本数据分为空间数据xt、时间数据zt+1和时空数据st。
12、进一步的,提供一种优选实施方式,所述s1.1具体为:由设定时间间隔δt同步获取数据源在同一时刻的采样值,得到同步时序数据集d,
13、其中,m是数据源的总个数,n是采样数据长度;表示第k个数据源的时序数据进行采样时在时刻t采样到的数据,t0为采样的起始时刻;采用均值插补法进行缺失值处理,用于获取各数据源在同一时刻的采样值。
14、进一步的,提供一种优选实施方式,所述时空门控图卷积网络模型包括空间卷积模块、时间卷积模块、时空卷积模块和特征融合模块。
15、进一步的,提供一种优选实施方式,所述s3包括以下步骤:
16、s3.1:在空间卷积模块中,利用图卷积神经网络gcn来捕获区域上的空间相关性;
17、s3.2:在时间卷积模块中,利用门控循环单元gru捕获预测区域上的时间相关性;
18、s3.3:在时空卷积模块中,利用时空卷积块gconvgru通过相似性图可以同时捕获节点在空间和时间上的相关性;
19、s3.4:在特征融合模块,将上述步骤中训练后的时空数据特征通过全连接层fullyconnected layer,简称fc,进行特征融合。
20、方案二、基于时空门控图卷积网络的多源数据预测装置,包括
21、输入模块,用于获取多源时序历史数据;
22、预处理模块,用于由s1所述多源时序历史数据进行数据预处理,得到所述预处理后的训练样本数据作为训练输入数据;
23、模型训练模块,用于由s2所述的训练输入数据对时空门控图卷积网络模型进行训练,得到时空数据特征的预测值;
24、输出模块,将所述预测值与真实值比较。
25、方案三、一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行上述方案一和方案二任意一项所述的方法。
26、方案四、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现方案一和方案二任意一项所述的方法的步骤。
27、本发明有益之处在于:
28、本发明所述的一种基于时空门控图卷积神经网络的多源时空数据预测方法,通过构建不同的模块进行特征提取相应的特征数据,提升预测的准确率。在空间卷积模块中,构建时空图数据,利用图卷积神经网络来捕获区域上的空间相关性。在时间卷积模块中,使用门控循环单元捕获全局的时间相关性。在时空卷积模块中,构建相似性图使用混合神经网络同时捕获节点在空间和时间上的相关性。在交通事故数据集上取得的平均绝对误差、均方根误差和召回率的结果,远远领先于现有方法,且可以动态捕获多源时空数据的特征,并实时更新时间序列数据的变化,更具有鲁棒性。
29、本发明在数据量方面,现有的预测技术能够处理的数据量是百万级数据,而本发明能够处理千万级数据量,进而体现出本案处理的数据量比现有技术大很多。在准确度方面,本实施例中采用本发明所述的方法在纽约交通事故数据集上取得了平均绝对误差为6.6423,均方根误差为7.7318和召回率为32.78%的结果数据,这些数据要优于现有技术的方法,从而证明本发明在准确度方面具有显著的进步。在实时性方面,在相同数据量的前提下,本发明所述的方法能够对采集到的数据进行实时更新预测,捕捉到不同数据之间潜在的时间和空间联系,此方法具有耗时低,计算复杂度小,处理速度提高了两倍,进而证明本发明的实时性更好。
30、本发明在多源数据的时空预测方面提供了一种基于时空门控图卷积神经网络的多源时空数据预测方法和装置,对于交通流、交通事故这样的时间序列数据,做到了高实时性与高准确性的预测,可以广泛应用于智能交通系统的检测和管理中。
1.一种基于时空门控图卷积网络的多源数据预测方法,其特征在于,所述方法包括以下步骤:
2.根据权利要求1所述的一种基于时空门控图卷积网络的多源数据预测方法,其特征在于,所述s1包括以下步骤:
3.根据权利要求2所述的一种基于时空门控图卷积网络的多源数据预测方法,其特征在于,所述s1.1具体为:由设定时间间隔δt同步获取数据源在同一时刻的采样值,得到同步时序数据集d,
4.根据权利要求1所述的基于时空门控图卷积网络的多源数据预测方法,其特征在于,所述时空门控图卷积网络模型包括空间卷积模块、时间卷积模块、时空卷积模块和特征融合模块。
5.根据权利要求4所述的一种基于时空门控图卷积网络的多源时空数据预测方法,其特征在于,所述s3包括以下步骤:
6.基于时空门控图卷积网络的多源数据预测装置,其特征在于,包括
7.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行权利要求1-5任意一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法的步骤。