一种可快速训练的大规模路网交通状态预测方法

本发明涉及一种可快速训练的大规模路网交通状态预测方法，属于智能交通。

背景技术：

1、作为现代交通基础设施和智能交通系统(itss)的基石，交通状态预测在行程规划、道路交通控制、车辆调度和交通分类中发挥着重要作用。准确的预测不仅可以为出行者提供便利的出行指示，提升驾驶者的满意度，而且为城市交通管理者和高速公路相关部门在改善交通管理和缓解交通拥堵上提供了有价值的支持。然而，交通状态预测有着短时和长时的特征。尤其是在长时预测中，时间跨度内蕴含着更多的偶发和突发的交通突发事件，这些事件具有极强的时空信息的不确定性，这种复杂耦合的时空信息变化给交通状态预测带来了极大的挑战。

2、交通状态预测一直是一个广泛被研究的领域。在过去的几十年里，这个问题的解决方案主要分为两类。一类是基于传统统计方法，例如arima、svr、knn等模型，这些模型有着明确的物理意义，可以很好的解释事件的产生机理。然而，随着城市高速路网的规模扩大，它们并没有很好地预测精度。另一类是基于神经网络的方法，从最开始的cnn、rnn逐步过渡到gnn网络。目前的很多学者将gnn和其他经典的网络组合，来更好的捕捉交通流中的时空信息，以此提升事件预测的精度，例如stgcn、tgcn、astgcn等。然而，尽管这些模型有着良好的预测精度，但它们的结构复杂，参数量庞大，培育过程需要极大地计算开销，这都给模型的推广带来了挑战。

3、近年来，网络剪枝技术得到了极快的发展。尤其是2018年，lottery ticket彩票假设理论(lth)首次被提出，该理论针对分类问题，从复杂的cnn网络结构中抽离出一个简单的子结构，称为网络彩票。网络彩票不仅极大节省了模型的计算开销，而且取得了持平甚至超越原模型的更高精度。随后，该理论被推广到gnn、transformer等更多的模型上。

4、受此启发，研究不再追求更为复杂的gnn网络，希望构建出一种更为轻量化和简单的gnn模型。然而，现有关于gnn网络与lth假设结合的研究，更多的将目光聚焦在了nlp分类领域上，鲜有对交通状态信息预测进行的相关研究。因此，研究希望提供一种新的思路，在降低模型计算开销的同时，提高交通状态信息的预测精度，提升模型的鲁棒性和推广性。

技术实现思路

1、本发明所要解决的技术问题是：提供一种可快速训练的大规模路网交通状态预测方法，将lth理论应用在gnn网络，得到轻量化的子结构glt，实现路网交通状态信息预测。

2、本发明为解决上述技术问题采用以下技术方案：

3、一种可快速训练的大规模路网交通状态预测方法，包括如下步骤：

4、步骤1，获取路网交通状态数据集并进行预处理，将预处理后的数据集划分为训练集、验证集和测试集；

5、步骤2，构建两层图神经网络模型，利用训练集和验证集对两层图神经网络模型进行预训练，得到预训练好的模型；

6、步骤3，根据彩票假设理论对预训练好的模型进行剪枝，得到两层图神经网络剪枝模型；

7、步骤4，利用训练集和验证集对步骤3得到的两层图神经网络剪枝模型进行训练，得到训练好的剪枝模型；

8、步骤5，利用训练好的剪枝模型对测试集进行测试，得到路网交通状态预测结果。

9、本发明采用以上技术方案与现有技术相比，具有以下技术效果：

10、1、本发明针对城市和高速公路网数据的特征，提出了一套完善的网络剪枝流程，包括gnn网络的预训练、剪枝、再训练等步骤，实现路网交通状态信息的预测。本发明所提方法充分利用了gnn网络的优越性，并通过网络剪枝技术降低模型的计算开销，提升预测方法的鲁棒性和扩展性。与最先进的交通状态预测方法，如tgcn、astgcn相比，降低了模型的计算复杂度，节省了培训开销，维持甚至取得了更好的预测精度，为交通状态信息的预测提供了一种新的途径。

11、2、本发明创新性地将lth理论应用在了gnn网络，以解决交通领域的预测问题。所提网络剪枝技术不仅修剪网络层的参数，同时修剪并稀疏化了邻接矩阵。本发明所提的综合修剪方法，兼有图稀疏化和网络参数稀疏化的各自优势，通过置低幅值的权重为0，削减了gnn中不必要的连接，提升了网络运算效率。本发明引入了迭代网络剪枝法，相较于一次性剪枝技术，减少了网络优化方向的偶然性，可以更快找到glt彩票。

技术特征：

1.一种可快速训练的大规模路网交通状态预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的可快速训练的大规模路网交通状态预测方法，其特征在于，所述步骤1中，路网交通状态数据集包括开源性数据集或非开源数据集，其中，开源性数据集包括pems或ngsim高速公路行车数据，非开源数据集包括城市道路或地铁线路行车数据；

3.根据权利要求1所述的可快速训练的大规模路网交通状态预测方法，其特征在于，所述步骤2的具体过程如下：

4.根据权利要求3所述的可快速训练的大规模路网交通状态预测方法，其特征在于，所述步骤3的具体过程如下：

5.根据权利要求4所述的可快速训练的大规模路网交通状态预测方法，其特征在于，所述训练好的剪枝模型的邻接矩阵为其中，为修剪网络迭代终止时的训练好的剪枝模型的网络参数为其中，为修剪网络迭代终止时的θbest为对应时刻的网络参数。

6.一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的可快速训练的大规模路网交通状态预测方法的步骤。

7.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的可快速训练的大规模路网交通状态预测方法的步骤。

技术总结
本发明公开了一种可快速训练的大规模路网交通状态预测方法，包括：获取路网交通状态数据集并进行预处理，将预处理后的数据集划分为训练集、验证集和测试集；构建两层图神经网络模型，对两层图神经网络模型进行预训练，得到预训练好的模型；根据彩票假设理论对预训练好的模型进行剪枝，得到两层图神经网络剪枝模型；利用训练集和验证集对两层图神经网络剪枝模型进行训练，得到训练好的剪枝模型；利用训练好的剪枝模型对测试集进行测试，得到路网交通状态预测结果。本发明通过对GNN网络结构进行剪枝，提升了网络的运算效率，节省了交通状态信息的预测时间，为交通状态预测提供一种新的优化方式，更快更好地辅助交通运营部门实现交通事件预测及分析。

技术研发人员：丁璠,刘昭,彭剑坤,戴昀琦,韩雨
受保护的技术使用者：东南大学
技术研发日：
技术公布日：2024/5/10