基于增强多分量循环图注意网络的交通流预测方法及装置

本发明涉及交通流预测领域，具体而言，涉及一种基于增强多分量循环图注意网络的交通流预测方法及装置。

背景技术：

1、交通流预测旨在基于历史观测值来预测道路网络中未来的交通状况。交通预测通过使用观察到的历史交通流数据预测未来的交通流，对于交通控制和路线规划等交通服务至关重要。准确的交通预测有助于减少道路拥堵，促进交通城市管理，以提高出行效率。

2、尽管交通流预测在过去的几十年里取得了很大的进步，但它仍然面临一些挑战。交通流具有复杂时间相关性和动态空间相关性，表现出特定的周期性和趋势性，例如早高峰和晚高峰。因此，要实现准确且有效的预测仍然具有很大的挑战性，主要是由于两个原因：(1)没有考虑交通流的周期性时间偏移的特征，(b)难以有效地捕获交通流的时空相关性。

3、对于原因(1)，大多数现有方法只关注交通流的周期性，而忽略了交通流周期性的时间变化，导致难以全面捕获交通流的时间特征。例如，当使用过去12个时间步长的历史交通流来预测未来12个时间步的交通流时，准确预测第9-12个时间步长的交通流通常比预测第1-3个时间步长的交通流更困难。交通流周期性时间偏移，如图1所示：2019年10月31日至2019年11月30日在北京的交通流数据。图1(a)中的每日高峰时段通常在下午6:00-7:00之间，取决于是否是工作日以及其他因素，如天气异常、交通拥堵等。同样的，在图1(b)中，可以观察到每个星期的交通流变化。因此，现有的方法很难处理实际交通网络中的动态性和复杂性，以对交通流的周期性时间偏移的特征进行建模。

4、对于原因(2)，交通流具有复杂的时空相关性，但大多数现有方法没有考虑交通流的空间特征与时间特征的相互依赖性。例如，一个路段上的交通事故会影响其附近路段的交通状况。此外，同一路段上不同方向的交通流也可能表现不同。

5、具体地，交通流预测在过去的几十年里得到了广泛的研究。现有的交通流预测方法主要分为两类：传统方法和深度学习方法。其中，传统方法分为参数模型和非参数模型。参数模型，例如自回归综合移动平均auto-regressive integrated moving average(arima)和卡尔曼滤波kalman filtering(kf)，然而参数模型无法捕获交通流数据中的非线性。非参数模型，例如k-最近邻算法k-nearest neighbor(knn)，支持向量回归supportvector regression(svr)，and梯度增强回归树gradient-boosted regression tree(gbrt)，然而非参数模型采用经验风险最小化原则，容易出现过拟合问题。

6、深度学习在交通流预测领域中取得了很大的进展。早期的研究使用rnn、长短期记忆long short-term memory(lstm)、门控单元gate recurrent unit(gru)来捕获交通流的时间特征。例如，ma等人首先将lstm应用于交通速度预测。cui等人提出一种用于交通速度预测的堆叠双向和单向lstm，以捕获向后和向前的时间序列相关性。然而上述方法均未考虑交通流的空间相关性，无法充分捕获交通流的时空相关性。为了捕获交通流的空间相关性，ma等人提出了一种深度卷积神经网络convolutional neural network(cnn)模型，该模型利用二维时空矩阵来捕获时空信息。yu等人使用cnn获取空间特征，lstm捕获时间特征。然而，基于cnn的方法主要提取欧几里得空间中的特征，难以捕获非欧几里得空间中的特征。为了解决该问题，图卷积网络(gcn)被引入到交通流预测中。例如，song等人提出时空同步gcn(stsgcn)来同时捕获交通流的时空相关性。bai等人将gcn集成到gru中以同时捕获交通流的时空关系。

7、然而，上述基于gcn的方法捕获了交通流的时空相关性，却忽略了交通流的周期性。roy等人提出一种基于gnn(sst-gnn)的交通流预测模型，通过采用一种位置编码来捕获周期性。chen等人提出一种时间temporal directed的gcn(t-dgcn)模型，通过全局位置编码策略来捕获时间相关性。这些模型考虑了每日周期性而忽略了每周周期性，并且难以同时有效的捕获时空相关性。

8、近年来，注意力机制被广泛应用于交通流预测。注意机制的目标是从所有输入中选择对当前任务重要的信息。velickovic等人使用自注意力机制self-attentionmechanism通过神经网络处理图结构数据。liang等人提出一种多级注意力网络，以自适应地调整多个传感器时间序列之间的相关性。guo等人提出一种基于注意力机制的时空图卷积网络(astgcn)。时空间注意力机制用于捕获交通流的时空相关性。zheng等人提出一种图多注意力网络(gman)，该网络通过编码器-解码器结构，以模拟时空因素对交通状况的影响。

技术实现思路

1、本发明实施例提供了一种基于增强多分量循环图注意网络的交通流预测方法及装置，以至少解决现有交通流预测准确性低的技术问题。

2、根据本发明的一实施例，提供了一种基于增强多分量循环图注意网络的交通流预测方法，包括以下步骤：

3、构建交通流预测模型，使用交通流预测模型捕获交通流中出现的周期性时间偏移特征；

4、构建基于编码器-解码器的交通流预测架构，通过时间相关学习器tcl将一维卷积与长短期记忆网络lstm相结合，捕获交通流的时间特征；通过图注意力网络gat捕获交通流的空间特征；

5、将时间相关学习器tcl与图注意力网络gat相结合并利用交通流中出现的周期性时间偏移特征获取交通路网的时空相关性。

6、进一步地，解码器包括时间相关学习器tcl和卷积神经网络，从基于时空序列的预测中获得高维表示，产生预测结果。

7、进一步地，方法还包括：

8、在pemsd04和pemsd08数据集上进行大量实验验证。

9、进一步地，通过将时间偏移表示添加到周期表示中来捕获交通流的周期性时间偏移特征。

10、进一步地，使用交通流预测模型同步捕获交通流的周期性和周期性时间偏移的特征。

11、进一步地，在时间相关学习器tcl中，通过在特征维度上添加一维卷积来集成每个传感器的内部特征，然后在序列维度上使用长短期记忆网络lstm来捕获交通流的时间特征。

12、进一步地，捕获交通流的时间特征和空间特征后，通过输入空间特征作为交通流序列每个时刻的时间相关学习器tcl输入，以捕获交通流的相关性。

13、进一步地，编码器包括时间相关学习器tcl和cnn，通过使用编码器获得的隐藏状态从时空序列中产生高维特征表示。

14、进一步地，基于pytorch深度学习框架，在pycharm开发环境中完成交通流预测模型的搭建和训练。

15、根据本发明的另一实施例，提供了一种基于增强多分量循环图注意网络的交通流预测装置，包括：

16、模型构建单元，用于构建交通流预测模型，使用交通流预测模型捕获交通流中出现的周期性时间偏移特征；

17、架构构建单元，用于构建基于编码器-解码器的交通流预测架构，通过时间相关学习器tcl将一维卷积与长短期记忆网络lstm相结合，捕获交通流的时间特征；通过图注意力网络gat捕获交通流的空间特征；

18、时空相关性获取单元，用于将时间相关学习器tcl与图注意力网络gat相结合并利用交通流中出现的周期性时间偏移特征获取交通路网的时空相关性。

19、一种存储介质，存储介质存储有能够实现上述任意一项基于增强多分量循环图注意网络的交通流预测方法的程序文件。

20、一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于增强多分量循环图注意网络的交通流预测方法。

21、本发明实施例中的基于增强多分量循环图注意网络的交通流预测方法及装置，首先构建交通流预测模型，使用交通流预测模型捕获交通流中出现的周期性时间偏移特征；再构建基于编码器-解码器的交通流预测架构，通过时间相关学习器tcl将一维卷积与长短期记忆网络lstm相结合，捕获交通流的时间特征；通过图注意力网络gat捕获交通流的空间特征；最后将时间相关学习器tcl与图注意力网络gat相结合并利用交通流中出现的周期性时间偏移特征获取交通路网的时空相关性，交通流预测的有效性更强，准确性更高。