基于动态图神经网络的交通流实时预测方法及装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115862323A(43)申请公布日2023.03.28(21)申请号202211476068.8G06N3/048(2023.01)(22)申请日2022.11.23G06N3/08(2023.01)(71)申请人北京智谱华章科技有限公司地址100084北京市海淀区中关村东路1号院6号楼6层603A(72)发明人任祥生岑宇阔(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201专利代理师石茵汀(51)Int.Cl.G08G1/01(2006.01)G08G1/052(2006.01)G06N3/042(2023.01)G06N3/0464(2023.01)G06N3/045(2023.01)权利要求书2页说明书7页附图3页(54)发明名称基于动态图神经网络的交通流实时预测方法及装置(57)摘要本发明提出一种基于动态图神经网络的交通流实时预测方法，包括在公路两侧预定位置布置多个传感器，并对每个传感器用节点进行编号，包括步骤：收集传感器的交通流监测数据；根据交通流监测数据获取传感器的速度变化数据，将速度变化数据按照预定格式生成传感器节点的特征矩阵；根据每个传感器的位置、特征矩阵构建节点的邻接矩阵；根据邻接矩阵，设计并训练动态图卷积网络模型，动态图卷积网络模型包括空间特征提取组件和时间特征提取组件；获取最新的交通流监测数据，将最新的交通流监测数据输入动态图卷积网络模型，获取下一间隔时刻的交通速度流。通过本发明的方法，可以对未来的路况进行预测。CN115862323ACN115862323A权利要求书1/2页1.一种基于动态图神经网络的交通流实时预测方法，其特征在于，在公路两侧预定位置布置多个传感器，并对每个传感器用节点进行编号，方法包括以下步骤：收集所述传感器的交通流监测数据；根据所述交通流监测数据获取传感器的速度变化数据，将所述速度变化数据按照预定格式生成传感器节点的特征矩阵；根据每个传感器的位置、特征矩阵构建节点的邻接矩阵；根据所述邻接矩阵，设计并训练动态图卷积网络模型，所述动态图卷积网络模型包括空间特征提取组件和时间特征提取组件；获取最新的交通流监测数据，将所述最新的交通流监测数据输入所述动态图卷积网络模型，获取下一间隔时刻的交通速度流。2.根据权利要求1所述的方法，所述根据每个传感器的位置、特征矩阵构建节点的邻接矩阵，包括：通过加权图G＝(V，A，X)来描述节点关系，V＝{v1，v2，...，vk，...，vn}代表不同的节点组成的节点集，n表示传感器节点的总的数量，A为描述不同节点的邻接矩阵；X为所有节点的特征矩阵，对于任意一个节点k，其特征向量Xk＝(x1，x2，...，xm)，Xk表示为第k个传感器的特征，xm表示第m时刻下的交通流数据，因此构建道路图特征矩阵如下：其中，矩阵的列为节点总数n，行为特征维度m。3.根据权利要求1所述的方法，其特征在于，所述根据所述邻接矩阵，设计并训练动态图卷积网络模型，包括：采用图卷积架构作为空间特征提取组件，利用图卷积算子进行特征传递，挖掘不同节点之间的特征关联，特征传递具体公式如下所示：其中Hl和Hl+1分别是节点在经过图卷积之前以及之后的特征表示，Wl为第l层图卷积进行特征变换的参数，A为邻接矩阵，D为路网的度矩阵，fA是代表激活函数。4.根据权利要求1所述的方法，其特征在于，所述根据所述邻接矩阵，设计并训练动态图卷积网络模型，包括：采用基于Transformer的自注意力机制进行的时间序列数据的历史学习，具体包括，对每一个节点的特征利用Masked‑SelfATT进行序列长度的维度变换，得到每一个节点涵盖历史速度流时序信息的表征。5.根据权利要求1所述的方法，其特征在于，在获取最新的交通流监测数据之后，还包括：根据最新的交通流监测数据对所述动态图卷积网络模型的进行一定间隔时间的微调。6.一种基于动态图神经网络的交通流实时预测装置，其特征在于，在公路两侧预定位置布置多个传感器，并对每个传感器用节点进行编号，包括以下模块：收集模块，用于收集所述传感器的交通流监测数据；2CN115862323A权利要求书2/2页构建模块，用于根据所述交通流监测数据获取传感器的速度变化数据，将所述速度变化数据按照预定格式生成传感器节点的特征矩阵；根据每个传感器的位置、特征矩阵构建节点的邻接矩阵；训练模块，用于根据所述邻接矩阵，设计并训练动态图卷积网络模型，所述动态图卷积网络模型包括空间特征提取组件和时间特征提取组件；预测模块，用于获取最新的交通流监测数据，将所述最新的交通流监测数据输入所述动态图卷积网络模型，获取下一间隔时刻的交通速度流。7.根据权利要求6所述的装置，其特征在于，所述预测模块，还包括：优化单元，用于根据最