基于时空融合图神经网络的交通预测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115641720A(43)申请公布日2023.01.24(21)申请号202211334070.1(22)申请日2022.10.28(71)申请人重庆大学地址400030重庆市沙坪坝区沙正街174号(72)发明人葛亮李钦鸿贾艺璇叶小凤(74)专利代理机构重庆双马智翔专利代理事务所(普通合伙)50241专利代理师顾晓玲(51)Int.Cl.G08G1/01(2006.01)G06N3/045(2023.01)G06N3/092(2023.01)权利要求书4页说明书10页附图1页(54)发明名称基于时空融合图神经网络的交通预测方法及系统(57)摘要本发明属于交通预测技术领域，具体公开了一种基于时空融合图神经网络的交通预测方法及系统，该方法利用各个交通节点的历史交通流量数据；计算各交通节点间的历史数据序列的相似度，构建时空邻接矩阵；根据原始路网邻接矩阵和时空邻接矩阵，组成下三角矩阵；将历史交通流量数据输入全连接层进行特征升维，设置具有多个子层的时空卷积重构层，将升维后的数据和下三角矩阵作为时空卷积重构层的输入；对时空卷积重构层的每个子层的输出进行聚合操作，并将聚合操作后的数据输入输出层，得到预测结果。采用本技术方案，能够更完整的保留交通数据的时空特征，优化交通数据预测精度。CN115641720ACN115641720A权利要求书1/4页1.一种基于时空融合图神经网络的交通预测方法，其特征在于，包括如下步骤：获取各个交通节点的历史交通流量数据；计算各交通节点间的历史数据序列的相似度，构建时空邻接矩阵；根据原始路网邻接矩阵和时空邻接矩阵，组成下三角矩阵；将历史交通流量数据输入全连接层进行特征升维，设置具有多个子层的时空卷积重构层，将升维后的数据和下三角矩阵作为时空卷积重构层的输入；时空卷积重构层的上一子层的输出为下一子层的输入，且每一子层均对其输入进行重构；对时空卷积重构层的每个子层的输出进行聚合操作，并将聚合操作后的数据输入输出层，得到预测结果。2.如权利要求1所述的基于时空融合图神经网络的交通预测方法，其特征在于，计算各交通节点间的历史数据序列的相似度的方法如下：给定两个时序数据序列U、V：U＝(u1，u2，...，up)，V＝(v1，v2，...，vq)其中，p、q为时序数据序列的长度，up为时序数据序列U的第p个元素，vq为时序数据序列V的第q个元素；原始的距离矩阵M∈Rp*q被初始化为：M(i，j)＝|ui‑vj|其中i∈p，j∈q，p、q为正整数，Rp*q为p行q列的矩阵；p*q最终的距离矩阵Mc∈R定义为：Mc(i，j)＝M(i，j)+min(Mc(i，j‑1)Mc(i‑1，j)，Mc(i，j))Mc(p，q)就是时序数据序列U和V的距离，距离越近表示相似度越高。3.如权利要求1所述的基于时空融合图神经网络的交通预测方法，其特征在于，根据原始路网邻接矩阵和时空邻接矩阵，组成下三角矩阵Ast的方法如下：根据各个交通节点的距离构建原始路网邻接矩阵As：其中，∈1为超参数，dij为节点距离；i∈p，j∈q，p、q为时序数据序列的长度，p、q为正整数；根据DTW算法，计算各交通节点间的历史时序数据序列的相似度，构建时空邻接矩阵Ad：Ad(i，j)＝1，DTW(i，j)＜∈2Ad(i，j)＝0，DTW(i，j)≥∈2根据原始路网邻接矩阵As和时空邻接矩阵Ad，组成下三角矩阵，形如：2CN115641720A权利要求书2/4页N*NN*N其中，∈2为超参数；As∈R为原始路网邻接矩阵，Ad∈R为时空邻接矩阵，T是时空周期数，N为节点数量；Ast的每个子矩阵都是N*N矩阵，Ast整体为一个下三角矩阵；某节点在特定时间戳t的交通流量被之前的(t‑1)个时间戳的流量数据影响，为了预测时间戳t处的交通流量，理想的模型应该聚集来自先前时间戳的流量特征，而不是来自未来时间戳的流量特征，时空邻接矩阵Ast主对角线上方的每个子矩阵Ast(i，j)＝0，其中i＜j，j∈(2，...，T)，另一方面，时空邻接矩阵Ast主对角线下方的每个子元素Ast(i，j)＝Ad，其中i＞j，i∈(2，...，T)，意味着每个节点在时间戳t时刻聚集之前的(t‑1)个时间戳的自我节点和邻居节点的交通流量特征；N*N时空邻接矩阵Ast主对角线上的子矩阵Ast(i，i)＝As∈R，其中i∈(1，2，...，T)，意味着每个节点在时间戳t聚集来自其1跳空间邻居的交通流量特征。4.如权利要求1所述的基于时空融合图神经网络的交通预测方法，其特征在于，时空卷积重构层的子层内设有图乘法模块，将该子层的输入和下三角矩阵输入图乘法模块内：hl+1＝(Ast*hl*W1+b1)⊙σ(Ast*hl*W2+b2)NT*NTNT*