一种基于多尺度时空融合图网络的交通预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115240425A(43)申请公布日2022.10.25(21)申请号202210884031.2(22)申请日2022.07.26(71)申请人西北师范大学地址730030甘肃省兰州市安宁区安宁东路967号(72)发明人田冉王楚胡佳马忠彧刘颜星王灏篷王晶霞李新梅(74)专利代理机构北京盛凡佳华专利代理事务所(普通合伙)11947专利代理师靳桂琳(51)Int.Cl.G08G1/01(2006.01)G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书5页说明书10页附图6页(54)发明名称一种基于多尺度时空融合图网络的交通预测方法(57)摘要本发明提供了一种多尺度时空融合图网络交通预测方法。为了建模交通数据的时空相关性以及交通网络中固有的空间异质性，本发明提出了一种多尺度时空融合图网络预测框架(MFSTGN)，具体来说，其中设计的一个时空图卷积模块(STGCN)，它在保留交通网络固有结构的基础上动态建模时空相关性，并且通过一种趋势图卷积来描述交通流量的趋势变化情况，同时利用时空嵌入建模交通网络的空间异质性。此外，还开发了一个门控注意力机制，来自适应融合周期性依赖和趋势性依赖，使MFSTGN享有多序列信息。通过大量的实验证明，无论在交通速度数据集还是在交通流量数据集中，MFSTGN在长时间序列预测上结果优于最先进的基线。CN115240425ACN115240425A权利要求书1/5页1.一种基于多尺度时空融合图网络的交通预测方法，其特征在于包括下述步骤：定义：MFSTGN全称为Multi‑ScaleSpatial‑TemporalFusionGraphNetwork，即多尺度时空融合图网络，是一种面向交通领域的时序预测方法，为了打破在长时间时间序列预测任务缺乏有效捕捉时空特征的能力这一局限性，因此本发明提出了一种多尺度时空融合图网络预测框架，MFSTGN基于编码器‑解码器结构，编码器编码时间序列的周期性特征，解码器重点关注时间序列的趋势性特征，两者进行特征融合预测未来序列，编码器和解码器均由时空图卷积和门控注意力构成，每个时空图卷积模块通过三种不同的图网络分别对空间相关性、时间相关性、空间异质性进行建模，有效的提高了节点之间的消息传递效率，门控注意力对不同类型的特征在时间维度上进行自适应融合，增强了特征表达，减小了误差传播；步骤1：定义交通路网表示，明确本发明中出现的符号和概念，并在此基础上将交通预测问题公式化；本发明将交通路网定义为一个加权有向图G＝(V,E,A)；其中V是一个N＝|V|的顶点集合，表示道路网络中的传感器；E边的集合表示顶点之间的连通性，是一个加权邻接矩阵，表示节点和节点的邻近性；步骤2：确定模型的输入和输出；交通信号是衡量交通状况的重要指标，本发明中将历史时间序列作为图信号表示为X∈RT×N×D，其中T表示时间序列的长度，D是每个节点特征的N×D数量，在时间步t，观察到的图信号表示为Xt∈R，模型的输入有观察到的历史时间序列Q×N×DQXh,Xw,Xd，其中Xh＝(Xt‑Q,...,Xt‑1)∈R表示趋势性依赖，Xw＝(Xt‑M×7,...,Xt+Q‑1‑M×7)∈R×N×DQ×N×D表示周周期性依赖，Xd＝(Xt‑M,...,Xt+Q‑1‑M)∈R表示日周期性依赖，模型的目的是学习一个函数f(·)，它可以将Xh,Xw,Xd和G映射到下一个时间步Q的图形信号，Y＝(Xt,...,Q×N×DXt+Q‑1)∈R,具体表示如下:步骤3：划分数据集；本发明将时间粒度设置为5分钟，对于两类交通数据集，将70％的数据用于训练，10％的数据用于验证，其余20％的数据用于测试，并对整体数据集进行Z‑Score规范化；步骤4：嵌入空间相关性、时间相关性以及空间异质性信息；城市交通状况复杂，受多种时空相关性的影响，因此本发明从多种不同的角度描述交通网络，分别对空间相关性、时间相关性、空间异质性建模；步骤4.1：构建空间图卷积模块；交通网络的固有结构可以反应道路平稳的交通状况，基于预定义的邻接矩阵，本发明专注于一定距离间隔的传感器，并认为它们之间存在直接相关性，在一定程度上可用于相互表示，对原始的交通网络，本发明基于成对的路网距离定义空间邻接矩阵为：其中表示路网中传感器vi到传感器vj之间的距离，σ是标准差，ε是控制邻接矩阵A的稀疏度的阈值，指定为0.1，加权邻接矩阵可以区分节点之间的相关程度，使节点关注更重要的邻域信息，具体地，通过领域节点的消息传递效应来表示节点的交通流量：2CN115240425A权利要求书2/5页其中，和表示图信号的输入与输出，和都是可学习的参数，φ(·)是ReLU(·)非线性激