本發(fā)明涉及計(jì)算機(jī)，尤其涉及一種利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法及相關(guān)設(shè)備。

背景技術(shù)：

1、傳統(tǒng)的交通預(yù)測方法通常依賴于統(tǒng)計(jì)學(xué)方法和機(jī)器學(xué)習(xí)模型，但由于交通數(shù)據(jù)表現(xiàn)出復(fù)雜的模式和高度的非線性，這些方法在處理復(fù)雜的交通網(wǎng)絡(luò)和動態(tài)的交通狀況時(shí)往往表現(xiàn)不佳。圖神經(jīng)網(wǎng)絡(luò)(graph?neural?network，gnn)是一類專門用于處理圖結(jié)構(gòu)數(shù)據(jù)的深度學(xué)習(xí)模型。在交通預(yù)測中，交通網(wǎng)絡(luò)可以被自然地表示為圖結(jié)構(gòu)，使用圖神經(jīng)網(wǎng)絡(luò)來進(jìn)行交通預(yù)測的方案應(yīng)運(yùn)而生。gnn通過在圖結(jié)構(gòu)上進(jìn)行消息傳遞來捕捉節(jié)點(diǎn)和邊之間的復(fù)雜關(guān)系，從而能夠更有效地建模交通網(wǎng)絡(luò)中的空間依賴性和時(shí)間動態(tài)。

2、雖然圖神經(jīng)網(wǎng)絡(luò)在交通預(yù)測領(lǐng)域取得了巨大進(jìn)展，但還存在許多問題?，F(xiàn)有的大多數(shù)圖神經(jīng)網(wǎng)絡(luò)都使用預(yù)先定義的、由距離測量值確定的圖結(jié)構(gòu)。然而預(yù)先定義的圖結(jié)構(gòu)不足以包含復(fù)雜交通預(yù)測場景中所有有用的信息，因此使用這種一成不變的圖結(jié)構(gòu)難以對一直處于動態(tài)變化中的交通數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測。

技術(shù)實(shí)現(xiàn)思路

1、針對在進(jìn)行交通預(yù)測時(shí)，由于預(yù)定義的圖結(jié)構(gòu)難以表達(dá)完整的交通信息，導(dǎo)致預(yù)測結(jié)果誤差較大的問題，本發(fā)明提供了一種時(shí)域分解自適應(yīng)時(shí)空圖神經(jīng)網(wǎng)絡(luò)進(jìn)行交通預(yù)測，嘗試從宏觀和微觀兩個(gè)角度對圖結(jié)構(gòu)進(jìn)行學(xué)習(xí)，使用自適應(yīng)圖學(xué)習(xí)方法對圖結(jié)構(gòu)進(jìn)行改進(jìn)，使其能更完整地表達(dá)出交通模式中的隱含關(guān)系，從而得到準(zhǔn)確的預(yù)測結(jié)果。

2、第一方面，本發(fā)明提供一種利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，包括：

3、步驟1：獲取目標(biāo)道路網(wǎng)的歷史數(shù)據(jù)；其中，所述歷史數(shù)據(jù)包括在指定歷史時(shí)間范圍內(nèi)的各交通節(jié)點(diǎn)的交通速度數(shù)據(jù)；

4、步驟2：將所述歷史數(shù)據(jù)進(jìn)行時(shí)域分解，構(gòu)建時(shí)域分解矩陣；

5、步驟3：采用所述歷史數(shù)據(jù)對當(dāng)前預(yù)定義圖結(jié)構(gòu)進(jìn)行學(xué)習(xí)，得到宏觀圖結(jié)構(gòu)；

6、步驟4：選擇待預(yù)測時(shí)間段對應(yīng)的時(shí)域分解矩陣對當(dāng)前可學(xué)習(xí)參數(shù)進(jìn)行優(yōu)化，得到微觀圖結(jié)構(gòu)；

7、步驟5：將所述宏觀圖結(jié)構(gòu)和所述微觀圖結(jié)構(gòu)進(jìn)行融合，得到最優(yōu)圖結(jié)構(gòu)；

8、步驟6：將所述最優(yōu)圖結(jié)構(gòu)輸入時(shí)空圖神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；

9、步驟7：重復(fù)步驟4至步驟6，直至滿足停止條件，得到訓(xùn)練好的時(shí)空圖神經(jīng)網(wǎng)絡(luò)模型；

10、步驟8：將目標(biāo)道路網(wǎng)的實(shí)時(shí)數(shù)據(jù)中待預(yù)測時(shí)間段對應(yīng)的時(shí)域分解矩陣輸入至訓(xùn)練好的時(shí)空圖神經(jīng)網(wǎng)絡(luò)模型，得到未來待預(yù)測時(shí)間段的預(yù)測結(jié)果。

11、進(jìn)一步地，步驟2具體包括：

12、針對每個(gè)交通節(jié)點(diǎn)，先將指定歷史時(shí)間范圍內(nèi)的交通速度數(shù)據(jù)按照設(shè)定時(shí)間間隔進(jìn)行分割，得到若干個(gè)時(shí)間段的交通速度數(shù)據(jù)；設(shè)定時(shí)間周期，再將每個(gè)時(shí)間周期內(nèi)相同時(shí)間段的交通速度數(shù)據(jù)進(jìn)行堆疊；接著，對每個(gè)特定時(shí)間段的堆疊數(shù)據(jù)應(yīng)用超經(jīng)驗(yàn)?zāi)B(tài)分解，得到所述交通節(jié)點(diǎn)在每個(gè)特定時(shí)間段的本征模態(tài)函數(shù)；

13、針對每個(gè)特定時(shí)間段，根據(jù)各個(gè)交通節(jié)點(diǎn)對應(yīng)的本征模態(tài)函數(shù)構(gòu)建每個(gè)特定時(shí)間段的節(jié)點(diǎn)關(guān)系矩陣；其中，所述節(jié)點(diǎn)關(guān)系矩陣中的每個(gè)元素均表示對應(yīng)位置的兩個(gè)交通節(jié)點(diǎn)的相似性；

14、所有特定時(shí)間段的節(jié)點(diǎn)關(guān)系矩陣共同構(gòu)成所述時(shí)域分解矩陣。

15、進(jìn)一步地，針對每個(gè)特定時(shí)間段，根據(jù)各個(gè)交通節(jié)點(diǎn)對應(yīng)的本征模態(tài)函數(shù)構(gòu)建每個(gè)特定時(shí)間段的節(jié)點(diǎn)關(guān)系矩陣，具體包括：

16、針對每個(gè)特定時(shí)間段，先計(jì)算兩個(gè)交通節(jié)點(diǎn)在同一種本征模態(tài)下的皮爾遜相關(guān)系數(shù)；再對兩個(gè)交通節(jié)點(diǎn)在所有本征模態(tài)下的皮爾遜相關(guān)系數(shù)進(jìn)行綜合，最終得到兩個(gè)交通節(jié)點(diǎn)的相似性。

17、進(jìn)一步地，對兩個(gè)交通節(jié)點(diǎn)在所有本征模態(tài)下的皮爾遜相關(guān)系數(shù)進(jìn)行綜合，具體包括：采用下式對所有本征模態(tài)下的皮爾遜相關(guān)系數(shù)進(jìn)行平均綜合；

18、

19、其中，表示特征時(shí)間段t下交通節(jié)點(diǎn)a和交通節(jié)點(diǎn)b的相似性，表示交通節(jié)點(diǎn)a和交通節(jié)點(diǎn)b在第i種本征模態(tài)下的皮爾遜相關(guān)系數(shù)，n表示每個(gè)交通節(jié)點(diǎn)對應(yīng)的本征模態(tài)函數(shù)所包含的本征模態(tài)的個(gè)數(shù)。

20、進(jìn)一步地，步驟4具體包括：

21、ami＝wt×norm(xt)

22、其中，wt表示特定時(shí)間段t對應(yīng)的當(dāng)前可學(xué)習(xí)參數(shù)，xt表示特定時(shí)間段t對應(yīng)的時(shí)域分解矩陣，norm表示歸一化操作，ami表示優(yōu)化后得到的微觀圖結(jié)構(gòu)。

23、進(jìn)一步地，步驟5具體包括：

24、a*＝norm(relu(ama+wt*ami))

25、其中，relu表示激活函數(shù)，ama表示宏觀圖結(jié)構(gòu)，a*表示融合后得到的最優(yōu)圖結(jié)構(gòu)。

26、進(jìn)一步地，所述時(shí)空圖神經(jīng)網(wǎng)絡(luò)包括輸入層、依次殘差連接的l個(gè)時(shí)空塊和輸出層；其中，每個(gè)所述時(shí)空塊包括先后連接的時(shí)間卷積層和圖卷積層；

27、對應(yīng)地，將所述最優(yōu)圖結(jié)構(gòu)輸入時(shí)空圖神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，具體包括：將所述最優(yōu)圖結(jié)構(gòu)分別輸入時(shí)空圖神經(jīng)網(wǎng)絡(luò)中的每個(gè)所述圖卷積層。

28、第二方面，本發(fā)明提供一種利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)進(jìn)行交通預(yù)測的系統(tǒng)，包括：

29、數(shù)據(jù)收集模塊，用于獲取目標(biāo)道路網(wǎng)的歷史數(shù)據(jù)；其中，所述歷史數(shù)據(jù)包括在指定歷史時(shí)間范圍內(nèi)的各交通節(jié)點(diǎn)的交通速度數(shù)據(jù)；

30、時(shí)域分解模塊，用于將所述歷史數(shù)據(jù)進(jìn)行時(shí)域分解，構(gòu)建時(shí)域分解矩陣；

31、圖結(jié)構(gòu)學(xué)習(xí)模塊，用于采用所述歷史數(shù)據(jù)對當(dāng)前預(yù)定義圖結(jié)構(gòu)進(jìn)行學(xué)習(xí)，得到宏觀圖結(jié)構(gòu)；選擇待預(yù)測時(shí)間段對應(yīng)的時(shí)域分解矩陣對當(dāng)前可學(xué)習(xí)參數(shù)進(jìn)行優(yōu)化，得到微觀圖結(jié)構(gòu)；將所述宏觀圖結(jié)構(gòu)和所述微觀圖結(jié)構(gòu)進(jìn)行融合，得到最優(yōu)圖結(jié)構(gòu)；將所述最優(yōu)圖結(jié)構(gòu)輸入時(shí)空圖神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；

32、預(yù)測模塊，用于將目標(biāo)道路網(wǎng)的實(shí)時(shí)數(shù)據(jù)中待預(yù)測時(shí)間段對應(yīng)的時(shí)域分解矩陣輸入至訓(xùn)練好的時(shí)空圖神經(jīng)網(wǎng)絡(luò)模型，得到未來待預(yù)測時(shí)間段的預(yù)測結(jié)果。

33、第三方面，本發(fā)明提供一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如第一方面所述的方法。

34、第四方面，本發(fā)明提供一種非暫態(tài)計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如第一方面所述的方法。

35、本發(fā)明的有益效果：

36、本發(fā)明利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測，通過從宏觀和微觀兩個(gè)角度，對圖結(jié)構(gòu)進(jìn)行自適應(yīng)學(xué)習(xí)。宏觀角度通過數(shù)據(jù)進(jìn)行直接優(yōu)化，微觀角度使用時(shí)域分解方法進(jìn)行學(xué)習(xí)，隨后將兩個(gè)角度學(xué)習(xí)到的圖結(jié)構(gòu)進(jìn)行融合得到更能表達(dá)真實(shí)路網(wǎng)信息的圖結(jié)構(gòu)，來提升交通預(yù)測的準(zhǔn)確性。本發(fā)明方案設(shè)計(jì)縝密，充分彌補(bǔ)了傳統(tǒng)交通預(yù)測方法中預(yù)定義圖結(jié)構(gòu)的不足，預(yù)測結(jié)果準(zhǔn)確，實(shí)驗(yàn)表明本發(fā)明在兩個(gè)數(shù)據(jù)集上均表現(xiàn)良好。

技術(shù)特征：

1.利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，其特征在于，步驟2具體包括：

3.根據(jù)權(quán)利要求2所述的利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，其特征在于，針對每個(gè)特定時(shí)間段，根據(jù)各個(gè)交通節(jié)點(diǎn)對應(yīng)的本征模態(tài)函數(shù)構(gòu)建每個(gè)特定時(shí)間段的節(jié)點(diǎn)關(guān)系矩陣，具體包括：

4.根據(jù)權(quán)利要求3所述的利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，其特征在于，對兩個(gè)交通節(jié)點(diǎn)在所有本征模態(tài)下的皮爾遜相關(guān)系數(shù)進(jìn)行綜合，具體包括：采用下式對所有本征模態(tài)下的皮爾遜相關(guān)系數(shù)進(jìn)行平均綜合；

5.根據(jù)權(quán)利要求1所述的利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，其特征在于，步驟4具體包括：

6.根據(jù)權(quán)利要求5所述的利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，其特征在于，步驟5具體包括：

7.根據(jù)權(quán)利要求1至6任一所述的利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法，其特征在于，所述時(shí)空圖神經(jīng)網(wǎng)絡(luò)包括輸入層、依次殘差連接的l個(gè)時(shí)空塊和輸出層；其中，每個(gè)所述時(shí)空塊包括先后連接的時(shí)間卷積層和圖卷積層；

8.利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)進(jìn)行交通預(yù)測的系統(tǒng)，其特征在于，包括：

9.一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述的方法。

10.一種非暫態(tài)計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明提供一種利用時(shí)域分解自適應(yīng)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行交通預(yù)測的方法及相關(guān)設(shè)備。該方法包括：獲取目標(biāo)道路網(wǎng)的歷史數(shù)據(jù)；將所述歷史數(shù)據(jù)進(jìn)行時(shí)域分解，構(gòu)建時(shí)域分解矩陣；采用所述歷史數(shù)據(jù)對當(dāng)前預(yù)定義圖結(jié)構(gòu)進(jìn)行學(xué)習(xí)，得到宏觀圖結(jié)構(gòu)；選擇待預(yù)測時(shí)間段對應(yīng)的時(shí)域分解矩陣對當(dāng)前可學(xué)習(xí)參數(shù)進(jìn)行優(yōu)化，得到微觀圖結(jié)構(gòu)；將所述宏觀圖結(jié)構(gòu)和所述微觀圖結(jié)構(gòu)進(jìn)行融合，得到最優(yōu)圖結(jié)構(gòu)；將所述最優(yōu)圖結(jié)構(gòu)輸入時(shí)空圖神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；重復(fù)上述的圖結(jié)構(gòu)學(xué)習(xí)步驟，得到訓(xùn)練好的時(shí)空圖神經(jīng)網(wǎng)絡(luò)模型；將目標(biāo)道路網(wǎng)的實(shí)時(shí)數(shù)據(jù)中待預(yù)測時(shí)間段對應(yīng)的時(shí)域分解矩陣輸入至訓(xùn)練好的時(shí)空圖神經(jīng)網(wǎng)絡(luò)模型，得到未來待預(yù)測時(shí)間段的預(yù)測結(jié)果。

技術(shù)研發(fā)人員：何欣,陳巖
受保護(hù)的技術(shù)使用者：河南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6