本發(fā)明屬于智能交通和深度學習領域，具體為一種基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡的交通流預測方法。

背景技術：

1、交通預測是現(xiàn)代智能交通系統(tǒng)(its)的基石。通過采集大量數(shù)據(jù)并進行訓練與預測，能夠實時且精準地預估交通狀況，為交通管理機構提供決策支持，進而優(yōu)化道路運營，緩解城市交通擁堵，降低事故風險。

2、交通預測基于道路網(wǎng)絡中分布的多個節(jié)點的歷史記錄來預測未來的交通狀況。然而，由于城市道路網(wǎng)絡結構的不均勻配置，交通流數(shù)據(jù)具有復雜的時間和空間相關性。目前在這一領域的研究中存在幾個問題：首先，數(shù)據(jù)周期，交通數(shù)據(jù)的周期性是指交通流在一段時間內(nèi)的重復模式或規(guī)律，通過把握數(shù)據(jù)的周期性變化有助于模型精度提升；異常數(shù)據(jù)的干擾，在一天數(shù)據(jù)中存在一些波動數(shù)據(jù)，研究這種異常波動的特征模式可以幫助模型更準確地學習完整的交通數(shù)據(jù)模式；空間異質(zhì)性，準確學習特定路段的交通模式是提高模型預測效率的關鍵問題。

技術實現(xiàn)思路

1、針對上述問題，本發(fā)明提出一種基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡的交通流預測方法。該方法采集路網(wǎng)信息得到原始數(shù)據(jù)，通過預處理將原始數(shù)據(jù)歸一化，按照一定的比例將數(shù)據(jù)集分為訓練集、驗證集和測試集；構造一種基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡，網(wǎng)絡結構由時間分解層、時間門控卷積(tgc)模塊和自適應多圖卷積(amc)模塊組成；時間分解層將多種類型的特征集成到動態(tài)圖嵌入中，從而緩解傳統(tǒng)鄰接矩陣在模擬真實道路網(wǎng)絡方面的不足；tgc模塊通過門控機制過濾多個周期中的無關信息，使模型能夠學習交通數(shù)據(jù)中的長期時間模式；自適應多圖卷積(amc)模塊利用多圖嵌入為模型提供多樣化特征，實現(xiàn)交通流預測精度的進一步提高。

2、技術方案：一種基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡的交通流預測方法，包括如下步驟：

3、步驟1)采集路網(wǎng)信息得到原始數(shù)據(jù)，通過預處理將原始數(shù)據(jù)歸一化，按照一定的比例將數(shù)據(jù)集分為訓練集、驗證集和測試集；

4、步驟2)構造基于動態(tài)時空相關圖卷積網(wǎng)絡，網(wǎng)絡結構由時間分解層、tgc模塊和amc模塊組成；

5、步驟3)構造時間分解層，nce模塊由多時相特征提取、多時相特征提取和動態(tài)圖嵌入融合組成；

6、步驟4)tgc模塊模塊通過門控機制過濾多個周期中的無關信息，使模型能夠學習交通數(shù)據(jù)中的長期時間模式；

7、步驟5)amc模塊利用多圖嵌入為模型提供多樣化特征，從而捕捉真實道路網(wǎng)絡中的復雜信息；

8、步驟6)利用基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡實現(xiàn)交通流預測精度的進一步提高。

9、進一步，步驟1)中，在城市路網(wǎng)中，給定n個城市節(jié)點，并將它們連接為一個加權有向圖，定義為g＝(v,e,a)，其中v表示城市的n個節(jié)點，e表示圖的邊集，a∈rn*n表示為圖的鄰接矩陣，在本文中的問題是給定圖g和歷史p步的信息預測未來t步的交通流數(shù)據(jù)，輸入原始數(shù)據(jù)為輸出目標函數(shù)為f和f′表示為特征維度，表示圖結構。

10、進一步，所述步驟2)中，動態(tài)多視圖時空融合圖卷積網(wǎng)絡，網(wǎng)絡結構由時間分解層、tgc模塊和amc模塊組成。

11、所述步驟2)中，動態(tài)多視圖時空融合圖卷積網(wǎng)絡，網(wǎng)絡結構由時間分解層、tgc模塊和amc模塊組成。網(wǎng)絡的輸入為x∈rn*p*f。

12、進一步，所述步驟3)中，構造時間分解層，旨在將多種類型的特征集成到動態(tài)圖嵌入中，從而緩解傳統(tǒng)鄰接矩陣在模擬真實道路網(wǎng)絡方面的不足。

13、步驟3-1)：定義擴散過程，提取原始輸入x中包含的隱藏時序特征：

14、所述多時相特征提取模塊通過線性層處理輸入信號，將其分別用平均池化和最大池化處理，生成的信號通過線性層輸出，輸出信號為和接著通過哈達瑪積和激活函數(shù)生成信號et，步驟如下所示：

15、xnormal＝avgpooling(x)

16、xabnormal＝maxpooling(x)

17、

18、

19、

20、其中xnormal和xabnormal表示穩(wěn)定信號和異常信號，avgpooling為平均池化操作，maxpooling為最大池化操作，mlp表示全連接操作，tanh表示激活函數(shù)。

21、步驟3-2)：多時相特征提取模塊生成通過線性變換將多時相特征提取轉換為三個子空間，包括查詢向量q，鍵向量k和值向量v，相關性通過計算q和k的點積來計算，并使用softmax計算注意力權重；進一步采用多頭自注意力，將各個注意力結果連接在一起，得到所述多頭自注意力模塊的輸出，步驟如下所示：

22、

23、

24、

25、

26、

27、

28、其中qs,ks,vs表示空間注意力的三個子空間，qt,kt,vt表示時間注意力的三個子空間，spatialattention(qs，ks，vs)表示空間注意力處理過程，temporalattention(qt，kt，vt)表示時間注意力處理過程，dks和dkt表示縮放因子，都表示可學習參數(shù)，softmax表示激活函數(shù)，concat表示拼接操作，xsa表示空間注意力，xta表示時間注意力，eas表示空間層面多頭xsa拼接結果，fat表示時間層面多頭xta拼接結果，每個頭表示一次xsa或者xta的計算；接著將時空注意力的處理結果融合：

29、

30、其中b都表示可學習參數(shù)。

31、步驟3-3)：接著將時空注意力和異常特征的處理結果融合：

32、

33、最后得到時間分解層結果ef用于后續(xù)的自適應矩陣的生成。

34、進一步，所述步驟4)中，構造tgc模塊通過門控機制過濾多個周期中的無關信息，使模型能夠學習交通數(shù)據(jù)中的長期時間模式。具體構造方法為：

35、步驟4-1)：定義擴散過程，tgc模塊通過門控機制過濾兩個不同的擴散卷積分別在多個周期中的無關信息：

36、xres＝dconv(xt)

37、xgate＝dconv(xt)

38、其中，xt表示單步x輸入，dconv表示擴張因果卷積操作，xres和xgate分別表示兩個不同的擴散卷積處理結果。隨后使用門控機制融合兩者信息：

39、z＝σ(wzxxres+wzgxgate)

40、r＝σ(wrxxres+wrgxgate)

41、s＝relu(wsxxgate+wsg(r*xres))

42、tc＝z*xres+(1-z)*s

43、其中wzx,wzg,wrx,wrg,wsx,wsg都表示可學習參數(shù)，z,r,s都表示門控機制的中間變量，relu表示激活函數(shù)，σ()表示激活函數(shù)，tc表示tgc的輸出。

44、進一步，所述步驟5)中，構造amc模塊利用多圖嵌入為模型提供多樣化特征，從而捕捉真實道路網(wǎng)絡中的復雜信息。具體構造方法為：

45、步驟5-1)：定義擴散過程，提取空間特征信息，利用擴散圖卷積學習路網(wǎng)特征信息，其中，擴散圖卷積表示為：

46、

47、

48、其中，wk1、wk2、wk3分別為可學習參數(shù)；pf為前向轉移矩陣，pb為后向轉移矩陣，k為擴散階數(shù)，xtemp表示時間殘差學習器輸出結果；表示生成的自適應鄰接矩陣，e1和e2表示可學習矩陣；

49、步驟5-2)：所述amc模塊是時間分解層生成的嵌入以及隨機生成的嵌入共同構建一個鄰接矩陣以彌補傳統(tǒng)固定鄰接矩陣的不足：

50、

51、

52、

53、sc＝relu(wsc(z1+z2)+bsc)

54、其中表示多元自適應鄰接矩陣，wdk1,wdk2,wdk3,wsc,bsc表示可學習參數(shù)，z1和z2分別利用兩種自適應矩陣構造，sc表示自適應多圖卷積模塊結果，通過融合多圖嵌入為模型提供多樣化特征。

55、進一步，所述步驟6)中，利用路網(wǎng)采集的流量數(shù)據(jù)集訓練和測試基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡，并用于交通流預測。具體流程為：

56、步驟6-1)：初始化隱藏層節(jié)點數(shù)，學習率，batchsize等參數(shù)；

57、步驟6-2)：確定訓練集、驗證集和測試集劃分比例，以平均絕對誤差作為損失函數(shù)；

58、步驟6-3)：利用時間分解層分析歷史數(shù)據(jù)中的隱藏特征，并用時空特征提取模塊模擬路網(wǎng)的交通運行模式；

59、步驟6-4)：利用訓練集訓練基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡，當達到最大迭代次數(shù)時停止訓練，利用測試集測試模型精度；

60、步驟6-5)：加載最優(yōu)模型權重，并用于交通流預測。

61、有益效果：本發(fā)明的交通流預測方法，針對現(xiàn)有方法大多沒有考慮多方面的隱藏特征。本發(fā)明構造基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡，包括時間分解層、tgc和amc模塊，提高了模型預測精度。

62、本發(fā)明公開一種基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡的交通流預測方法，包括以下步驟：采集路網(wǎng)信息得到原始數(shù)據(jù)，并歸一化；構造一種基于動態(tài)多視圖時空融合圖卷積網(wǎng)絡，網(wǎng)絡結構由時間分解層、時間門控卷積(tgc)模塊和自適應多圖卷積(amc)模塊組成；時間分解層將多種類型的特征集成到動態(tài)圖嵌入中，從而緩解傳統(tǒng)鄰接矩陣在模擬真實道路網(wǎng)絡方面的不足；tgc模塊通過門控機制過濾多個周期中的無關信息，使模型能夠學習交通數(shù)據(jù)中的長期時間模式；自適應多圖卷積(amc)模塊利用多圖嵌入為模型提供多樣化特征，實現(xiàn)交通流預測精度的進一步提高。