基于残差增强时空图卷积网络的交通流预测方法
本发明涉及交通速度预测,具体涉及一种基于残差增强时空图卷积网络的交通流预测方法。
背景技术:
1、随着城市化进程的持续推进以及机动车保有量的快速增长,城市道路交通系统规模不断扩大,交通拥堵、道路通行效率下降以及交通安全风险增加等问题日益突出。交通流作为反映道路运行状态的重要指标,其时空演化规律直接影响交通管理决策、路径规划、拥堵预警以及智能交通系统的运行效果。交通流预测旨在根据路网中各检测节点采集的历史交通状态数据,推断未来时段内全路网的交通状态,能够提前获取未来时段的交通状态信息,为交通诱导、信号控制以及交通资源的优化配置提供决策依据。因此,提高交通流预测的精度和稳定性,对于提升道路通行效率、缓解交通拥堵以及推进智慧交通建设具有重要意义。
2、目前,交通流预测方法主要包括统计学预测方法、传统机器学习预测方法以及深度学习预测方法。统计学预测方法以自回归积分滑动平均模型(arima)等为代表,通过分析历史交通数据的统计变化规律建立预测模型,具有模型结构简单、实现方便的特点,但此类方法通常依赖于交通序列的平稳性假设,对交通流所呈现的复杂非线性、非平稳特征的刻画能力有限。传统机器学习预测方法以支持向量回归等为代表,能够从历史交通数据中挖掘一定的交通状态变化规律,在一定程度上提高了预测精度,但对于大规模交通网络中节点间复杂的时空关联关系的建模能力不足。
3、近年来,以图卷积网络(graph convolutional network,gcn)为代表的深度学习技术被广泛应用于交通流预测领域,通过将道路网络抽象为图结构并构建深层神经网络,提取交通数据中的空间特征和时间特征,有效提升了预测性能。例如,中国发明专利申请cn110415516a公开了一种基于图卷积神经网络的城市交通流预测方法,其根据路网中各节点的经纬度信息生成距离矩阵并计算可达性矩阵,将交通速度信息与可达性矩阵输入图卷积神经网络模型,实现了对城市交通路网空间特征的有效提取,提高了交通流预测的精度。然而,该类方法通常依据路网的物理拓扑结构或节点间地理距离预先构建静态图结构,并为节点间的连接赋予固定权值;而实际交通网络中节点间的关联关系随交通需求的变化呈动态演化特性,静态图结构难以表征交通网络中动态变化的空间依赖关系。
4、针对静态图结构的上述局限,中国发明专利申请cn114220271a公开了一种基于动态时空图卷积循环网络的交通流预测方法,其利用皮尔逊相关系数计算相邻节点间流量的相关性,随滑动时间窗口的移动不断更新节点间的相关性,将基于空间距离的静态图与基于流量相关性的动态图堆叠构建路网的动态时空关系图,并结合图卷积网络与长短期记忆网络(lstm)捕获交通流的动态时空依赖性。然而,该方法构建动态图所依赖的相关系数属于人工预定义的统计指标,且需预先设定高斯核阈值等超参数,难以通过数据驱动方式端到端地学习节点间隐含的空间依赖关系;同时,其采用循环神经网络结构进行时间维度建模,在多步预测任务中易因递归传播产生误差累积,影响长时预测精度。
5、中国发明专利申请cn114694379a公开了一种基于自适应动态图卷积的交通流预测方法,其分别设置可训练的节点表征矩阵与时段表征矩阵,通过张量合成方式生成不同时段的自适应动态邻接关系图,并将动态图卷积模块嵌入门控循环单元(gru)构建编码器-解码器结构的预测模型,进一步提高了交通流预测的准确性。然而,该方法生成的自适应邻接图未施加任何稀疏约束,节点间全连接的关联权重中容易混入大量弱关联或无关的冗余连接,既增加了模型的计算开销,又引入了噪声干扰,削弱了模型对关键空间依赖关系的学习能力;并且,其时间维度建模依赖于门控循环单元,对交通流序列中的长时依赖关系以及多尺度波动特征的提取能力仍然有限。
6、此外,交通流数据受到道路拓扑结构、交通需求变化以及气象条件等外部环境因素的共同影响,呈现出显著的动态性、非平稳性和多因素耦合特征。例如,降雨、降雪、低能见度等气象条件会直接导致道路通行能力下降,引起交通流参数发生突变,使交通流序列呈现明显的非平稳波动。然而,上述现有方法大多仅利用交通流自身的历史观测数据进行建模,对气象等外部环境信息的利用不充分,难以刻画交通状态与外部影响因素之间的耦合关系,导致模型在恶劣天气等复杂交通场景下的预测精度和稳定性下降。
7、综上所述,现有交通流预测方法仍存在以下不足:其一,基于静态拓扑结构或人工预定义统计指标构建的图结构难以准确表征交通网络中动态变化的隐含空间关联关系,而现有的自适应图学习方法又缺乏对冗余连接的有效抑制机制;其二,对交通流序列长时依赖关系和多尺度波动特征的挖掘能力有限,循环式时序建模易造成多步预测误差累积;其三,对气象等外部环境信息的利用不充分,难以有效反映交通状态与外部因素之间的耦合关系。因此,亟需提出一种能够同时兼顾动态空间关联关系建模、长时序依赖特征提取以及外部环境因素融合的交通流预测方法,以提高复杂交通网络环境下交通流预测的准确性和稳定性,为智能交通系统提供更加可靠的交通状态预测结果。
技术实现思路
1、为解决现有方法难以同时准确建模动态空间关联、长时序依赖及外部环境耦合影响,复杂场景下预测精度和稳定性不足。本发明提供一种基于残差增强时空图卷积网络的交通流预测方法,通过稀疏约束的自适应多跳图卷积结构学习动态空间关联关系、利用残差增强的多尺度门控时序卷积结构提取长短期时序特征、并融合筛选后的气象等外部环境特征,实现交通流时空特征与环境因素的协同建模。该方法兼顾空间关联建模的稳定性与动态自适应性、增强高阶空间特征聚合效率和极端天气下的时序建模鲁棒性,从而显著提高复杂交通网络环境下交通流预测的准确性、稳定性和泛化能力。
2、本发明采取的技术方案为:
3、基于残差增强时空图卷积网络的交通流预测方法,包括以下步骤:
4、s1:获取道路交通数据、路网拓扑结构数据以及外部环境数据,对所获取的数据进行预处理,构建交通流预测数据集;
5、s2:将历史交通状态数据与外部环境特征进行融合,构建多特征融合输入矩阵;
6、s3:基于路网拓扑结构数据构建静态邻接矩阵,通过节点嵌入学习生成自适应邻接矩阵,并对所述自适应邻接矩阵施加稀疏约束,形成动态空间关系表示;
7、s4:基于所述静态邻接矩阵和稀疏约束后的自适应邻接矩阵进行多跳图卷积,通过多阶扩散传播提取交通网络中的局部空间特征和长距离空间依赖特征,得到空间特征表示;
8、s5:将所述空间特征表示输入残差增强的多尺度门控时序卷积模块,通过扩张因果卷积、门控激活机制、残差连接及跳跃连接提取交通流序列中的长短期时间依赖特征,得到时序特征表示;
9、s6:对所述时序特征表示进行特征映射与预测计算,输出未来多个时间步的交通流预测结果。
10、所述s1包括:
11、s1.1:获取研究区域的道路交通数据与路网拓扑结构数据,所述路网拓扑结构数据以的邻接矩阵表示,其中,n为路网中的节点数;
12、s1.2:获取与所述研究区域时空范围对应的外部环境数据,所述外部环境数据包括多种气象因素特征,且所述外部环境数据的采样间隔与所述道路交通数据的采样间隔相同;
13、s1.3:采用斯皮尔曼相关系数分别计算各所述气象因素特征与交通状态数据之间的相关度,按照相关度排序结果筛选出m个关键气象特征,剔除低相关性气象因素特征,其中,m为关键气象特征的数量;
14、s1.4:对所述道路交通数据和筛选后的关键气象特征对应的外部环境数据中的缺失值进行线性插值填补,并采用z-score标准化方法进行归一化处理,所述z-score标准化方法按下式计算:
15、;
16、其中,
x'为原始数据,
μ为原始数据的均值,
σ'为原始数据的标准差,
z为标准化后的数据;
17、s1.5:将归一化处理后的数据按照时间顺序划分为训练集、验证集和测试集,构建交通流预测数据集。
18、所述s2包括:
19、s2.1:设历史滑动窗口长度为,在任意时刻,获取历史时刻至时刻内全部个节点的交通速度序列,以及相同时段内个关键气象特征对应的气象特征序列,其中,为路网中的节点数,为关键气象特征的数量;
20、s2.2:将每个时间步的气象特征向量沿空间维度复制n次,得到与路网节点数相匹配的空间扩展气象张量;
21、s2.3:将所述交通速度序列与所述空间扩展气象张量在特征通道维度上进行张量拼接,构建维度为的多特征融合输入矩阵。
22、所述s3包括:
23、s3.1:在基于所述路网拓扑结构数据构建的原始静态邻接矩阵中引入自连接,其中,为原始静态邻接矩阵,表示行列的实数矩阵空间;对引入自连接后的矩阵进行对称归一化处理,得到标准化静态邻接矩阵:
24、;
25、其中,为标准化静态邻接矩阵,为n×n的单位矩阵,为矩阵的度矩阵;
26、s3.2:定义可学习的源节点嵌入矩阵和目标节点嵌入矩阵,其中,为源节点嵌入矩阵,为目标节点嵌入矩阵,为节点嵌入维度;
27、所述节点嵌入维度为正整数,为模型训练前设定的超参数,的取值决定节点嵌入特征对节点间隐含空间依赖关系的表达能力,的取值在模型训练过程中依据验证集的预测误差进行调整确定;
28、通过所述源节点嵌入矩阵与所述目标节点嵌入矩阵的矩阵内积捕捉节点间隐含的空间依赖,经leakyrelu激活函数保留弱负相关关系,并利用带有可学习温度参数的函数进行归一化,生成自适应邻接矩阵:
29、;
30、其中,为自适应邻接矩阵,为归一化指数函数,为带泄露线性整流激活函数,为可学习温度参数;
31、s3.3:对所述自适应邻接矩阵施加l1范数稀疏正则化约束,构建稀疏损失函数:
32、;
33、其中,为稀疏损失函数,为控制稀疏强度的正则化系数,为l1范数运算;将所述稀疏损失函数加入模型总损失函数进行联合训练,促使所述自适应邻接矩阵中无关连接的权重趋近于零,得到稀疏约束后的自适应邻接矩阵。
34、所述s4包括:
35、s4.1:基于爱因斯坦求和约定构建空域图卷积算子,所述空域图卷积算子的空域邻域特征聚合计算为:
36、;
37、其中,为所述标准化静态邻接矩阵或稀疏约束后的自适应邻接矩阵,为矩阵a中第行第列的元素,为信息传播过程中的源节点索引,为信息传播过程中的目标节点索引;为节点在第个时间步上的输入特征,为聚合后节点在第个时间步上的输出特征,为批处理索引,为特征通道索引,为时间步索引;
38、s4.2:设置最大扩散阶数,基于所述空域图卷积算子,以输入特征为初始值通过递归迭代方式计算各阶扩散空间特征:
39、;
40、;
41、其中,为输入至多跳图卷积的原始输入特征,为一阶扩散空间特征,为节点经过次邻域传播后聚合到的阶扩散空间特征,为扩散阶数,为最大扩散阶数,为所述标准化静态邻接矩阵或稀疏约束后的自适应邻接矩阵;
42、s4.3:对所述标准化静态邻接矩阵和稀疏约束后的自适应邻接矩阵分别并行执行s4.2的递归扩散,将原始输入特征、静态图的多阶扩散空间特征以及自适应图的多阶扩散空间特征在通道维度上进行级联,得到级联特征:
43、;
44、其中,为级联特征,为通道维度上的特征级联运算,为原始输入特征,为所述标准化静态邻接矩阵对应的第阶扩散空间特征,为所述稀疏约束后的自适应邻接矩阵对应的第阶扩散空间特征。
45、随后,通过卷积层进行加权融合,输出空间特征表示:
46、;
47、其中,为空间特征表示,为1×1卷积运算,为级联特征。
48、所述s5中,通过扩张因果卷积提取交通流序列中的时间依赖特征,包括:
49、5.1:采用扩张因果卷积对输入特征进行时间维度卷积运算,使每一时间步仅依赖当前时刻及历史时刻的输入特征,所述扩张因果卷积运算为:
50、;
51、其中,为扩张因果卷积运算,为扩张因果卷积的输入特征,为当前时间步,为卷积核权重的序数,为卷积核大小,为扩张率,为时间位置索引,为卷积核的第i个权重,为时间位置处的输入特征;堆叠的各卷积层的扩张率呈指数增长,以扩大时间感受野;输出卷积特征。
52、所述s5中,通过门控激活机制提取交通流序列中的时间依赖特征,包括:
53、5.2:将5.1输出的卷积特征输入双分支门控激活单元,通过滤波分支提取交通状态变化特征,通过门控分支计算信息保留权重,并对两分支的输出进行逐元素相乘以实现信息筛选,所述双分支门控激活单元的计算为:
54、;
55、其中,为双分支门控激活单元的运算,为输入至双分支门控激活单元的卷积特征,为滤波卷积核对应的卷积运算,为门控卷积核对应的卷积运算,为双曲正切激活函数,为sigmoid激活函数,⊙为逐元素乘法运算;输出门控时序特征。
56、所述s5中,通过残差连接提取交通流序列中的时间依赖特征,包括:
57、5.3:以5.2输出的门控时序特征作为门控时序卷积层的层输入特征,在相邻的门控时序卷积层之间构建恒等残差连接,第层的残差结构表示为:
58、;
59、其中,为门控时序卷积层的层索引,为第层门控时序卷积层的输入特征,为第层门控时序卷积层的输出特征,为门控时序卷积层的非线性映射函数,为第层门控时序卷积层的可学习参数集合;
60、5.4:在所述恒等残差连接构成的主残差路径之外并行构建残差增强分支,所述残差增强分支对所述层输入特征依次执行卷积通道变换、激活以及实例归一化处理,并将处理结果与所述层输入特征融合:
61、;
62、其中,为残差增强分支的输出特征,为第层门控时序卷积层的输入特征,为卷积运算,为带泄露线性整流激活函数,为实例归一化运算。
63、所述s5中,通过跳跃连接提取交通流序列中的时间依赖特征,包括:
64、5.4:将各层门控时序卷积单元输出的中间隐藏状态分别通过卷积映射至统一的跳跃连接特征空间,并在通道维度上进行跨层累加融合,使浅层的局部短时时序特征与深层的全局长程依赖特征绕过中间层聚合至输出端,生成时序特征表示:
65、;
66、其中,为跨层累加融合生成的时序特征表示,为门控时序卷积层的总层数,为第层门控时序卷积单元对应的卷积映射运算,为第层门控时序卷积单元输出的中间隐藏状态。
67、所述s6包括:
68、s6.1:将所述时序特征表示输入全连接层进行高维非线性映射,通过通道维度与时间维度的特征变换,将所述时序特征表示从隐藏特征空间投射至目标时间长度和特征空间,得到映射特征;
69、;
70、其中,为映射特征,为全连接层的权重矩阵,为时序特征表示,为全连接层的偏置向量;
71、s6.2:设未来预测序列长度为,基于映射特征输出交通预测张量,端到端地输出未来个时间步内全路网个节点的交通速度预测值。
72、;
73、其中,为交通预测张量,表示行n列的实数矩阵空间,为路网中的节点数;所述交通预测张量中第行第列的元素为第个未来时间步节点的交通速度预测值,为未来时间步序数,,。
74、与现有技术相比,本发明提出的一种基于残差增强时空图卷积网络的交通流预测方法,针对现有技术中现有交通流预测方法存在的不足,具有以下有益效果:
75、1)兼顾空间关联建模的稳定性与动态自适应性,并有效抑制冗余噪声连接:
76、针对现有技术中基于静态拓扑结构或人工预定义统计指标构建的图结构难以表征交通网络动态空间关联、以及现有自适应图学习方法缺乏冗余连接抑制机制的问题。本发明将基于路网拓扑构建并经对称归一化处理的静态邻接矩阵与通过节点嵌入学习生成的自适应邻接矩阵相结合构建双图结构,使模型既能够保留道路网络稳定的物理连接关系,又能够以数据驱动方式端到端地学习节点间随交通状态变化的隐含空间依赖关系;同时,通过对自适应邻接矩阵施加稀疏约束,促使无关或弱关联连接的权重趋近于零,有效抑制了远距离微弱噪声及冗余连接对空间建模的干扰,降低了模型复杂度,增强了模型对关键空间依赖关系的学习能力和空间建模的鲁棒性。
77、2)提升局部至长距离高阶空间特征的聚合与提取效率:
78、针对现有技术对交通网络中长距离空间依赖关系刻画能力不足的问题。本发明采用基于爱因斯坦求和约定的空域图卷积算子统一空间信息传播的计算表达,并结合递归迭代的多阶扩散传播机制,使交通状态信息能够在图结构约束下沿多跳邻域逐阶扩散,各节点的空间感受野随扩散阶数增加而逐步扩大,从而高效、全面地捕获路网中由局部邻域至长距离的多尺度空间依赖特征,提高了空间特征表达能力与计算效率。
79、3)增强对交通流序列长短期依赖及多尺度波动特征的提取能力,缓解多步预测误差累积:
80、针对现有技术对交通流序列长时依赖关系和多尺度波动特征挖掘能力有限、循环式时序建模易造成多步预测误差累积的问题。本发明通过扩张因果卷积在避免未来信息泄露的同时以较少网络层数获得大时间感受野,结合双分支门控激活机制对时序信息进行自适应筛选、抑制噪声信息传播,并借助恒等残差连接保障深层网络的梯度传播与稳定训练,通过多尺度跨层跳跃连接将浅层局部短时波动特征与深层全局长程趋势特征直接聚合至输出端,实现了长短期时间依赖特征与多尺度波动特征的充分提取与融合,有效避免了深层网络训练中的信息丢失,提高了多步预测的精度和稳定性。
81、4)缓解复杂场景下的特征分布偏移,增强时序建模的鲁棒性:
82、针对突发或恶劣天气条件下各路网节点交通状态存在明显尺度差异和特征分布偏移、传统残差结构难以适应的问题。本发明在主残差路径之外并行构建由卷积通道变换、非线性激活及实例归一化构成的残差增强分支,对节点特征进行额外的非线性变换与特征重标定,有效缓解了因外部扰动导致的节点间特征尺度异质性与分布偏移问题,加速了深层网络的平滑收敛,提升了模型在复杂、非平稳交通场景下的适应能力。
83、5)实现交通状态信息与外部环境因素的协同建模,提高复杂交通场景下的预测精度:
84、针对现有技术对气象等外部环境信息利用不充分、难以刻画交通状态与外部因素耦合关系的问题。本发明通过相关性分析对外部多源环境数据进行关键特征筛选,剔除低相关性干扰因素,并对筛选后的关键气象特征进行空间维度扩展,在输入端实现全局环境信息与各节点局部交通状态在时间和空间尺度上的严格对齐与统一表示,使模型能够充分学习外部环境因素对交通流演化的影响规律,显著提升了模型在恶劣天气等复杂交通场景下的预测精度、稳定性和泛化能力。
85、综上,本发明通过稀疏约束的动态空间关系建模、多跳图卷积空间特征提取、残差增强的多尺度门控时序建模以及外部环境特征融合的有机结合,实现了交通流时空特征与环境因素的联合学习,全面提高了复杂交通网络环境下交通流预测的准确性、稳定性和泛化能力,能够为智能交通系统提供更加可靠的交通状态预测结果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com