一种聚合信息差异的神经网络结合时间序列预测的方法与流程

1.本发明涉及深度学习与智能交通领域，尤其涉及一种聚合信息差异的神经网络结合时间序列预测的方法。


背景技术：

2.现今，人工智能技术飞速发展，同时随着廉价交通传感器技术的大量应用，爆炸式增长的交通数据，人类开始进入交通大数据和智能交通时代，智能交通系统旨在建立一套完整的交通信息服务和交通管理控制系统，该系统可以缓解交通拥堵问题，比如近期推广的不停车收费etc，利用车辆自动识别技术完成车辆通过自动收费，加快了高速公路收费口的过车效率，有效缓解了节假日车辆拥堵问题，智能交通系统还可以对道路交通进行实时监控和预测，并对道路网络的交通状态进行合理规划，进而提高车辆的通行效率、减少交通事故的发生，并且随着经济的快速发展、城市现代化建设的步伐加快和人口的稳定增长，城市交通拥堵问题越来越严重，地铁作为城市轨道交通的重要组成部分，在缓解交通拥堵方面发挥了巨大的作用，在世界范围内迅速发展，智能交通系统中，地铁客流量预测是其中重要的研究方向，利用历史客流量数据对未来地铁站点的客流量进行合理预测，可以为地铁运行规划者提供合理的规划建议，改善并提高地铁网络的运营效率，随着城市中地铁线路的增多，地铁线路结构越来越复杂，地铁运营的安全性和效率面临着严峻的挑战，地铁客流量是影响地铁运营调度的主要因素之一，因此准确的客流预测是应对这种挑战的重要手段，并帮助管理者制定合理的运营计划，缓解交通拥堵，提高地铁运行的效率，根据客流预测的各项数据，可以判断出新建地铁站的基本规模，站台长度，站台疏散人群的能力等，从根源消除地铁站的危险因素，避免地铁站的各种安全问题。精准的客流预测还可以帮助出行者规划最优出行路线，有效避免高峰人流，提高出行效率，保障出行安全，此外基于聚合信息差异的神经网络结合时间序列的客流预测方法，不仅可以用于地铁站点客流量的预测，还可以应用在道路车流预测中。准确的交通流预测对于交通设施的规划、设计、管理和控制具有重要参考价值，比如说，通过预测道路交通的车流量信息，管理者可以通过控制信号灯或者增派交通警察等方式有效缓解高峰路段的拥堵程度；并且为未来规划道路设计提供参考信息，比如道路应该设计成几个车道，哪一部分的道路可以减少车道数，哪一部分需要增加车道数，哪些道路是单行道等等，从而最大可能保证新规划的道路能够有效缓解甚至解决道路拥堵问题；
3.传统的交通流预测的方法主要分为两大类，基于统计学的方法和基于传统的机器学习的方法，基于统计学的方法由arima及其变体、var、卡尔曼滤波，这些方法都有数学基础，具有较强的可解释性，然而，交通数据的高度非线性和动态性，使得这些方法不符合线性和平稳性的假设，所以在实际应用中性能较差，基于传统的机器学习的方法有支持向量机，k近邻等方法，这些方法可以对非线性关系进行建模，并且提取交通数据中的复杂关系，但在大数据的时代背景下，这些方法需要对数据中的特征进行人工提取，当数据集比较庞大时，会耗费大量人力，并且不能保证准确性，因此本发明提出一种聚合信息差异的神经网
络结合时间序列预测的方法以解决现有技术中存在的问题。


技术实现要素：

4.针对上述问题，本发明的目的在于提出一种聚合信息差异的神经网络结合时间序列预测的方法，该聚合信息差异的神经网络结合时间序列预测的方法对捕获交通数据的时间和空间特征的能力进行了提升，特别是空间特征的提取，在原始的图卷积网络模型中，由于傅里叶域中定义的平滑滤波器的缘故，在使用图卷积网络模型进行客流预测时，对于峰值数据的预测相比于真实峰值数据更平滑，缺失了峰值的特征，基于此问题，本发明提出了一种新的图卷积网络模型，该模型使用聚合信息差异最大化的方法，即在进行拉普拉斯矩阵归一化后增大对角线上节点的权重值，使得图神经网络上的节点在进行信息聚合时能够解决傅里叶域中定义的平滑滤波器对预测结果的影响，在时间特征的获取方面，本发明使用门控递归单元模型，通过其门控机制，不仅能够获得当前时刻的客流信息，还能获得尽可能多的历史客流信息的变化趋势，通过对多种信息的融合，得到最后的预测结果。本发明选择的门控递归单元模型相比于循环神经网络模型具有结构简单，参数量少，训练时间短的优点，最后，将本发明的方法应用到上海地铁交通网络中，对每个地铁站点的客流进行了成功的预测，这对缓解交通拥堵，提高地铁运行的效率具有重大意义，并且为出行者提高出行效率提供了参考信息。
5.为实现本发明的目的，本发明通过以下技术方案实现：一种聚合信息差异的神经网络结合时间序列预测的方法，包括以下步骤：
6.步骤一：首先进行数据的输入，输入地铁网络g＝(v,e)的邻接矩阵，然后进行输入每个站点的历史客流量数据x，将客流视为站点的属性，可以表示为x∈r
n
×
f
；
7.步骤二：进行增强自身节点的权重，通过基于聚合信息差异最大化的方法，当拉普拉斯矩阵归一化后，在其归一化矩阵的对角线上，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例；
8.步骤三：进行提取空间特征，通过步骤一输入的每个站点的历史客流量数据以及预处理后的地铁网络的邻接矩阵，提取空间特征；
9.步骤四：gate recurrent unit模型中的重置门为r
t
,然后进行计算重置门r
t
，重置门r
t
主要是用于控制候选状态c
t
的值是否依赖于前一个状态h
t
‑1；
10.步骤五：进行计算更新门u
t
，在gate recurrent unit模型中的更新门主要用于控制当前状态h
t
，需要保留多少来自前一个状态h
t
‑1的信息,以及对需要从候选状态c
t
接收多少信息；
11.步骤六：进行计算候选状态c
t
，通过步骤五得到重置门r
t
的数值，通过重置门r
t
的数值可以计算得出候选状态c
t
的信息；
12.步骤七：进行更新单元状态h
t
，最后通过全连接层输出预测结果[p
t 1
,p
t 2
,...,p
t t
]，并且利用t个时间步的历史客流数据进行预测未来t个时间步的客流数据。
[0013]
进一步改进在于：所述步骤一中，地铁网络g中v＝{v
i
|i∈[1,n]}，并且e＝{e
ij
＝(v
i
,v
j
)|i,j∈[1,n],i≠j}，其中如果v
i
和v
j
之间存在一条边的时候则e
ij
∈e的值为1，v表示地铁站点的集合、n表示站点的数量、e表示站点之间的物理连边、f为节点属性特征个数和x
t
表示t时刻所有站点的客流量值。
[0014]
进一步改进在于：所述步骤一中，通过步骤一的输入计算得到拉普拉斯矩阵
[0015][0016]
式中并且表示邻接矩阵a加上单位矩阵i
n
，并且表示的度矩阵。
[0017]
进一步改进在于：所述步骤二中，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例，使用如下公式表示
[0018][0019]
式中当α在取得0.7时，最终预测结果最佳，度矩阵为对角矩阵，对角线上的元素值表示各顶点的度，式中i
n
为单位矩阵，表示邻接矩阵a加上单位矩阵i
n
，表示的度矩阵，系数α的取值范围0到1之间。
[0020]
进一步改进在于：所述步骤三中，每个站点的历史客流量数据以及预处理后的地铁网络的邻接矩阵，提取空间特征，使用如下公式表示
[0021][0022]
通过公式可得当l＝0时，h
l
＝x，并且w
l
表示第l层可学习参数，并且h
(l 1)
表示第l层的输出，同时该值会作为下一层的输入，两层的图神经网络使用如下公式表示
[0023][0024]
所述公式中公式中w
(0)
是第一层神经网络的学习参数矩阵，w
(1)
为第二层神经网络的学习参数矩阵，x’是两层图神经网络模型输出的具有空间特征的时间序列数据，h
l
表示图神经网络第l层的输出、σ(
·
)表示非线性激活函数、表示邻接矩阵a加上单位矩阵i
n
、表示的度矩阵，x表示所述步骤一中输入的每个站点的历史客流量数据矩阵。
[0025]
进一步改进在于：所述步骤四中，计算重置门r
t
通过如下公式计算
[0026]
r
t
＝σ(w
r
[x
′
t
,h
t
‑1] b
r
)
[0027]
式中w
r
和b
r
是训练过程中的参数矩阵和偏差,r表示计算r
t
的参数和偏差，x
t’表示从图神经网络模型得到在t时刻具有空间特征的时间序列数据。
[0028]
进一步改进在于：所述步骤五中，进行计算更新门u
t
，通过如下公式计算
[0029]
u
t
＝σ(w
u
[x
′
t
,h
t
‑1] b
u
)
[0030]
式中w
u
和b
u
是训练过程中的参数矩阵和偏差，其中u表示计算u
t
的参数和偏差。
[0031]
进一步改进在于：所述步骤六中，通过重置门r
t
计算候选状态c
t
，通过如下公式计算
[0032]
c
t
＝tanh(w
c
[x
′
t
,(r
t
*h
t
‑1)] b
c
)
[0033]
式中w
c
和b
c
是训练过程中的参数矩阵和偏差，其中c表示计算c
t
时的参数矩阵和偏差。
[0034]
进一步改进在于：所述步骤七中，通过步骤五和步骤六的两个门机制控当前时刻的单元状态h
t
，并且与上一个时刻的单元状态有关，进行更新单元状态，通过如下公式计算
[0035]
h
t
＝u
t
*h
t
‑1 (1
‑
u
t
)*c
t
[0036]
式中的u
t
和c
t
是通过步骤六和步骤七的过程计算所得到的结果。
[0037]
本发明的有益效果为：本发明通过结合增强自节点权重的图卷积网络模型和时间序列预测模型，使得本发明不仅可以利用交通数据的时间特征，还利用了交通数据的空间特征；并且对于空间特征的提取，本发明通过利用聚合信息差异最大化的方法，对图神经网络模型进行了优化，使得本发明在空间特征的提取效果更佳；同时本发明适用于地铁站点客流量的预测问题，我们将本发明的方案与其他方法在真实世界网络上进行对比测试，结果表明我们的方案优于其他的对比方法，具有较高准确性，能够有效预测未来一段时间内的客流量。
附图说明
[0038]
图1为本发明的流程图。
[0039]
图2为本发明的详细图解。
[0040]
图3展示了本发明在上海地铁网络数据上进行预测的效果图。
[0041]
图4为真实网络数据集规模。
[0042]
图5为多个方法在真实交通网络上的客流预测效果对比
具体实施方式
[0043]
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
[0044]
实施例一
[0045]
根据图1
‑
图3所示，本实施例提供了一种聚合信息差异的神经网络结合时间序列预测的方法，包括以下步骤：
[0046]
步骤一：首先进行数据的输入，输入地铁网络g＝(v,e)的邻接矩阵，然后进行输入每个站点的历史客流量数据x，将客流视为站点的属性，可以表示为x∈r
n
×
f
；
[0047]
步骤二：进行增强自身节点的权重，通过基于聚合信息差异最大化的方法，当拉普拉斯矩阵归一化后，在其归一化矩阵的对角线上，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例；
[0048]
步骤三：进行提取空间特征，通过步骤一输入的每个站点的历史客流量数据以及预处理后的地铁网络的邻接矩阵，提取空间特征；
[0049]
步骤四：gate recurrent unit模型中的重置门为r
t
,然后进行计算重置门r
t
，重置门r
t
主要是用于控制候选状态c
t
的值是否依赖于前一个状态h
t
‑1；
[0050]
步骤五：进行计算更新门u
t
，在gate recurrent unit模型中的更新门主要用于控制当前状态h
t
，需要保留多少来自前一个状态h
t
‑1的信息,以及对需要从候选状态c
t
接收多少信息；
[0051]
步骤六：进行计算候选状态c
t
，通过步骤五得到重置门r
t
的数值，通过重置门r
t
的数值可以计算得出候选状态c
t
的信息；
[0052]
步骤七：进行更新单元状态h
t
，最后通过全连接层输出预测结果[p
t 1
,p
t 2
,...,p
t t
]，并且利用t个时间步的历史客流数据进行预测未来t个时间步的客流数据。
[0053]
步骤一中，地铁网络g中v＝{v
i
|i∈[1,n]}，并且e＝{e
ij
＝(v
i
,v
j
)|i,j∈[1,n],i
≠j}，其中如果v
i
和v
j
之间存在一条边的时候则e
ij
∈e的值为1，v表示地铁站点的集合、n表示站点的数量、e表示站点之间的物理连边、f为节点属性特征个数和x
t
表示t时刻所有站点的客流量值。
[0054]
步骤一中，通过步骤一的输入计算得到拉普拉斯矩阵
[0055][0056]
式中并且表示邻接矩阵a加上单位矩阵i
n
，并且表示的度矩阵。
[0057]
步骤二中，通过增加α倍的单位矩阵的方式增强节点在提取空间特征时所占的权重比例，使用如下公式表示
[0058][0059]
步骤三中，每个站点的历史客流量数据以及预处理后的地铁网络的邻接矩阵，提取空间特征，使用如下公式表示
[0060][0061]
通过公式可得当l＝0时，h
l
＝x，并且w
l
表示第l层可学习参数，并且h
(l 1)
表示第l层的输出，同时该值会作为下一层的输入，两层的图神经网络使用如下公式表示
[0062][0063]
公式中公式中w
(0)
是第一层神经网络的学习参数矩阵，w
(1)
为第二层神经网络的学习参数矩阵，x’是两层图神经网络模型输出的具有空间特征的时间序列数据，h
l
表示图神经网络第l层的输出、σ(
·
)表示非线性激活函数、表示邻接矩阵a加上单位矩阵i
n
、表示的度矩阵，x表示步骤一中输入的每个站点的历史客流量数据矩阵。
[0064]
步骤四中，计算重置门r
t
通过如下公式计算
[0065]
r
t
＝σ(w
r
[x
′
t
,h
t
‑1] b
r
)
[0066]
式中w
r
和b
r
是训练过程中的参数矩阵和偏差,r表示计算r
t
的参数和偏差，x
t’表示从图神经网络模型得到在t时刻具有空间特征的时间序列数据。
[0067]
步骤五中，进行计算更新门u
t
，通过如下公式计算
[0068]
u
t
＝σ(w
u
[x
′
t
,h
t
‑1] b
u
)
[0069]
式中w
u
和b
u
是训练过程中的参数矩阵和偏差，其中u表示计算u
t
的参数和偏差。
[0070]
步骤六中，通过重置门r
t
计算候选状态c
t
，通过如下公式计算
[0071]
c
t
＝tanh(w
c
[x
′
t
,(r
t
*h
t
‑1)] b
c
)
[0072]
式中w
c
和b
c
是训练过程中的参数矩阵和偏差，其中c表示计算c
t
时的参数矩阵和偏差。
[0073]
步骤七中，通过步骤五和步骤六的两个门机制控当前时刻的单元状态h
t
，并且与上一个时刻的单元状态有关，进行更新单元状态，通过如下公式计算
[0074]
h
t
＝u
t
*h
t
‑1 (1
‑
u
t
)*c
t
[0075]
式中的u
t
和c
t
是通过步骤六和步骤七的过程计算所得到的结果。
[0076]
使用时,est
‑
gcn模型由两部分组成，即增强自节点权重的图卷积网络和门控递归
单元，我们首先提取不同时刻的地铁网络拓扑结构和每个站点的客流数据作为es
‑
gcn模型的输入数据，然后基于聚合信息差异最大化方法，使得模型解决了原始的图卷积网络中的傅里叶域中定义的平滑滤波器对预测结果的影响，平滑滤波器会导致模型在进行峰值数据的预测时，相比于真实峰值数据更平滑，预测结果缺失了峰值的特征，通过解决该问题可以更好的提取交通数据的空间特征。通过增强自节点权重的图卷积网络模型得到的结果是具有空间特征信息的时间序列数据，然后为了获取时间特征，我们将得到的具有空间特征的时间序列数据输入到门控递归单元模型中，然后通过单元间传递信息得到动态变化，门控递归单元模型通过两个门机制，重置门r
t
，主要用于控制候选状态c
t
的值是否依赖于前一个状态h
t
‑1，更新门u
t
主要用于控制当前状态h
t
需要保留多少来自前一个状态h
t
‑1的信息，以及需要从候选状态c
t
接收多少信息。通过这两个门机制，门控递归单元模型不仅能够获取当前时刻的客流信息，还能尽可能多的保留历史客流信息，最后从全连接层获得最终的预测结果。
[0077]
实施例二
[0078]
根据图3所示，本实施例提供了一种聚合信息差异的神经网络结合时间序列预测的方法，图3中a至d区域展示了早上八点起，各站点在不同时间粒度下客流量真实值和预测值的对比结果，从可视化结果可以看出，存在少部分站点的实际客流与预测客流量有些许差距，但大概80％以上的站点在不同时间粒度下的真实客流量和预测客流量基本贴合；图3中e至h区域展示了v3站点从不同时间起，在不同时间粒度下客流量真实值和预测值的对比结果，从可视化结果可以看出，在15min的时间粒度下，站点v3客流量的真实值与预测值在开始时存在较大差距，但随着时间推移，差距越来越小，这是因为训练数据增加，模型的预测能力也随之上升，整体上，模型因为通过增大邻接矩阵对角线上节点的权重值抵消了图卷积神经网络傅里叶域中平滑滤波器对空间特征提取结果的影响，所以模型对峰值的预测结果同样优秀，能够检测到高峰时间的开始和结束，并使预测结果与实际轨道交通站点客流量的变化趋势具有相似的模式。
[0079]
根据图4所示，本实施例提供了一种聚合信息差异的神经网络结合时间序列预测的方法，是测试用的真实地铁网络数据的各项数据，其中地铁站点数量共285个站点，历史客流数据的时间跨度为2015年4月6日至2015年4月26日，共计20天，每一条数据间隔时间为15min，本发明使用该数据的80％作为训练集，另外20％的数据作为测试集验证模型的性能。
[0080]
根据图5所示，本实施例提供了一种聚合信息差异的神经网络结合时间序列预测的方法，展示了多种对比方法和本发明提出的方法在多个真实网络上的客流预测效果对比，并通过平均绝对误差，均方根误差，决定系数，解释方差得分，准确性对客流预测的效果进行评估，每行中加粗的项表示该方法在对应行的数据集上效果最好，由此看出，本发明提出的est
‑
gcn方法在客流预测上的效果优于其它方法。
[0081]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。