一种无人驾驶用交通流量预测的图层级卷积神经网络模型的制作方法

1.本发明涉及深度学习技术领域，具体为一种无人驾驶用交通流量预测的图层级卷积神经网络模型。


背景技术：

2.随着城市的不断发展，城市交通、便利出行越来越成为人们关注的话题，智慧城市交通也成为研究的热点，也就是智能交通系统iis(intelligent transport system).这一系统的核心问题是如何利用历史数据，包括交通流量，流速等交通数据信息更加全面地提取城市交通特征，精确地预测未来短时或长时的交通状况，进而能为个人出行，政府决策给予及时合理的建议
3.对交通流的预测主要可以考虑影响交通流的核心因素，提取他们的特征来进一步刻画交通流量信息。而这些因素主要可以分为两类，一类是仅考虑时间因素的影响，如历史平均模型(ha)，使用历史的流量信息动态地预估未来的流量；差分自回归滑动平均模型(arima)可以将不稳定的数据进行差分处理得到较好的时序周期特征而更精确地预测交通流；同时随着深度学习的不断发展，神经网络中的时序模型如lstm等通过自我学习和多个门的控制机制，不仅能提取到短时影响还能保存长期的记忆影响，也在一定程度上提高了时间维度上预测的准确性这些方法在使用时间方面来刻画交通流量已经达到了较好的效果，但是交通流量还有一个主要的影响因素是空间，这些模型都不能很好地捕捉空间属性进行建模，因此还有另一类结合时间空间属性的模型，如郑宇的深度时空残差网络，在时间上建立三个相同的模型来捕获交通流量的临近性，趋势性和周期性，在空间上使用卷积网络并加入残差网络增加卷积的层数，以更加全面的捕获远近的空间影响。但是这一模型在使用卷积时是将交通流转化为图片的像素，用图像处理的方式提取空间影响，不能良好地捕获路网拓扑结构对交通流量的影响。使用了有向图结构的模型来提取空间信息，主要是使用双向随机游走处理路网上的双向车流量。虽然这一模型已经能较好地上下游几条道路对车流的影响，但是在影响空间的因素中还包括层级结构这一重要因素不容忽略。


技术实现要素：

4.本发明的目的在于提供一种无人驾驶用交通流量预测的图层级卷积神经网络模型，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种无人驾驶用交通流量预测的图层级卷积神经网络模型，包括以下步骤：
6.s1、建立路网图，抽象为节点和边的连接关系，并构建邻接矩阵；
7.s2、将每个节点上的流量作为此节点的信号；
8.s3、利用图的邻接矩阵，拉普拉斯矩阵针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；
9.s4、构建聚类池化和反池化模块，提取路网中的层级信息，以寻找相似结构的流量
特征；
10.s5、谱图卷积模块和池化模块一起构成gru单元，实现对流量时间特征的提取；
11.s6、利用encoder-decoder结构完成seq2seq的流量预测，encoder和decoder中的神经元都是由gru单元构成。
12.优选的，在步骤s1中，所述根据路网图构建邻接矩阵的步骤具体包括以下步骤：
13.将观测计算车流量的检测站或交叉路口作为图的节点；
14.交叉口或检测站之间有道路连通则在图上也有边连接；
15.邻接矩阵的权重通过两个交叉口或监测站之间的实际距离计算，其中wij表示vi和vj两个传感器之间的权重，dist()表示观测站之间的距离，σ是距离的标准差。
16.优选的，在步骤2中，统计一段时间，如5min或0.5h时间内，经过道路上每个节点的车辆数，将其作为此节点的信号。
17.优选的，在步骤s3中，建立谱图卷积模块，提取路网的空间结构影响的步骤如下；
18.根据邻接矩阵，计算拉普拉斯矩阵，
19.对流量信号进行卷积操作，g
θ
＊x＝ug
θut
x，图的傅立叶基u(rn*n)是正则化的图拉普拉斯矩阵的特征向量矩阵，g
θ
是l的特征值的函数，即g
θ
(λ)；
20.由于拉普拉斯矩阵的特征值分解较为复杂，因此利用契比雪夫多项式t(x)＝2xt
k-1
(x)-t
k-2
(x)来近似卷积过程，其中t0(x)＝1，t1(x)＝x；
21.构建的卷积模块是：
22.优选的，在步骤s4中，所述构建聚类池化和反池化模块的具体包括以下步骤：
23.聚类池化操作pooling在encoder阶段，需要构建一个神经网络学习一个节点转换矩阵，将经过卷积操作的n个节点信息，分配到m个节点上；
24.反池化操作unpooling在decoder阶段，利用一个节点转换矩阵，将经过卷积的m个节点，还原会原来的n个节点；
25.在pooling阶段的神经网络结构具体包括以下步骤：
26.根据邻接矩阵建立图模型；
27.将图模型进行非线性转换，如relu方法；
28.经过非线性转换的结果再放入softmax方法中，求得当前层n个节点分配到下一层m个节点的概率。
29.优选的，在pooling阶段的神经网络结构中的第一步的图模型采用一般的图神经网络或图卷积神经网络。
30.优选的，在unpooling阶段的转换矩阵是对应的pooling阶段的转换矩阵的另一维度的概率计算，即在另一维度上使用softmax方法。
31.优选的，在步骤s5中，所述谱图卷积模块和池化模块一起构成gru单元具体包括以下步骤：
32.流量信号输入谱图卷积模块，得到的输出作为池化模块的输入；
33.池化或反池化阶段的输出作为整个gru单元的输入；
34.将池化或反池化阶段的输出作为gru单元的输入主要是为了替换gru单元中的简单乘法，而将其转换为卷积池化的乘法。
35.优选的，在步骤s6中，所述利用encoder-decoder结构完成seq2seq的流量预测，具体包括以下步骤：
36.encoder部分进行输入序列的处理，每个神经元包括两个gru单元，进行卷积和池化操作；
37.decoder部分的每个神经元中也包括两个gru单元，这里的gru单元中进行的是卷积和反池化操作；
38.encoder部分的隐藏层结果将作为一个decoder部分的一个输入；
39.最终decoder部分的输出作为预测序列的输出。
40.与现有技术相比，本发明的有益效果是：
41.(1)本发明结合城市交通流所具有的时间和空间属性，提出的图的层级卷积循环神经网络，旨在提高交通流量预测的精度。主要是在空间上使用gcn和pooling操作提取临近道路节点的影响，在时间上使用多层rnn并嵌入gru完成seq2seq的时间序列建模，利用对特征信息的有效提取，更加精准地预测交通流量，以方便大家规划出行路线，减少出行时间，提高出行感受；方便政府决策部门量化地提出城市道路规划解决方案。
42.(2)路网交通流量预测的图层级卷积神经网络模型最突出的优点是可以处理大图的问题。一个城市的路网上少说有几十万上百万个交叉口节点和边，多则上千万，如此大的图对计算效率、机器配置要求高，而本模型中的层级模块，不仅可以提取到图中的层级结构关系，而且由于是一个池化操作，在一定程度上对图进行了压缩，可以大大提升计算效率，不易出现内存溢出问题。
附图说明
43.图1是本发明实施例中路网交通流量预测的图层级卷积神经网络模型架构示意图；
44.图2是本发明实施例中用图进行卷积池化和反池化操作的示意图；
45.图3是本发明实施例中时序过程中的seq2seq结构示意图；
46.图4是本发明实施例中设定的检测站点的位置地图。
具体实施方式
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
48.请参阅图1，本发明提供一种技术方案：本发明提供如下技术方案：一种无人驾驶用交通流量预测的图层级卷积神经网络模型，包括以下步骤：
49.s1、建立路网图，抽象为节点和边的连接关系，并构建邻接矩阵；
50.s2、将每个节点上的流量作为此节点的信号；
51.s3、利用图的邻接矩阵，拉普拉斯矩阵针对流量信号建立谱图卷积模块，提取路网
的空间结构对流量的影响；
52.s4、构建聚类池化和反池化模块，提取路网中的层级信息，以寻找相似结构的流量特征；
53.s5、谱图卷积模块和池化模块一起构成gru单元，实现对流量时间特征的提取；
54.s6、利用encoder-decoder结构完成seq2seq的流量预测，encoder和decoder中的神经元都是由gru单元构成。
55.本发明中，在步骤s1中，所述根据路网图构建邻接矩阵的步骤具体包括以下步骤：
56.将观测计算车流量的检测站或交叉路口作为图的节点；
57.交叉口或检测站之间有道路连通则在图上也有边连接；
58.邻接矩阵的权重通过两个交叉口或监测站之间的实际距离计算，其中wij表示vi和vj两个传感器之间的权重，dist()表示观测站之间的距离，σ是距离的标准差。
59.首先是构建路网图g＝(v，e)(|v|＝n是图的节点，e是每个节点之间的边)，也就是步骤s1中所述的根据路网图构建邻接矩阵，其步骤具体包括以下点：
60.(1)将观测计算车流量的检测站或交叉路口作为图的节点，如图4所示，黑色圆点标注的即为监测站，即图中的v；
61.(2)交叉口或检测站之间有道路连通则在图上也有边连接，即图4中监测站通过道路可以直接相连，则有边；
62.(3)邻接矩阵的权重通过两个交叉口或监测站之间的实际距离计算，其中w
i，j
表示vi和vj两个监测站之间的权重，dist()表示监测站之间的距离，σ是距离的标准差。
63.(4)最终得到一个带权重的邻接矩阵a，且a∈rn×n，a
i，j
＝w
i，j
64.在步骤s2中，统计一段时间，如5min或30min内，经过道路上每个节点的车辆数，即车流量，将其作为这段时间t，这个节点i的信号
65.在步骤s3中，建立谱图卷积模块，提取路网的空间结构影响的步骤如下；
66.(1)根据邻接矩阵a，计算拉普拉斯矩阵，其中d为图的度矩阵，图的傅立叶基u是正则化的图拉普拉斯矩阵的特征向量矩阵，u∈rn×n，λ是特征值的对角矩阵；
67.(2)对流量信号x进行卷积操作，g
θ
＊x＝ug
θut
x。g
θ
是l的特征值的函数，即g
θ
(λ)；
68.(3)由于拉普拉斯矩阵的特征值分解较为复杂，因此利用契比雪夫多项式t(x)＝2xt
k-1
(x)-t
k-2
(x)来近似卷积过程，其中t0(x)＝1，t1(x)＝x，用这一近似构建的卷积模块是：其中。
69.实施中所述构建聚类池化和反池化模块，可以参考图2，具体包括以下步骤：
70.聚类池化操作pooling在encoder阶段，需要构建一个神经网络学习一个节点转换矩阵，将经过卷积操作的n个节点信息，分配到m个节点上，也就是n类聚为m类，其中某些具有相似结构或功能的节点聚为一类，在后序的操作中做为一个新的节点继续执行。图2的
encoder部分详细展示了聚类池化的操作。第一次池化时，经过神经网络的训练，浅绿色部分的两个节点较为相似，蓝绿色部分的两个节点也较为相似，他们分别聚为一类，得到新的节点，即pooling操作后的浅绿色和蓝绿色节点，而其他节点自己聚为一类，就没有发生节点的融合和更新。这些节点构成一个新的更小的图，此时原图由于经过了池化操作的聚类粗化，每个节点已经包含了一定的层级信息，尤其是发生了聚类融合更新的节点。
71.由于经过池化相当于形成了一个新图，所以不仅需要确定图的节点个数，而且还需要知道每个节点之间的连接关系，以及包含了层级信息的每个节点的特征变化。本文中用邻接矩阵a表示节点之间的连接关系，x表示节点上的特征。经过pooling操作的邻接矩阵为a
pool
，节点特征为x
pool
，这一步的目的是找到一个函数pool实现(a
pool
，x
pool
)＝pool(a，x)。我们通过一个神经网络学习到一个转换矩阵t∈rn×m，这个转换矩阵是原图中n个节点对用在新图中m个节点的概率，因此(a
pool
，x
poo1
)＝pool(a，x)＝(tt*a*t，t
t
*x)。这里的神经网络定义为作用在(a，x)上的一层relu和一层softmax，relu层主要是为了学习转换规律，softmax层主要是为了将学习到的转换情况用概率的形式表示。
72.经过卷积池化操作，图形结构变小，而为了完成对每个节点的特征提取和预测，我们需要使用反池化的操作将聚为一类的节点进行拆分，得到与原图相同的结构。反池化本质上是池化操作的逆过程，同时为了和池化操作的节点聚类情况相匹配，它使用的转换矩阵应恰好与每次池化的相同。
73.因池化操作得到(a
pool
，x
pool
)是通过(t
t
*a*t，t
t
*x)计算的，则这里将其反池化恢复时邻接矩阵应该使用池化操作之前的邻接矩阵，而分解出来的节点以及节点特征应该是x＝(t
t
)-1
*x
pool
，但是由于t是n*m，且n＞m，不是一个方阵，没有逆运算，因此在这里我们利用节点分配的规律，与pooling阶段n个节点分配到m个节点相对应，unpooling阶段是将m个节点恢复为n个节点，则可以使用pooling阶段转换矩阵的转置矩阵进行此时的转换，同时在这一矩阵上使用softmax得到节点回复概率的分配。公式x＝unpool(x
pool
)＝tx
pool
完成了反池化节点信息特征的转换，而邻接矩阵a则使用pooling阶段对应的邻接矩阵。
74.在提取时间特征的过程中，所述谱图卷积模块和池化模块一起构成gru单元，可以参考图1中gru单元的内部结构图，具体包括以下步骤：
75.(1)流量信号输入谱图卷积模块，得到的输出作为池化模块的输入；
76.(2)池化或反池化阶段的输出作为整个gru单元的输入；
77.将池化或反池化阶段的输出作为gru单元的输入主要是为了替换gru单元中的简单乘法，而将其转换为卷积池化的乘法。
78.而为了使用历史数据预测未来一段时间内的流量，本发明利用encoder-decoder结构完成seq2seq的流量预测，参见图3，具体包括以下步骤：
79.(1)在encoder部分进行输入序列的处理，每个神经元包括两个gru单元，gru内部进行卷积和池化操作；
80.(2)decoder部分的每个神经元中也包括两个gru单元，这里的gru单元中进行的是卷积和反池化操作；
81.(3)encoder部分的隐藏层结果将作为一个decoder部分的一个输入；
82.最终decoder部分的输出作为预测序列的输出，也就是预测的未来一段时间的车流量。
83.综上所述，本发明结合城市交通流所具有的时间和空间属性，提出的图的层级卷积循环神经网络，旨在提高交通流量预测的精度。主要是在空间上使用gcn和pooling操作提取临近道路节点的影响，在时间上使用多层rnn并嵌入gru完成seq2seq的时间序列建模，利用对特征信息的有效提取，更加精准地预测交通流量，以方便大家规划出行路线，减少出行时间，提高出行感受；方便政府决策部门量化地提出城市道路规划解决方案；路网交通流量预测的图层级卷积神经网络模型最突出的优点是可以处理大图的问题。一个城市的路网上少说有几十万上百万个交叉口节点和边，多则上千万，如此大的图对计算效率、机器配置要求高，而本模型中的层级模块，不仅可以提取到图中的层级结构关系，而且由于是一个池化操作，在一定程度上对图进行了压缩，可以大大提升计算效率，不易出现内存溢出问题。
84.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。