基于时空图卷积网络的全国公路运输能力分布预测方法

1.本发明属于交通运力分布预测技术领域，尤其涉及一种基于时空图卷积网络的全国公路运输能力分布预测方法。


背景技术：

2.实现对全国不同城市的公路运力预测，将有助于公路运力的有效利用调配。然而不同城市的公路运力受其地方经济、地理位置、货运需求以及特殊节日等诸多因素影响，且不同因素对城市公路运力的影响机制难以捕捉。公路运输能力主要包括客运能力和货运能力，由于客运具有固定的时刻表、线路和容客量，因此公路客运能力较稳定；而货运由于线路的多样和顾客需求的变化等具有更大的变动性，故本技术中的公路运力均为公路货运能力。
3.目前专门针对全国各城市公路运力分布预测的研究较少，而对于出租车客运需求、货运需求预测等问题国内外已有不少研究，方法大体可分为两类，一类是基于数学统计的方法，另一类是基于机器学习的方法。基于数学统计的方法一般通过数学建模，设置相应参数，利用数学表达式计算预测值,该类方法的优势在于计算简单，但同时该类方法难以捕捉运力分布深层次特征影响。机器学习的方法如贝叶斯网络、bp神经网络、cnn、rnn、lstm、时空图卷积网络，则可以通过大量数据的训练学习各特征的权重，从而实现对货运需求的预测。
4.专利申请公开号cn112819213a，公开了一种基于深度学习网络的高速公路货运量预测方法及系统，利用高速公路收费站流水数据，统计入口站货车流量、出口站货运量等，采用图卷积神经网络与长短时记忆网络结合的混合图神经网络拟合入口站货车流量等输入数据与未来一段时间内目标出口站货运量的关系式，同时考虑到高速公路收费站出入口交通量的时空相关性，在深度学习网络中加入时空注意力机制，以实现对区域内所有高速公路出口站货运量较高精度的预测。
5.专利申请公开号cn107392549a，公开了一种基于车队店铺的在线公路运力交易平台及其构建方法，需求方和接受方能通过自学习的公路运力匹配模型自动适配运力，达到运力的有效利用，在提高运输效率的同时降低两端的成本。
6.对于公路运力分布预测布而言，由于全国各城市公路运力受各类非线性时空因素影响，时间、日、周、月、节假日、高速路收费价格波动、各城市经济发展状况、各城市社会结构、各城市人口数量、各城市路网连接、天气、政策等是影响公路运力分布值变化的主要因素，而这些因素的各自影响机理难以精准捕捉，并且这些影响因素的存在造成的公路运力值变化，可能以噪声的形式存在，而捕捉公路运力变化的趋势性、从整体上掌握公路运力值的变化趋势被认为是更有意义的。
7.因此，准确学习公路运力的趋势变化将有助于实现对全国各城市公路运力的有效稳定预测。本发明提出利用全国公路运力分布历史数据，通过奇异谱分析和时空卷积网络，挖掘公路运力的趋势性和波动性并结合运力的时间空间特性，实现对全国公路运力分布的
预测。另外常用时空图卷积网络将节点间的欧式距离或者路网连接作为邻接矩阵，但在全国公路运力分布预测的场景中，城市间的运力连接关系具有一定的因果性，因此使用因果关联矩阵表示城市间的运力关系连接将更合理。


技术实现要素：

8.为了解决上述已有技术存在的不足，本发明提出一种全基于时空图卷积网络的全国公路运输能力分布预测方法，具体技术方案如下：
9.基于时空图卷积网络的全国公路运输能力分布预测方法，包括以下步骤：
10.s1：数据获取及预处理；具体过程为：
11.s1-1：对全国各城市编号，各城市公路运力值x＝[x1,x2,x3,
…
,xc,
…
,xg]，其中，x1,x2,x3,
…
,xc,
…
,xg分别为城市1,2,3,
…
,c,
…
,g的公路运力历史值，g为全国城市总数，获取城市c在预测时刻前n 1天内的每日公路运力值xc＝[x
c1
,x
c2
,x
c3
,
…
,x
cn
,
…
,x
c(n 1)
]，其中，x
c1
,x
c2
,x
c3
,
…
,x
cn
,
…
,x
c(n 1)
分别为城市c在预测时刻前n 1天，前n天，前n-1天，
…
，前n 1-n天，
…
，前1天的公路运力值；
[0012]
s1-2：对公路运力值进行数据清洗，对于缺失数据通过线性插值补全；
[0013]
s1-3：对公路运力值进行差分计算：
[0014]
δx
cn
＝x
c(n 1)-x
cn
[0015]
δxc＝[δx
c1
,δx
c2
,δx
c3
,
…
,δx
cn
,
…
,δx
cn
]
[0016]
其中，δx
c1
,δx
c2
,δx
c3
,
…
,δx
cn
,
…
,δx
cn
分别为城市c在预测时刻前n天，前n-1天，前n-2天，
…
，前n 1-n天，
…
，前1天的公路运力变化值，δxc为城市c的公路运力历史变化值；
[0017]
s1-4：将δxc进行0-1归一化处理，得到归一化后的公路运力历史变化值δzc＝[δz
c1
,δz
c2
,δz
c3
,
…
,δz
cn
,
…
,δz
cn
]，其中，δz
c1
,δz
c2
,δz
c3
,
…
,δz
cn
,
…
,δz
cn
分别为归一化后城市c在预测时刻前n天，前n-1天，前n-2天，
…
，前n 1-n天，
…
，前1天的公路运力历史变化值；
[0018]
s1-5：重复步骤s1-1至s1-4得到各城市公路运力历史变化值δz＝[δz1,δz2,δz3,
…
,δzc,
…
,δzg]，其中，δz1,δz2,δz3,
…
,δzc,
…
,δzg为归一化后的城市1,2,3,
…
,c,
…
,g的公路运力历史变化值；
[0019]
s2：确定奇异谱分析的参数即时间滑动窗的大小，将每个城市的归一化后公路运力历史变化值进行奇异谱分解，从分解后的分量中提取时序信号的趋势性信号、波动性信号及噪声；
[0020]
s3：计算不同城市之间的传递熵，构造全国各城市间公路运力的因果矩阵；
[0021]
s4：使用全国公路运力的因果矩阵构造邻接矩阵，将每个城市公路运力值的趋势性信号及波动性信号作为时空图卷积网络中不同时间片上各节点的值，搭建时空图卷积网络；
[0022]
s5：将通过时空图卷积网络后得到的趋势性信号预测值及波动性信号预测值融合，得到最终的城市公路运力分布预测值。
[0023]
进一步地，所述步骤s2中，针对一个城市的归一化后公路运力历史变化值，选定奇异谱分解的时间窗长度为l，
[0024]
s2-1：将δzc转换为轨迹矩阵：
[0025]
其中，x
tr,c
为城市c的轨迹矩阵，δz
cl
,δz
c(l 1)
,δz
c(n-l 1)
…
,δz
cn
分别为城市c在预测时刻前n 1-l天，前n-l天，前l天，
…
，前1天的公路运力变化值；
[0026]
s2-2：对轨迹矩阵的协方差矩阵进行特征值分解得到特征值r1》r2》
…rm
…
》r
l
≥0及特征值对应的特征向量u＝u1,u2,
…
,um,
…
,u
l
，通过特征值分解得到奇异谱分解为：
[0027][0028]
其中，m为x
tr,c
的特征值序号，m＝1,2,
…
,l；
[0029]
s2-3：计算每个特征值下的信息熵：
[0030][0031]
其中，δem为信息熵，j为从1到m的自然数，rj为x
tr,c
的特征值；
[0032]
当信息熵δem《ε1时，ε1为设定阈值，将m分量及之后的分量视为噪声nc；第一个特征值对应的信号分量代表时序信号的趋势性信号tc，第二个到第m-1个特征值对应的信号分量代表时序信号的波动性信号wc；
[0033]
s2-4：重复步骤s2-1至步骤s2-3得到每个城市的趋势性信号、波动性信号、噪声信号，最终得到全国各城市的公路运力历史变化值的趋势性信号t＝[t1,t2,t3,...,tc,...,tg]、波动性信号w＝[w1,w2,w3,...,wc,...,wg]及噪声，其中，t1,t2,t3,...,tc,...,tg和w1,w2,w3,...,wc,...,wg分别为城市1,2,3,
…
,c,
…
,g的公路运力历史变化值趋势性信号及波动性信号。
[0034]
进一步地，所述步骤s3的具体过程为：
[0035]
s3-1：城市q的公路运力历史变化值到城市p的公路运力历史变化值的传递熵为：
[0036][0037]
其中，δx
pn
,δx
qn
分别为预测时刻前n 1-n天城市p与城市q的公路运力变化值；
[0038]
代表城市p在预测时刻前n 1-n天及往前顺延k天的公路运力变化值；
[0039]
代表城市q在预测时刻前n 1-n天及往前顺延l天的公路运力变化值；
[0040]
为联合概率，为条件概率；
[0041]
城市p的公路运力历史变化值到城市q的公路运力历史变化值的传递熵为
计算方式与相同，两者的差为：
[0042][0043]
s3-2：判断两个城市的公路运力有无因果关系：
[0044]
当te
δxp,δxq
》ε2时，ε2为设定阈值，表示城市q的公路运力值是城市p公路运力值的原因，将城市q确定为城市p的原因节点，记每个城市的原因节点数为d；
[0045]
s3-3：得到最终的因果矩阵te为：
[0046][0047]
度矩阵d为：
[0048][0049]
将因果矩阵变形为：
[0050]
其中，te
1,1
,te
1,2
,
…
,te
1,g
,te
g,g
分别表示城市1公路运力历史变化值到自身的因果关系，城市2公路运力历史变化值到城市1公路运力历史变化值的因果关系，
…
，城市g到城市1公路运力历史变化值的因果关系，
…
，城市g到城市g公路运力变化值的因果关系；
[0051]
当te
δxp,δxq
》ε2时，即城市q是城市p的原因节点，令te
p,q
＝1；当te
δxp,δxq
≤ε2时，即城市q不是城市p的原因节点，令te
p,q
＝0；
[0052]
d1,d2,
…
,dg分别为城市1,2,
…
,g的原因节点数，a为因果矩阵的对称矩阵，即邻接矩阵，表示城市之间公路运力的连接关系。
[0053]
进一步地，所述步骤s4中的时空图卷积网络表示为网络输入v包括g个城市在过去n天的公路运力历史值的趋势性信号t和波动性信号w，最终输出下一天全国各城市公路运力的预测值；
[0054]
所述时空图卷积网络包括至少一个时空图卷积块，每个时空图卷积块包含两个时间卷积块和一个空间卷积块，每个时空图卷积块的计算过程为：
[0055][0056]
其中，v
l
和v
l 1
分别为在第l个时空图卷积块和第l 1个时空图卷积块上全国各城市公路运力值，为第l个时空图卷积块中的时间卷积核，θ
l
为第l个时空图卷积块中的谱图卷积核，*
τ
为时间卷积算子，*g为图卷积算子，v1＝v；
[0057]
①
空间卷积块计算过程为：
[0058][0059]
其中，l0＝d-a，θ为谱图卷积核，θk为切比雪夫多项式，θ0为切比雪夫多项式第1项，θ1为切比雪夫多项式第2项，l0为拉普拉斯矩阵，d为度矩阵；
[0060]
②
时间卷积块计算过程为：
[0061]
γ*
τ
v＝p
⊙
σ(q)
[0062][0063]
其中，г为时间卷积核，p和q为v与时间卷积核г卷积后的值，
⊙
为哈达玛积。
[0064]
进一步地，所述步骤s5中，通过时空图卷积网络对全国各城市公路运力进行预测：
[0065][0066][0067]
其中，为t 1时刻全国各城市公路运力的预测值，v
t-n 1
为预测时刻前n天全国各城市公路运力的真实值，v
t
为t时刻全国各城市公路运力的真实值，分别为预测时刻全国各城市公路运力趋势性信号和波动性信号的预测值，二者融合，得到最终的城市公路运力分布预测值
[0068]
本发明的有益效果在于：
[0069]
1.本发明提供一种基于奇异谱分解和时空图卷积网络的全国公路运输能力分布预测方法，利用奇异谱分解提取全国公路货车运力历史数据的趋势性和波动性，去除噪声影响；利用传递熵确定城市间公路货车运力变化的因果关系构造空间图结构；使用时空图卷积网络对城市公路货车运力的趋势性信号以及波动信号进行预测，从而实现对各城市未来公路运力数据的准确预测。
[0070]
2.本发明重点关注公路货车运力变化的趋势性以及空间因果关联特性，从全国各城市公路货车运输量的每日变化量出发，挖掘运力数据变化的整体趋势性，利用传递熵矩阵构造邻接矩阵和度矩阵从而构造时空图卷积网络，开展了全国公路货运能力分布预测方法研究。本发明的方法对于总体掌握各城市公路运力数据、提升全国公路运行效率、协同工作的稳定及工作场景的推广具有重要的现实意义。
附图说明
[0071]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
[0072]
图1是本发明的方法流程图；
[0073]
图2是本发明的各城市公路运力变化因果关系计算流程图；
[0074]
图3是本发明的全国公路运力预测结构框图；
[0075]
图4是本发明的图卷积网络；
[0076]
图5是本发明的奇异谱分解后的信号。
具体实施方式
[0077]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施
例及实施例中的特征可以相互组合。
[0078]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0079]
本发明提供一种基于时空图卷积网络的全国公路运输能力分布预测方法，首先根据全国公路运力分布的历史数据，对数据进行预处理，计算运力每日变化值并进行归一化处理；接着对每个城市公路运力的变化值进行奇异谱分解，从而提取全国各城市公路运力变化的趋势性、波动性以及噪声；计算各城市间公路运力传递熵矩阵作为邻接矩阵构造图结构；然后将去除噪声后的时序数据作为时空图卷积网络的输入，充分挖掘公路运力分布的时空因果特性，对趋势性信号以及波动信号进行预测；最后将预测的趋势性信号与波动性信号融合，得到最终的全国公路运力分布预测值。
[0080]
如图1和图3所示，基于时空图卷积网络的全国公路运输能力分布预测方法，包括以下步骤：
[0081]
s1：数据获取及预处理；具体过程为：
[0082]
s1-1：对全国各城市编号，各城市公路运力值x＝[x1,x2,x3,
…
,xc,
…
,xg]，其中，x1,x2,x3,
…
,xc,
…
,xg分别为城市1,2,3,
…
,c,
…
,g的公路运力历史值，g为全国城市总数，获取城市c在预测时刻前n 1天内的每日公路运力值xc＝[x
c1
,x
c2
,x
c3
,
…
,x
cn
,
…
,x
c(n 1)
]，其中，x
c1
,x
c2
,x
c3
,
…
,x
cn
,
…
,x
c(n 1)
分别为城市c在预测时刻前n 1天，前n天，前n-1天，
…
，前n 1-n天，
…
，前1天的公路运力值；
[0083]
s1-2：对公路运力值进行数据清洗，对于缺失数据通过线性插值补全；
[0084]
s1-3：对公路运力值进行差分计算：
[0085]
δx
cn
＝x
c(n 1)-x
cn
[0086]
δxc＝[δx
c1
,δx
c2
,δx
c3
,
…
,δx
cn
,
…
,δx
cn
]
[0087]
其中，δx
c1
,δx
c2
,δx
c3
,
…
,δx
cn
,
…
,δx
cn
分别为城市c在预测时刻前n天，前n-1天，前n-2天，
…
，前n 1-n天，
…
，前1天的公路运力变化值，δxc为城市c的公路运力历史变化值；
[0088]
s1-4：将δxc进行0-1归一化处理，得到归一化后的公路运力历史变化值δzc＝[δz
c1
,δz
c2
,δz
c3
,
…
,δz
cn
,
…
,δz
cn
]，其中，δz
c1
,δz
c2
,δz
c3
,
…
,δz
cn
,
…
,δz
cn
分别为归一化后城市c在预测时刻前n天，前n-1天，前n-2天，
…
，前n 1-n天，
…
，前1天的公路运力历史变化值；
[0089]
s1-5：重复步骤s1-1至s1-4得到各城市公路运力历史变化值δz＝[δz1,δz2,δz3,
…
,δzc,
…
,δzg]，其中，δz1,δz2,δz3,
…
,δzc,
…
,δzg为归一化后的城市1,2,3,
…
,c,
…
,g的公路运力历史变化值；
[0090]
s2：确定奇异谱分析的参数即时间滑动窗的大小，将每个城市的归一化后公路运力历史变化值进行奇异谱分解，从分解后的分量中提取时序信号的趋势性信号、波动性信号及噪声；
[0091]
步骤s2中，针对一个城市的归一化后公路运力历史变化值，选定奇异谱分解的时间窗长度为l，
[0092]
s2-1：将δzc转换为轨迹矩阵：
[0093]
其中，x
tr,c
为城市c的轨迹矩阵，δz
cl
,δz
c(l 1)
,δz
c(n-l 1)
…
,δz
cn
分别为城市c在预测时刻前n 1-l天，前n-l天，前l天，
…
，前1天的公路运力变化值；
[0094]
s2-2：对轨迹矩阵的协方差矩阵进行特征值分解得到特征值r1》r2》
…rm
…
》r
l
≥0及特征值对应的特征向量u＝u1,u2,
…
,um,
…
,u
l
，通过特征值分解得到奇异谱分解为：
[0095][0096]
其中，m为x
tr,c
的特征值序号，m＝1,2,
…
,l；
[0097]
s2-3：计算每个特征值下的信息熵：
[0098][0099]
其中，δem为信息熵，j为从1到m的自然数，rj为x
tr,c
的特征值；
[0100]
当信息熵δem《ε1时，ε1为设定阈值，将m分量及之后的分量视为噪声nc；第一个特征值对应的信号分量代表时序信号的趋势性信号tc，第二个到第m-1个特征值对应的信号分量代表时序信号的波动性信号wc；
[0101]
图5为一个城市的货车运力时间序列经过奇异谱分析后得到的分解后各分量，左上为趋势性信号，从右一往后为波动性信号到噪声的各分量。波动性信号与噪声的具体分界线由步骤s2-3确定。
[0102]
s2-4：重复步骤s2-1至步骤s2-3得到每个城市的趋势性信号、波动性信号、噪声信号，最终得到全国各城市的公路运力历史变化值的趋势性信号t＝[t1,t2,t3,...,tc,...,tg]、波动性信号w＝[w1,w2,w3,...,wc,...,wg]及噪声，其中，t1,t2,t3,...,tc,...,tg和w1,w2,w3,...,wc,...,wg分别为城市1,2,3,
…
,c,
…
,g的公路运力历史变化值趋势性信号及波动性信号。
[0103]
s3：计算不同城市之间的传递熵，构造全国各城市间公路运力的因果矩阵；如图2所示，具体过程为：
[0104]
s3-1：城市q的公路运力历史变化值到城市p的公路运力历史变化值的传递熵为：
[0105][0106]
其中，δx
pn
,δx
qn
分别为预测时刻前n 1-n天城市p与城市q的公路运力变化值；
[0107]
代表城市p在预测时刻前n 1-n天及往前顺延k天的公路运力变化值；
[0108]
代表城市q在预测时刻前n 1-n天及往前顺延l天的公路运力变化值；
[0109]
为联合概率，为条件概率；
[0110]
城市p的公路运力历史变化值到城市q的公路运力历史变化值的传递熵为计算方式与相同，两者的差为：
[0111][0112]
s3-2：判断两个城市的公路运力有无因果关系：
[0113]
当te
δxp,δxq
》ε2时，ε2为设定阈值，表示城市q的公路运力值是城市p公路运力值的原因，将城市q确定为城市p的原因节点，记每个城市的原因节点数为d；
[0114]
s3-3：得到最终的因果矩阵te为：
[0115][0116]
度矩阵d为：
[0117][0118]
将因果矩阵变形为：
[0119]
其中，te
1,1
,te
1,2
,
…
,te
1,g
,te
g,g
分别表示城市1公路运力历史变化值到自身的因果关系，城市2公路运力历史变化值到城市1公路运力历史变化值的因果关系，
…
，城市g到城市1公路运力历史变化值的因果关系，
…
，城市g到城市g公路运力变化值的因果关系；
[0120]
当te
δxp,δxq
》ε2时，即城市q是城市p的原因节点，令te
p,q
＝1；当te
δxp,δxq
≤ε2时，即城市q不是城市p的原因节点，令te
p,q
＝0；
[0121]
d1,d2,
…
,dg分别为城市1,2,
…
,g的原因节点数，a为因果矩阵的对称矩阵，即邻接矩阵，表示城市之间公路运力的连接关系。
[0122]
s4：使用全国公路运力的因果矩阵构造邻接矩阵，将每个城市公路运力值的趋势性信号及波动性信号作为时空图卷积网络中不同时间片上各节点的值，搭建时空图卷积网络；
[0123]
如图4所示，时空图卷积网络表示为网络输入v包括g个城市在过去n天的公路运力历史值的趋势性信号t和波动性信号w，最终输出下一天全国各城市公路运力的预测值；
[0124]
时空图卷积网络包括至少一个时空图卷积块，每个时空图卷积块包含两个时间卷积块和一个空间卷积块，每个时空图卷积块的计算过程为：
[0125][0126]
其中，v
l
和v
l 1
分别为在第l个时空图卷积块和第l 1个时空图卷积块上全国各城
市公路运力值，为第l个时空图卷积块中的时间卷积核，θ
l
为第l个时空图卷积块中的谱图卷积核，*
τ
为时间卷积算子，*g为图卷积算子，v1＝v；
[0127]
①
空间卷积块计算过程为：
[0128][0129]
其中，l0＝d-a，θ为谱图卷积核，θk为切比雪夫多项式，θ0为切比雪夫多项式第1项，θ1为切比雪夫多项式第2项，l0为拉普拉斯矩阵，d为度矩阵；
[0130]
②
时间卷积块计算过程为：
[0131]
γ*
τ
v＝p
⊙
σ(q)
[0132][0133]
其中，г为时间卷积核，p和q为v与时间卷积核г卷积后的值，
⊙
为哈达玛积。
[0134]
s5：将通过时空图卷积网络后得到的趋势性信号预测值及波动性信号预测值融合，得到最终的城市公路运力分布预测值。
[0135]
通过时空图卷积网络对全国各城市公路运力进行预测：
[0136][0137][0138]
其中，为t 1时刻全国各城市公路运力的预测值，v
t-n 1
为预测时刻前n天全国各城市公路运力的真实值，v
t
为t时刻全国各城市公路运力的真实值，分别为预测时刻全国各城市公路运力趋势性信号和波动性信号的预测值，二者融合，得到最终的城市公路运力分布预测值
[0139]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。