本發(fā)明屬于智能交通領(lǐng)域，具體涉及基于時空圖卷積網(wǎng)絡(luò)的分段迭代長期交通流量預(yù)測方法。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)和5g通信技術(shù)的快速發(fā)展，人們可以通過各種設(shè)備或系統(tǒng)獲得廣泛的交通信息，這推動了智能交通系統(tǒng)的發(fā)展。智能交通系統(tǒng)通擁堵的有效方法，為出行者提供可靠的出行路線，并為城市交通管理提供參考建議。作為智能交通系統(tǒng)領(lǐng)域的一個重要研究課題，使用深度學(xué)習(xí)方法進(jìn)行交通流量預(yù)測近年來備受關(guān)注。通過深度學(xué)習(xí)方法可以更好地理解隱藏在復(fù)雜交通網(wǎng)絡(luò)中的隱藏著的信息,極大的提高了我們對交通流預(yù)測的準(zhǔn)確性。交通流量預(yù)測分為短期預(yù)測和長期預(yù)測，劃分的依據(jù)是根據(jù)回顧窗口和預(yù)測范圍的大小。短期交通流量預(yù)測使用較短的回顧窗口，即使用少量的歷史數(shù)據(jù)進(jìn)行預(yù)測近期的變化，長期交通流量預(yù)測使用較長的回顧窗口，即考慮大量的歷史數(shù)據(jù)來進(jìn)行長時間的預(yù)測。然而，現(xiàn)有的許多研究主要集中在短期交通流量預(yù)測上。長期交通流量預(yù)測在處理過長的回顧窗口和預(yù)測范圍時面臨著挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供基于時空圖卷積網(wǎng)絡(luò)的分段迭代長期交通流量預(yù)測方法。本發(fā)明旨在開發(fā)一種新的一種基于時空圖卷積網(wǎng)絡(luò)的分段迭代長期交通流預(yù)測的深度學(xué)習(xí)方法來預(yù)測路段路網(wǎng)中各個觀測點(diǎn)的車流量，該技術(shù)利用時空圖卷積網(wǎng)絡(luò)，以期解決上述技術(shù)中的難題。

2、基于時空圖卷積網(wǎng)絡(luò)的分段迭代長期交通流量預(yù)測方法，實(shí)現(xiàn)過程如下：

3、步驟(1)空間依賴性建模：

4、將應(yīng)用場景中涉及的傳感器的實(shí)體映射成圖論的節(jié)點(diǎn)權(quán)重信息以實(shí)現(xiàn)問題模型化，獲取圖模型即加權(quán)無向全連通圖，得到加權(quán)鄰接矩陣w；

5、步驟(2)時間依賴性建模：

6、基于p時間內(nèi)的每個傳感器采集得到的交通量得到交通特征矩陣。使用樣本歸一化策略緩解時間序列數(shù)據(jù)的分布偏移問題。

7、步驟(3)編碼階段encoding：

8、將樣本歸一化策略處理后的交通特征矩陣劃分多個分段，作為時空圖卷積網(wǎng)絡(luò)的輸入，得到包含空間特征和時間特征的最終隱藏特征。

9、首先將劃分后的交通特征矩陣和加權(quán)鄰接矩陣w輸入到空間相關(guān)性提取模塊中來提取深層的空間特征，再輸入到時間相關(guān)性提取模塊中提取深層的時間特征，最終得到包含空間特征和時間特征的特征隱藏特征hn。

10、步驟(4)解碼階段decoding：

11、利用并行多步預(yù)測pmf的方法，基于得到的隱藏特征hn對所有分段進(jìn)行并行預(yù)測，得到各個分段的預(yù)測結(jié)果，將各個分段的預(yù)測結(jié)果結(jié)合位置嵌入獲得接下來t個時刻的交通信息。

12、步驟5：對基于分段迭代的時空圖卷積網(wǎng)絡(luò)模型segt-gcn(encoding+decoding)進(jìn)行訓(xùn)練。

13、進(jìn)一步的，步驟(1)具體方法如下：

14、對于道路網(wǎng)絡(luò)上設(shè)置的n個傳感器，采用加權(quán)無向全連通圖g＝(v,e,w)描述道路網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，將每個傳感器視為節(jié)點(diǎn)v，v＝{v_1,v_2,…,v_n}表示傳感器的集合，其中n是節(jié)點(diǎn)的數(shù)量。節(jié)點(diǎn)成對連接，形成一組邊e，e＝n*n-1)/2，加權(quán)鄰接矩陣w用于表示節(jié)點(diǎn)之間的接近度。

15、為了表示兩點(diǎn)之間的空間相關(guān)性，通過等式計(jì)算基于高斯相似性的加權(quán)鄰接矩陣w，其中節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的權(quán)重w(i,j)的計(jì)算公式如下：

16、w(i,j)＝exp(-dist(i,j)2/σ2)

17、其中dist(i,j)表示節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的距離，鄰域的寬度由距離的標(biāo)準(zhǔn)偏差σ控制。

18、計(jì)算加權(quán)無向全連通圖中的所有節(jié)點(diǎn)之間的權(quán)重從而得到加權(quán)鄰接矩陣w。兩點(diǎn)之間的相關(guān)性越大，權(quán)重越大。加權(quán)鄰接矩陣w具體如下：

19、

20、進(jìn)一步的，步驟(2)具體方法如下：

21、基于p時間內(nèi)的每個傳感器采集得到的交通量得到交通特征矩陣x∈rn×p，交通特征矩陣x具體如下：

22、

23、其中p表示節(jié)點(diǎn)時間序列特征的數(shù)量(即歷史時間序列的長度)，n表示傳感器的數(shù)量。xi∈rn×i，表示在時間i上的每個傳感器上的交通量。

24、使用樣本歸一化策略緩解時間序列數(shù)據(jù)的分布偏移問題。

25、樣本歸一化策略包括從第k個傳感器上采集得到的值中減去序列的最后一個值然后在解碼階段后加回該值，公式如下：

26、

27、其中p表示歷史時間序列的長度，t表示預(yù)測的時間序列的長度，k表示第k個傳感器。表示第k個傳感器上采集得到的值。表示對k個傳感器預(yù)測得到的值。

28、在定義了加權(quán)鄰接矩陣w、交通特征矩陣x之后，交通量預(yù)測問題被轉(zhuǎn)換為學(xué)習(xí)映射函數(shù)f的問題，通過該映射函數(shù)f能夠計(jì)算接下來t個時刻的交通信息，映射函數(shù)f如下式所示：

29、f(w,x)＝[xp+1,xp+2，...,xp+t]

30、其中w表示加權(quán)鄰接矩陣，x表示交通特征矩陣，xp+1,xp+2,…,xp+t表示接下來t個時刻上每個傳感器上的交通量。

31、進(jìn)一步地，所述步驟(3)中具體實(shí)現(xiàn)過程如下：

32、3.1數(shù)據(jù)準(zhǔn)備：在長期時間序列預(yù)測中，在處理過長的回顧窗口和預(yù)測范圍，基于rnn的方法進(jìn)行預(yù)測時，會出現(xiàn)大量的重復(fù)迭代，導(dǎo)致不理想的預(yù)測精度和推理速度。使用分段迭代和并行多步預(yù)測來減少迭代次數(shù)，獲取較好的預(yù)測精度和推理速度。

33、將交通特征矩陣x∈rn×p，根據(jù)設(shè)定的窗口長度l劃分為n個分段，單個分段的交通特征矩陣表示為其中l(wèi)表示每個段的窗口長度，表示段的數(shù)量。

34、3.2通過空間相關(guān)性提取模塊提取深層的空間特征：

35、所述的空間相關(guān)性提取模塊采用2層gcn模型從交通數(shù)據(jù)中學(xué)習(xí)空間特征。2層gcn模型表示如下：

36、

37、其中，w表示加權(quán)鄰接矩陣，表示預(yù)處理步驟，是一個具有自連接結(jié)構(gòu)的矩陣，in是單位矩陣，是一個度矩陣，w0和w1分別表示第1層和第2層gcn模型的權(quán)重矩陣，σ(?)和relu(?)表示激活函數(shù)。

38、3.3通過時間相關(guān)性提取模塊提取深層的時間特征：

39、分段的交通特征矩陣經(jīng)過2層gcn模型提取空間相關(guān)性后輸入時間相關(guān)性提取模塊中，通過線性投影wpri∈rl×d和relu()激活函數(shù)進(jìn)行維度的轉(zhuǎn)換，其中d表示門控循環(huán)單元gru的隱藏狀態(tài)的維度。轉(zhuǎn)換后的輸出和隱藏特征hi被送到門控循環(huán)單元gru中用于捕獲時間特征。gru單元內(nèi)的整個過程能夠公式化為：

40、

41、

42、

43、

44、其中，zi表示更新門和ri表示重置門，br和bz表示偏移量，wz、wr、wh代表相應(yīng)的權(quán)重矩陣，hi表示當(dāng)前時間步i的隱藏特征，hi表示包含當(dāng)前時間步信息的候選隱藏特征,表示圖的卷積運(yùn)算。

45、在n次循環(huán)迭代之后，從最后一步獲得的最終隱藏特征hn已經(jīng)封裝了原始序列x的所有時間特征。這個隱藏的特征將被傳遞到解碼部分，用于后續(xù)的推理和預(yù)測步驟。

46、進(jìn)一步的，步驟4具體方法如下：

47、4.1位置嵌入：在解碼階段，由于循環(huán)遞歸的中斷，段之間的順序丟失。為了解決這個問題，生成了m個相應(yīng)的位置嵌入，單個表示為pe(j)∈rm×d，來識別段的位置。其中表示將預(yù)測范圍劃分為m個分段，t表示預(yù)測范圍，l表示每個段的窗口長度。

48、4.2并行多步預(yù)測pmf：采用傳統(tǒng)的遞歸多步預(yù)測rmf會導(dǎo)致誤差累積，同時遞歸的順序性阻礙了訓(xùn)練示例中的并行計(jì)算，并限制了推理速度的提高。為了解決這些限制，采用一種新的預(yù)測策略，即并行多步預(yù)測pmf，具體操作如下：在解碼階段，共享在編碼階段使用的相同gru單元。具體地，將從編碼階段獲得的最終隱藏特征hn復(fù)制m次，并分別與m個位置嵌入pe(j)相組合作為gru單元的輸入。

49、位置嵌入pe(j)反映需要預(yù)測的每個片段在完整序列中的位置。gru單元同時并行處理m個輸入，生成m個預(yù)測片段表示預(yù)測的第j個片段，片段內(nèi)包含了所預(yù)測的n個傳感器的d個時間步的結(jié)果。并行解碼實(shí)現(xiàn)了樣本內(nèi)并行計(jì)算，從而提高了推理速度。此外，預(yù)測誤差不會隨著迭代次數(shù)的增加而累積，從而提高了預(yù)測精度。

50、4.3預(yù)測與序列恢復(fù)：經(jīng)過dropout層，出于正則化目的隨機(jī)丟棄20％的值，然后使用可學(xué)習(xí)的線性預(yù)測層wprd∈rd×l將其轉(zhuǎn)換為由于在時間依賴性建模中進(jìn)行了樣本歸一化操作，第k個傳感器上采集得到的值中減去序列的最后一個值，把所有的組合在一起后同時加回該值，獲得最終的預(yù)測結(jié)果

51、進(jìn)一步的，步驟5具體方法如下：

52、基于道路網(wǎng)絡(luò)上設(shè)置的n個傳感器采集數(shù)據(jù)，構(gòu)建數(shù)據(jù)集來訓(xùn)練評估由編碼階段encoding和解碼階段decoding組成的segt-gcn模型的預(yù)測性能。

53、采用平均絕對誤差mae，均方根誤差rmse這兩個損失函數(shù)來評估實(shí)驗(yàn)結(jié)果，表示為：

54、

55、其中t表示預(yù)測的時間序列的長度，n表示傳感器的數(shù)量，表示第k個傳感器在t時刻的真實(shí)值，表示第k個傳感器在t時刻預(yù)測值。

56、本發(fā)明有益效果如下：

57、本發(fā)明時間相關(guān)性提取模塊采用分段迭代代替逐點(diǎn)迭代，預(yù)測時用并行多步預(yù)測pmf代替遞歸多步預(yù)測rmf。本發(fā)明通過分段迭代策略顯著減少了提取時間特征所需的遞歸迭代次數(shù)，從而解決了在長序列上有效訓(xùn)練gru的挑戰(zhàn)。此外，pmf的采用進(jìn)一步緩解了傳統(tǒng)rmf方法中固有的誤差累積問題。通過采用這些創(chuàng)新策略，segt-gcn不僅在預(yù)測精度取得較好的結(jié)果，而且還顯著提高了效率。