基于多元時序數據分析的交通序列預測方法技術

本發明專利技術公開了一種基于多元時序數據分析的交通序列預測方法，采用隨機圖擴散注意力機制提取交通序列的全局和局部空間特征，使用時間注意力提取時間特征，提升了預測精度，降低了模型的內存使用量，提升了模型在長期預測上的效果。本發明專利技術所述的基于多元時序數據分析的交通序列預測方法，使已有模型在保持長期預測的精度的前提下，解決短期預測精度不足、計算復雜度過高導致占用內存規模較大以及不夠輕量化的問題。量化的問題。量化的問題。

【技術實現步驟摘要】
基于多元時序數據分析的交通序列預測方法


[0001]本專利技術涉及交通預測
，尤其是涉及一種基于多元時序數據分析的交通序列預測方法。

技術介紹

[0002]交通預測是智能交通系統(ITS)中的一項重要服務，它可以根據傳感器觀測到的歷史交通狀況(如交通流量，交通速度)預測未來的交通狀況。這一功能促進了與交通管理、城市計算、公共安全等相關的廣泛服務。交通預測模型通過學習過去的交通序列的特征規律，從而預測未來一段時間內的交通序列。不同于其他單變量時間序列預測問題，交通預測十分具有挑戰性。作為交通領域的固有現象，當前路口的交通狀況會受到附近和遠處路口的交通狀況的影響，這意味著它們之間存在一定的空間依賴性。同時，交通序列的走勢會受到歷史走勢的影響，充分考慮交通序列的時間依賴性也是重中之重。交通路網的復雜的時空相關性嚴重限制了交通流預測的有效性。
[0003]近年來，越來越多的新方法被提出，它們通過對時空特征進行建模，很好的提升了短期交通預測的精度，在一定程度上也提升了長期交通預測的精度。雖然隨著時間的流逝，眾多方法在短期交通預測上展現出了優異的效果，但它們并沒有很好的提升長期交通預測的效果。現有方法通常采用圖卷積神經網絡對局部空間信息進行建模，使用卷積神經網絡(CNN)或者循環神經網絡(RNN)對時間信息進行建模，這些方法都著重于對局部信息的提取而缺乏全局信息的利用。直到注意力機制(Attention，AT)被提出，深度學習上有了一個通用的可以捕獲全局特征的方法。在最新的模型中，GMAN使用注意力機制構建模型，在長期交通預測中取得了最好的效果。
[0004]GMAN采用Encoder
?
Decoder架構，使用注意力機制分別對空間和時間兩個維度提取特征，并使用轉換注意力機制來緩解歷史交通序列月預測交通序列之間的誤差。GMAN有效提高了交通預測中長期預測的精度，但它存在一些問題：
[0005]1、空間注意力具有的高計算復雜度導致內存使用量大；
[0006]2、不具備對空間維度局部特征捕獲的能力，導致短期預測的精度降低；
[0007]3、預測時間開銷大，不夠輕量化。

技術實現思路

[0008]本專利技術的目的是提供一種基于多元時序數據分析的交通序列預測方法，使已有模型在保持長期預測的精度的前提下，解決短期預測精度不足、計算復雜度過高導致占用內存規模較大以及不夠輕量化的問題。
[0009]為實現上述目的，本專利技術提供了一種基于多元時序數據分析的交通序列預測方法，包括如下步驟：
[0010]步驟1：先對公共交通序列數據集進行數據預處理，獲得訓練數據集和驗證數據集；
[0011]步驟2：借助于步驟1得到的訓練數據集，每次隨機選取16組訓練數據，輸入到隨機圖擴散注意力模型中，每組數據中的歷史時間時間信息和未來時間時間信息和預定義圖結構信息輸入到圖擴散注意力模型中的時空embedding生成器中生成歷史時空embedding和未來時空embedding；
[0012]步驟3：將歷史交通數據和歷史時空embedding送入編碼器，分別使用圖擴散注意力模塊和時間注意力模塊提取空間特征和時間特征，并使用gate fusion模塊融合兩種特征生成歷史時空特征；
[0013]步驟4：將歷史時空特征、歷史時空embedding和未來時空embedding送入轉化注意力模塊，生成未來時空特征；
[0014]步驟5：將歷史交通數據和未來時空embedding送入編碼器，分別使用圖擴散注意力模塊和時間注意力模塊提取空間特征和時間特征，并使用gate fusion模塊融合兩種特征生成未來時空特征，最后使用未來時空特征生成最終的預測序列；
[0015]步驟6：計算步驟5得到最終的生成預測序列與預測序列之間的平均絕對誤差、均方根誤差和平均絕對百分誤差，然后通過Adam優化器進行反向傳播，更新網絡參數，最終得到訓練好的隨機圖擴散注意力模型；
[0016]步驟7：借助于步驟6更新網絡參數后的模型與步驟1得到的測試數據集，選取16組測試數據作為輸入，執行步驟2至步驟6，其中將步驟2中的訓練數據替換成選取的16組測試數據，最終得到基于測試數據生成的預測序列；
[0017]步驟8：借助于步驟7得到的基于測試數據生成的預測序列，計算該預測序列與真實序列之間的平均絕對誤差，求得所有組數據的平均絕對誤差后求均值，得到最終代表模型表現的平均絕對誤差；
[0018]步驟9：重復步驟2至步驟8，直至步驟8得到的平均絕對誤差不再減小，說明模型表現達到最優，則網絡參數更新完畢，模型結束訓練。
[0019]優選的，步驟1的具體方法為：選取合適的公共交通序列數據集，根據要求設定歷史序列長度、預測序列長度，將輸入的數據進行分割，每組數據各包含一個歷史序列、預測序列和兩個序列對應的時間信息；將所有的歷史序列、預測序列和時間信息，按組分為訓練數據集和測試數據集，完成數據預處理；在完成數據分組之后，截取70％組數據作為訓練數據集，30％組數據作為驗證數據集。
[0020]優選的，步驟2中的圖擴散注意力模型包括時空embedding生成器、需要輸入每組數據中的歷史數據和歷史時空embedding來進行編碼的編碼器、、使用歷史時空embedding和未來時空embedding對輸入數據進行轉化的轉化注意力模塊、需要未來時空embedding和轉化注意力模塊的輸出進行解碼輸出預測序列的解碼器。
[0021]優選的，時空embedding生成器包括用來接收時間信息的時間embedding生成器和用來接收圖結構信息的空間embedding生成器，時空embedding生成器的總體公式如下所示：
[0022]e
T
＝MLP(e
d
||e
w
)
[0023]e
S
＝Node2vec(A)
[0024]E＝e
T
+e
S
[0025]其中e
T
為時間embedding，e
d
，e
w
分別表示時間信息中的日內的時刻信息和周內的
日期信息；e
S
為空間embedding，A為預定義的路網的鄰接矩陣，Node2vec()為用于對路網信息進行編碼的node2vec算法；E為時空embedding，時空embedding分為歷史時間時空embeddingE
H
和歷史embeddingE
F
。
[0026]優選的，編碼器和編碼器的核心模塊是圖擴散注意力模塊和時間注意力模塊的和，時間注意力模塊的公式如下所示：
[0027]B
l
＝Concatenate(H
l
?1，E
H
)
[0028][0029][0030]H
l
?1為第l層編碼器的輸入序列，B表示輸入本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于多元時序數據分析的交通序列預測方法，其特征在于，包括如下步驟：步驟1：先對公共交通序列數據集進行數據預處理，獲得訓練數據集和驗證數據集；步驟2：借助于步驟1得到的訓練數據集，每次隨機選取16組訓練數據，輸入到隨機圖擴散注意力模型中，每組數據中的歷史時間時間信息和未來時間時間信息和預定義圖結構信息輸入到圖擴散注意力模型中的時空embedding生成器中生成歷史時空embedding和未來時空embedding；步驟3：將歷史交通數據和歷史時空embedding送入編碼器，分別使用圖擴散注意力模塊和時間注意力模塊提取空間特征和時間特征，并使用gate fusion模塊融合兩種特征生成歷史時空特征；步驟4：將歷史時空特征、歷史時空embedding和未來時空embedding送入轉化注意力模塊，生成未來時空特征；步驟5：將歷史交通數據和未來時空embedding送入編碼器，分別使用圖擴散注意力模塊和時間注意力模塊提取空間特征和時間特征，并使用gate fusion模塊融合兩種特征生成未來時空特征，最后使用未來時空特征生成最終的預測序列；步驟6：計算步驟5得到最終的生成預測序列與預測序列之間的平均絕對誤差、均方根誤差和平均絕對百分誤差，然后通過Adam優化器進行反向傳播，更新網絡參數，最終得到訓練好的隨機圖擴散注意力模型；步驟7：借助于步驟6更新網絡參數后的模型與步驟1得到的測試數據集，選取16組測試數據作為輸入，執行步驟2至步驟6，其中將步驟2中的訓練數據替換成選取的16組測試數據，最終得到基于測試數據生成的預測序列；步驟8：借助于步驟7得到的基于測試數據生成的預測序列，計算該預測序列與真實序列之間的平均絕對誤差，求得所有組數據的平均絕對誤差后求均值，得到最終代表模型表現的平均絕對誤差；步驟9：重復步驟2至步驟8，直至步驟8得到的平均絕對誤差不再減小，說明模型表現達到最優，則網絡參數更新完畢，模型結束訓練。2.根據權利要求1所述的基于多元時序數據分析的交通序列預測方法，其特征在于，步驟1的具體方法為：選取合適的公共交通序列數據集，根據要求設定歷史序列長度、預測序列長度，將輸入的數據進行分割，每組數據各包含一個歷史序列、預測序列和兩個序列對應的時間信息；將所有的歷史序列、預測序列和時間信息，按組分為訓練數據集和測試數據集，完成數據預處理；在完成數據分組之后，截取70％組數據作為訓練數據集，30％組數據作為驗證數據集。3.根據權利要求1所述的基于多元時序數據分析的交通序列預測方法，其特征在于，步驟2中的圖擴散注意力模型包括時空embedding生成器、需要輸入每組數據中的歷史數據和歷史時空embedding來進行編碼的編碼器、、使用歷史時空embedding和未來時空embedding對輸入數據進行轉化的轉化注意力模塊、需要未來時空embedding和轉化注意力模塊的輸出進行解碼輸出預測序列的解碼器。4.根據權利要求3所述的基于多元時序數據分析的交通序列預測方法，其特征在于，時空embedding生成器包括用來接收時間信息的時間embedding生成器和用來接收圖結構信息的空間embedding生成器，時空embedding生成器的總體公式如下所示：
e
T
＝MLP(e
d

【專利技術屬性】
技術研發人員：翁文超，樊謹，田浩，
申請(專利權)人：浙江省交通運輸科學研究院，
類型：發明
國別省市：