[发明专利]一种基于多任务超图卷积网络的多源交通流预测方法

权利要求书

1.一种基于多任务超图卷积网络的多源交通客流预测方法，适用于时空对齐的多源异构交通流数据，多源异构交通流数据相互影响，本方法包含一个主要预测任务和一个辅助预测任务，主要预测任务用于对多源异构交通流中的一种交通流数据进行预测，辅助预测任务用于对影响主预测任务的其他多源异构交通流数据进行预测，其特征在于包括以下步骤：

(1)首先对多源交通数据进行预处理：首先依据主要任务的交通流数据构建超图超图包括节点超边ε以及超边权重其中交通流数据采集点为超图中节点当超图中两个节点之间存在地理联通关系，则这两个节点之间存在超边ε，权重用于表示存在超边的两个节点之间的影响关系，影响越大取值越大，M表示主要任务；辅助任务和主要任务共享同节点超图表示以主要任务的节点为地理锚点，并利用DBSCAN聚类算法对交通流数据进行聚类。

(2)构建多任务超图卷积神经网络，并利用训练完成的多任务超图卷积神经网络，通过主要预测任务中的历史交通流数据以及辅助预测任务中的历史交通流数据，对主要预测任务中的交通流数据进行预测；其中多任务超图卷积神经网络包括三部分，即主任务预测网络、辅助任务预测网络以及特征压缩单元，所述的主任务预测网络依次包括第一时序卷积层、第一频域超图卷积层、第二时序卷积层、特征融合层、第三时序卷积层、第二频域超图卷积层、第四时序卷积层、以及全连接层，之后经过线性变换进行输出，其中，特征融合层的输入有两路，一路是主任务预测网络中第二时序卷积层的输出，另一路是特征压缩单元的输出，主任务预测网络的输入为主要任务超图中所有节点对应的历史交通流数据及其超图表示，主任务预测网络的输出为对主要预测任务中的交通流数据的预测值；所述的辅助任务预测网络依次包括第一时序卷积层、第一频域超图卷积层、第二时序卷积层、第三时序卷积层、第二频域超图卷积层、第四时序卷积层、以及全连接层，之后经过线性变换进行输出，辅助任务预测网络的输入为辅助任务超图中所有节点对应的历史交通流数据及其超图表示，辅助任务预测网络的输出为对辅助预测任务中的交通流数据的预测值；特征压缩单元用于压缩主任务与辅助任务的中间层特征，并将压缩后的特征共享给主任务，以提升模型预测效果，特征压缩单元的输入有两路，一路为主任务预测网络中第二时序卷积层的输出，另一路为辅助任务预测网络中第二时序卷积层的输出。

2.根据权利要求1所述的一种基于多任务超图卷积网络的多源交通客流预测方法，其特征在于：辅助任务对应的超图R表示辅助任务，辅助任务中交通流数据采集点与主要任务中交通流数据采集点不同，为了便于计算，辅助任务和主要任务共享同节点超图表示，其中辅助任务超图表示中的第i个节点的交通流数据的计算方法为，首先以主要任务的第i个节点为簇中心，并利用DBSCAN聚类算法对辅助任务中交通流数据采集点进行聚类，然后，将第i个节点为簇中心的类中的所有辅助任务中采集点的交通流数据进行加和，该值即为辅助任务超图表示中的第i个节点的交通流数据。

3.根据权利要求1所述的一种基于多任务超图卷积网络的多源交通客流预测方法，其特征在于：特征压缩单元表示如下：

其中为主任务预测网络中第二时序卷积层的输出，为辅助任务预测网络中第二时序卷积层的输出，T表示特征的时间维度，N表示特征的空间维度，表示归一化后的特征，表示归一化后的特征，并通过权重以及偏置b_C被压缩共享，表示特征压缩单元的输出。

4.根据权利要求1所述的一种基于多任务超图卷积网络的多源交通客流预测方法，其特征在于：主任务预测网络中前三层的整体公式表达与辅助任务预测网络中前三层的整体公式表达相同，且具体表示如下：

其中当F^(l)表示第一时序卷积层的输入特征，F^(l+1)表示第三时序卷积层的输出特征，当F^(l)表示第三时序卷积层的输入特征，F^(l+1)表示第四时序卷积层的输出特征Γ表示时序卷积核，*_τ表示时序卷积操作，Θ表示频域超图卷积核，*_H表示频域超图卷积操作。

5.根据权利要求1所述的一种基于多任务超图卷积网络的多源交通客流预测方法，其特征在于：多任务超图卷积神经网络的输出通过如下损失函数进行优化：

其中i∈{M,R,C}，分别表示主要任务，辅助任务，以及特征压缩单元，是不同任务的训练梯度，表示所有任务的平均训练梯度，则表示训练速率，该损失通过梯度归一化来保证主要任务和辅助任务的训练速率相同，并最终输出主要任务以及辅助任务的交通流量预测结果。