[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

说明书

本发明提出了一种基于多任务超图卷积网络的多源交通客流预测方法，涉及深度学习等领域，尤其是面向超图表示以及图卷积网络的流量预测任务。本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该方法包含一个主要任务和一个相关任务。两项任务均基于超图卷积神经网络，并由通过一个特征压缩单元连接，该特征压缩单元对任务之间的相关性进行建模并共享潜在特征，以增强主要任务的性能。相较于单一数据驱动模型，该方法可适用于多源异构交通数据。完成了轨道交通客流预测的任务，提高了预测准确率。

技术领域

本发明涉及图论和深度学习等领域，尤其是面向多源交通流预测任务。

背景技术

交通预测是智能交通系统的基础，准确的预测对于实际交通应用至关重要。例如，道路交通速度和状态预测对于公共旅行路线规划和动态管理具有重要意义，铁路客运量的预测对于车站压力测试和路线安排至关重要。目前已有了许多用于交通预测问题的方法，但大多数方法局限于单个交通数据源，例如地铁流量或路面车辆速度。但实际上，城市中有多种交通方式同步运行，包括公共汽车，地铁和私家车等，它们在共同的时空内相互影响且互为补充。例如，公交车和地铁都是公共交通的主要选择且营运区域有所重叠。城市交通是一个整体的系统，居民经常将多种交通方式结合出行。同时，公共交通是一个动态的系统。当一种交通方式的运载能力改变时，其他交通方式必然会受到一定程度的影响。例如，在雨雪天气，平日里公交车的乘客由于路面通行能力下降，会倾向于选择地铁出行。

多种交通运输方式的耦合为我们带来了多源交通数据，这些数据表面上是异构的，但内在是相互关联的。目前，交通运输领域已经收集了大量的多源异构交通数据，例如监控设备收集的视频和图像；传感器收集的流量，速度和占用率；以及营运车辆收集的GPS轨迹等。但是，目前的交通流预测方法很少在一体化的模型中考虑和融合异构交通流数据。因此单数据驱动模型难以满足当下交通系统中对于多源异构交通大数据的应用需求，用于多源交通流预测的多数据融合模型是大势所趋。

发明内容

针对上述情况，本方法提出了多任务超图卷积神经网络作为端到端多源异构流量预测框架。提出的框架包含数据预处理，预测多任务和特征压缩单元。我们利用超图学习方法对数据的高阶关联关系建模，以取代局限于成对连接的普通图。数据预处理可确保异构交通数据的超图表示具有一致节点。主要任务和辅助任务均基于超图卷积神经网络。任务之间通过特征压缩单元共享潜在特征。该单元交叉并压缩任务之间的信息，在辅助任务的帮助下提高主要任务的学习能力。输出方面，主要任务以及辅助任务都对整个图结构进行节点级交通流预测，本方法主要关注主要任务的性能提升。

本发明主要创新点为提出了一种新的用于交通预测的多任务超图网络架构，该架构包含一个主要预测任务和一个辅助预测任务，并通过特征压缩单元在训练过程中共享隐藏层特征。

具体技术方案：

基于多任务超图卷积网络的多源交通流预测方法，适用于时空对齐的多源交通流数据，整体网络结构如图1所示。

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。