[发明专利]一种基于异步时空膨胀图卷积网络的交通流量预测方法

说明书

本发明公开了一种基于异步时空膨胀图卷积网络的交通流量预测方法，属于智能交通系统领域。所述方法使用异步时空图对交通路网中的时空依赖进行建模，模型中考虑了交通数据的时间相关性、空间相关性，使其尽可能反映实际场景。具体的，该方法首先生成异步时空图来建模交通路网中的异步时空关联，然后根据生成的异步时空图，构建异步时空关联矩阵作为图卷积网络的卷积核来同步提取交通数据中的异步时空关联特征，最后使用输出层将提取到的特征进行处理，生成12个时间步的交通流量预测输出。通过公开的数据集(PEMS04)进行验证，该方法预测交通流量的平均绝对误差可达到19.55，对交通流量的精准预测和交通管理具有良好的指导作用。

技术领域

本发明涉及一种基于异步时空膨胀图卷积网络的交通流量预测方法，属于智能交通系统领域。

背景技术

现代城市正逐渐向智慧城市转变。随着城镇化进程的加快以及城市人口的大幅度增长。城市的综合治理面临着巨大的压力。交通管理是城市管理中至关重要的一部分，旨在解决城市中面临的交通拥堵、尾气污染以及交通事故等问题。近年来，随着计算机系统的飞速发展，智能交通系统(ITS)在城市交通管理以及智慧城市建设中发挥着越来越重要的作用。交通预测是智能交通系统的基础，精确的交通预测对很多应用来说是必不可少的。比如，在事故易发路段，交通速度预测可以极大的避免事故的发生；出行需求预测可以方便网约车运营平台为高出行需求地区分配充足的网约车。

交通预测的任务是在给定历史交通流量信息和交通路网信息的情况下，预测交通路网的未来的交通流量信息。近年来，随着与交通相关的可用数据集的不断增长以及深度学习的蓬勃发展，越来越多的人开始尝试使用深度学习的方法来研究交通预测问题。由于交通数据表现出十分明显的时空相关性，因此针对交通数据中的时空关联建模是人们的主要研究方向，近期的研究大多使用图神经网络(GNN)建模交通数据的空间联系，使用循环神经网络(RNN) 或卷积神经网络(CNN)建模交通数据的时间关联。比如Yu等人提出了时空图卷网络(STGCN) 模型，该模型应用切比雪夫近似的图卷积运算提取空间依赖，又应用门控卷积神经网络 (gate-CNN)建模时间依赖，以更少的参数实现了更快的训练速度(参见YuB,Yin H,Zhu Z. Spatio-temporal graph convolutional networks:A deep learningframework for traffic forecasting[J]. arXiv preprint arXiv:1709.04875,2017.)。Zhao等人提出了时间图卷积网络(T-GCN)模型，该模型将交通路网建模为图结构，使用图卷积网络提取交通数据中的空间依赖，使用门控循环单元提取时间依赖这些模型有效地建模了交通网络中的空间联系和时间联系，在各个时空预测任务场景中取得了不错的效果(参见Zhao L,Song Y,Zhang C,et al.T-gcn:A temporal graph convolutional networkfor traffic prediction[J].IEEE Transactions on Intelligent TransportationSystems,2019,21(9):3848-3858.)。

然而，这些模型都没有考虑到交通数据中异步的时空联系，也即交通路网中的某个路段的交通流量和其他路段的交通流量之间存在异步的关联，在建模过程中没有考虑这一点将导致一些重要的特征信息的忽略，进而导致预测结果不准确。此外，目前的模型在建模时间依赖方面效果不佳。由于要迭代地计算每个时间步的数据，基于循环神经网络的方法往往存在迭代传播时间长、梯度爆炸或梯度消失等问题，在长期预测的任务中表现不佳，基于卷积神经网络的方法优点是可以并行计算、计算过程中梯度比较稳定并且显存需求较低，然而，这些工作采用标准的一维卷积，其感受野的大小随着网络中隐藏层数目的增加呈线性增长，因此这些模型需要使用很多层来捕获非常长的序列。

基于上述原因，现有的交通流量预测方法存在着预测精度低的问题，尤其是针对长期预测任务，还存在着计算复杂度较高的问题。

发明内容