[发明专利]一种基于时空融合图神经网络的交通流量预测方法

说明书

本发明提出一种基于时空融合图神经网络的交通流量预测方法，属于交通流时空数据预测领域。针对现有框架使用单独的模块来处理时空相关性以及只使用独立的组件来捕获局部或全局异构依赖关系，提出一种基于时空融合图神经网络的交通流量预测方法。本发明创新性地使用一种数据驱动的“时间图”生成方法，以补偿空间图可能无法反映的几种现有相关性，通过对不同时间段并行处理的各种时空图进行新的融合操作，可以有效地学习隐藏的时空依赖关系。同时，将该融合图模块和一个新的门卷积模块集成到一个统一的层中，可以学习更多的时空相关性来处理长序列。将所提的网络模型应用于交通流量预测，能达到提升准确率的目的，实验结果验证了所提方法的有效性。

技术领域：

本发明涉及一种基于时空融合图神经网络的交通流量预测方法，该方法在交通流时空数据预测领域中有着很好的应用。

背景技术：

图卷积网络广泛应用于许多基于图的任务，如分类和聚类，有两种类型。一种是通过找到相应的傅里叶基，将卷积扩展到谱域中的图。图卷积网络Graph ConvolutionalNetwork(GCN)是一项具有代表性的工作，在许多任务中构建了典型的基线。另一种是通过典型的卷积来推广空间邻域。Graph Attention Network(GAT)将注意力机制引入图形领域，Graph Sample Aggregate(GraphSAGE)通过局部采样和聚合特征生成节点嵌入都是典型的作品。

时空预测在许多应用领域中发挥着重要作用。为了更有效地结合空间相关性，最近的工作引入了图卷积网络来学习交通网络。扩散卷积递归神经网络DiffusionConvolutional Recurrent Neural Network(DCRNN)利用交通图上的双向随机游动来建模空间信息，并通过选通循环单元Gate Recurrent Unit(GRU)捕捉时间动态。Transformer模型，如利用Transformer中的时空注意模块进行时空建模。它们在训练时会比Long Short-Term Memory(LSTM)更有效，但由于其自回归结构，它们仍然会一步一步地进行预测。SpatialTemporal Graph Convolutional Networks(STGCN)和GraphWaveNet采用了空间域上的图卷积和沿时间轴的一维卷积。它们分别处理图形信息和时间序列。Spatial-Temporal Synchronous Graph Convolutional Networks(STSGCN)试图通过局部时空同步图卷积模块将空间和时间块合并在一起，而不考虑全局相互影响。

时间序列之间的相似性度量方法可分为三类：(1)基于时间步长的方法，如反映逐点时间相似性的欧氏距离；(2)基于形状，例如根据趋势外观进行动态时间扭曲；(3)基于变化，例如高斯混合模型，它反映了数据生成过程的相似性。

发明内容：

为了解决交通预测领域中的交通流时空数据预测问题，本发明公开了一种基于时空融合图神经网络的交通流量预测方法。

(一)技术方案

时空融合图神经网络的框架由输入层，堆叠的时空融合图神经层和输出层组成。输入层和输出层分别是一个和两个完全连接层，然后是激活层。构建每个时空融合图层由几个并行的时空融合图神经模块和包含两个并行一维扩张卷积模块的门控ConvolutionalNeural Networks(CNN)模块构成。其包括以下具体步骤：

1.数据预处理阶段，通过使用Distortion Loss including Shape and Time(DILATE)算法计算节点的历史时间序列相似度，根据结果动态的构建时间图，来获得比空间图更精确的依赖关系和真实关系的特定图结构。将时间图合并到一个新的时空融合图中，使深度学习模型变的轻量级。

步骤1_1由DILATE算法生成时间图。

使用算法DILATE训练步骤如下：