[发明专利]一种基于MGCN的交通预测方法

权利要求书

1.一种基于MGCN的交通预测方法，其特征在于包括下述步骤：

定义：MGCN全称为Multi-Graph Convolutional Neural Network，即多图卷积神经网络，是一种基于动态时空序列的交通预测方法，它的核心目标是通过获取的历史交通数据来预测未来时间段的交通数据，此预测模型广泛的适用于各种时序预测领域，有效的处理复杂的时序数据，整体模型基于编码器-解码器结构，其中时空图卷积模块来同时捕捉交通网络结构信息、动态邻居节点信息以及时间维度上的流量变化信息，并进行有效融合，代表了全面和动态的时空相关性，进一步将历史时间序列转化为未来时间序列表示，并在两个解码器上分别沿着时间和空间维度解析未来交通状况，聚合多维信息，在两个真实大规模数据集上进行了充分的实验，实验结果表明模型的有效性和优越性，并且达到了较好的水平，优于其他基线方法，其具体的步骤如下：

步骤1：定义交通路网表示；交通流预测是典型的时空预测问题，其目的是通过交通路网中被观测传感器的历史交通数据来对未来的交通状态进行预测，本发明将所研究的交通路网定义为一个加权无向图G＝(V,E,A)，其中V是一个N＝|V|的顶点集合，N代表交通路网中部署的传感器个数，E定义为边的集合，体现了节点对之间的连通性，表示为加权邻接矩阵，其中表示节点v_i和v_j的近邻性，是交通网络上所有传感器所采集到的图信号，其中D是每个节点的特征个数；

步骤2：确定模型的输入和输出；给定交通网络中N个传感器在T_h个时间步的历史交通数据目的是学习一个函数f，能够预测所有传感器在未来T_h个时间步的交通状况，具体可表示为：

步骤3：选择合适的比例划分数据集，数据预处理；按照通用的划分标准，70％的数据用于训练，10％的数据用于验证，其余20％的数据用于测试，并对整体数据集进行Z-Score规范化；

步骤4：构建动态时空图卷积网络(DSTGCN)时空嵌入模块；为了同时捕获空间、时间维度上的动态图信息，本发明设计了一种基于图卷积的动态时空多图卷积网络(DSTGCN)，图卷积将传统的卷积运算从结构化数据推广到非欧几里得的图结构中，能够捕获潜在的图关系，在此基础上，将传统的图卷积方法延伸到时空图中，捕获动态的图信息，DSTGCN通过静态图卷积、动态图卷积、自相关图卷积分别聚合近邻性节点信息、多阶邻居信息以及历史信息，三种不同视角下的信息聚合方法可以有效的学习图节点的特征；

步骤4.1：构建静态图卷积模块；基于地理近邻性定义的交通网络通过阈值高斯核函数距离度量节点对的相似性，表示为：

其中是t时刻L层的输出，是(L-1)层的输出，同时也是第L层的输入，和是可学习的参数，σ是ReLU(·)激活函数，是自循环邻接矩阵,其具体定义如下：

其中是传感器v_i到传感器v_j的距离，δ是标准差，ε是控制邻接矩阵A的稀疏度的阈值，指定为0.1，是被重新定义的邻接矩阵，I_N是N维的对角矩阵，目的是增强节点自身的重要性，是度矩阵，其中

步骤4.2：构建动态图卷积模块；动态图卷积方法能够自适应的调整节点间的相关程度，从而关注更重要的节点信息，具体地，将任意道路节点之间的成对关系建模为：

其中是t时刻第(L-1)层的输出，是t时刻第L层的动态邻接矩阵，表示节点i、j在t时刻第L层的相关性分数，进一步地，通过动态邻接矩阵聚合图信息：

其中和分别是t时刻第L层图信号的输出与输入，和是可学习的参数，接着，将多个时间步上的图信号连接：

其中表示T_h个时间步上的图信号输出；

步骤4.3：构建自相关图卷积模块；自相关图卷积模块，主要为了模拟某个节点不同时间步长之间的非线性相关关系，首先构建一个时间关注矩阵：

其中是节点v_i在T_h个时间步上的流量表示，是节点v_i在第l层不同时间步之间相互关系的一个矩阵表示，通过考虑比目标时间步更早的时间步的信息，在得到时间关注矩阵之后，更新节点v_i在T_h个时间步上的状态：

其中和表示节点v_i在第l层输出和输入的图信号，和是可学习的参数；

步骤5：构建动态时空多图卷积(MGCN)整体模型；前面设计的三种不同的图卷积从不同的角度表示时空相关性，但为更增强节点的特征表达能力，本发明使用了一种门控融合机制将其进行两两融合，随后为了减少长时间范围内不同预测时间步之间的传播误差，通过建立未来时间步对过去时间步的非线性关系来近似描述未来的交通状况,并将转换后的结果作为解码器的输入，MGCN框架主要部署了两个解码器，分别从空间、时间维度分析交通流量的变化趋势，多方向解码有助于全面的认知交通状况，从而有效的预测未来的交通流量；

步骤5.1：构建门控融合模块；首先定义一个门，来控制两者的重要性：

z＝φ(XW_z+HU_z+b_z)

Y＝z⊙X+(1-z)⊙H

其中和是可学习的参数，φ是sigmoid激活函数，z是控制两者重要性的门，是融合后的特征表示；

步骤5.2：构建转换注意力层；首先通过node2Vec算法将交通网络中的节点转化为矩阵它保留了路网的结构信息，然后，将过去和未来的时间通过one-hot编码为时间矩阵时空嵌入是交通网络中节点的时空表示，转换关系表示为：

其中是节点v_i在时间步t_i的时空表示，和是可学习的参数，是未来时间步t_i对过去时间步t_j的注意力分数，通过自适应地选择所有历史时间步T_h的相关特征，将编码后的交通特征转换到解码器中：

其中是节点v_i在未来时间步t_i的特征表示，是节点v_i在历史时间步t_j的特征表示，是可学习的参数；

步骤6：建立时空注意力机制；模型部署了两个解码器，分别从空间、时间维度分析交通流量的变化趋势，多方向解码有助于全面的认知交通状况，从而有效的预测未来的交通流量，接下来，依次引入空间注意力模块和时间注意力模块；

步骤6.1：构建空间注意力模块；本发明设计了一个空间注意力机制来自适应捕捉节点之间的动态相关性，其机制表示为：

其中，是节点v_i和v_j在t_i时间步的注意力分数，是节点v_i在t_i时间步的流量表示，和是可学习的参数，通过在不同的时间步长动态地为不同的节点分配不同的权重，进而学习新的节点状态表示：

其中是节点v_i在t_i时间步的特征表示；

步骤6.2：构建时间注意力模块；时间注意力机制自适应建模时间步之间的相关性，表示为：

其中，是节点v_i的t_i和t_j时间步之间的注意力分数，是节点v_i在t_i时间步的流量表示，和是可学习的参数，得到注意力分数后，节点v_i在时间步t_i的状态更新为：

其中是节点v_i在t_i时间步的特征表示；

步骤7：实验验证；为了评估和了解本发明提出的MGCN模型中关键组成部分的效果和性能，进行NE-BJ数据集上的消融研究，将MGCN的变体进行命名，表示如下：

·MGCN-ND：没有动态图卷积的MGCN，从MGCN中去除了动态图卷积模块；

·MGCN-NS：没有自相关图卷积模块的MGCN，从MGCN中去除了自相关图卷积模块；

·MGCN-NTA：没有时间注意力模块的MGCN，从MGCN中去除了时间注意力模块；

·MGCN-NSA：没有空间注意力模块的MGCN，从MGCN中去除了空间注意力模块；

实验结果表明，动态图卷积、自相关图卷积、时间注意力模块以及空间注意力模块这四个模块对于MGCN的性能都是至关重要的，动态图卷积模块和静态图模块的融合证实了动静结合的有效性，自相关图卷积、时间注意力模块和空间注意力模块的融合证实了时空融合的有效性，自相关图卷积的设计不仅可以更深度的捕获时间依赖性并且帮助整体模型达到了良好的结果；

为了进一步验证模型的可行性和有效性，本发明将实际的交通流量与模型所预测的交通流量进行可视化分析，实验结果显示，整体的交通流量在时间维度上具有一定的周期性，周期性的存在一定程度上说明了构建时间图卷积模块和自相关图卷积模块的优势，两个模块在时间维度上更能捕捉隐藏的时间相关性，除此之外，模型中将动态图和静态图进行融合，以便更有效的捕捉不同时间段下的交通网络特征，并对交通流的异常高峰进行准确的预测。