一种基于分层动态残差图卷积网络的交通流量预测方法

本技术属于交通管理，尤其涉及一种基于分层动态残差图卷积网络的交通流量预测方法。

背景技术：

1、近年来，准确可靠的交通流量预测在智能交通系统中发挥着越来越重要的作用，如提升交通管理人员的效率，缓解交通拥堵，帮助出行者提前规划出行路线等。早期的交通流量预测研究主要采用统计学方法或传统机器学习方法。然而，上述方法将交通流量预测视为纯粹的序列预测问题，忽略了在交通网络拓扑结构约束下不同道路的交通流之间的相互作用，因此预测性能不佳。

2、近年来，学者们开展了许多基于深度学习的研究来模拟不同道路上交通流量的相关性。其中，基于图卷积网络(gcn)的模型取得了显著的成功，其预测性能高度依赖于所使用的图生成方法。然而，大多数基于gcn的模型仅根据地理邻近度生成图，因此在对复杂交通网络进行建模时存在问题。学者们已经通过传感器之间的相似度与自适应方法来探索传感器之间的隐藏相关性。然而，上述方法忽略了传感器之间的动态相关性。

3、虽然已经有学者尝试对传感器之间的动态相关性进行建模，但仍然存在一些问题，导致对此类相关性的建模效果不佳。首先，传感器之间的动态相关性受到多种因素的影响，如恶劣天气、交通事故和商业活动，不同因素引起的拥堵传播模式各不相同。然而，学者们主要通过生成单一动态图来模拟传感器之间相关性的演化模式，无法应对多种动态因素，从而无法实现此类相关性的深度建模。其次，传感器之间相关性的演化模式是连续的，因此充分利用交通数据的序列特征将有助于此类相关性的建模。然而，现有研究在生成动态图时往往忽略了交通数据的原始序列特征，导致对传感器之间相关性演化模式的理解存在偏见。第三，尽管交通网络中的局部特征和全局特征均对预测有贡献，但学者们目前主要聚焦于局部特征的提取。因此，有必要进一步研究全局特征的提取方法。

技术实现思路

1、本技术的目的是提出一种基于分层动态残差图卷积网络的交通流量预测方法，针对传感器之间的动态相关性进行了分层建模，并利用全局特征来提升交通流量预测的准确度。

2、为了实现上述目的，本技术技术方案如下：

3、一种基于分层动态残差图卷积网络的交通流量预测方法，所述分层动态残差图卷积网络包括堆叠的若干个时空动态图卷积残差模块，以及与所述时空动态图卷积残差模块一一对应的若干个图生成器，以及一个输出模块，所述时空动态图卷积残差模块包括时间门控卷积单元和时空动态图卷积单元，所述基于分层动态残差图卷积网络的交通流量预测方法，包括：

4、获取交通流量预测区域交通网络以传感器为节点的预定义静态图以及观测到的交通流量特征矩阵；

5、将预定义静态图和交通流量特征矩阵输入堆叠的时空动态图卷积残差模块，采用时间门控卷积单元逐层提取传感器的时间依赖关系，采用时空动态图卷积单元逐层提取传感器之间的动态依赖关系，与各个时空动态图卷积残差模块对应的图生成器分别生成各自的动态图；

6、将所有时空动态图卷积残差模块中时间门控卷积单元的输出与最后一个时空动态图卷积残差模块中时空动态图卷积单元的输出进行聚合，得到分层特征；

7、将所有图生成器输出的动态图进行聚合得到全局图；

8、将分层特征和全局图输入到输出模块，执行扩散卷积提取全局特征，并通过时间门控卷积得到最终预测结果。

9、进一步的，第一个时空动态图卷积残差模块中时间门控卷积单元的输入为观测到的交通流量特征矩阵，而后续的时空动态图卷积残差模块中时间门控卷积单元的输入为前一个时空动态图卷积残差模块中时空动态图卷积单元的输出；时空动态图卷积残差模块中时空动态图卷积单元的输入包括预定义静态图，对应图生成器输出的动态图，以及本时空动态图卷积残差模块中时间门控卷积单元的输出。

10、进一步的，所述图生成器之间的传播规则表示如下：

11、

12、

13、

14、其中，表示第l个时空动态图卷积残差模块中时间门控卷积单元的输出；fr(.)表示残差函数，表示图生成方法，表示第l个图生成器输出动态图，表示之前一次预测时最后一个图生成器输出动态图，表示来自时空动态图卷积残差模块的输入特征。

15、进一步的，所述图生成器执行如下操作：

16、通过两个时间门控卷积提取输入特征的序列特征，基于序列特征的节点间相似度生成序列图；

17、将序列特征与节点嵌入相结合，得到具有序列特征的节点嵌入；

18、基于具有序列特征的节点嵌入的节点间相似度，得到相似图；

19、将序列图与相似图聚合后进行激活函数操作，再与前一个图生成器输出的动态图进行聚合，得到输出动态图。

20、进一步的，所述时间门控卷积单元提取传感器的时间依赖关系，包括：

21、对输入特征做因果卷积操作，得到第一特征和第二特征；

22、将第一特征与输入特征的残差进行元素相加后得到第三特征；

23、将第二特征经过激活函数操作后得到第四特征；

24、将第三特征与第四特征做哈达玛乘积操作，得到第五特征；

25、将第五特征与输入特征的残差进行元素相加后做批归一化处理，得到时间门控卷积单元的输出。

26、进一步的，所述时空动态图卷积单元提取传感器之间的动态依赖关系，包括：

27、在预定义静态图上聚合隐式依赖关系，得到自适应静态图；

28、对输入特征与自适应静态图进行扩散卷积操作，得到第六特征；

29、对输入特征与动态图进行扩散卷积操作，得到第七特征；

30、将第六特征与第七特征做哈达玛乘积操作，得到第八特征；

31、对第六特征与自适应静态图进行扩散卷积操作，得到第九特征；

32、对第八特征与动态图进行扩散卷积操作，得到第十特征；

33、将第九特征、第十特征和输入特征进行元素相加后做层归一化处理，得到时空动态图卷积单元的输出。

34、本技术提出的一种基于分层动态残差图卷积网络的交通流量预测方法，具有如下有益效果：

35、(1)提出了多图生成器，其在充分保留交通数据原始序列特征的同时，能对传感器之间的动态相关性进行深度的分层建模。此外，利用残差机制连接相邻层的图生成器生成的动态图，实现了传感器之间相关性的深度建模。

36、(2)提出了一个输出模块以探索全局特征的提取策略。该模块利用可学习参数聚合不同层次的动态图以生成全局图，然后执行两次图卷积操作来提取全局特征。此外，该模块采用残差机制和参数共享策略来保持全局特征的一致性，以更全面地提取出全局特征。

37、(3)提出了一种新的分层网络结构，不仅能充分发挥上面所提出的多图生成器和输出模块的作用，而且能充分融合静态图和动态图的优点以捕获传感器之间的时空依赖关系。

38、通过在两个真实的交通流量数据集上进行的大量实验，验证了本技术所提出的hdrgcn模型在短期和长期预测上均表现良好。该结果表明，本技术所提出的hdrgcn模型能充分利用局部和全局特征以获得最佳的预测性能。