融合多模式高阶语义相关性的城市交通超图卷积预测方法

本发明属于城市交通预测技术，具体为一种融合多模式高阶语义相关性的城市交通超图卷积预测方法。

背景技术：

1、在城市网络中提供主动的交通状况信息在交通管理和运营上具有重要意义和挑战性。由于交通网络的自然性和直观性，基于图卷积网络(gcn)的模型在交通预测中的潜力已经崭露头角，其关注度日益上涨。典型的gcn模型采用成对连接的方式，只能捕捉到顶点之间的二阶关联性。然而，隐藏在实际应用数据中的潜在相关性可能会超出成对的范围，它们更多表现为高阶的相关性，甚至在面对多源数据时更加复杂。

技术实现思路

1、为了解决现有技术中的上述技术缺陷，本发明提出了一种融合多模式高阶语义相关性的城市交通超图卷积预测方法。

2、实现本发明目的的技术方案为：一种融合多模式高阶语义相关性的城市交通超图卷积预测方法，包括以下步骤：

3、步骤1：提取目标地区中各个交通区域之间的静态空间拓扑结构数据与动态交通状态数据，构建交通区域邻接矩阵、以时间段为间隔的近期交通状态特征矩阵以及以天为间隔的历史交通状态特征矩阵；

4、步骤2：根据所提取的数据建立基于二阶空间关联性的拓扑超图、基于连续时间段交通状态特征的语义超图以及基于每日交通状态特征的语义超图；

5、步骤3：将三个超图拼接后得到的新超图，以时间段交通状态特征矩阵、每日交通状态特征矩阵以及新超图的关联矩阵作为输入构建深度超图卷积网络，逐层进行超图卷积；

6、步骤4：利用训练集对模型进行训练，获得最优模型参数，将下一时刻的交通状态特征输入至训练得到的最优模型，对下一时刻的交通状况进行预测。

7、优选地，提取目标地区中各个交通区域的静态空间拓扑结构数据与动态交通状态数据的具体步骤为：

8、步骤11：提取目标地区各个交通区域之间的空间拓扑结构，记为邻接矩阵ag，邻接矩阵ag数据表示为：

9、

10、其中，ag(i,j)是矩阵ag第i行，第j列的元素，vi为图中的第i个节点，对应为第i个交通区域；

11、步骤12：根据各个交通区域在不同时间段内的交通状态数据，构建当前时刻t以时间段为间隔的近期交通状态特征矩阵xr，表示为：

12、

13、其中，表示n个区域在时刻t的交通状况，n表示交通区域的数量，p表示时间段；特征矩阵xr中每一个行向量i＝1,2,l,n，代表第i个区域的近期交通特征向量，列向量j＝1,2,l,p表示所有区域在不同时间段的交通状态信息；

14、步骤13：获取待预测时间段t+1在前q天的历史数据，构成以天为间隔的历史交通状态特征矩阵xd，表示为：

15、

16、其中表示n个区域在下一个时间段t+1的交通状况，td表示每天包含的时间段的个数，q表示所考虑的天数。

17、优选地，根据所提取的数据建立基于二阶空间关联性的拓扑超图、基于连续时间段交通状态特征的近期语义超图以及基于每日交通状态特征的历史语义超图的具体方法为：

18、步骤21：根据特征矩阵xr，由knn最近邻算法构建超边，具体为：

19、对于每一个节点vi，i＝1,2,l,n，使用knn算法在矩阵xr的行向量中计算得到k-1个最近邻的节点；将节点vi和k-1个最近邻节点一同组建超边得到n条超边；

20、将所有超边拼接成一个的矩阵，记为关联矩阵hr，表示为：

21、

22、其中hr(i,j)是矩阵hr第i行，第j列的元素；

23、根据超边构建近期交通状况的语义超图其中表示交通区域的集合，表示近期语义超图中的超边集合；

24、步骤22：根据特征矩阵xd，由knn最近邻算法构建超边，将所有超边拼接构成关联矩阵hd，表示为

25、

26、其中是矩阵hd的第j条超边；

27、根据超边构建历史交通状态的语义超图语义超其中表示历史语义超图中的超边集合；

28、步骤23：根据提取的邻接矩阵ag,构建基于二阶空间关联性的拓扑超图用于反映交通状况的二阶空间关联性；

29、对于邻接矩阵ag的每一条边，将其视为仅包含两个节点的超边，以此构建空间拓扑超图该超图由一个的关联矩阵hg描述，；

30、

31、其中是hg的第j条超边，表示不同交通区域之间的二阶相关性，εg表示空间拓扑超图中的超边集合。

32、优选地，将三个超图拼接后得到的新超图作为深度网络的输入，进行超图卷积，具体方法为：

33、步骤31：将步骤3得到的基于空间拓扑超图、近期交通状态语义超图与历史交通状态语义超图对应的关联矩阵进行拼接，得到融合多模式高阶语义相关性综合超图综合超图由一个维度为的关联矩阵h描述；将步骤1中所建立的近期交通状态特征矩阵与历史交通状态特征矩阵拼接，构成综合交通状态特征矩阵

34、步骤32：将步骤31中得到的关联矩阵h和特征矩阵x作为深度网络输入，进行超图卷积；

35、所述深度网络由多个超图卷积层堆叠而成；

36、各超图卷积层的计算公式为：

37、

38、其中是超图中第l层的输入信号，是第l层的参数矩阵，σ是非线性激活函数，dv,de和w分别是节点度矩阵、超边度矩阵与超边权重矩阵。

39、优选地，利用训练集对预测模型进行训练，最小化预测值和真实值之间的误差，解算预测模型最佳参数的具体方法为：

40、根据n个交通区域在t个时间段内的交通状态观测值，构建训练集其中为特征矩阵，为预测标签，p为特征的数量；

41、将训练集输入至预测模型进行训练，模型训练的目标函数为：

42、

43、式中，第一项是预测的均方差经验损失项，第二项是一个模型参数正则化项，表示超图上参数为θ的预测模型，为损失函数，m＝t-p为样本的个数。

44、模型训练后，将当前时刻的特征矩阵输入值至训练后得到的最优模型，获得下一时刻交通状况的预测为：

45、

46、其中为当前时刻的特征矩阵，为学习后的最优模型参数。

47、本发明与现有技术相比，其显著优点为：

48、(1)本发明将一种新的数据结构，即超图数据结构引入到交通状况的复杂相关性建模中，能够对高阶语义相关性进行建模，并纳入多模式的相关性，通过对相关信息的综合考量，提高了预测模型的可解释性和精度；

49、(2)本发明在超图学习理论的基础上，提出了一种新的卷积算子来学习超图上的特征表示，通过充分利用高阶和多模式的相关性，使顶点之间的信息传播更加通用，并为深度超图网络的构建提供了类似图卷积的基本构件，提高了预测结果的准确性；

50、(3)本发明采用了基于超图的交通状况框架，用于协同预测城市道路网的交通状况，在一个统一的框架内融合了交通状况的地理空间关联和多模式高阶语义关联。

51、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。