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

1.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：

2.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。


技术实现要素：

3.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。
4.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：
5.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；
6.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；
7.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；
8.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。
9.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：
10.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：
[0011][0012]
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；
[0013]
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：
[0014][0015]
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；
[0016]
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：
[0017][0018]
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。
[0019]
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：
[0020]
步骤21：根据特征矩阵xr，由knn最近邻算法构建超边，具体为：
[0021]
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；
[0022]
将所有超边拼接成一个的矩阵，记为关联矩阵hr，表示为：
[0023][0024]
其中hr(i,j)是矩阵hr第i行，第j列的元素；
[0025]
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；
[0026]
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
[0027][0028]
其中是矩阵hd的第j条超边；
[0029]
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；
[0030]
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；
[0031]
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，；
[0032][0033]
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。
[0034]
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：
[0035]
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
[0036]
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；
[0037]
所述深度网络由多个超图卷积层堆叠而成；
[0038]
各超图卷积层的计算公式为：
[0039][0040]
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。
[0041]
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：
[0042]
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；
[0043]
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：
[0044][0045]
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。
[0046]
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：
[0047][0048]
其中为当前时刻的特征矩阵，为学习后的最优模型参数。
[0049]
本发明与现有技术相比，其显著优点为：
[0050]
(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；
[0051]
(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；
[0052]
(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。
[0053]
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。
附图说明
[0054]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0055]
图1是本发明所提出的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的流程图。
[0056]
图2是本发明的输入示意图。
[0057]
图3是本发明中的超图卷积示意图。
具体实施方式
[0058]
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。相反，提供这些实施例的目的是为了使本领域的技术人员更透彻地理解本发明。下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的创新构思。
[0059]
本发明是一种端到端的方法，由四个主要部分组成：数据输入、超图构建、超图卷积和交通预测。基于多模式的静态地形数据和动态交通数据，构建并整合了两个语义超图和一个地理空间图，以描述交通状况的细粒度和粗粒度的高阶语义关联以及二阶地理空间关联。为了学习超图上的特征表示，从图卷积和超图学习理论中得到了一个新的超图卷积算子。通过使用所提出的超图卷积作为构建模块的深度网络，学习预测的高级特征表示，然后预测交通状况。本发明在一个统一的框架内共同捕捉了交通状况的二阶地理空间相关性和多模式的高阶语义相关性，相当具有吸引力。
[0060]
下面结合附图及实施例对本发明做进一步说明。
[0061]
请参照图1，一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：
[0062]
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；
[0063]
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；
[0064]
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；
[0065]
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。
[0066]
进一步的实施例中，如图1中输入部分所示，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的具体方法为：
[0067]
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：
[0068][0069]
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；
[0070]
步骤12：如图2所示，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：
[0071][0072]
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；
[0073]
步骤13：如图2所示，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：
[0074][0075]
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。
[0076]
进一步的实施例中，如图1中超图构建部分所示，步骤2具体为
[0077]
步骤21：根据特征矩阵xr，由knn最近邻算法构建超边，具体为：
[0078]
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；
[0079]
将所有超边拼接成一个的矩阵，记为关联矩阵hr，表示为：
[0080][0081]
其中hr(i,j)是矩阵hr第i行，第j列的元素；
[0082]
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；
[0083]
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
[0084][0085]
其中是矩阵hd的第j条超边；
[0086]
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；
[0087]
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；
[0088]
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，；
[0089][0090]
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。
[0091]
进一步的实施例中，如图1中超图卷积部分所示，将三个超图拼接后得到的新超图作为深度网络的输入，进行超图卷积的具体方法为：
[0092]
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
[0093]
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；
[0094]
超图卷积由两个部分组成，即超图融合和超图卷积。考虑到多模态的关联性，综合超图由三个子超图组成。超图的超边集ε是εg，εr，εd的集合，其维度为
[0095]
为了学习综合超图的特征表示，将关联矩阵h，xr和xd的特征矩阵作为输入，进行超
图卷积。超图卷积是一种专门为超图设计的新型特征学习方法。其由受经典图卷积启发，并从超图学习理论中衍生而来。
[0096]
综合超图的拉普拉斯δ表达式如下
[0097][0098]
其中dv,de和w分别是顶点度数、边缘度数和边缘权重的对角线矩阵，h为超图的关联矩阵。其为n
×
n的半正定矩阵。
[0099]
通过特征分解，得到
[0100][0101]
其中φ＝(φ1,φ2,l,φn）是由正规特征向量构成的矩阵，λ＝diag(λ1,λ2,l,λn)是由特征值组成的对角线矩阵。
[0102]
由于φ中的特征向量构成了空间的正交基，空间中单独的的傅里叶变换为
[0103][0104]
那么带有卷积核的x的频域卷积为
[0105][0106]
其中是傅里叶逆变换，e是哈达玛积，其中特征值函数g
θ
(λ)定义为
[0107][0108]
傅里叶变换和傅里叶逆变换的时间复杂度均为
[0109]gθ
(λ)可以使用切比雪夫的k阶展开来进行近似处理，步骤35中的频域卷积可以简化为
[0110][0111]
其中θk是切比雪夫系数，是拉普拉斯缩放算子，tk(x)切比雪夫多项式。tk(x)可以由tk(x)＝2xt
k-1
(x)-t
k-2
(x)，t0(x)＝1，t1(x)＝x计算得出。
[0112]
由于顶点之间的高阶关联可以由超图中的拉普拉斯算子很好地表示，因此采用一阶chebnet来进一步提高计算效率，即k＝1，λ
max
＝2。卷积过程可以简化如下:
[0113][0114]
其中θ0和θ1两个系数可使用一个系数简化为
[0115][0116]
故超图卷积最终为
[0117][0118]
基于上述超图卷积算子，可以构建一个超图卷积神经网络，逐层学习超图的特征
表达。通过堆叠多层超图卷积来建立深度网络，网络上的卷积层可以按以下方式计算：
[0119][0120]
公式的每部分的拆解演示图如图3所示
[0121]
其中是超图中第l层的输入信号，是第l层的参数矩阵，是非线性激活函数。通过内核为θ
(l)
的卷积，下一层中顶点特征表示也可以得到。
[0122]
进一步的实施例中，由图1中预测部分所示，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，将深度网络最后一层学习到的特征表示带入最佳参数预测模型，对下一时刻的交通状况进行预测的具体方法为：
[0123]
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；
[0124]
整个预测模型的学习是为了在训练集上最小化预测值和真实值之间的误差，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：
[0125][0126]
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。
[0127]
基于学习模型f，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：
[0128][0129]
其中为当前时刻的特征矩阵，为学习后的最优模型参数。
[0130]
本发明引入了一种新的数据表示方法，即超图，来模拟交通数据中的复杂关。
[0131]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，
[0132]
任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
[0133]
应当理解，为了精简本发明并帮助本领域的技术人员理解本发明的各个方面，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时在单个实施例中进行描述，或者参照单个图进行描述。但是，不应将本发明解释成示例性实施例中包括的特征均为本专利权利要求的必要技术特征。
[0134]
应当理解，可以对本发明的一个实施例的设备中包括的模块、单元、组件等进行自适应性地改变以把它们设置在与该实施例不同的设备中。可以把实施例的设备包括的不同模块、单元或组件组合成一个模块、单元或组件，也可以把它们分成多个子模块、子单元或
子组件。

技术特征：
1.一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，其特征在于，包括以下步骤：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；步骤2：根据所提取的数据建立基于二阶空间相邻性的空间拓扑超图、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；步骤3：将三个超图拼接后得到新的融合超图，以时间段交通状态特征矩阵、每日交通状态特征矩阵以及融合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；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。2.根据权利要求1所述的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，其特征在于，提取目标地区中各个交通区域的静态空间拓扑数据与动态交通状态数据的具体步骤为：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a
g
，邻接矩阵a
g
数据表示为：其中，a
g
(i,j)是矩阵a
g
第i行，第j列的元素，v
i
为图中的第i个节点，对应为第i个交通区域；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x
r
，表示为：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x
r
中每一个行向量代表第i个区域的近期交通特征向量，列向量表示所有区域在不同时间段的交通状态信息；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x
d
，表示为：其中表示n个区域在下一个时间段t+1的交通状况，t
d
表示每天包含的时间段的个数，q表示所考虑的天数。3.根据权利要求2所述的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，其特征在于，根据所提取的数据建立基于二阶空间相邻性的空间拓扑超图、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：
步骤21：根据特征矩阵x
r
，利用knn最近邻算法构建超边，具体为：对于每一个节点v
i
，i＝1,2,l,n，使用knn算法在矩阵x
r
的行向量中计算得到k-1个最近邻的节点；将节点v
i
和k-1个最近邻节点一同组建超边得到n条超边；将所有超边拼接成一个的矩阵，记为关联矩阵h
r
，表示为：其中h
r
(i,j)是矩阵h
r
第i行，第j列的元素；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；步骤22：根据特征矩阵x
d
，利用knn最近邻算法构建超边，将所有超边拼接构成关联矩阵h
d
，表示为其中是矩阵h
d
的第j条超边；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；步骤23：根据提取的邻接矩阵a
g
,构建基于二阶空间相邻性的空间拓扑超图用于反映交通状况的二阶空间关联性；对于邻接矩阵a
g
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h
g
描述，；其中是h
g
的第j条超边，表示不同交通区域之间的二阶相关性，ε
g
表示空间拓扑超图中的超边集合。4.根据权利要求3所述的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，其特征在于，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：步骤31：将步骤3得到的空间拓扑超图、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的融合超图该融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；所述深度网络由多个超图卷积层堆叠而成；
各超图卷积层的计算公式为：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，d
v
,d
e
和w分别是节点度矩阵、超边度矩阵与超边权重矩阵。5.根据权利要求1所述的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，其特征在于，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：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；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：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，f: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。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：其中为当前时刻的特征矩阵，为学习后的最优模型参数。

技术总结
本发明公开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，包括：提取各个交通区域之间的静态空间拓扑数据与动态交通状态数据，构建交通区域邻接矩阵、近期交通状态特征矩阵以及历史交通状态特征矩阵；根据所提取的数据建立空间拓扑超图、近期语义超图以及历史语义超图；将三个超图拼接后得到新的融合超图，在此基础上构建深度超图卷积网络，逐层进行超图卷积；利用训练集对模型进行训练，获得最优模型参数，利用最优模型对下一时刻的交通状况进行预测。本发明将超图数据结构引入到交通状况的复杂相关性建模中，不仅考虑了交通区域的二阶空间相邻性，同时考虑了交通状态的多模式高阶语义相关性，提高了路网交通状态预测的准确性。通状态预测的准确性。通状态预测的准确性。


技术研发人员：唐坤 徐添 郭唐仪 何流 徐永能 刘英舜
受保护的技术使用者：南京理工大学
技术研发日：2023.03.20
技术公布日：2023/7/4