一种基于嵌套时序分解时空图卷积网络的交通流预测方法

1.本发明属于时间序列预测领域，具体指代一种嵌套时序分解时空图卷积网络的交通流预测方法。


背景技术：

2.随着智能交通系统(its)的发展，交通流分析、预测是智能交通系统(its)也将成为其一个非常重要的部分。低频预测数据可用于宏观的公共交通规划、车辆路径选择等，且对于优化交通通行效率十分有效。而高频预测数据则能用于推测车辆未来工况信息，对于单车的驾驶行为选择和能量管理有重要作用。
3.由于交通流的连续性与传播性，交通流对于时间与空间同时具有强烈的依赖，单个节点的交通流信息极易受到相邻节点的影响，就算非相邻节点，也会因为交通事件的传播而再一定事件后造成影响，单纯的时序预测已经很难满足现在交通流预测的需求。且交通流是一个受社会力强影响的时间序列，在部分时间尺度自相关性较差，对预测效果影响较大，且这种对自相关性的影响因为人类社会活动的多尺度周期性特装，同样具有多尺度特性。
4.因此急需一种可以捕获多尺度特装并结合时间与空间信息的交通流预测方法。


技术实现要素：

5.本发明旨在提供一种基于嵌套时序分解时空图卷积网络的交通流预测方法。以解决上述技术问题。使用时序分解算法对特定的弱自相关时间尺度进行分解，以提高单个时间序列内各时点变量的相互关联性。使用引入新型时空图卷积模块的时空图卷积网络，同步捕捉各个节点的时间、空间和时空同步相关性。具体步骤如下：
6.步骤1：数据处理；
7.通过路端传感器，或者车载设备回传信息，聚合而成交通流速度和流量序列，使用规则与线性插值补全缺失数据。
8.步骤2：graph构建；
9.神经网络的目标是根据前n个时间间隔的历史数据，预测未来m个时间间隔的客流量。基于n个交通节点的观测数据，我们模型的输入数据可以表示为矩阵x：
[0010][0011]
其中x
t-n
表示时间戳t前第n个时间间隔的客流量矩阵，x
i，j
对应第i到j路口站点的客流量数据。
[0012][0013]
其中n
ij
是在特定的时间跨度内从i站到j站的乘客数量。如果两路口不直接相邻，令n
ij
＝0。
[0014]
我们使用g＝(v，e，a，d)表示空间网络，其中|v|＝n为顶点集，n为顶点个数，e为边集。a为网络g的邻接矩阵，d为网络g的距离矩阵，空间网络g表示空间维度上节点之间的关系，网络结构不随时间变化。同时对于各个节点构建交通流特征图，用以表征某时某刻的交通流事件。
[0015]
有两个节点连通，则邻接矩阵中对应的值为1，局域化时空图的邻接矩阵可以表示为：
[0016][0017]
两个节点间的距离，根据实际距离按照一定比例，表示为：
[0018][0019]
步骤3：对于交通流图进行时序分解；
[0020]
使用nstl(嵌套周期趋势分解)将交通流序列按照不同的时间粒度，分解为多时间尺度序列。
[0021]
内部循环通过以下步骤实现数据分解：
[0022]
step1：去趋势，用t时刻的时间序列数据yt减去内循环第k-1次结束时的趋势分量t
t
(k)，即y
t-t
t
(k)，取0为t
t
(k)的初始值；
[0023]
step2：子序列平滑，使用loess对全部子序列进行回归操作且基于loess选择的周期参数向前和向后同时各延展一个周期，平滑结果组成临时周期分量，记作ts
t
(k+1)；
[0024]
step3：周期子序列的低通量过滤，对step2得到的ts
t
(k+1)进行滑动平均，滑动平均的周期取值作为loess周期参数的值，继续使用loess对获得的回归结果再次进行回归，以提取周期子序列的低通量，所得的果序列记作l
t
(k+1)；
[0025]
step4：提取周期分量s
t
(k+1)，s
t
(k+1)＝ts
t
(k+1)-l
t
(k+1)；
[0026]
step5：去除周期分量y
t-s
t
(k+1)；
[0027]
step6：趋势平滑，再次对去周期分量的序列执行loess操作，得到趋势分量，记作tt(k+1)；
[0028]
step7：变尺度，将周期分量s
t
(k+1)作为新的y
t
，回到step1。
[0029]
外循环用于计算鲁棒权值ρ
t
：
[0030]
ρ
t
＝b(|r
t
|/h)
[0031][0032]
h＝6*median(|rt|)
[0033]
再通过一层嵌套循环改变平滑参数ns，n
l
，n
t
，以适应不同时间尺度，本文预采取四次嵌套循环，最终令y
t
＝a
t
+w
t
+d
t
+s
t
+r
t
，实现争对年、周、天、间断流设施四个时间尺度的分解。
[0034]
步骤4：多尺度时间序列传入时空图卷积模块；
[0035]
本发明定义一个时空图卷积模块来捕获局部时空相关性。图卷积运算可以将每个节点的特征与其相邻节点进行聚合。在顶点域定义了一个图卷积运算来聚合时空网络中的局部时空特征。图卷积运算的输入是局部时空图的图信号矩阵。在这个图卷积运算中，每个节点在相邻的时间步长上聚合自己和相邻节点的特征。聚合函数是一个线性组合，其权值等于节点与其邻居之间边的权值。然后我们用激活函数部署一个全连接层，将节点的特征转换为一个新的空间。这个图的卷积运算可以表述为：
[0036][0037]
其中表示局域化时空图的邻接矩阵，是第l图卷积层的输入，为可学习参数，σ表示激活函数。选择glu作为图卷积层的激活函数，图卷积层的描述如下：
[0038][0039]
式中为可学习参数，sigmoid表示sigmoid激活函数，表示元素方向乘积，门控线性单元控制哪个节点的信息可以传递给下一层。
[0040]
每个图卷积操作的输出将被馈送到聚合层。使用max-pooling最大池化作为聚合操作。它对所有图卷积的输出进行一个逐元素的最大运算：
[0041][0042]
其中c
out
表示图卷积运算中的核数。
[0043]
聚合操作将输入压缩为然后裁剪操作保留中间时间步的节点，生成的输出
[0044]
步骤5：
[0045]
为了获取整个网络序列的长时间时空相关性，我们使用滑动窗口来切割不同的时间段。由于时空数据的异质性，使用多个时空图卷积模块，允许每个时空图卷积模块专注于在局部化图中建模局部时空相关性。我们将一组时空图卷积模块作为时空图卷积层来提取长程时空特征。
[0046][0047]
其中表示第i个时空图卷积模块的输出。
[0048]
最终使用两个全连接输出层来聚合最终预测结果。将x补齐为为作为输入。首先将它们转置并重塑为然后我们使用两个全连接层生成的预测如下：
[0049][0050]
式中表示步长为i的预测。是可学习参数，c
′
表示第一个全连接层输出的特征个数。然后我们将每个时间步的所有预测连接到一个矩阵中：
[0051][0052]
本发明的显著效果是：
[0053]
(1)本发明提出了一种基于嵌套时序分解时空图卷积网络的交通流预测方法，很好的解决了时间尺度异质性问题，捕捉了交通节点间的时空双重依赖特征，提高了预测精度；
[0054]
(2)本发明通过使用嵌套时序分解nstl算法，引入一个多尺度时序分解模块来捕获交通流数据的社会性特征以解决其非自相关性对预测带来的影响。
[0055]
(3)本发明通过一种新型的时空卷积模块来捕捉节点间的三种依赖关系，不光考虑了节点和自己节点的时空关系、节点和相邻节点的空间关系，还考虑了节点和相邻节点非同步长的时空关系，通过交通流事件的传播特征，建立起非相邻节点但共享相似交通流模式的连接。
附图说明
[0056]
图1是本神经网络的总体结构图；
[0057]
图2是各个graph对应的物理意义与结构；
[0058]
图3是嵌套时序分解模块伪代码
[0059]
图4是局域化时空图邻接矩阵
具体实施方式
[0060]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0061]
参照图1本发明的一种基于嵌套时序分解时空图卷积网络的交通流预测方法，步骤如下：
[0062]
步骤1：数据处理；
[0063]
通过路端传感器，或者车载设备回传信息，聚合而成交通流速度和流量序列，使用规则与线性插值补全缺失数据。
[0064]
步骤2：graph构建；
[0065]
神经网络的目标是根据前n个时间间隔的历史数据，预测未来m个时间间隔的客流量。基于n个交通节点的观测数据，我们模型的输入数据可以表示为矩阵x：
[0066][0067]
其中x
t-n
表示时间戳t前第n个时间间隔的客流量矩阵，x
i，j
对应第i到j路口站点的客流量数据。
[0068][0069]
其中n
ij
是在特定的时间跨度内从i站到j站的乘客数量。如果两路口不直接相邻，令n
ij
＝0。
[0070]
我们使用g＝(v，e，a，d)表示空间网络，其中|v|＝n为顶点集，n为顶点个数，e为边
集。a为网络g的邻接矩阵，d为网络g的距离矩阵，空间网络g表示空间维度上节点之间的关系，网络结构不随时间变化。同时对于各个节点构建交通流特征图，用以表征某时某刻的交通流事件。
[0071]
有两个节点连通，则邻接矩阵中对应的值为1，局域化时空图的邻接矩阵可以表示为：
[0072][0073]
两个节点间的距离，根据实际距离按照一定比例，表示为：
[0074][0075]
步骤3：对于交通流图进行时序分解；
[0076]
使用nstl(嵌套周期趋势分解)将交通流序列按照不同的时间粒度，分解为多时间尺度序列。
[0077]
内部循环通过以下步骤实现数据分解：
[0078]
step1：去趋势，用t时刻的时间序列数据yt减去内循环第k-1次结束时的趋势分量t
t
(k)，即y
t-t
t
(k)，取0为t
t
(k)的初始值；
[0079]
step2：子序列平滑，使用loess对全部子序列进行回归操作且基于loess选择的周期参数向前和向后同时各延展一个周期，平滑结果组成临时周期分量，记作ts
t
(k+1)；
[0080]
step3：周期子序列的低通量过滤，对step2得到的ts
t
(k+1)进行滑动平均，滑动平均的周期取值作为loess周期参数的值，继续使用loess对获得的回归结果再次进行回归，以提取周期子序列的低通量，所得的果序列记作l
t
(k+1)；
[0081]
step4：提取周期分量s
t
(k+1)，s
t
(k+1)＝ts
t
(k+1)-l
t
(k+1)；
[0082]
step5：去除周期分量y
t-s
t
(k+1)；
[0083]
step6：趋势平滑，再次对去周期分量的序列执行loess操作，得到趋势分量，记作tt(k+1)；
[0084]
step7：变尺度，将周期分量s
t
(k+1)作为新的y
t
，回到step1。
[0085]
外循环用于计算鲁棒权值ρ
t
：
[0086]
ρ
t
＝b(|r
t
|/h)
[0087][0088]
h＝6*median(|rt|)
[0089]
再通过一层嵌套循环改变平滑参数ns，n
l
，n
t
，以适应不同时间尺度，本文预采取四次嵌套循环，最终令y
t
＝a
t
+w
t
+d
t
+s
t
+r
t
，实现争对年、周、天、间断流设施四个时间尺度的分解。
[0090]
步骤4：多尺度时间序列传入时空图卷积模块；
[0091]
本发明定义一个时空图卷积模块来捕获局部时空相关性。图卷积运算可以将每个节点的特征与其相邻节点进行聚合。在顶点域定义了一个图卷积运算来聚合时空网络中的局部时空特征。图卷积运算的输入是局部时空图的图信号矩阵。在这个图卷积运算中，每个节点在相邻的时间步长上聚合自己和相邻节点的特征。聚合函数是一个线性组合，其权值
等于节点与其邻居之间边的权值。然后我们用激活函数部署一个全连接层，将节点的特征转换为一个新的空间。这个图的卷积运算可以表述为：
[0092][0093]
其中表示局域化时空图的邻接矩阵，是第1图卷积层的输入，为可学习参数，σ表示激活函数。选择glu作为图卷积层的激活函数，图卷积层的描述如下：
[0094][0095]
式中为可学习参数，sigmoid表示sigmoid激活函数，表示元素方向乘积，门控线性单元控制哪个节点的信息可以传递给下一层。
[0096]
每个图卷积操作的输出将被馈送到聚合层。使用max-pooling最大池化作为聚合操作。它对所有图卷积的输出进行一个逐元素的最大运算：
[0097][0098]
其中c
out
表示图卷积运算中的核数。
[0099]
聚合操作将输入压缩为然后裁剪操作保留中间时间步的节点，生成的输出
[0100]
步骤5：
[0101]
为了获取整个网络序列的长时间时空相关性，我们使用滑动窗口来切割不同的时间段。由于时空数据的异质性，使用多个时空图卷积模块，允许每个时空图卷积模块专注于在局部化图中建模局部时空相关性。我们将一组时空图卷积模块作为时空图卷积层来提取长程时空特征。
[0102][0103]
其中表示第i个时空图卷积模块的输出。
[0104]
最终使用两个全连接输出层来聚合最终预测结果。将x补齐为为作为输入。首先将它们转置并重塑为然后我们使用两个全连接层生成的预测如下：
[0105][0106]
式中表示步长为i的预测。是可学习参数，c
′
表示第一个全连接层输出的特征个数。然后我们将每个时间步的所有预测连接到一个矩阵中：
[0107][0108]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

技术特征：
1.一种基于嵌套时序分解时空图卷积网络的交通流预测方法步骤1：数据处理，获取原始交通流信息，进行清洗和插值处理；步骤2：交通流网络graph图构建；步骤3：嵌套时序分解，提取多尺度时序信息；步骤4：多尺度时间序列传入时空图卷积模块；步骤5：时空图卷积模块构建时空图卷积层；步骤6：使用数据训练网络，并对未来交通流进行预测。2.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于，通过路端传感器，或者车载设备回传信息，聚合而成交通流速度和流量序列，进行清洗，并使用规则与线性插值补全缺失数据。3.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于。神经网络的目标是根据前n个时间间隔的历史数据，预测未来m个时间间隔的客流量。基于n个交通节点的观测数据，我们模型的输入数据可以表示为矩阵x：其中x
t-n
表示时间戳t前第n个时间间隔的客流量矩阵，x
i，j
对应第i到j路口站点的客流量数据。其中n
ij
是在特定的时间跨度内从i站到j站的乘客数量。如果两路口不直接相邻，令n
ij
＝0。我们使用g＝(v，e，a，d)表示空间网络，其中|v|＝n为顶点集，n为顶点个数，e为边集。a为网络g的邻接矩阵，d为网络g的距离矩阵，空间网络g表示空间维度上节点之间的关系，网络结构不随时间变化。同时对于各个节点构建交通流特征图，用以表征某时某刻的交通流事件。有两个节点连通，则邻接矩阵中对应的值为1，局域化时空图的邻接矩阵可以表示为：两个节点间的距离，根据实际距离按照一定比例，表示为：4.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于，使用nstl(嵌套周期趋势分解)将交通流序列按照不同的时间粒度，分解为多时间尺度序列。内部循环通过以下步骤实现数据分解：
step1：去趋势，用t时刻的时间序列数据yt减去内循环第k-1次结束时的趋势分量t
t
(k)，即y
t-t
t
(k)，取0为t
t
(k)的初始值；step2：子序列平滑，使用loess对全部子序列进行回归操作且基于loess选择的周期参数向前和向后同时各延展一个周期，平滑结果组成临时周期分量，记作ts
t
(k+1)；step3：周期子序列的低通量过滤，对step2得到的ts
t
(k+1)进行滑动平均，滑动平均的周期取值作为loess周期参数的值，继续使用loess对获得的回归结果再次进行回归，以提取周期子序列的低通量，所得的果序列记作l
t
(k+1)；step4：提取周期分量s
t
(k+1)，s
t
(k+1)＝ts
t
(k+1)-l
t
(k+1)；step5：去除周期分量y
t-s
t
(k+1)；step6：趋势平滑，再次对去周期分量的序列执行loess操作，得到趋势分量，记作tt(k+1)；step7：变尺度，将周期分量s
t
(k+1)作为新的y
t
，回到step1。外循环用于计算鲁棒权值ρ
t
：ρ
t
＝b(|r
t
|/h)h＝6*median(|rt|)再通过一层嵌套循环改变平滑参数n
s
，n
l
，n
t
，以适应不同时间尺度，本文预采取四次嵌套循环，最终令y
t
＝a
t
+w
t
+d
t
+s
t
+r
t
，实现争对年、周、天、间断流设施四个时间尺度的分解。5.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于，本发明定义一个时空图卷积模块来捕获局部时空相关性。图卷积运算可以将每个节点的特征与其相邻节点进行聚合。在顶点域定义了一个图卷积运算来聚合时空网络中的局部时空特征。图卷积运算的输入是局部时空图的图信号矩阵。在这个图卷积运算中，每个节点在相邻的时间步长上聚合自己和相邻节点的特征。聚合函数是一个线性组合，其权值等于节点与其邻居之间边的权值。然后我们用激活函数部署一个全连接层，将节点的特征转换为一个新的空间。这个图的卷积运算可以表述为：其中表示局域化时空图的邻接矩阵，是第1图卷积层的输入，为可学习参数，σ表示激活函数。选择glu作为图卷积层的激活函数，图卷积层的描述如下：式中为可学习参数，sigmoid表示sigmoid激活函数，表示元素方向乘积，门控线性单元控制哪个节点的信息可以传递给下一层。6.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于，每个图卷积操作的输出将被馈送到聚合层。使用max-pooling最大池化作为聚合操作。它对所有图卷积的输出进行一个逐元素的最大运算：
其中c
out
表示图卷积运算中的核数。聚合操作将输入压缩为然后裁剪操作保留中间时间步的节点，生成的输出。7.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于，为了获取整个网络序列的长时间时空相关性，我们使用滑动窗口来切割不同的时间段。由于时空数据的异质性，使用多个时空图卷积模块，允许每个时空图卷积模块专注于在局部化图中建模局部时空相关性。我们将一组时空图卷积模块作为时空图卷积层来提取长程时空特征：其中表示第i个时空图卷积模块的输出。最终使用两个全连接输出层来聚合最终预测结果。将x补齐为为作为输入。首先将它们转置并重塑为然后我们使用两个全连接层生成的预测如下：式中表示步长为i的预测。是可学习参数，c
′
表示第一个全连接层输出的特征个数。然后我们将每个时间步的所有预测连接到一个矩阵中：

技术总结
本发明公开了一种基于嵌套时序分解时空图卷积网络的交通流预测方法，通过使用嵌套时序分解模块将这些交通流信息的多时间尺度趋势与周期进行分解，以交通流数据的自相关性，与构建的交通网络结构矩阵，传入引入了改进设计的时空图卷积模块的时空图卷积层，不光考虑了节点和自己节点的时空关系、节点和相邻节点的空间关系，还考虑了节点和相邻节点非同步长的时空关系，通过交通流事件的传播特征，建立起非相邻节点但共享相似交通流模式的连接。此网络相比于传统网络，可以有效的挖掘交通流数据的时间尺度的周期特性和空间尺度的传播特性，有好的预测精确度。有好的预测精确度。有好的预测精确度。


技术研发人员：裴天箫
受保护的技术使用者：南京航空航天大学
技术研发日：2023.02.15
技术公布日：2023/5/16