[发明专利]基于图注意力机制和双向门控循环单元交通流预测方法

说明书

本发明公开了基于图注意力机制和双向门控循环单元交通流预测方法，本发明通过捕获空间依赖特征、捕获时间依赖特征、全连接操作、结果预测这四个步骤予以实现。本发明对于时空结合的基准模型，STGCN通过结合图卷积和一维时间卷积来提取时空信息；DCRNN以编码器‑解码器的形式将空间维度处理过的图卷积信息输入到循环神经网络中来提取时空依赖特征；在时空特征的提取上，整体的表现都优于其他基准模型，在长时交通流预测方面取得了很好的效果。本发明模型在现实路网中不同节点的交通预测结果都表现不错，能充分捕获交通路网的时空依赖特征，更加体现出本发明模型在长时交通流预测方面的有效性，可以反映出真实的车辆速度变化趋势。

技术领域

本发明属于交通监测技术领域，具体涉及基于图注意力机制和双向门控循环单元交通流预测方法。

背景技术

随着城市化进程的加快，大量人口正迅速向城市聚集，私家车数量的迅速增加和公共交通服务需求的增长给目前的交通系统带来巨大压力。为构建智慧城市，解决繁杂的交通问题，智能交通系统应运而生，其结合物联网、人工智能和5G等新兴技术，对车辆进行实时监测，通过早期干预的措施，对交通路网实行智能调配，进而缓解交通问题。近年来，图神经网络已成为深度学习研究的前沿技术。Zhao L等使用图卷积网络(GCN)对交通路网的邻接矩阵做拉普拉斯变换来捕获空间依赖性。

然而，GCN是基于谱方法(Spectral)对无向图的对称邻接矩阵进行特征值分解，它不适用于有向图的结构。Kong X等构建全路网为1的自适应邻接矩阵，使用门控时间卷积网络提取时间序列特征，然而，其在构建自适应邻接矩阵时给大量多余的节点之间赋值权重，从而产生大量的冗余信息，不利于空间特征的提取。

Zheng H等使用CNN进行空间特征提取时，将空间信息视为由经纬度组成的二维欧氏数据，以类似于图像的形式进行深度卷积，该方法具有并行计算、梯度稳定、低内存需求的优势；然而，当数据用矩阵表示时，交通路网的空间拓扑可能会丢失，这表现出了CNN对交通流预测的局限性。现有的模型忽略了潜在路网的空间特征，无法反映出真实的车辆速度变化趋势。

发明内容

本发明的目的在于提供一种在时空特征的提取上，整体的表现都优于其他基准模型、能够反映出真实的车辆速度变化趋势的基于图注意力机制和双向门控循环单元交通流预测方法。

为了实现上述发明目的，本发明采用以下技术方案：

基于图注意力机制和双向门控循环单元交通流预测方法，包括空间模型和时间模型组合成时空块，采用残差机制设计多层时空块堆叠，所述空间模型包括下步骤：

1)采用GAT捕获现实路网的空间依赖特征，采用SAdpGAT捕获潜在路网的空间依赖特征；

2)将空间依赖特征输入BiGRU捕获时间依赖特征；

3)对时空块的输出特征进行全连接操作；

4)将现实路网和潜在路网的预测结果相连接，得到模型最终的预测结果。

进一步地，在提取空间依赖特征时，使用现实路网的邻接矩阵结构去构建一个自适应邻接矩阵，并进行Xavier初始化，即A_i,j[Xavier]，节点为N×N；然后将初始时间序列作为条件与自适应邻接矩阵做线性变换后输入GAT网络；最后采用注意力评分函数计算节点之间的相关度。

进一步地，基于双向门控循环单元提取时间特征，由前向隐藏层和反向隐藏层组成。

作为优选，在使用BatchNorm2d对每一层时空模块的输出结果做归一化操作，然后使用Relu激活函数加速模型收敛。

作为优选，将现实路网和潜在路网的时空模块的输出结果输入全连接层进行维度变换，然后对两条路径的预测结果加权求和，得到模型最终的输出结果。

作为优选，所述模型最终的输出结果的计算公式为：