买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长江空间信息技术工程有限公司(武汉)

摘要：本发明公开了一种基于图过程神经网络的城市道路拥堵时空预测方法。它将路网图结构信息嵌入到时间点过程模型内部，形成标值时空图过程神经网络模型，使时间点过程模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息，同时通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行扩展，形成新的感知拥堵模式变化的图传播卷积核P‑GCN，使得图卷积核能够感知拥堵模式变化，提升标值时空图过程神经网络模型的泛化能力。本发明具有提升城市道路拥堵预测准确性、稳定性及预测效率的优点。

主权项：1.基于图过程神经网络的城市道路拥堵时空预测方法，其特征在于：将路网图结构信息嵌入到时间点过程模型内部，形成标值时空图过程神经网络模型，使时间点过程模型不仅能够捕获事件在时间上的依赖，同时能够捕获城市道路网络拥堵事件之间的远程空间关联信息，同时通过顾及城市道路网络拥堵事件的时空传播模式，对传统的图卷积网络进行扩展，形成新的感知拥堵模式变化的图传播卷积核P-GCN，使得图卷积核能够感知拥堵模式变化，提升标值时空图过程神经网络模型的泛化能力；所述预测方法包括如下步骤，步骤一：基础资料整理；分析基础资料，并进行数据预处理，获得完整的实验数据集；步骤二：拥堵事件定义；通过拥堵事件定义，将城市路网交通拥堵事件预测定义为一个多任务学习问题，用于预测未来多步时间拥堵是否发生和发生的标值，如下公式1所示： 其中：Gs表示未发生拥堵事件时的道路网络连接图结构；Gc表示发生拥堵事件时的路网连接图结构；X表示历史时间段[0,T]的节点特征；E0→T表示拥堵图所有节点拥堵事件序列；步骤三：城市路网拥堵传播时空依赖建模；所述城市路网拥堵传播时空依赖建模具体方法为：通过输入双层图结构数据，首先，利用从交通拥堵图数据中提取拥堵模式，并将提取的拥堵模式整合到传统的图卷积神经网络形成新的图传播卷积核P-GCN；接下来，利用新的图传播卷积核P-GCN对历史交通路况图结构进行空间建模，同时学习城市路况图结构的空间结构依赖和拥堵传播模式；最后，对于路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，在时间维上提取时间依赖关系，学习历史拥堵事件时空嵌入表示；步骤四：集成拥堵传播模式的空间关联建模；路网图结构每个节点学习路网相邻之间的空间信息和交通路网拥堵节点之间传播模式信息；对每个历史时刻的输入，进行空间卷积后，交通路况图结构的空间关联信息被融合到同一个图结构中，得到一个紧凑表示的多维特征张量T作为历史输入长度，N为图的节点个数；所述集成拥堵传播模式的空间关联建模具体方法包括如下步骤：1交通路况图嵌入；首先对交通路况图进行嵌入，图卷积神经网络从输入数据中学习信息；然后将嵌入向量送入第二阶段时间关联建模；基于图卷积GCN相关理论实现拓扑图的卷积，对全局GCN进行扩展，开发新的集成拥堵传播模式的图传播卷积核P-GCN；GCN通过拓扑结构的多次卷积来获取空间信息，具体方法包括：采用两层卷积对空间对t-1进行建模捕获图形空间特征，其中GCN层定义为公式5和公式6： 其中：为输入交通特征；N为图的节点个数；C0＝F为每个节点输入特征向量的维度；As∈RN×N为路网邻接矩阵；是第l层图卷积输出嵌入表示；Cl为第l层嵌入空间维度；为添加自连接的输入图邻接矩阵；为节点的度矩阵；σ·表示激活函数；为神经网络第l层的权重矩阵，Wl-1为神经网络第l-1层的权重矩阵；2交通拥堵图的传播模式提取与图传播卷积核的建立；将i和j位置的事件时空传播模式定义为ρi,j，用于描述在某一设定时刻下，拥堵事件ei和ej之间的时空依赖关系；具体来说，对于t时刻发生在空间位置i处的拥堵事件ei，为其设定时间阈值Δt和事件之间标值属性阈值Δm，那么认为：所有发生在时间窗[t+Δt,m+Δm内，且与空间位置j的欧氏距离小于Δm的拥堵事件ej，都可能对位置i产生影响；而ei对ej影响的大小，用它们的时间距离Δti,j＝|ti-tj|，及其标值属性距离mi,j来衡量；两个拥堵事件越接近，它们对应的拥堵模式越相似；因此，根据问题特点，ρi,j通过公式7计算： 其中，wt,wm∈RN均是学习的参数，用于决定时间和空间对拥堵事件的时空影响的重要程度；ρi,j数值越大，意味着两拥堵事件的时空相关性越强，拥堵模式越相近；根据公式7，路网中两次拥堵事件的时间距离越小，Δti,j越小，相关性ρi,j越强；基于上述公式，对每个不同时刻的交通拥堵图上所有位置，分别建立不同的时空动态关联矩阵，表征拥堵在城市路网中的时空传播模式矩阵表示；最后，将得到的时空动态传播模式矩阵集成到GCN图卷积核，得到t-1时刻新的图传播卷积核结构，如公式8所示： 其中：⊙表示哈达玛乘积，为新的图传播卷积核结构P-GCN；步骤五：时间维度卷积建模历史拥堵事件；通过时域卷积网络架构TCN，对路网图结构中的每个节点，由历史事件空间卷积输出作为标准时间卷积网络的输入，学习历史拥堵事件时空嵌入表示；当历史事件空间卷积输出设为l-1层Tl-1个历史时间步长的空间输出时： 输入尺度为[Tl-1×N×Cl-1]，它与大小为Kt-1的核函数的卷积公式9如下： 其中：[*]表示标准的卷积运算；Relu为非线性激活函数；Kt-1表示时间维的卷积核，Cl-1为第l-1层嵌入空间维度，Tl为l层的输入的历史时间步长，Cl为第l层嵌入空间维度。

全文数据：

权利要求：

百度查询： 长江空间信息技术工程有限公司(武汉) 一种基于图过程神经网络的城市道路拥堵时空预测方法