基于空间拓扑关系约束的时空流量预测模型的运行方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于控制技术领域，更具体地说，特别涉及基于空间拓扑关系约束的时空流量预测模型的运行方法。背景技术：2.由于时空流量的高度非线性和复杂性，传统方法无法满足中长期预测任务的要求，往往忽略了空间和时间的依赖关系。现有方法如图卷积神经网络(gcn) 将不规则空间关系表示为图，而后将cnn或rnn与gcn相结合来学习时空数据的时空特征。解决时空领域的时间序列预测问题。由于只是考虑了固定的经验图，其中没有考虑交通数据的动态特性，会导致预测任务的性能下降。3.一些模型根据道路网络图的变化，并试图为gcn构造动态图，但传统的动态图卷积神经网络(dgcn)也不一定会在图构造中充分利用交通数据的时空特性。另一些方法，通过空间关系自适应学习的方法来自动捕获时空数据中隐藏的空间关系，然而，不加约束的空间拓扑关系学习会使得所学习的空间关系存在过平滑问题，即每个空间点都有链接，且链接的权重大小差不多；4.于是，有鉴于此，针对现有的结构及缺失予以研究改良，提供基于空间拓扑关系约束的时空流量预测模型的运行方法，以期达到更具有更加实用价值性的目的。技术实现要素：5.为了解决上述技术问题，本发明提供基于空间拓扑关系约束的时空流量预测模型的运行方法，其目的与功效，由以下具体技术手段所达成：6.基于空间拓扑关系约束的时空流量预测模型的运行方法，包括以下步骤：7.步骤一：输入预处理和空间拓扑构建，将时空数据进行张量化，并构建可学习的空间拓扑邻接矩阵；8.步骤二：将时空数据送入到tcn；9.步骤三：将时空数据送入到空间卷积gcn中；10.步骤四：计算损失，同时进行向后传播算法，优化模型参数。11.进一步的，所述步骤一中，空间拓扑结构为g＝v,e；12.其中v＝v1,v2,......vn为节点集，n为空间中节点的数目，e表示描述节点之间空间关系的边的集合。13.进一步的，所述步骤一中，节点之间的连接可以由一个邻接矩阵a表示，第i和第j个节点若存在空间连接关系，则邻接矩阵元素aij为1，否则为0，针对某地区的局部交通网络，获取某个时间段，每个路口的交通流量数据，即时间序列数据。根据路口交通流量在固定时刻内采样得到时间序列数据。14.进一步的，所述步骤一中，通过空间节点的嵌入来构建空间邻接关系，设个空间关系中节点嵌入为,其中表示嵌入维度，则所有的节点嵌入矩阵为,则可以构造科学系邻接矩阵：15.a＝softmax(vvt)∈r(s×s)，16.其中，softmax是标准化操作，使得矩阵中的每一行和为1，v为优化学习的参数。17.进一步的，所述步骤二中，设tcn的输入为x，按照如下公式计算该层的输入xt：18.xg＝tanh(conv2d(x)),19.xf＝sigmod(conv2d(x)),[0020][0021]其中，conv2d,为卷积核为(1,3)的二维卷积运算，tanh(.)为双曲函数，将x 映射成[-1,1]之间的数，1,1]之间的数，为hardmard积，即张量的对应位置相乘。[0022]进一步的，所述步骤三中，图卷积直接用于图结构化数据，以提取空间域中高度有意义的模式和特征，公式如下：[0023][0024]其中拉普拉斯归一化矩阵是对称归一化拉普拉斯矩阵，是度矩阵，是邻接矩阵。h0＝x为第一层的输入，x∈rt×s×c，其中wl为第l层的权重参数矩阵，σ为非线性激活函数。[0025]进一步的，为了提取更加具有判别力的特征，所述预测模型会经过多层tcn 和gcn的计算，最终预测模型的输出为[0026]进一步的，所述步骤四中，目标损失函数建立包括以下步骤：[0027]s1：定义模型预测的时空流量为实际流量为y，则模型回归损失函数为如下形式：[0028][0029]其中，n表示模型输入的样本数量；[0030]s2：拓扑约束损失旨在限制拓扑关系的搜索范围，并使得拓扑关系更加符合现实中要求，其数学表达式如下：[0031][0032]其中，∑《ei,ej》表示矩阵a不同行的内积和，∑《ei,ei》表示矩阵a相行的内积和，最小化上式表示让邻接矩阵尽量稀疏，这和自然界的邻接矩阵含义是相同的；[0033]s3：概率一致性，为的是让模型特征的经过解码输出尽量的和真实数据的分布一直，其数学描述为：[0034][0035]s4：经过上述三个步骤，得到损失函数为：[0036][0037]进一步的，利用反向传播算法实现对模型参数的不断优化，反向传播算法中的梯度计算与参数更新均通过adam优化器以0.001的初始学习率进行实现，当训练次数到达设定的k值，模型停止训练，最后，将测试集数据作为模型输入，实现实时道路交通流的预测。[0038]与现有技术相比，本发明具有如下有益效果：[0039]本发明通过对时空数据在时间维度上进行基于门控设计的时间依赖建模，并利用图卷积对空间维度进行空间依赖建模，同时，为了有效的解决时空数据中，空间关系难以获取的问题，本发明采用空间拓扑结构自适应学习的方法，为了解决自适应学习的拓扑结构过平滑问题，本发明拖过数学的方法约束拓扑结构学习的搜索空间，增加拓扑约束，克服模型预测的次优解问题，本发明主要是通过构建合理的模型架构，在不影响模型预测精度的同时降低计算开支；[0040]本发明结合了时间门控卷积，图卷积网络，动态图卷积网络，用数学约束实现对空间拓扑关系搜索空间的约束。附图说明[0041]图1是本发明流程示意图；[0042]图2是本发明tcn计算流程示意图。具体实施方式[0043]下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。[0044]在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。[0045]在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。[0046]实施例：[0047]如附图1至附图2所示：[0048]本发明提供基于空间拓扑关系约束的时空流量预测模型的运行方法，包括以下步骤：[0049]步骤一：输入预处理和空间拓扑构建，将时空数据进行张量化，并构建可学习的空间拓扑邻接矩阵；[0050]步骤二：将时空数据送入到tcn；[0051]步骤三：将时空数据送入到空间卷积gcn中；[0052]步骤四：计算损失，同时进行向后传播算法，优化模型参数。[0053]作为本发明的一种实施方式，步骤一中，空间拓扑结构为g＝v,e；[0054]其中v＝v1,v2,......vn为节点集，n为空间中节点的数目，e表示描述节点之间空间关系的边的集合。[0055]作为本发明的一种实施方式，步骤一中，节点之间的连接可以由一个邻接矩阵a表示，第i和第j个节点若存在空间连接关系，则邻接矩阵元素aij为1，否则为0，针对某地区的局部交通网络，获取某个时间段，每个路口的交通流量数据，即时间序列数据。根据路口交通流量在固定时刻内采样得到时间序列数据。[0056]作为本发明的一种实施方式，步骤一中，通过空间节点的嵌入来构建空间邻接关系，设个空间关系中节点嵌入为,其中表示嵌入维度，则所有的节点嵌入矩阵为,则可以构造科学系邻接矩阵：[0057]a＝softmax(vvt)∈r(s×s)，[0058]其中，softmax是标准化操作，使得矩阵中的每一行和为1，v为优化学习的参数。[0059]作为本发明的一种实施方式，步骤二中，设tcn的输入为x，按照如下公式计算该层的输入xt：[0060]xg＝tanh(conv2d(x)),[0061]xf＝sigmod(conv2d(x)),[0062][0063]其中，conv2d,为卷积核为(1,3)的二维卷积运算，tanh(.)为双曲函数，将x 映射成[-1,1]之间的数，1,1]之间的数，为hardmard积，即张量的对应位置相乘。[0064]作为本发明的一种实施方式，步骤三中，图卷积直接用于图结构化数据，以提取空间域中高度有意义的模式和特征，公式如下：[0065][0066]其中拉普拉斯归一化矩阵是对称归一化拉普拉斯矩阵，是度矩阵，是邻接矩阵。h0＝x为第一层的输入，x∈rt×s×c，其中wl为第l层的权重参数矩阵，σ为非线性激活函数。[0067]作为本发明的一种实施方式，为了提取更加具有判别力的特征，预测模型会经过多层tcn和gcn的计算，最终预测模型的输出为[0068]作为本发明的一种实施方式，步骤四中，目标损失函数建立包括以下步骤：[0069]s1：定义模型预测的时空流量为实际流量为y，则模型回归损失函数为如下形式：[0070][0071]其中，n表示模型输入的样本数量；[0072]s2：拓扑约束损失旨在限制拓扑关系的搜索范围，并使得拓扑关系更加符合现实中要求，其数学表达式如下：[0073][0074]其中，∑《ei,ej》表示矩阵a不同行的内积和，∑《ei,ei》表示矩阵a相行的内积和，最小化上式表示让邻接矩阵尽量稀疏，这和自然界的邻接矩阵含义是相同的；[0075]s3：概率一致性，为的是让模型特征的经过解码输出尽量的和真实数据的分布一直，其数学描述为：[0076][0077]s4：经过上述三个步骤，得到损失函数为：[0078][0079]作为本发明的一种实施方式，利用反向传播算法实现对模型参数的不断优化，反向传播算法中的梯度计算与参数更新均通过adam优化器以0.001的初始学习率进行实现，当训练次数到达设定的k值，模型停止训练，最后，将测试集数据作为模型输入，实现实时道路交通流的预测。[0080]本实施例的具体使用方式与作用：[0081]本发明通过对时空数据在时间维度上进行基于门控设计的时间依赖建模，并利用图卷积对空间维度进行空间依赖建模，同时，为了有效的解决时空数据中，空间关系难以获取的问题，本发明采用空间拓扑结构自适应学习的方法，为了解决自适应学习的拓扑结构过平滑问题，本发明拖过数学的方法约束拓扑结构学习的搜索空间，增加拓扑约束，克服模型预测的次优解问题，本发明主要是通过构建合理的模型架构，在不影响模型预测精度的同时降低计算开支；本发明结合了时间门控卷积，图卷积网络，动态图卷积网络，用数学约束实现对空间拓扑关系搜索空间的约束，该模型通本模型的特征嵌入，可以以更少的参数和更快的训练速度实现输入的并行化，更重要的是，这种经济架构使模型能够更高效地处理大规模网络。[0082]本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!