[发明专利]一种用于道路占有率预测的多元时空图神经网络方法及系统

说明书

本公开提供了一种用于道路占有率预测的多元时空图神经网络方法及系统，利用一种多元时空图神经网络‑MLSGNN，能够在没有预定义的图结构的情况下，提取各个变量之间的潜在关系，生成图的特征矩阵，并有效的结合多个层次的邻域信息，处理各个变量的长时间历史信息，获得并记忆变量内部的时间依赖关系，实现对未来道路占有率的精准预测。

技术领域

本公开涉及交通预测技术领域，具体涉及一种用于道路占有率预测的多元时空图神经网络方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

时间序列预测在人们的日常生活中发挥着巨大的作用，给人们带来极大的便利，实际中许多序列的变化规律都会受到其它序列的影响。比如在研究居民的人均消费序列时，由于消费会受收入的影响，把收入也纳入研究范围，就会得到更精确的消费模型。这一原理使得多变量时间序列预测在实际中扮演着越来越重要的作用。

对于交通流量的准确预测，能够使人们提前得知道路的堵塞情况，但是在预测的过程中，往往受多种变量的影响，则对多变量时间序列预测任务建模，意味着不仅要考虑各个变量的历史信息，还要考虑各个变量之间的相互关系。传统方法，例如自回归移动平均模型和向量自回归模型，只是假设各个变量之间存在线性依赖关系，并不能模拟多变量时间序列数据存在的非线性依赖关系，深度学习的发展给该问题带来了新的见解。时序卷积网络(TCN)和循环神经网络(RNN)有效提高了时间序列预测的效果，并在多个领域得到了广泛应用。但这些方法仍然不能利用变量之间的动态相关性。HyDCNN在空域和时域都使用了卷积神经网络(CNN)方法，以此捕获特征信息。TPA-LSTM在RNN中附加了注意力机制，并利用1D卷积滤波器等方法捕获时间序列数据的依赖性。但是这些方法并没有明确能够捕获变量之间的关系，缺乏空间建模能力。现有的一些研究也将图神经网络用到了多变量时间序列交通流量道路占有率预测的领域之中，扩散卷积循环神经网络(DCRNN)利用双向随机游走来捕获空间依赖性，并使用预定义的编码器-解码器结构捕获时间依赖性，时空图卷积网络(STGCN)将图上的问题公式化，并集成了图卷积和门控时序卷积。但是这些方法需要利用预定义的图结构，而且没有考虑图结构会随着时间变化的动态特性，无法用于未知的多变量时间序列任务。

使用GNN方法对多变量时间序列任务建模时，通常需要明确的图结构知识。在交通预测中需要地区关系图。但是，大多数情况下，我们并没有已知的图结构信息，或者已知的图结构信息并不完整。而且，交通预测等任务一般是通过利用地区之间的物理距离来衡量节点之间的关系，这就造成了模型的高复杂度。

在获得多变量在空间上的依赖关系时，单纯的结合一阶邻域信息会使节点包含的特征信息较少，导致不良的预测效果，因此需要结合多个层次的邻域信息。并且所处理的图不是静态图而是动态图，变量/节点的特征是随着时间发生动态变化的，需要处理各个变量的长时间历史信息，获得并记忆变量内部的时间依赖关系。但是，每一层的特征信息是巨大的，不可能将每一层的所有信息都作用于最后的输出。因为这样不仅包含了大量的噪声信息，而且会大大延长训练时间。

发明内容

本公开为了解决上述问题，提出了一种用于道路占有率预测的多元时空图神经网络方法和系统，利用一种多元时空图神经网络-MLSGNN，能够在没有预定义的图结构的情况下，提取各个变量之间的潜在关系，生成图的特征矩阵，并有效的结合多个层次的邻域信息，处理各个变量的长时间历史信息，获得并记忆变量内部的时间依赖关系，实现对未来道路占有率的精准预测。

根据一些实施例，本公开采用如下技术方案：

一种用于道路占有率预测的多元时空图神经网络方法，包括：

获取待预测道路的历史交通道路占有率数据，按照时间窗口将历史交通道路占有率数据划分为每个时刻的道路占有率数据，并将每个时刻的道路占有率数据作为节点特征；

将每个节点特征分别输入多元时空图神经网络的隐藏相关层，生成图邻接矩阵；