[发明专利]一种基于图对比学习的多模态交通流量预测方法及系统

说明书

本发明公开了一种基于图对比学习的多模态交通流量预测方法及系统，方法包括：基于历史交通流量数据建立局部和全局流量异构图；对全局和局部流量异构图进行编码得到对应的异构图流量特征；计算局部流量异构图流量特征的互信息来优化局部流量异构图流量特征；多个局部流量异构图流量特征经过注意力机制融合成的全局流量特征，与全局流量异构图流量特征进行图对比学习来优化全局流量异构图流量特征；将优化后的局部和全局流量异构图流量特征输入到空间图卷积神经网络分别预测多模态的交通流量。本发明可以有效地捕获不同出行模式之间的相关性和差异性，有助于更好地捕获多种出行模式之间的依赖关系，从而提升交通流量预测的精度。

技术领域

本发明涉及大数据的分析技术领域，具体涉及一种基于图对比学习的多模态交通流量预测方法及系统。

背景技术

随着城市的发展和各种交通出行方式的普及，城市面临着严重的交通拥堵问题。为了提高城市的通行效率，急需对城市场景下的多种交通出行方式进行拥塞控制，对诸如共享单车、出租车等交通工具进行统筹规划与合理调度。然而大多数拥塞缓解措施成本高昂，随着时空数据分析技术的发展，以及诸多公开可供方便获取的各城市交通出行数据库，针对历史出行数据来对未来某个时间窗口的交通流量预测变得可行，这对各个城市的交通发展规划以及出行方式决策有重要意义。

实际中城市的各种出行方式相互影响，呈现一种多模态的交通方式，需要对多种出行模式的交通流量进行协同预测。例如，某地区建设地铁后，该地区会减少对出租车的出行需求，同时增加共享单车的出行需求。但是目前大多数交通流量预测方法属于单模态方法，即针对单一出行模式进行预测，因此不能对于实际中存在的多模态交通流量进行准确的预测。

发明内容

有鉴于此，本发明实施例提供了一种基于图对比学习的多模态交通流量预测方法及系统，用于进行多模态的交通流量预测。

为达到上述目的，本发明提供如下技术方案：

本发明实施例提供了一种基于图对比学习的多模态交通流量预测方法，包括：

基于预设时间段的历史交通流量数据建立多模态流量异构图，包括多个交通模态对应的局部流量异构图和一个全局流量异构图；

利用全局异构编码器对全局流量异构图进行编码得到全局流量异构图流量特征，利用局部异构编码器对多个局部流量异构图进行编码得到对应的局部流量异构图流量特征；

通过计算多个局部流量异构图流量特征的互信息，得到优化后的局部流量异构图流量特征；

多个局部流量异构图流量特征经过注意力机制融合形成的全局流量特征，与全局流量异构图流量特征进行图对比学习，得到优化后的全局流量异构图流量特征；

将优化后的局部流量异构图流量特征和优化后的全局流量异构图流量特征，输入到空间图卷积神经网络分别预测未来某一时间某一目标节点的多模态的交通流量。

可选的，所述局部流量异构图和全局流量异构图，均包括：目标节点及目标节点在不同的关系属性下的邻域，邻域包括与目标节点相关和不相关的节点，关系属性包括地理关系、功能关系、流入流出需求关系，其中：所述流入流出需求关系，分别获取对应目标时间前不同时间维度的流入流出需求数据，来获取临近、周期和趋势三种关系。

可选的，根据异构图中的关系属性提取每个关系属性对应的异构子图，包括地理关系异构子图、功能关系异构子图和临近、周期和趋势流入流出需求关系异构子图；

对于地理关系异构子图、功能关系异构子图，采用节点级注意力网络聚合目标节点的邻居，得到对应的异构子图信息；

对于临近、周期和趋势流入流出需求关系子图，采用LSTM网络学习其时间序列特征，得到对应的异构子图信息；

使用语义级注意力网络聚合上述异构子图信息，作为其对应的异构图流量特征。