[发明专利]基于连续动态常微分方程的交通流量预测系统及方法

说明书

本发明公开了一种基于连续动态常微分方程的交通流量预测系统及方法，所述系统具有：数据输入模块；时间依赖提取模块；时空依赖捕获模块；动态节点嵌入模块；交通流量预测模块。本发明将交通网络的动态性抽象为由随机交通事件导致交通网络拓扑结构的连续变化，并使用基于Transformer的神经Hawkes过程对路网的连续动态性进行建模。同时将图神经网络抽象为一个常微分方程给出了时空依赖关于图神经网络层数的解析解，解决了由于图卷积层堆叠导致的过平滑问题，从而进行交通流量预测。

技术领域

本发明涉及交通流量预测技术领域，尤其涉及到一种基于连续动态常微分方程的交通流量预测系统及方法。

背景技术

交通流量预测旨在使用历史交通观测数据来预测未来的交通流量。交通流量是智能交通控制、城市规划、路径规划等的基础，因此该研究已经成为当前的热点。然而交通数据中的非线性、不稳定性导致交通流量预测成为一个具有挑战性研究课题。

经典的统计模型受到机器学习方法对交通流量预测任务的强烈挑战，相较于统计分析模型这些模型可以实现更高的预测精度和更复杂的数据建模。深度学习凭借其强大的特征工程能力和函数拟合能力，在自然语言处理、计算机视觉等领域取得了巨大的成功。受以上研究成果的启迪，各国学者基于LSTM、GRU、CNN、Seq2Seq等深度学习算法构建了交通流量预测。然而交通数据天然具有非欧几里得性，难以使用卷积等操作捕获数据中蕴含的空间依赖。为了解决该问题，现有模型基于经纬度等将交通网络切割成为大小相等的若干网格，并基于此实现卷积操作在交通数据上的应用。网格化操作有可能将具有一个社区划分为两个网格，破坏了交通数据间的空间依赖。

近年来，基于图神经网络的交通流量预测引起了产业界和学界的广泛关注。相较于基于深度学习的预测模型，图模型将交通网络抽象为图，规避了网格化操作对网络结构一致性的破坏，能更好地利用交通网络的拓扑结构抽取交通数据中蕴含的时空特征。然而现有研究大多将交通路网视为一个静态结构，忽略了交通路网天然具有的动态属性。同时由于图卷积层堆叠将产生过平滑问题，限制了图神经网络捕获节点间的长程时空依赖的能力。针对以上问题，CSTODE将交通事件对邻接矩阵的影响抽象为基于Transformer的Hawkes过程。同时将图神经网络抽象为一个常微分方程，给出了时空依赖关于图神经网络层数的解析解，从而进行交通流量预测。

现有图模型大多视交通网络为一个静态结构，忽略了交通网的动态属性。交通网络的动态性可以分为两个部分：网络动态性和节点动态性。网络动态性体现为节点间依赖随时间的变化，而节点动态性体现为节点特征随时间的变化。交通路网的动态性天然具有两个重要属性：（1）连续性，即交通网络的动态性随着时间的推移而呈现出连贯甚至连续变化的趋势；（2）长程依赖，即较早时间步的交通流量或相距较远的节点对目标节点交通流量间存在的依赖关系。针对交通网络的连续动态性现有模型定义固定的时间间隔，利用静态图神经网络分析方法建模每一个时间片上各节点的特征，将各个时间片上的节点特征作为时间序列分析算法，例如RNN、LSTM等的输入，实现对节点间的连续动态性进行建模。针对长程依赖问题，图神经网络通过堆叠方式以期达到扩大网络感受野，实现节点间长程依赖的建模。但会导致以下问题：

（1）两时间间隔间发生的交通事件对交通流量产生的影响无法捕获，导致模型对交通流量变化的敏感性较弱；

（2）图神经网络堆叠将导致过平滑问题，导致预测性能较低。因此已有模型的堆叠层数大多小于2，导致难以建模交通数据中节点间的长程依赖；

（3）现有模型大多是“transductive”的，即假设交通网络拓扑结构不发生变化(网络的拓扑结构以及节点间的关联强度都不发生变化）。该假设与实际情况具有较大差异。

发明内容