亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于圖神經網絡的交通流量預測方法研究

        2024-01-23 08:43:54車興亮
        無線互聯科技 2023年21期
        關鍵詞:交通流量時空卷積

        車興亮,熊 文

        (云南師范大學 信息學院,云南 昆明 650000)

        0 引言

        近年來,隨著全球城市化進程的不斷加速,城市交通管理遭遇了前所未有的挑戰(zhàn)。在此背景下,智能交通系統(tǒng)(Intelligent Traffic System,ITS)應運而生。這一系統(tǒng)不僅是現代智慧城市建設中的關鍵組成部分,還是確保交通流暢、減少擁堵、提高道路使用效率的重要工具。其中,交通流量預測是智能交通系統(tǒng)中至關重要的一個環(huán)節(jié)。只有準確預測未來的交通流量,相關部門才能采取必要的策略和措施,如合理調度交通信號燈、建議駕駛者選擇的最佳路線等,從而有效減少交通擁堵和事故。

        交通流量預測的主要難點在于交通數據的時空依賴關系復雜而又變化不定。很多研究已經證明,深度學習方法在捕捉這些時空關系上具有明顯的優(yōu)勢。其中,卷積神經網絡(Convolutional Neural Networks,CNN)和回歸神經網絡(Recurrent Neural Network,RNN)是最初的解決方案,主要用于捕獲空間和時間依賴性。然而,隨著研究的深入,人們發(fā)現圖形神經網絡(Graph Neural Network,GNN)更適合模擬交通數據的潛在圖結構,因為交通數據實際上呈現出網絡狀結構,如道路網、交通節(jié)點等。

        其中,Wu等[1]提出的GraphWavenet是近年來在交通流量預測領域的一個里程碑式的作品。它結合了門控時間卷積網絡(Temporal Convolutional Network,TCN)[2]和圖卷積網絡(Graph Convolution Network,GCN)[3],從而更有效地捕捉時空依賴關系。盡管Graph WaveNet的效果已經非常顯著,但仍然存在一些優(yōu)化空間。

        本文在Graph WaveNet的基礎上進行了進一步的研究。本文沿用了其圖生成模塊,同時引入了時間卷積、圖卷積以及門控線性單元的時空塊,目的是更細致地捕捉時空關系。通過在PEMS數據集上的實驗測試,本文方法在預測準確性上優(yōu)于Graph WaveNet,證明了本文方法的有效性。

        1 方法

        本節(jié)內容分為2個部分,分別是問題定義和模型方法。問題定義部分將深入探討交通流量預測的各個要素:交通傳感器、交通網絡、交通信號和交通預測的定義。而模型方法則包括:模型的整體結構和具體模塊的作用、原理的介紹。

        1.1 問題定義

        定義1 交通傳感器。交通傳感器是部署在交通系統(tǒng)(如道路網絡)中的傳感器,它記錄交通信息(如過往車輛的流量或車速)。

        定義2 交通網絡。交通網絡是一個有向或無向圖G=(V,E),其中V是|V|=N個節(jié)點的集合,每個節(jié)點對應于一個部署的傳感器,E是|E|=M條邊的集合。節(jié)點之間的可達性,表示為鄰接矩陣A∈RN×N,可以根據節(jié)點間成對的路網距離得到。

        定義3 交通信號。交通信號Xt∈RN×C表示在時間步長t時對交通網絡G上所有傳感器的觀測,其中C是傳感器采集的特征數。

        定義4 交通預測。給定Th時間步長的歷史交通信號X=[Xt-Th+1,…,Xt]∈RTh×N×C交通預測的目的是預測未來交通信號Y=[Xt+1,…,Xt+Tf]的Tf最近的未來時間步長。

        1.2 模型方法

        模型的總體架構如圖1所示,其設計思路是高效并精確地預測交通流量。該模型主要由圖生成模塊和3個堆疊的時空塊組成,圖生成模塊通過參數學習的方式生成用于表示傳感器之間關系的鄰接矩陣,時空塊由3個部分組成,分別是時間卷積、圖卷積和門控線性單元。

        1.2.1 圖生成模塊

        圖生成模塊的核心目的是通過參數學習的方法生成鄰接矩陣。鄰接矩陣是一個二維數組,用于表示傳感器之間的關系,即每個傳感器與其他傳感器之間的連接關系和連接強度。本文遵循Graph WaveNet的自適應鄰接矩陣學習方式來生成相應的圖結構:

        (1)

        E1,E2∈RN×d是隨機初始化具有可學習參數的2個節(jié)點嵌入,其中N表示節(jié)點數,d表示節(jié)點嵌入的維度。

        1.2.2 時空塊

        時空塊是專門為了從輸入流量數據中挖掘有用時空信息而設計的,每個時空塊由時間卷積層、圖卷積層和門限線性單元組成。

        時間卷積的主要目標是提取交通流量數據中的時間依賴性。通過使用時間卷積,模型可以識別和學習到交通流量在不同時間點的變化規(guī)律和模式。本文使用的時間卷積是卷積核大小為3的一維卷積,用于學習輸入交通流量的局部時間特征:

        FT=Conv(X)

        (2)

        FT表示通過時間卷積學習后的時間特征。圖卷積負責捕捉空間關系,例如,某個交通節(jié)點如何受到其周圍其他節(jié)點的影響,或者當某個路段發(fā)生擁堵時,如何影響到其他相鄰或相關的路段。把時間卷積的輸出FT通過卷積核為3的切比雪夫多項式圖卷積學習FT的空間特征:

        FST=GConv(FT)

        (3)

        FST表示通過圖卷積學習后的時空特征。最后使用門控線性單元對時空特征FST進行最后的整合:

        (?1,?2)=split(FST)

        (4)

        Foutput=?1⊙sigmoid(?2)

        (5)

        Foutput表示最終的時空塊輸出。

        總體而言,該模型通過圖生成模塊有效地學習傳感器之間的實際關系,而時空塊則深入挖掘交通流量的時空依賴性。這種設計確保了模型在預測交通流量時既具有高效性,又具有高準確性。

        2 實驗

        所有實驗均在 NVIDIA A40 GPU 上使用Pytorch 1.11.0 完成。模型的輸入流量序列數據的長度等于輸出數據的長度,均為12。本文采用MAE損失來對模型進行優(yōu)化,并選擇Adam作為優(yōu)化器。學習率設置為0.001,節(jié)點嵌入維度為10,時空塊中的隱藏維度為32。在實驗中,本文設置batch size為64,并進行了200個epochs的訓練。最后,選用均方根誤差(Root Mean Squared Error, RMSE)和平均絕對誤差(Mean Absolute Error, MAE)作為評價實驗結果的指標。

        2.1 數據集

        PEMS08是一個公共交通流量數據集,數據收集自CalTransPeMS。PEMS08包含2018年7月1日至2018年8月31日期間08區(qū)170個傳感器的數據。流量信息以每5 min一次的速度記錄,總共有17 833個時間片。

        2.2 實驗結果與分析

        從表1和圖2的結果可以明確觀察到,本文提出的方法在交通流量預測的精確度上具有顯著的優(yōu)勢。特別是在RMSE和MAE這2個關鍵的評估指標上,本方法的表現明顯超越了Graph WaveNet。這2個指標都是用來衡量預測結果和實際值之間的差異的,因此它們的低值通常意味著更好的預測效果。

        表1 交通流預測結果

        圖2 每個時間步的預測誤差

        更為值得注意的是,當預測的時間跨度或步長增加時,本文提出的方法的優(yōu)勢變得更加明顯。這意味著,對于更長期的交通流量預測,該方法不僅能夠保持其高準確度,而且與Graph WaveNet的比較差距也在逐漸擴大。這一點對于實際應用中的長期交通規(guī)劃和管理而言是極為關鍵的。

        3 結語

        本文在Graph WaveNet提出的自適應圖結構模塊的基礎上,引入了時間卷積、圖卷積和門控線性單元的組合來對交通流量中的時空模式進行更深入、更細致的挖掘。與原始的Graph WaveNet相比,實驗結果表明,本文提出的方法在預測準確性上具有明顯的優(yōu)勢,這證明了在復雜的交通流量數據中,深入挖掘時空關系的重要性。

        猜你喜歡
        交通流量時空卷積
        跨越時空的相遇
        基于3D-Winograd的快速卷積算法設計及FPGA實現
        鏡中的時空穿梭
        基于XGBOOST算法的擁堵路段短時交通流量預測
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        玩一次時空大“穿越”
        基于GA-BP神經網絡的衡大高速公路日交通流量預測
        基于傅里葉域卷積表示的目標跟蹤算法
        時空之門
        基于復合卡和ETC的交通流量采集研究
        亚洲国产中文字幕视频| avtt一区| 国产欧美精品区一区二区三区| 亚洲欧美日韩精品中文乱码| 国内激情一区二区视频| 日本一二三区在线观看视频| 69sex久久精品国产麻豆| 国产人成精品综合欧美成人| 免费人成视频网站在线观看不卡 | 99精品国产丝袜在线拍国语| 免费人成视频在线观看视频| 色窝综合网| 亚洲岛国一区二区三区| 一区二区三区国产精品乱码| 国产又a又黄又潮娇喘视频| 亚洲天堂在线视频播放| 欧美日韩激情在线一区二区| 伊人久久亚洲综合av影院| 国产国产精品人在线视| 中文字幕日韩一区二区不卡| 亚洲国产成人91| 无码免费午夜福利片在线| 日本二区三区在线免费| 精品福利一区二区三区蜜桃| 美女无遮挡免费视频网站| 国产精品99久久久久久98AV| 成人免费丝袜美腿视频| 国产剧情av麻豆香蕉精品| 亚欧免费无码aⅴ在线观看| 欧美中文字幕在线| 成人性生交c片免费看| 漂亮人妻洗澡被公强 日日躁| 久久久久久人妻毛片a片| 国产精品精品| 伊人久久大香线蕉综合av| 成人国产精品三上悠亚久久| 免费视频爱爱太爽了| 国产乱淫视频| 亚洲综合偷拍一区二区| 国产自拍偷拍精品视频在线观看| 亚洲国产美女精品久久久久∴|