未来智讯 > 神经网络论文 > 基于图卷积神经网络的交通流量展望
    基于图卷积神经网络的交通流量展望作者:未知  摘要:交通展望在智能交通中有注重要的意义和应用,本文提议一种用于交通展望的图卷积神经网络,使用图卷积对都会道路网络进行建模,行使GCN捕捉图的拓扑布局,处置时空交通展望义务。将该要领应用到真正的数据集结,议决对车流量的展望和车速的展望尝试证明,该要领优于今朝其它展望要领。
  关头词:图卷积;GCN;拓扑布局;车流量
  0引言
  都会交通拥堵表象日益重要,不仅糟蹋了出行时间,加重了都会情况混浊,更使得都会交通事故频发,影响交通运行,长此以往,造成恶性轮回。是以,兑现对都会路网交通流的有用展望,可以有用预判都会交通近况,进而公道进行调节,解决都会交通淤塞问题。现有的解决都会交通流展望问题的要领首要有两种:
  (1)基于传统的统计学展望模子。该要领首要议决车流量、速率、密度之间的关系进行建模,将交通流数据进行回归以及优化参数。兑现交通数据的拟合展望,首要包罗汗青均值法、自回归滑动平均法等。可是因为交通场景的纷乱性,该展望模子较可贵到正确地展望了局。Kumer等人选取ARIMA模子,将展望的车流量用数学模子的体例表示出来,但这一要领只实用于线性数据。而交通流数据长短线性的纷乱的:Kumar提议了基于Kalman滤波技艺的交通流展望模子,征服了SARIMA模子依靠于大量数据进行开辟的缺陷。
  (2)基于数据驱动的展望模子。该模子议决数据的纪律来料到其改变趋向。以此来进行交通流展望。这种要领不必要思虑交通场景的动态特征,只必要凭据汗青的交通流数据作为展望值,但该要领展望正确性较低,不克不及很好地顺应时间特性。Zhang等人设计了基于残差卷积单位的ST-ResNet来对都会人流量进行展望,这种要领虽然提取了流量数据的时空特性,但将输入限定为尺度的2维或3维网格数据,因而不克不及用于图布局的高速路网上的交通展望问题。Seo等人提议了图卷积轮回网络(GCRN),但在特定配置下很难确定轮回网络和图卷积的最好组合。Yu等人提议了一个带有门控机制的图卷积网络,并应用于交通量展望问题。Li等人在人体动作辨认义务中引入图卷积,提议多种划分策略将节点的邻域划分为各异子集,议决把握子集的个数,保证各异节点能够共享卷积核权重。谱图要领议决图拉普拉斯矩阵将网格数据上的卷积操作推广到图布局数据上。但这些模子都异国思虑交通数据在时间维度上的周期性和趋向性等多种固有特征。
  综合以上剖析可知,交通流流量展望还存在一些不及。为此,本文提议一种新的展望模子——图卷积神经网络(Graph Convolutional Network,GCN),GCN可以直接行使图布局信息提取部分特性,处置随意率性联贯的不准则数据来完成交通展望义务,由于数据能够用交通路网的图布局(Graph)来描绘。
  1 图卷积神经网络展望模子
  1.1 图卷积神经网络描绘
  图卷积神经网络是一种对图数据进行深度进修的要领,切磋的对象是图数据,切磋的模子是卷积神经网络。其是一种数据格局,能够用于表现社交网络、通讯网络、卵白分子网络等。图中的节点表现网络中的个别,连边表现个别之间的联贯关系。很多机械进修义务,例如社团发现、链路展望等都必要用到图布局数据。是以图卷积神经网络的呈现为这些问题解决供给了新的思绪。
  1.2 图卷积神经网络展望模子
  交通网络的性子是一个图布局,而且每个节点都能够看作是图上的旌旗灯号。是以,为了充分行使交通网络的拓扑特征,本文使用谱图要领将卷积操作推广到图布局数据,将数据视为图上的旌旗灯号,然后直接在图上对图旌旗灯号进行处置,来捕捉空间中有意义的模式和特性,谱图要领将图转化为代数体例,剖析图的拓扑属性。
  在谱图剖析中,图由对应的拉普拉斯矩阵表现,图的拉普拉斯矩阵表现为:
  2 尝试了局与剖析
  为了验证本文模子的本能,本文在两个真正的数据集长进行尝试,将路网交通速率作为模子的输入参数,议决对照尝试以及对尝试了局进行剖析,验证该模子的可行性。
  2.1 数据集先容
  评估T-GCN模子在现实数据集(SZ-taxidataset)上的展望本能后,讲明数据集与交通速率相关。在不丧失归纳综合性的条件下,尝试局部使用了交通速率作为交通讯息。
  数据集SZ-taxi为2015年1月1日至1月31日深圳出租车轨迹。选择罗湖区156条首要道路作为切磋区域,尝试数据首要包罗两局部:一个是一个156*156的毗邻矩阵,描绘了道路之间的空间关系,每一行表现一条道路,矩阵中的值表现道路之间的联贯性:另一个是特性矩阵,描绘了每条道路上的速率随时间的改变,每一行代表一条路,每一列是各异时段道路上的交通速率。每15min谋略一次每条路上的车速。
  2.2 尝试参数配置
  本文基于Tensorflow框架兑现GCN模子,首要设计的参数有:批量巨细、潜藏层数和训练周期。个中潜藏层数的各异对展望了局的正确性有很大的影响,议决尝试不息调解潜藏层数来采用最优值,当批量巨细为64、训练周期为1000、潜藏层数为32时为最好组合。
  2.3 基准要领
  本文将GCN模子在S-taxi数据集长进行训练,并与以下基准要领进行了比力:
  ARIMA:自回归平均滑动法。将观测到的时间序列拟合为参数模子,展望将来的交通数据。
  HA:汗青均值法。将汗青的交通讯息作为输入预測将来的交通数据。
  LSTM:是非时印象网络。由遗忘门、输入门、输出门构成的一种特殊的RNN模子。
  本文选取平均绝对偏差(MAE)、均方偏差(RMSE)和正确性(ACC)3个评价目标来验证模子(RMSE、MAE都是进行勘测展望偏差的,数值越大表现展望效率越差,数值越小表现展望效率越好:正确性表现展望正确精度)。具体的谋略公式为:
  2.4 尝试了局及剖析
  将GCN模子在S-taxi数据集长进行训练,并与3个基准要领进行了比力。本文选用总额据集的80%作为训练数据集的输入,20%作为测试数据集的输入。
  交通展望对照试验数据见表1.从表中能够看出,传统的展望模子因为自身建模才力的不及,导致展望效率和真正的数占有很大的差异。GCN的RMSE、MAE比ARIMA数值低,ACC提高了47.84%;GCN的RMSE、MAE比HA数值低,ACC提高了22.59%;GCN的RMSE、MAE比LSTM数值低,ACC提高了12.07%。
  一天中的交通展望了局与真正值的比力,如图3所示。从图中能够看出,该模子在一天傍边的展望了局与数据真正值较为接近。讲明GCN模子能够议决训练得到最好的展望本能。
  3 告终语
  本文提议一种新的图卷积神经网络模子。在真正的数据集上对路网交通速率进行展望,该模子选取拓扑图布局的体例作为模子的输入,解决了传统卷积神经网络不克不及输入非准则数据的问题。尝试了局证明,本文提议的模子展望正确度相对优于现有的展望模子,具有较高的鲁棒性。将来将优化图卷积模子,进一步提高模子的展望正确性。
转载请注明来源。原文地址:https://www.7428.cn/page/2020/0405/87315/
 与本篇相关的热门内容: