(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111678495.X (22)申请日 2021.12.31 (71)申请人 中国科学院软件研究所 地址 100000 北京市海淀区中关村南四街 4 号 申请人 贵阳信息技 术研究院 (72)发明人 闫碧莹　陈峰　曹娅琪　张思卿　 许晶航　 (74)专利代理 机构 贵州派腾知识产权代理有限 公司 521 14 专利代理师 张祥军 (51)Int.Cl. G08G 1/01(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图神经网络的交通 流预测方法 (57)摘要 一种基于图神经网络的交通流预测方法， 在 空间依赖性建模时强调相 隔较远的空间两点间 的依赖关系， 并加入时间因素和时序因素； 基于 轨迹频繁序列和时间顺序相似度构造交通路网 的图邻接矩阵， 将图定义为加入时间因素的无向 图Graph＝(V， E， A)； 利用时间维度和空间维度计 算注意力系数， 同时关注空间序号和时序变化趋 势提出时空融合网络STGFN的交通预测模型， 提 高了大范围的城市交通流预测的整体预测准确 度， 尤其是突发交通状况时的预测准确度。 权利要求书4页 说明书9页 附图1页 CN 114495492 A 2022.05.13 CN 114495492 A 1.一种基于图神经网络的交通 流预测方法， 其特 征在于， 所述方法包括： 步骤一， 交通路网各个节点的交通 流数据收集； 步骤二， 将交通路网数据图定义为包含时间因素的无向图， 基于轨迹频繁序列和时间 序列相似度构造交通路网的图邻接矩阵； 步骤三， 提出时空图融合网络STGFN作为交通流预测模型， 将步骤二得到的数据输入模 型进行训练， 所述的时空图融合网络STGFN的数据导入和处理顺序包括， 时间卷积层 –混合 时空图卷积层 –时间卷积层 –卷积层–全连接层， 其中STGFN迭代地对未来的数据进行 预测。 2.根据权利要求1所述的一种基于图神经网络的交通流预测方法， 其特征在于， 步骤二 所述的基于轨迹频繁序列和时间序列相 似度构造的路网数据定义无向图为Gr aph＝(V,E, A)， 其中V为节 点集合， 与道路上的信号采集传感器相对应， |V|为节 点个数， E为节 点之间的 边集合， E＝{(u,v,t)|u,v∈V,t∈[0, τ]}， τ表示最大时间步阈值， 对于E中的任意元素e＝ (u,v,t)， 表示节点u是节点v的t步邻居， A＝{a1,a2,...,aτ}， 为无向图Graph的多个邻 接矩 阵的集合， 为图的i步邻接矩阵。 3.根据权利要求2所述的一种基于图神经网络的交通流预测方法， 其特征在于， 步骤二 所述的基于 轨迹频繁序列构造交通路网的图邻接矩阵包括以下步骤： 步骤2.1.1， 给定初 始的基于时间序列相似度的图邻接矩阵集Atraj＝{a1,a2,...,aK}， 且 矩阵中所有元 素初始化 为0； 步骤2.1.2， 采用Co lSP算法从车辆 轨迹数据集中挖掘闭合频繁序列模式 步骤2.1.3， 假设图信号采样间隔为τ， 计算 则u是v的t步邻居， 图的t步邻接 矩阵at中at[u,v]＝at[v,u]＝Frequv； 步骤2.1.4， 对 于图中任意两点u和v， 从闭合 频繁序列模式集 中搜索包含u和v的所 有闭合频繁序列， 得到集 合 则计算u和v间旅行的频繁度Frequv如公式图(1)所示: 其中， SUP(seq)为闭合频繁序列seq的支持度。 4.根据权利要求2所述的一种基于图神经网络的交通流预测方法， 其特征在于， 步骤二 所述的基于时间序列相似度构造的交通路网图邻接矩阵包括以下步骤： 步骤2.2.1， 给定初始的基于时间序列相似度的图邻接矩阵集Asim＝{a1,a2,...,aJ}， 且 矩阵中所有元 素初始化 为0； 步骤2.2.2， 取10天的交通流量或交通指数数据后， 对每个站点按照时间戳将不同天同 一时间的数据求平均值； 步骤2.2.3， 假设每10分钟采集一次道路信号， 那么对于每个站点得到一个时间序列 步骤2.2.4， 设置最大平移步数为J， 对道路中任意两个站点u和v， 设相应的时间序列 为 Su和Sv， 将Sv延时间轴平移 ‑J～J个单位长度， 分别求Su和Sv的时间重叠部分的两个子序列权　利　要　求　书 1/4 页 2 CN 114495492 A 2S'u和S'v间的欧拉距离； 步骤2.2.5， 取距离最小时的平移步数t和距离值disu ,v， 设置最小相似度阈值为 threshdis， 若其相似度距离disu,v≤threshdis， 则点u是点v的t步邻居， 为邻接矩阵赋值at [u,v]＝at[v,u]＝1； 其中， 对所述的时间序列 进行平滑处理， 设置滑动窗口为3， 对每个窗口 内的值求平均值得到平 滑后的时间序列 5.根据权利要求1所述的一种基于图神经网络的交通流预测方法， 其特征在于， 将步骤 二得到的数据输入步骤三所述的时空图融合网络STGFN的运 算步骤包括： 步骤3.1， 将前L个时刻的观测值输入到时间卷积层， 其中时间卷积层由一个卷积核大 小为Kt×1的1‑D卷积和一个门线性单 元组成； 步骤3.2， 将每个节点上的长度为L的时间序列输入进1 ‑D卷积以Kt为时间窗对序列进行 扫描抽取特征， 得到一个长度为L ‑Kt+1的序列， 则该模块接收一个图上的时空序列信号 随后使用卷积核 进行卷积操作； 步骤3.3， 将步骤3.2通过卷积核Θ卷积后的输出特征图从通道维平均分为两部分P和 Q， 最终通过公式图(2)得到时间特 征抽取模块的输出： 其中， Ci是输入通道数， Co是最终输出通道数， ⊙代表元素相乘的哈达玛积， 门结构σ(Q) 用来挑选表示当前状态的P中与空间结构和动态变化 性相关的信息； 步骤3.4， 将步骤3.3所述的时间卷积层的输出输入到混合时空图卷积层， 其中混合时 空图卷积层包括基于静态图结构的Multi ‑3D‑GCN和用于动态随机性建模的STGAT两 部分。 6.根据权利要求5所述的一种基于图神经网络的交通流预测方法， 其特征在于， 将步骤 3.3得到的输出输入到静态图结构的Multi ‑3D‑GCN得到多图卷积输出的过程包括以下步 骤： 步骤3.4.1.1， 对基于步骤二所定义的无向图Graph＝(V,E,A)， V为节点集合， |V|＝N； E 为节点之间的边集合， E＝{(u,v,t)|u,v∈V,t∈[0, τ]}， τ表示最大时间步阈值， 表示i步邻接矩阵， 为图上的信号， 定义3D ‑GCN为图Graph上的卷积*stg定 义， 如下公示图(3)所示： 步骤3.4.1.2， 设基于频繁轨迹构造的图邻接矩阵集为Atraj， 基于时间序列信号的相似 性构造的图邻接矩阵集为Asim， 则Multi ‑3D‑GCN分别对两种图计算图卷积， 并将结果进行聚 合， 最终得到多图卷积结果 如公式图(4)所示：权　利　要　求　书 2/4 页 3 CN 114495492 A 3