本發(fā)明屬于交通流預測，尤其涉及一種用于交通預測的多異構圖神經網絡構建方法。

背景技術：

1、交通預測(如交通流量預測)的任務是基于傳感器得到的歷史交通狀況預測未來交通狀況，其可靠性和先進性推動著交通規(guī)劃、智能交通系統(tǒng)和城市可持續(xù)性研究的發(fā)展。最新的研究通常將交通預測描述為一個時空建模問題，而如何捕捉節(jié)點之間復雜的動態(tài)時空關系，則成為交通預測面臨的主要挑戰(zhàn)。

2、圖神經網絡(gnn)被引入以有效地處理城市交通網絡的非均勻拓撲結構，時空圖神經網絡(stgnn)則將圖神經網絡(gnn)與不同的時間學習方法相結合，以捕捉隨時間變化的空間不規(guī)則信號的隱藏模式，從而解決了非歐幾里得的城市數(shù)據的時空異質性問題?；趕tgnns捕獲節(jié)點空間維度上的交通特征，前向傳播捕獲時間維度特征在解決短期交通預測任務上表現(xiàn)出了良好的性能，但現(xiàn)有模型在圖構建節(jié)點時空關系時，仍然不能解決如下問題：

3、(1)缺乏對交通模式結構的處理。交通信號特征由多種交通模式(如貨車、載人汽車、故障車輛等)貢獻，如圖1所示具有相似交通模式的節(jié)點類型具有相似的流量(速度)變化，與物理空間上的距離無關。

4、(2)沒有處理高維時空關系。目前的方法通常使用圖神經網絡(gnn)聚合低維流量或速度的空間特征，再使用rnn或tcn進行時間特征的信息提取。實際上真實交通數(shù)據是動態(tài)復雜的，每個節(jié)點的空間區(qū)域內表現(xiàn)出時空異質的高維交通特征。

5、(3)缺乏對異構多重圖的處理?，F(xiàn)有的方法通常將非歐幾里得的交通數(shù)據建模為單一類型節(jié)點和邊的簡單圖，真實復雜的交通數(shù)據如圖1所示，是多種節(jié)點和邊類型的多重圖，同一類型節(jié)點的交通流量呈現(xiàn)相似的變化趨勢，節(jié)點對之間通過時間關系和空間關系兩種類型的邊相聯(lián)系。

技術實現(xiàn)思路

1、本發(fā)明目的在于提供一種用于交通預測的多異構圖神經網絡構建方法，以解決上述的技術問題。

2、為解決上述技術問題，本發(fā)明的一種用于交通預測的多異構圖神經網絡構建方法的具體技術方案如下：

3、一種用于交通預測的多異構圖神經網絡構建方法，包括如下步驟：

4、步驟一：構建時空解耦模塊；首先獲取不同交通模式的異質性時空特征映射，其次捕獲交通網絡中每個節(jié)點的語義信息和特征表示；然后，利用一個用可學習參數(shù)初始化的節(jié)點嵌入矩陣來捕獲交通網絡中每個節(jié)點的語義信息和特征表示；

5、步驟二：構建節(jié)點聚類模塊；節(jié)點聚類模塊通過輸入p種交通模式特征構建高維特征空間，以進行節(jié)點聚類；

6、步驟三：構建dstgg模塊；引入stgg?module對節(jié)點子集之間成對的潛在時空關系建模，生成包含時空融合關系的簡單子圖，首先，生成空間圖：

7、從原始總交通特征中提取日和周的時間特征矩陣和

8、根據聚類中的節(jié)點編號從時間矩陣中選取特征；根據稀疏化的空間圖和融合時間信息矩陣構建包含時空異質信息的簡單圖；然后將時空融合圖稀疏化，僅保留top-k個最近節(jié)點對時空關系；

9、步驟四：構建sie模塊；p個節(jié)點聚類及其生成的融合子圖經過門控圖卷積算子捕捉空間依賴關系，然后p聚類的節(jié)點信息根據節(jié)點序列容池st進行排序回歸，通過rnn的門控循環(huán)單位捕捉時間模式，conv2d通過局部感受野進行特征提取與學習，最后通過可學習參數(shù)矩陣的哈達瑪乘積對多尺度時空信息進行權重配置；

10、步驟五：設計輸出和訓練策略：將模型內部重要的信息流跳躍連接，跳躍連接得到的再通過全連接和二維卷積形成回歸層，生成預測狀態(tài)給定真實值我們通過mae計算損失來優(yōu)化模型。

11、進一步的，所述步驟一包括如下具體步驟：

12、在std?module中引入從總交通流量輸入中提取的日和周的周期特征矩陣這些特征是由兩個隨機初始化的可學習時隙嵌入矩陣轉換的連續(xù)實值向量，因而使用矩陣和表示節(jié)點i在時間步長t處的時間特征；然后，利用一個用可學習參數(shù)初始化的節(jié)點嵌入矩陣來捕獲交通網絡中每個節(jié)點的語義信息和特征表示，其中節(jié)點i處的特征表示為對原始交通流量加權分割成p種交通模式特征公式如下：

13、

14、其中we∈rc×d將原始流量映射到更高維的隱藏維度d上，和w2∈rd×1將高維時空特征保留語義映射到低維空間中，再引入非線性激活函數(shù)relu和sigmoid增加模型表達能力得到ω(t,i)，ω(t,i)表示在時間步長t時，節(jié)點i的特定流量模式相對于總流量的比例的輸出，通過哈達瑪乘積將權重矩陣廣播到流量的所有信道，得到第n種交通模式特征空間，最后從原始流量中減去前p-1種交通模式流量特征得到剩余流量特征進一步的，所述步驟二包括如下步驟：

15、首先根據輸入p種交通模式構建聚類特征空間：

16、

17、其中，wi∈rd×1,i＝1,2…p，將豐富的高維特征映射到一個維度上，然后將th步時間窗口的交通模式特征相連接，與嵌入流量進行元素相除得到對th時間步長進行平均池化得到比值張量r∈rn×p，然后找到r在p個維度下的最大值記為極限質點矩陣c∈rp，極限質點cp表示了特征p所占原始交通特征的最大極限狀態(tài)，

18、

19、ti＝argmin(di),i∈st

20、計算p維空間內特征張量r與極限質點c的歐氏距離矩陣d∈rn×p，節(jié)點i的種類ti∈r1即為歐式距離最近的極限質點種類，將i置于種類ti的節(jié)點序列池st中，用于后續(xù)節(jié)點歸位，該聚類算法的時間復雜度為o(n)。

21、進一步的，所述步驟三包括如下具體步驟：

22、首先，生成空間圖，計算公式如下：

23、

24、節(jié)點嵌入矩陣和表示對聚類p隨機初始化的節(jié)點嵌入矩陣，和表示全連通的層的參數(shù)矩陣，α是調節(jié)飽和率的參數(shù)，將激活函數(shù)和減法項通過正則化，生成包含聚類p空間關系的鄰接矩陣從原始總交通特征中提取日和周的時間特征矩陣和根據聚類中的節(jié)點編號從時間矩陣中選取特征，然后融合時間信息構建矩陣：

25、

26、其中，捕獲日和周的周期性時間特征，平均池化和非線性變化得到聚類p中th時間窗口內融合的節(jié)點對時間信息矩陣根據稀疏化的空間圖和融合時間信息矩陣構建包含時空異質信息的簡單圖：

27、

28、其中β是可學習的飽和調節(jié)因子，時間圖與空間圖tanh和relu將邊權重限制在[0,1]范圍，然后將時空融合圖稀疏化，僅保留top-k個最近節(jié)點對時空關系，以降低計算復雜度。

29、進一步的，所述步驟四包括如下具體步驟：

30、mhgnet模型在圖卷積操作中引入了門控機制：

31、

32、

33、在公式中，是具有自連接的鄰接矩陣，度矩陣滿足k表示傳播深度，參數(shù)γ表示在節(jié)點更新期間需要保留的輸入節(jié)點hp的比例，以確保局部特性的保存和深度探索的便利，

34、

35、

36、其中，xh是打亂順序的子圖卷積結果，sn是從0到n的連續(xù)排列，st是nodeclusterer中生成的節(jié)點序列池，通過sort?module將節(jié)點順序回歸，接著通過rnn捕捉長期時間依賴關系，

37、

38、

39、模型將tc時間步長的輸入疊加在一起，形成輸出張量

40、

41、通過二維卷積和可學習參數(shù)矩陣w對子圖提取的時空信息進行權重配置：

42、

43、其中，w∈rn×(m×d)對二維卷積降維后的特征圖實現(xiàn)不同通道的加權，提高模型泛化能力。

44、進一步的，所述步驟五包括如下具體步驟：

45、將模型內部重要的信息流跳躍連接：

46、h＝{hout||xout||xin||td||tw}

47、將獲得的張量h輸入回歸層對特征整合和非線性變換得到預測狀態(tài)

48、

49、給定真實值我們通過mae計算損失來優(yōu)化模型的公式如下：

50、

51、進一步的，所述步驟六包括如下具體步驟：

52、數(shù)據集pems03、pems04、pems07和pems08按照6:2:2的比例劃分為訓練、驗證和測試集，模型使用adam優(yōu)化算法進行訓練，權重衰減wdecay為1.0e-5，epsilon為1.0e-8，采用學習率調度程序自動調整學習率，衰減率為0.5，在最初的20個訓練周期中采用熱身策略，隨后采用課程學習，其中課程學習長度每三個周期增加一次，直到達到12，其中耐心值設置為100，四個數(shù)據集上模型相關參數(shù)包括節(jié)點嵌入維度n，時間嵌入維度d，空間和時間鄰接矩陣top-k維度k_s和k_t，解耦交通模式數(shù)量g，使用交通預測中mae、rmse、mape三個指標來評價所有基線模型的性能，公式如下：

53、

54、其中，mae反映了預測精度，rmse對較大誤差敏感，mape對相對誤差更為關注，xi表示第i個預測值，ω代表預測序列的長度。

55、本發(fā)明的一種用于交通預測的多異構圖神經網絡構建方法具有以下優(yōu)點：

56、1.提出一種新的時空信息解耦方法：

57、本發(fā)明提出了一種新的時空信息解耦方法。該方法利用時間嵌入生成的相似度鄰接矩陣與空間信息的嵌入生成的空間圖，結合了一個用可學習參數(shù)初始化的節(jié)點嵌入矩陣來捕獲交通網絡中每個節(jié)點的語義信息和特征表示，通過哈達瑪乘積將權重矩陣廣播到流量的所有信道，得到特定交通模式特征空間，最后從原始流量中減去之前交通模式流量特征得到剩余流量特征。

58、2.提出一種新的節(jié)點聚類模塊：

59、本發(fā)明提出了一種新的節(jié)點聚類模塊。通過輸入p種交通模式特征構建高維特征空間，以進行節(jié)點聚類。這一方法有效地對異構多重圖進行高效處理。大量的消融實驗表明，我們的節(jié)點聚類模塊在交通流量預測方面產生了實質性的積極影響。

60、3.提出一個新穎生成時空圖的方式：

61、本發(fā)明提出了一個新穎生成空間圖的方式，該方法利用時間嵌入生成的相似度鄰接矩陣與空間信息的嵌入生成的空間圖，從而形成了具有高度適應性的時空圖。這一方法不僅能夠為不同的交通模式分配各自獨特的動態(tài)時空圖，而且能夠綜合考慮節(jié)點之間的相關性以及不同交通模式流量之間的動態(tài)變化。

62、4.提出一種新的聚類特征及動態(tài)融合子圖中的時空模式的方式：

63、本發(fā)明提出了一個新的聚類特征及動態(tài)融合子圖中的時空模式的方式，其核心是如何捕捉聚類時空特征和對多尺度信息進行配重歸位。p個節(jié)點聚類及其生成的融合子圖經過門控圖卷積算子捕捉空間依賴關系，然后p聚類的節(jié)點信息根據節(jié)點序列容池st進行排序回歸，通過rnn的門控循環(huán)單位捕捉時間模式，conv2d通過局部感受野進行特征提取與學習，最后通過可學習參數(shù)矩陣的哈達瑪乘積對多尺度時空信息進行權重配置。大量的消融實驗表明，我們的聚類特征及動態(tài)融合子圖中的時空模式的方式在交通流量預測方面產生了實質性的積極影響。