基于多任务图卷积网络的鲁棒性交通流预测方法

摘要

本发明涉及一种基于多任务图卷积网络的鲁棒性交通流预测方法。通过采用图卷积（Graph Convolutional Networks）结合时域卷积来提取交通数据的时空关系，并采用多任务学习MTL（Multi‑Task Learning）结构来增强模型的泛化能力以对抗交通数据缺失和异常。本发明设计了一种将图卷积与多任务学习相结合的多任务图卷积模型，可以使模型在数据异常情况下更加稳定地预测交通流。本发明所提出的模型具有多输出结构，可以同时输出三个任务。其中一个任务为输出目标时间段交通流数据，剩下两个任务是对同一个路网在不同时间段进行预测的辅助任务，分别为目标任务前15分钟时间段，目标任务后15分钟时间段。通过同时训练目标时间段及其早期和后期的交通流预测任务，可以实现模型参数的鲁棒性。

说明书

技术领域

本发明涉及智能交通领域和深度学习领域，特别是一种基于多任务图卷积网络的鲁棒性交通流预测方法。

背景技术

交通流量预测是实现智慧城市中智能交通系统(ITS)的关键部分。交通预测的目的是基于历史的交通数据对未来道路网络的交通状况进行预测。它在许多实际应用中扮演着重要角色。准确的交通状况预测是有效管理交通的基础，是对车辆进行更加合理的引导，提高公路网的运行效率的关键方法。此外，交通流是检测交通系统中交通状况的重要指标。它将为ITS中其他重要任务提供重要的路况信息，如预计到达时间和路线规划。由于其重要意义，它受到了学术界和产业界的广泛关注。

传统的交通路况预测都是基于数据集完整且正常情况下实验的，准确的交通信息可用于交通数据的预测和长期的交通规划。然而，现实中交通传输网络延迟和传感器故障，以及天气，交通事故和大型事件(例如：国际级足球比赛，马拉松比赛等)所导致的交通异常，使交通数据产生异常值和缺失值，会导致我们错误地预测交通数据和规划长期交通路线。具体而言，智能交通系统可以从各种固定和移动传感器收集交通数据，但例如回路探测器和道路侧摄像机之类的固定式传感器具有有限的空间覆盖，而GPS传感器之类的可移动传感器以高精度收集数据也不稳定。且在通信传输方面，设备与数据中心的信息传输会受到环境与网络延时的制约，会导致交通信息缺失与异常。因此，如何解决异常数据下，模型仍可稳定了对交通状况进行预测，是一个极具挑战性的课题。

发明内容

本发明的目的在于提供一种基于多任务图卷积网络的鲁棒性交通流预测方法，将多任务学习(MTL)与图卷积网络(GCN)相结合，首先，利用图卷积方法得到交通网络的时空相关性；其次，使用一个能够通过多个输出进行多任务学习的模型，每个输出对应于同一交通网络在不同的相邻时间持续时间；从而有效提升了模型在交通数据异常情况下预测性能的鲁棒性。

为实现上述目的，本发明的技术方案是：一种基于多任务图卷积网络的鲁棒性交通流预测方法，包括如下步骤，

步骤S1、根据地理信息，分析交通网络数据的时空相关性；

步骤S2、利用图卷积GCN训练交通网络数据，并与多任务学习MTL相结合，构建多任务图卷积模型MTGCN；

步骤S3、提出一种新的损失函数计算方法，在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值，该方法可使三个任务同时收敛；

步骤S4、根据真实值对比预测值调整每个任务的参数，降低损失，优化多任务图卷积模型MTGCN。

在本发明一实施例中，所述步骤S1中，采用皮尔森相关系数，作为衡量交通网络数据之间的相关性指标；并将交通数据处理成张量形式，来保留交通数据的时空相关性。

在本发明一实施例中，所述步骤S2中，多任务图卷积模型MTGCN的构造方式如下：

步骤S21、分别增加预测目标时间段的前15分钟时段任务和预测目标时间段的后15分钟时间段任务；

步骤S22、构建多任务图卷积模型MTGCN框架，将预测目标时间段及其前15分钟时段、后15分钟时间段的任务输入多任务图卷积模型MTGCN框架中，得到多任务图卷积模型MTGCN的模型参数，进而构建多任务图卷积模型MTGCN。

在本发明一实施例中，所述步骤S3中，新的损失函数计算方法如下：

步骤S31、计算出三个任务的总体损失值：

其中K表示在多任务学习中任务数量，X为输入流量数据，Yi为指第i个任务，

步骤S32、根据每个任务的损失值在所有任务中损失值的权重来重新生成新的损失值：

多任务图卷积模型MTGCN根据每个特定任务新的损失值来对模型参数进行调优，可以使多个任务同时收敛。

在本发明一实施了中，所述步骤S4具体实现方式为：将多任务图卷积模型MTGCN的预测输出与真实值对比，计算损失值，对三个任务优化，采用均方误差MSE为损失函数，然后使用反向传播算法对三个任务的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop不断自适应学习率，RMSprop能够根据之前的梯度变化的情况来更新学习率，RMSprop使用变量MeanSquare(w，t)来保存第t次更新学习率时每个权值w前一段时间的梯度平方的平均值，根据这个变量来自适应学习率，不断优化参数，使模型达到最优解：其中，

均方误差函数：

其中n为样本的个数，predicted为模型的预测值，observed为实际观测值；

RMSprop公式：

相较于现有技术，本发明具有以下有益效果：本发明提出的一种基于多任务图卷积网络的鲁棒性交通流预测方法，克服现有模型对异常数据的容忍性。通过增加与目标任务相关的两个学习任务，三个任务共享参数，同时通过不断更新损失函数的权值，模型可以使三个任务同时收敛，有效提高了模型的鲁棒性。

附图说明

图1是本发明实施例中的整体模型框架。

图2是本发明实施例中多任务时间序列例子。

图3、图4是本发明实施例中利用本发明所提出的方法在数据具有不同噪声率下预测交通流数据的各模型MAE值和R

图5是本发明实施例中利用本发明所提出的方法在数据具有不同缺失率下用简单填充方法后预测交通流数据的各模型MAE比较。

图6、图7是本发明实施例中利用本发明所提出的方法在数据具有不同缺失率下预测交通流数据的各模型MAE值和R

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明的一种基于深度学习的交通流鲁棒性预测方法，具体按照如下步骤实现，

步骤S1：根据地理信息，分析交通网络的时空相关性；

在本实例中，使用皮尔森相关系数，作为衡量数据各模式之间的相关性指标。发现数据存在周相关性、天相关性、时间相关性和空间相关性。

步骤S2：将图卷积GCN(Graph Convolutional Networks)型与多任务学习MTL(Multi-Task Learning)相结合，组成多任务图卷积模型MTGCN(Multi-Task GraphConvolutional Networks)，同时训练多个任务，使模型更具鲁棒性；具体如下：

在图卷积的基础上嵌入与目标任务相关的一些其他任务，来共同学习目标任务。通过分别增加预测目标时间段的前15分钟时段任务和目标时间段的后15分钟时间段任务。通过共享相关任务之间的表征，可以使我们的模型更好地概括原始任务。

图卷积如下所示；

g

上式中*

步骤S3：提出了一种新的损失函数计算方法，在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值，该方法可以使三个任务同时收敛。

步骤S4：根据真实值对比预测值调整每个边缘端的参数，降低损失，优化模型

本实例中采用均方误差MSE为损失函数，计算框架输出的预测值和实际交通流数据之间的特征，然后使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop不断自适应学习率，RMSprop可以根据之前的梯度变化的情况来更新学习率，RMSprop算法使用变量MeanSquare(w，t)来保存第t次更新学习率时每个权值w前一段时间的梯度平方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解。

均方误差函数(MSE)：

其中n为样本的个数，predicted为模型的预测值，observed为实际观测值。

RMSprop公式：

为了让本领域技术人员进一步了解本发明所提出的一种基于深度学习的交通流鲁棒性预测方法，下面结合具体实施例作详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程。

如图1所示，所示展示了整个框架的实施方法。

本实施例包括如下具体步骤：

步骤一：收集交通数据，然后对交通数据进行时空相关性分析，对交通数据进行切片处理，分别获取目标时间段交通数据的前两周数据、前一天数据和前一个小时数据，将数据处理成张量形式。

步骤二：将获取到的数据输入到ASTGCN模型框架中进行训练。

步骤三：设置了一个输入多个输出的多任务学习MTL(Multi-Task Learning)模型框架，将图卷积GCN(Graph Convolutional Networks)训练后的数据输入到多任务学习框架中，同时训练多个任务，使模型更具鲁棒性。其中实验中的三个输出如图2所示，分别目标预测时间段、目标预测时间段的前15分钟和目标预测时间段的后十五分钟。最终模型为多任务图卷积模型MTGCN(Multi-Task Graph Convolutional Networks)，且提出在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值，不断更新每个任务的损失权重，该方法可以使三个任务同时收敛。

如图3、4所示，为本发明中在数据具有无缺失到0.9缺失情况下的预测性能指标对比图。

本实施例包括如下具体步骤：

步骤一：在原始完整的数据集基础上，本实验造成原始数据随机缺失。

步骤二：利用本发明中的模型框架对随机缺失的数据进行预测，并与其他模型算法进行对比。图3、4分别显示了数据从无缺失到0.9缺失情况下MAE值和R

如图5所示，为本发明中对缺失数据先进行前向填充，后均值填充的情况下的预测性能指标对比图。

本实例包括如下具体步骤：

步骤一：在构造随机缺失数据之后，本发明对缺失数据进行了简单填充，先用缺失位置的前一个值填充，若前一个值也缺失，则用整个路网的均值填充缺失位置。

步骤二：利用本发明中的模型框架对填充后的缺失数据进行预测，并与其他模型算法进行对比。图5显示了预测一小时内交通流的各种模型的MAE值。可以看出，在缺失率为0.3之前，本发明的模型优于除ASTGCN之外的所有模型，在0.3缺失率之后，本发明的模型优于所有模型。

如图6、7所示，为本发明中在数据具有高斯噪声情况下的预测性能指标对比图。

本实例包括如下具体步骤：

步骤一：在完整的数据集中加入不同噪声率且信噪比为1的高斯噪声。

步骤二：利用本发明中的模型框架对随机噪声的数据进行预测，并与其他模型算法进行对比。图6、7分别显示了从无噪声到0.9噪声率的MAE值和R

上述分析说明，本发明所提出的一种基于深度学习的鲁棒性交通流预测方法，在数据异常时能获得比现有方法预测更稳定，提高了模型对异常数据的容忍性，具有一定的参考价值和实际经济效益。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。