(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111529992.3 (22)申请日 2021.12.15 (65)同一申请的已公布的文献号 申请公布号 CN 113935555 A (43)申请公布日 2022.01.14 (73)专利权人 华录易云科技有限公司 地址 211500 江苏省南京市江北新区惠达 路6号北斗大厦三楼 (72)发明人 佘红艳　王松浩　马威　马旭光　 荣少华　欧阳波涛 　王碧云　 杨沂波　罗丹　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 代理人 李冉(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/30(2012.01) G06F 30/27(2020.01) G08G 1/01(2006.01) G06F 119/12(2020.01) (56)对比文件 CN 112435462 A,2021.0 3.02 CN 112927507 A,2021.0 6.08 CN 111161535 A,2020.0 5.15 徐冰冰等.图卷积神经网络综述. 《计算机学 报》 .2020,第43卷(第5期),第75 5-776. 审查员 胡雨晴 (54)发明名称 一种基于路网结构的状况自适应交通预测 方法及其系统 (57)摘要 本发明公开了一种基于路网结构的状况自 适应交通预测方法及其模型， 方法包括： 针对异 常事件数据 u、 基于路段的交通数据 x和基于交叉 口的交通数据 x’多子图注意力计算， 得到路段特 征图xms和交叉口特征图 x’ms； 将xms和x’ms分别与 x和x’融合， 动态学习不同邻域范围内邻居节点 的重要性， 分别获得输出路段特征图 xmr和交叉 口特征图 x’mr； 将xmr和x’mr特征融合， 获得路段特 征图xmt； 基于xmt学习时间依赖性， 输出交通数据 预测结果； 模型包括： 多子图注意力模块、 多范围 注意力模块、 多任务融合模块和GRU模块； 本发明 自适应地对各路段同时进行交通预测， 性能强， 准确率高。 权利要求书3页 说明书9页 附图3页 CN 113935555 B 2022.03.18 CN 113935555 B 1.一种基于路网结构的状况自适应交通预测方法， 其特 征在于， 包括以下步骤： S1.根据异常事件数据u， 获取不同的事件类型， 根据不同的事件类型分别对基于路段 的交通数据x和 基于交叉口的交通数据x ’进行分类， 并基于多子图注意力机制为每一类事 件构造具有动态空间相关性的局部子图， 并将所获得的不同类型 交通数据的局部子图分为 b个路段特征图xms和b个交叉口特 征图x'ms； S2.将所述路段特征图xms和所述交叉口特征图x ’ms根据对应的事件类型分别与初始交 通观测数据x和x ’进行融合， 根据融合后的特征， 动态学习不同邻域范围内邻居节点的重要 性， 并分别获得输出路段 特征图xmr和交叉口特 征图x'mr； S3.根据参数共享策略， 将所述路段特征图xmr和所述交叉口特征图x'mr的特征进行融 合， 获得两种特 征图的公共嵌入 S4.根据多任务学习模块， 将路段特征图xmr和交叉口特征图x'mr以及公共嵌入 的特 征进行融合， 获得 具有局部短期异常事 件和多范围空间信息的路段 特征图xmt； S5.基于所述路段特征图xmt学习时间依赖性， 并输出Q个时间片后的交通数据预测结 果； S1具体包括以下内容： 给定节点集合V的历史交通观测值x和对应时间片内的异常事件数据u， 在根据异常事 件数据u的特 征将交通数据划分为B组； 将具有相同类型异常事件的不同节点视为公共虚拟节点v和v的K个最近邻节点子集 将交通数据分别根据以下 方式进行B次注意力权 重计算： 其中， 1≤b≤B， 在第b次计算中， 节点vi的隐藏状态表示为 为节点v与其邻 居节点vi之间的相关性； Wb是第b次计算中的超参数； ||表示串联操作； ＜ ·，·＞表示内积 算子； a(·)是一个单层前馈神经网络； 第b次计算后的输出分 别为 和 2.根据权利要求1所述的一种基于路网结构的状况自适应交通预测方法， 其特征在于， 在进行S1之前还包括将前P个时间片内的初始交通观测数据编码为基于路段的交通数据x 和基于交叉口 的交通数据x ’， 具体包括以下内容： 将路网结构根据图形分别构建为基于道路网络的路段图和基于交叉路口 的交叉图； 其中所述路段图为有向加权图G＝(V,E， A)， 所述路段图的交通观测值直接从交通传感权　利　要　求　书 1/3 页 2 CN 113935555 B 2器获得； 对应的交叉口图为G ′＝(V′， E′， A′)； 其中V为一组路段集合， |V|＝N， N为路段节点的总数， E为一组表示节点之间连通性的 边集， 为G的加权邻接矩阵， 通过Ai,j表示vi和vj两个节点之间的距离； V’中的节点是V中相邻节点之间的交叉路口， E ’中的边为对应V中的节点， A ’是加权邻 接矩阵， A ’i,j表示节点v ’i和v’j之间的邻接关系； 给定路段图上每一个路段的交通观测值， 为获得指定交叉路口的交通观测值， 通过将 连接到该交叉 口的路段的交通数据相加， 来获得对应交叉 口节点的交通数据， 具体计算方 法为： 3.根据权利要求1所述的一种基于路网结构的状况自适应交通预测方法， 其特征在于， S2具体包括以下内容： 对于节点vi的l跳距离内的不同邻域范围的所有相邻节点应用共享线性变换 其中， 1≤l≤L， 对于不同范围的相邻节点， 多范围注意力机制计算方法为： 其中, 表示节点vi在l层中的特征， 为邻域上下文嵌入， 初始化 为随机向量； 在获得注意力互相关系数后， 计算节点vi的l跳邻居内所有相邻节点的线性组合， 获得 最终节点表示： 获得路段 特征图 和交叉口特 征图x'mr。 4.根据权利要求1所述的一种基于路网结构的状况自适应交通预测方法， 其特征在于， S3的具体内容包括： 两个图中嵌入 共享参数的公共非线性变换公式如下： 获取路段 特征图xps和交叉口特 征图x’ps的公共嵌入 的方法为： 权　利　要　求　书 2/3 页 3 CN 113935555 B 3