【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及交通流量預測，更具體的說是涉及一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法及電子設備。
技術(shù)介紹
1、近年來，隨著經(jīng)濟的快速增長，水上交通，尤其是船舶交通，在促進國際貿(mào)易與沿海城市發(fā)展中扮演著愈發(fā)重要的角色。然而，這一繁榮也伴隨著一系列船舶交通管理上的挑戰(zhàn)，成為影響海洋運輸安全與效率的關鍵問題。為了更好地規(guī)劃和管理船舶交通，提升交通流量預測的準確性，減少擁堵與風險，正積極探索新的預測方法。
2、然而，現(xiàn)有的船舶交通流量預測研究多基于時間序列分析或統(tǒng)計學習方法，如自回歸綜合移動平均模型(autoregressive?integrated?moving?average?model，arima)、支持向量機(support?vector?machine，svm)等，這些方法在處理高維、非線性且含有復雜空間依賴性的船舶數(shù)據(jù)時顯得力不從心。而卷積神經(jīng)網(wǎng)絡(convolutional?neuralnetworks，cnn)雖然在一定程度上被用于處理網(wǎng)格化的交通數(shù)據(jù)，但難以直接應用于不規(guī)則且動態(tài)變化的航道網(wǎng)絡。
3、因此，如何提供能夠解決上述問題的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法及電子設備，是本領域技術(shù)人員亟需解決的問題。
技術(shù)實現(xiàn)思路
1、有鑒于此，本專利技術(shù)提供了一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法及電子設備，通過采用一種結(jié)合時空特征的交通流量預測方法，該方法利用圖卷積網(wǎng)絡(graphconvolutional?network，gcn)結(jié)合數(shù)據(jù)依賴門(
2、為了實現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：
3、一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，包括：
4、s1：獲取交通流量信息，并對所述交通流量信息進行預處理；
5、s2：使用無向圖描述交通流量信息中的鄰近船舶傳感器之間的關系，構(gòu)建圖結(jié)構(gòu)，得到船舶交通數(shù)據(jù)圖；
6、s3：構(gòu)建交通流量預測模型，通過所述交通流量預測模型預測未來的交通流量狀態(tài)；
7、所述交通流量預測模型包括：圖神經(jīng)網(wǎng)絡、高階傳感網(wǎng)絡以及序列到序列模型；
8、其中，通過所述圖卷積網(wǎng)絡處理所述船舶交通數(shù)據(jù)圖，包括：通過卷積操作提取交通流量信息的空間位置和相鄰性特征，結(jié)合用于控制輸入/輸出比率的數(shù)據(jù)依賴門實現(xiàn)對圖卷積網(wǎng)絡中信息流動的動態(tài)調(diào)節(jié)；
9、通過所述高階傳感網(wǎng)絡捕獲時間依賴，包括：將圖神經(jīng)網(wǎng)絡的輸出嵌入到高階傳感網(wǎng)絡中，進行周期迭代，得到交通流的時效特征；
10、通過所述序列到序列模型生成預測結(jié)果，包括：將高階傳感網(wǎng)絡輸入值序列到序列模型中，在序列到序列模型中的編碼器和解碼器中分別使用由多個門控循環(huán)單元gru組成的神經(jīng)網(wǎng)絡層進行交通流量的編碼和譯碼，編碼器產(chǎn)生一個隱藏變量，解碼器對隱藏變量進行譯碼，預測未來的交通流量狀態(tài)。
11、優(yōu)選的，s1：獲取交通流量信息，并對所述交通流量信息進行預處理，具體過程包括以下步驟：
12、s11：利用船舶自動識別系統(tǒng)ais交通流量信息；
13、s12：去除交通流量信息中重復、錯誤或無效的數(shù)據(jù)記錄；
14、s13：對剩余的交通流量信息進行時間戳對齊，確保數(shù)據(jù)的一致性和可比性；
15、s13：將交通流量信息中離散的ais點數(shù)據(jù)轉(zhuǎn)換為連續(xù)的航跡線。
16、優(yōu)選的，s2：使用無向圖來描述交通流量信息中的鄰近船舶傳感器之間的關系，構(gòu)建圖結(jié)構(gòu)，得到船舶交通數(shù)據(jù)圖，具體過程包括以下步驟：
17、s21：將交通流量信息中的船舶作為圖結(jié)構(gòu)中的節(jié)點，根據(jù)船舶之間的空間關系定義邊；
18、s22：利用無向圖g＝(v,e,w)描述船舶交通流量信息中的鄰近傳感器站的相互關系,v是傳感器的節(jié)點集，e是一個邊集代表了網(wǎng)絡中各傳感器的連通性，w為構(gòu)造的鄰接矩陣；
19、s23：如果無向圖g所示的頂點拓撲能夠從原始數(shù)據(jù)獲得，則利用連通度求出之前不能得到的節(jié)點拓撲；在沒有求出的情況下，根據(jù)節(jié)點之間的間距構(gòu)造鄰接矩陣w，得到船舶交通數(shù)據(jù)圖。
20、優(yōu)選的，通過所述圖卷積網(wǎng)絡處理所述船舶交通數(shù)據(jù)圖，包括：通過卷積操作提取交通流量信息的空間位置和相鄰性特征，結(jié)合用于控制輸入/輸出比率的數(shù)據(jù)依賴門實現(xiàn)對圖卷積網(wǎng)絡中信息流動的動態(tài)調(diào)節(jié)，具體過程包括以下步驟：
21、s31：在得到船舶交通數(shù)據(jù)圖后，利用圖卷積網(wǎng)絡對圖結(jié)構(gòu)進行卷積操作，輸入為三維張量，包含測點的歷史流量數(shù)據(jù)及通道數(shù)；
22、s32：在無向圖g上定義卷積，利用拉普拉斯算子的特征值分解和傅里葉變換，實現(xiàn)船舶交通數(shù)據(jù)圖與向量的卷積；
23、s33：通過濾波器定義圖形關于向量的卷積，將圖形卷積計算簡化為向量運算；
24、s34：將卷積核限定在多項式中；
25、s35：對s34的卷積核進行擴展；
26、s36：在n個結(jié)點的無向圖g中，用矩陣表示具有特定向量的結(jié)點，進行卷積操作；
27、s37：采用控制輸入/輸出比率的數(shù)據(jù)依賴門實現(xiàn)對圖卷積網(wǎng)絡中信息流動的動態(tài)調(diào)節(jié)；
28、s38：定義特定信號的處理方式；
29、s39：結(jié)合上述步驟，得到圖卷積層的最終輸出，完成圖卷積網(wǎng)絡的處理過程，實現(xiàn)對圖卷積網(wǎng)絡中信息流動的動態(tài)調(diào)節(jié)。
30、優(yōu)選的，通過所述高階傳感網(wǎng)絡捕獲時間依賴，包括：將圖神經(jīng)網(wǎng)絡的輸出嵌入到高階傳感網(wǎng)絡中，進行周期迭代，得到交通流的時效特征，具體過程包括以下步驟：
31、s41：構(gòu)建基于循環(huán)神經(jīng)網(wǎng)絡的門控遞歸單元gru，利用當前結(jié)點輸入信號和之前結(jié)點隱含狀態(tài)，通過權(quán)矩陣和激活函數(shù)計算重置門和更新門；
32、s42：利用重置門獲取重新設置的數(shù)據(jù)，與當前結(jié)點輸入信號拼合后，通過激活函數(shù)壓縮數(shù)據(jù)，得到當前時間步的網(wǎng)絡輸出；
33、s43：使用更新門來更新隱藏狀態(tài)，同時遺忘和記憶信息，得到新的隱藏狀態(tài)；
34、s44：在構(gòu)建完成的門控遞歸單元gru中，每個門控遞歸單元gru的輸入都包括上一個門控遞歸單元gru的輸出，捕捉循環(huán)神經(jīng)網(wǎng)絡的時間序列特性，得到交通流的時效性。
35、優(yōu)選的，將高階傳感網(wǎng)絡輸入值序列到序列模型中，在序列到序列模型中的編碼器和解碼器中分別使用由多個門控循環(huán)單元gru組成的神經(jīng)網(wǎng)絡層進行交通流量的編碼和譯碼，編碼器產(chǎn)生一個隱藏變量，解碼器對隱藏變量進行譯碼，預測未來的交通流量狀態(tài)，包括：
36、s51：將門控遞歸單元gru作為基礎，構(gòu)建由兩層64個門控遞歸單元gru組成的編碼器和解碼器網(wǎng)絡，得到序列到序本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，S1：獲取交通流量信息，并對所述交通流量信息進行預處理，具體過程包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，S2：使用無向圖來描述交通流量信息中的鄰近船舶傳感器之間的關系，構(gòu)建圖結(jié)構(gòu)，得到船舶交通數(shù)據(jù)圖，具體過程包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，通過所述圖卷積網(wǎng)絡處理所述船舶交通數(shù)據(jù)圖，包括：通過卷積操作提取交通流量信息的空間位置和相鄰性特征，結(jié)合用于控制輸入/輸出比率的數(shù)據(jù)依賴門實現(xiàn)對圖卷積網(wǎng)絡中信息流動的動態(tài)調(diào)節(jié)，具體過程包括以下步驟：
5.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，通過所述高階傳感網(wǎng)絡捕獲時間依賴，包括：將圖神經(jīng)網(wǎng)絡的輸出嵌入到高階傳感網(wǎng)絡中，進行周期迭代，得到交通流的時效特征，具體過程包括以下步驟：
6.根據(jù)權(quán)利要求1所述的一
7.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1至6任一所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法的步驟。
...【技術(shù)特征摘要】
1.一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，s1：獲取交通流量信息，并對所述交通流量信息進行預處理，具體過程包括以下步驟：
3.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，s2：使用無向圖來描述交通流量信息中的鄰近船舶傳感器之間的關系，構(gòu)建圖結(jié)構(gòu)，得到船舶交通數(shù)據(jù)圖，具體過程包括以下步驟：
4.根據(jù)權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡的船舶交通流量預測方法，其特征在于，通過所述圖卷積網(wǎng)絡處理所述船舶交通數(shù)據(jù)圖，包括：通過卷積操作提取交通流量信息的空間位置和相鄰性特征，結(jié)合用于控制輸入/輸出比率的數(shù)據(jù)依賴門實現(xiàn)對圖卷積網(wǎng)絡中信息流動的動態(tài)調(diào)節(jié)，具體過程包括以下步驟：
5....
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉亞榮，周雪松，謝曉蘭，孟媛，支正新，冷冬，劉宇航，
申請(專利權(quán))人：桂林理工大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。