(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 202111466362.6 (22)申请日 2021.12.0 3 (65)同一申请的已公布的文献号 申请公布号 CN 113869614 A (43)申请公布日 2021.12.31 (73)专利权人 北京航空航天大 学杭州创新研究 院 地址 310051 浙江省杭州市滨江区长河街 道创慧街18号 (72)发明人 邵巍　周家柳　彭紫妍　罗喜伶　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 郑海峰 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 113255569 A,2021.08.13 CN 112801404 A,2021.0 5.14 审查员 张博 (54)发明名称 一种基于时空图卷积的行人流早期预测方 法 (57)摘要 本发明公开了一种基于时空图卷积的行人 流早期预测方法， 其包括： 获取行人流量的训练 样本， 构建应用无向图的扩散卷积的编码器解码 器结构， 构建控制历史数据步长的控制器， 对基 于时空图卷积的早期预测模型进行迭代训练： 获 取行人流早期预测的结果。 本发 明将传感器采集 到的实时数据样本输入模型， 通过编码器提取样 本特征， 编码器的输出去初始化解码器， 控制器 根据解码器最终输出的隐藏状态来判断当前时 刻是否满足最佳步长的条件， 若满足则由全 连接 层得到最终预测值， 即在未来某时间段内各传感 器区域内所经过的行人数量。 本发 明不仅能够根 据历史数据在预测前自适应选择合适步长进行 预测， 而且 预测精度比设置固定步长的模型精度 要高。 权利要求书3页 说明书7页 附图1页 CN 113869614 B 2022.04.19 CN 113869614 B 1.一种基于时空图卷积的行 人流早期预测方法， 其特 征在于， 包括如下步骤： 1） 获取行人流量的训练样本； 所述的步骤1） 包括如下步骤： 1a) 获取记录不同时间段内传感器设备记录的行人流数据， 行人流数据表示为M个样 本， 每个样本表示为 的二维矩阵 ， 其中T为历史数据步长， N为传感器设备数 量， M为样本数量； 1b) 获取记录传感器设备经纬度位置的数据， 根据经纬度计算传感器设备之间的距 离， 建立 二维无向加权邻接矩阵W， 每 个元素Wij表示传感器i与传感器j之间的接 近度； 1c) 二维矩阵 X与无向加权邻接矩阵W进行归一 化处理； 2） 构建基于时空图卷积的早期预测模型A， 其包括： 2a)  构建应用无向图的扩散卷积的 编码器解码器结构； 2b)  构建控制历史数据步长的控制器； 其中， 步骤2a)为： 所述的编码器只包含一个门控循环单元， 将时刻t的数据输入编码器 用于提取前t个步长数据的特征， 根据其输出的隐藏状态去初始化解码器， 解码器由T ‑t个 门控循环单元组成， 若解码器输出 的隐藏状态满足最佳步长的要求， 则后接一个全连接层 进行行人流早期预测； 否则令t=t+1， 以上一时刻编码器的隐藏状态对现编码器进行更新， 并重复循环； 步骤2b)为： 将解码器的最终隐藏状态   与当前时刻t作为控制器的输入， 根据控制 器输出结果at来判断所需历史数据步长是否应当增加； 具体是将控制器输入看作一个不可 变的数据， 学习函数将其映射到停止概 率 上： 其中 ， 为可学习参数， 函数 确保停止概 率在0与1之间； 根据停止概率参数化一个伯努利分布， 并进行采样， 采样结果at即控制器的输出； at为1 意味着当前时刻为最佳步长， 应停止循环进行预测； at为0则意味着循环继续， 需要进一步 输入数据； 3） 对基于时空图卷积的早期预测模型进行迭代训练； 4） 根据传感器采集到的实时数据， 进行 行人流早期预测。 2.根据权利要求1所述的基于时空图卷积的行人流早期预测方法， 其特征在于， 所述的 二维无向加权邻接矩阵W中每 个元素Wij为： 其中， σ 为矩阵方差， 为传感器 到传感器 的距离。 3.根据权利要求1所述的基于时空图卷积的行人流早期预测方法， 其特征在于， 所述的 门控循环单 元的计算过程包括： 重置门控： 其中 ， 为可学习参数， 为上一单元隐藏状态， ； 表述扩散卷权　利　要　求　书 1/3 页 2 CN 113869614 B 2积； 为t时间关注到的样本； 重置后的数据与输入进行拼接， 再通过一个tanh激活函数来将数据放缩到 ‑1~1的范围 内， 得到当前记 忆内容： 其中 ， 为可学习参数， 为矩阵对应元 素相乘； 更新门控： 其中 ， 为可学习参数； 隐藏状态 ： 为上一单 元隐藏状态。 4.根据权利要求3所述的基于时空图卷积的行 人流早期预测方法， 其特 征在于， 对于t时间关注到的样本X记作 ， 记录着i节点j时刻的行人数量； 样本X在 滤波器 上进行的扩散卷积定义 为： 其中 表述扩散卷积， 、 表示可以学习的参数， 图信号 ， 为节点 集， 为表示边集， 每个节点对应每个传感器， 其节点特征为单位时间内行人数量， ， ， 1为N维的一向量。 5.根据权利要求1所述的基于时空图卷积的行人流早期预测方法， 其特征在于， 所述的 步骤3)具体为： 3a） 当前迭代次数为 n， 最大迭代次数为 N， 当前时空图卷积网络为 ， 并令n=0， =A ； 3b） 从训练集中随机选取M个样本作为 的输入， 并采用解码器提取特征， 控制器根据 解码器最终输出的隐藏状态判断当前 是否为最佳步长， 在最佳步长进行 预测； 3c） 通过最小化损失函数进行优化； 3d） 模型使用Pytorch实现， 并使用Adam优化器进行训练， 使用训练集和验证集调整超 参数； 3f)判断n=N是否成立， 若是， 得到训练好的模型 ， 否则， 令n=n+1， 并执 行步骤3b)。 6.根据权利要求5所述的基于时空图卷积的行人流早期预测方法， 其特征在于， 所述的 步骤3c） 具体为： 为了最小化训练阶段的误差， 通过最小化损失函数进行优化： 其中 是所有可学习参数， 为预测损失函数， 为编码器和解码器中可学习参 数， 为控制器损失函数， 为控制器中可学习参数， 为停止对数概率， 权　利　要　求　书 2/3 页 3 CN 113869614 B 3