基于知识图谱和时空扩散图卷积网络的港口交通流量预测

doi:10.11772/j.issn.1001-9081.2023081100

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (9): 2952-2957.DOI: 10.11772/j.issn.1001-9081.2023081100

基于知识图谱和时空扩散图卷积网络的港口交通流量预测

薛桂香¹(), 王辉², 周卫峰³, 刘瑜³, 李岩⁴

^1.河北工业大学土木与交通学院，天津 300401
^2.河北工业大学人工智能与数据科学学院，天津 300401
^3.天津市智能交通运行监测中心，天津 300250
^4.天津港信息技术发展有限公司，天津 300461

收稿日期:2023-08-15 修回日期:2023-11-01 接受日期:2023-11-16 发布日期:2023-12-18 出版日期:2024-09-10
通讯作者: 薛桂香
作者简介:王辉（1999—），男，河北邯郸人，硕士研究生，主要研究方向：智能交通系统
周卫峰（1969—），男，陕西韩城人，教授级高级工程师，博士，主要研究方向：智能交通系统
刘瑜（1975—），男，浙江舟山人，高级工程师，硕士，主要研究方向：智能交通系统
李岩（1980—），男，天津人，高级工程师，硕士，主要研究方向：智慧港口。
基金资助:
国家自然科学基金资助项目(52208240);天津市科技计划项目(23ZGCXQY00030)

Port traffic flow prediction based on knowledge graph and spatio-temporal diffusion graph convolutional network

Guixiang XUE¹(), Hui WANG², Weifeng ZHOU³, Yu LIU³, Yan LI⁴

^1.School of Civil and Transportation Engineering，Hebei University of Technology，Tianjin 300401，China
^2.School of Artificial Intelligence，Hebei University of Technology，Tianjin 300401，China
^3.Intelligent Transportation Monitoring Center of Tianjin，Tianjin 300250，China
^4.Tianjin Port Information Technology Development Company Limited，Tianjin 300461，China

Received:2023-08-15 Revised:2023-11-01 Accepted:2023-11-16 Online:2023-12-18 Published:2024-09-10
Contact: Guixiang XUE
About author:WANG Hui， born in 1999， M. S. candidate. His research interests include intelligent transport system.
ZHOU Weifeng， born in 1969， Ph. D.， professor of engineering. His research interests include intelligent transport system.
LIU Yu， born in 1975， M. S.， senior engineer. His research interests include intelligent transport system.
LI Yan， born in 1980， M. S.， senior engineer. His research interests include intelligent port.
Supported by:
National Natural Science Foundation of China(52208240);Tianjin Science and Technology Plan Project(23ZGCXQY00030)

摘要/Abstract

摘要：

由于港口交通流量具有随机不确定性、时间不平稳特征，因此港口交通流量的精准预测是一项具有挑战性的任务。为了提高港口交通流量预测精度，考虑气象条件和港口相邻高速公路开闭状态等外部干扰因素，提出了一种基于知识图谱和时空扩散图卷积网络的港口交通流量预测算法KG-DGCN-GRU。知识图谱表示港口交通网络相关因素，知识表示方法从港口知识图谱中学习各外部因素的语义信息，扩散图卷积网络（DGCN）和门控循环单元（GRU）能有效挖掘港口交通流量的时空依赖特征。基于天津港交通数据集的实验结果表明，KG-DGCN-GRU能通过知识图谱和扩散图卷积有效提高预测精度，在单步预测（15 min）中与时间图卷积网络（T-GCN）和扩散卷积递归神经网络（DCRNN）相比，均方根误差（RMSE）分别降低了4.85%和7.04%，平均绝对误差（MAE）分别降低了5.80%和8.17%。

关键词: 港口交通流量预测, 知识图谱, 时空依赖, 门控循环单元, 图卷积网络

Abstract:

Accurate prediction of port traffic flow is a challenging task due to its stochastic uncertainty and time-unsteady characteristics. In order to improve the accuracy of port traffic flow prediction， a port traffic flow prediction model based on knowledge graph and spatio-temporal diffusion graph convolution network， named KG-DGCN-GRU， was proposed， taking into account the external disturbances such as meteorological conditions and the opening and closing status of the port-adjacent highway. The factors related to the port traffic network were represented by the knowledge graph， and the semantic information of various external factors were learned from the port knowledge graph by using the knowledge representation method， and Diffusion Graph Convolutional Network （DGCN） and Gated Recurrent Unit （GRU） were used to effectively extract the spatio-temporal dependency features of the port traffic flow. The experimental results based on the Tianjin Port traffic dataset show that KG-DGCN-GRU can effectively improve the prediction accuracy through knowledge graph and diffusion graph convolutional network， the Root Mean Squared Error （RMSE） is reduced by 4.85% and 7.04% and the Mean Absolute Error （MAE） is reduced by 5.80% and 8.17%， compared with Temporal Graph Convolutional Network （T-GCN） and Diffusion Convolutional Recurrent Neural Network （DCRNN） under single step prediction （15 min）.

Key words: port traffic flow prediction, knowledge graph, spatio-temporal dependency, Gated Recurrent Unit (GRU), Graph Convolutional Network (GCN)

中图分类号:

TP181

薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 计算机应用, 2024, 44(9): 2952-2957.

Guixiang XUE, Hui WANG, Weifeng ZHOU, Yu LIU, Yan LI. Port traffic flow prediction based on knowledge graph and spatio-temporal diffusion graph convolutional network[J]. Journal of Computer Applications, 2024, 44(9): 2952-2957.

图/表 9

参考文献 25

1	KALAMARAS I， ZAMICHOS A， SALAMANIS A， et al. An interactive visual analytics platform for smart intelligent transportation systems management ［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（2）： 487-496.
2	GASTEIGER J， WEIβENBERGER S， GÜNNEMANN S. Diffusion improves graph learning ［C］// Proceedings of the 33rd International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2019： 133666-13378.
3	ZHANG S， SONG Y， JIANG D， et al. Noise-identified Kalman filter for short-term traffic flow forecasting ［C］// Proceedings of the 2019 15th International Conference on Mobile Ad-Hoc and Sensor Networks. Piscataway： IEEE， 2019： 462-466.
4	YE Q， SZETO W Y， WONG S C. Short-term traffic speed forecasting based on data recorded at irregular intervals ［J］. IEEE Transactions on Intelligent Transportation Systems， 2012， 13（4）： 1727-1737.
5	CHANG H， LEE Y， YOON B， et al. Dynamic near-term traffic flow prediction： system-oriented approach based on past experiences ［J］. IET Intelligent Transport Systems， 2012， 6（3）： 292-305.
6	HU W， YAN L， LIU K， et al. A short-term traffic flow forecasting method based on the hybrid PSO-SVR ［J］. Neural Processing Letters， 2016， 43（1）： 155-172.
7	ZOU Z， PENG H， LIU L， et al. Deep convolutional mesh RNN for urban traffic passenger flows prediction ［C］// Proceedings of the 2018 IEEE Smart World， Ubiquitous Intelligence & Computing， Advanced & Trusted Computing， Scalable Computing & Communications， Cloud & Big Data Computing， Internet of People and Smart City Innovation. Piscataway： IEEE， 2018： 1305-1310.
8	MA X， TAO Z， WANG Y， et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data ［J］. Transportation Research Part C： Emerging Technologies， 2015， 54： 187-197.
9	FU R， ZHANG Z， LI L. Using LSTM and GRU neural network methods for traffic flow prediction ［C］// Proceedings of the 2016 31st Youth Academic Annual Conference of Chinese Association of Automation. Piscataway： IEEE， 2016： 324-328.
10	YUAN H， LI G. A survey of traffic prediction： from spatio-temporal data to intelligent transportation ［J］. Data Science and Engineering， 2021， 6（1）： 63-85.
11	罗文慧，董宝田，王泽胜.基于CNN-SVR混合深度学习模型的短时交通流预测［J］.交通运输系统工程与信息，2017，17（5）：68-74.
	LUO W H， DONG B T， WANG Z S. Short-term traffic flow prediction based on CNN-SVR hybrid deep learning model ［J］. Journal of Transportation Systems Engineering and Information Technology， 2017， 17（5）： 68-74.
12	MA D， SHENG B， JIN S， et al. Short-term traffic flow forecasting by selecting appropriate predictions based on pattern matching ［J］. IEEE Access， 2018， 6： 75629-75638.
13	YU B， LEE Y， SOHN K. Forecasting road traffic speeds by considering area-wide spatio-temporal dependencies based on a Graph Convolutional Neural network （GCN）［J］. Transportation Research Part C： Emerging Technologies， 2020， 114： 189-204.
14	冯宁，郭晟楠，宋超，等.面向交通流量预测的多组件时空图卷积网络［J］.软件学报，2019，30（3）：759-769.
	FENG N， GUO S N， SONG C， et al. Multi-component spatial-temporal graph convolution networks for traffic flow forecasting ［J］. Journal of Software， 2019， 30（3）： 759-769.
15	张永凯，武志昊，林友芳，等.面向交通流量预测的时空超关系图卷积网络［J］.计算机应用，2021，41（12）：3578-3584.
	ZHANG Y K， WU Z H， LIN Y F， et al. Spatio-temporal hyper-relationship graph convolutional network for traffic flow forecasting ［J］. Journal of Computer Applications， 2021， 41（12）： 3578-3584.
16	CAO Y， LIU D， YIN Q， et al. MSASGCN： multi-head self-attention spatiotemporal graph convolutional network for traffic flow forecasting ［J］. Journal of Advanced Transportation， 2022， 2022： 2811961.
17	KHALED A， ELSIR A M T， SHEN Y. TFGAN： traffic forecasting using generative adversarial network with multi-graph convolutional network ［J］. Knowledge-Based Systems， 2022， 249： 108990.
18	ZHANG D， KABUKA M R. Combining weather condition data to predict traffic flow： a GRU-based deep learning approach ［J］. IET Intelligent Transport Systems， 2018， 12（7）： 578-585.
19	ZHU J， WANG Q， TAO C. AST-GCN： attribute-augmented spatiotemporal graph convolutional network for traffic forecasting ［J］. IEEE Access， 2021， 9： 35973-35983.
20	BORDES A， USUNIER A， GARCIA-DURÁN A， et al. Translating embeddings for modeling multi-relational data ［C］// Proceedings of the 26th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2013： 2787-2795.
21	CASTRO-NETO M， Y-S JEONG， M-K JEONG， et al. Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions ［J］. Expert Systems with Applications， 2009， 36（3）： 6164-6173.
22	CHUNG J， GULCEHRE C， CHO K H， et al. Empirical evaluation of gated recurrent neural networks on sequence modeling ［EB/OL］. （2014-12-11）［2023-08-14］. .
23	LI Y， YU R， SHAHABI C， et al. Diffusion convolutional recurrent neural network： data-driven traffic forecasting ［EB/OL］. ［2023-08-01］. .
24	ZHAO L， SONG Y， ZHANG C， et al. T-GCN： a temporal graph convolutional network for traffic prediction ［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（9）： 3848-3858.
25	BAI J， ZHU J， SONG Y， et al. A3T-GCN： attention temporal graph convolutional network for traffic forecasting ［J］. ISPRS International Journal of Geo-Information， 2021， 10（7）： 485.

模型	15 min预测			30 min预测			45 min预测			60 min预测
模型	RMSE	MAE	MAPE/%	RMSE	MAE	MAPE/%	RMSE	MAE	MAPE/%	RMSE	MAE	MAPE/%
HA	29.310 0	17.946 9	0.241 2	30.610 5	18.925 4	0.259 7	31.716 3	19.811 9	0.264 9	32.680 3	20.615 1	0.281 1
SVR	28.838 4	17.307 6	0.221 6	29.654 5	17.635 3	0.239 8	31.045 6	19.735 0	0.257 8	32.239 3	19.706 8	0.279 6
GRU	27.515 4	16.360 0	0.198 2	28.225 4	17.289 5	0.205 4	29.885 4	19.145 9	0.221 1	30.248 4	19.355 8	0.251 9
DCRNN	26.064 7	16.879 5	0.192 1	27.985 9	16.981 3	0.210 4	29.015 7	18.879 1	0.219 7	30.024 9	19.016 7	0.232 1
T-GCN	25.464 5	16.455 5	0.190 3	27.828 7	16.773 2	0.201 2	28.846 0	18.401 3	0.215 3	29.604 7	18.902 4	0.240 4
A3T-GCN	25.383 3	16.904 4	0.189 8	27.788 4	16.389 3	0.197 6	28.450 7	18.039 3	0.208 7	28.969 8	18.590 9	0.221 7
KG-DGCN-GRU	24.229 8	15.500 3	0.173 9	25.607 4	16.511 4	0.186 7	27.646 0	17.480 7	0.188 7	28.821 7	17.975 7	0.203 4

模型	15 min预测			30 min预测			45 min预测			60 min预测
模型	RMSE	MAE	MAPE/%	RMSE	MAE	MAPE/%	RMSE	MAE	MAPE/%	RMSE	MAE	MAPE/%
HA	29.310 0	17.946 9	0.241 2	30.610 5	18.925 4	0.259 7	31.716 3	19.811 9	0.264 9	32.680 3	20.615 1	0.281 1
SVR	28.838 4	17.307 6	0.221 6	29.654 5	17.635 3	0.239 8	31.045 6	19.735 0	0.257 8	32.239 3	19.706 8	0.279 6
GRU	27.515 4	16.360 0	0.198 2	28.225 4	17.289 5	0.205 4	29.885 4	19.145 9	0.221 1	30.248 4	19.355 8	0.251 9
DCRNN	26.064 7	16.879 5	0.192 1	27.985 9	16.981 3	0.210 4	29.015 7	18.879 1	0.219 7	30.024 9	19.016 7	0.232 1
T-GCN	25.464 5	16.455 5	0.190 3	27.828 7	16.773 2	0.201 2	28.846 0	18.401 3	0.215 3	29.604 7	18.902 4	0.240 4
A3T-GCN	25.383 3	16.904 4	0.189 8	27.788 4	16.389 3	0.197 6	28.450 7	18.039 3	0.208 7	28.969 8	18.590 9	0.221 7
KG-DGCN-GRU	24.229 8	15.500 3	0.173 9	25.607 4	16.511 4	0.186 7	27.646 0	17.480 7	0.188 7	28.821 7	17.975 7	0.203 4

模型	RMSE	MAE	MAPE/%
KG-DGCN-GRU（weather）	24.300 7	15.590 0	0.191 0
KG-DGCN-GRU（highway）	25.048 9	16.603 8	0.209 3
KG-DGCN-GRU（weather+highway）	24.229 8	15.500 3	0.176 7

模型	RMSE	MAE	MAPE/%
KG-DGCN-GRU（weather）	24.300 7	15.590 0	0.191 0
KG-DGCN-GRU（highway）	25.048 9	16.603 8	0.209 3
KG-DGCN-GRU（weather+highway）	24.229 8	15.500 3	0.176 7

模型	RMSE	MAE	MAPE/%
KG-GCN-GRU	26.842 8	17.658 6	0.204 6
KG-DGCN-GRU	24.229 8	15.500 3	0.176 7

基于知识图谱和时空扩散图卷积网络的港口交通流量预测

Port traffic flow prediction based on knowledge graph and spatio-temporal diffusion graph convolutional network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 25

相关文章 15

编辑推荐

Metrics

[1]	庞川林, 唐睿, 张睿智, 刘川, 刘佳, 岳士博. D2D通信系统中基于图卷积网络的分布式功率控制算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2855-2862.
[2]	武杰, 张安思, 吴茂东, 张仪宗, 王从宝. 知识图谱在装备故障诊断领域的研究与应用综述[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2651-2659.
[3]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[4]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[5]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[6]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[7]	于右任, 张仰森, 蒋玉茹, 黄改娟. 融合多粒度语言知识与层级信息的中文命名实体识别模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1706-1712.
[8]	黎施彬, 龚俊, 汤圣君. 基于Graph Transformer的半监督异配图表示学习模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1816-1823.
[9]	李健京, 李贯峰, 秦飞舟, 李卫军. 基于不确定知识图谱嵌入的多关系近似推理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1751-1759.
[10]	吕锡婷, 赵敬华, 荣海迎, 赵嘉乐. 基于Transformer和关系图卷积网络的信息传播预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1760-1766.
[11]	孙敏, 成倩, 丁希宁. 基于CBAM-CGRU-SVM的Android恶意软件检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1539-1545.
[12]	郭洁, 林佳瑜, 梁祖红, 罗孝波, 孙海涛. 基于知识感知和跨层次对比学习的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1121-1127.
[13]	高龙涛, 李娜娜. 基于方面感知注意力增强的方面情感三元组抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1049-1057.
[14]	杨先凤, 汤依磊, 李自强. 基于交替注意力机制和图卷积网络的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1058-1064.
[15]	赵晓焱, 匡燕, 王梦含, 袁培燕. 基于知识图谱的端到端内容共享机制[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 995-1001.