[发明专利]一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法

说明书

一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法，包括以下步骤：(1)基于道路网络的空间拓扑结构建立一个无向图；(2)首先计算道路历史拥堵指数数据间相似度，然后基于该相似度建立一个加权无向图，最后对该加权无向图进行嵌入得到表征道路的语义向量；(3)基于图卷积网络抽取短期拥堵指数变化特征，基于循环神经网络抽取长期拥堵指数变化特征，在此基础上融合道路语义向量建立预测模型。本发明同时考虑道路网络的空间拓扑关联和历史语义关联，提高了模型的预测能力；采用图卷积网络对道路网络拓扑结构建模，采用图嵌入对道路网络语义关联建模，使得道路网络拓扑结构和语义关联可以被深度神经网络处理。

技术领域

本发明涉及机器学习技术，具体涉及一种拥堵指数预测方法。

背景技术

智能交通系统可通过线圈、微波、摄像头等设备采集道路的平均车速，进而计算道路的拥堵指数，而拥堵指数预测指根据道路的历史拥堵指数预测其未来拥堵指数。拥堵指数预测对出行规划、交通管控等都具有重要的意义。

拥堵指数预测方法主要包括知识驱动的方法和数据驱动的方法。知识驱动的方法是一种较为传统的方法，主要通过模拟车辆的运行实现预测。数据驱动的方法是一种基于先进的机器学习技术实现预测的方法。由于拥堵指数是一种时间序列数据，现有数据驱动的方法主要采用时序模型对其进行学习从而实现预测，包括传统的时序模型(如ARIMA、Kalman滤波器等)和基于深度学习的时序模型(如LSTM、GRU等)。

然而，现有用于拥堵指数预测的时序模型最大的不足在于：只考虑了道路拥堵指数的时间关联，未考虑道路本身的空间关联。首先，道路网络的拓扑结构是一种最直观的空间关联，如连通道路间的车流有较强的相互影响。其次，道路间存在语义关联，如同样类型区域(如商业区、景区等)内的道路通常具有较为相似的拥堵指数变化趋势。因此，在先进的深度学习模型中同时考虑上述空间关联和时间关联，可有效地提高模型的预测性能。

发明内容

针对现有拥堵指数预测方法的预测性能较差的不足，本发明提出了一种预测性能较强的结合道路网络拓扑结构与语义关联的拥堵指数预测方法。

本发明解决其技术问题所采用的技术方案是：

一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法，包括以下步骤：

(1)道路网络拓扑结构图构建：基于道路网络的空间拓扑结构建立一个无向图；

(2)道路网络语义关联图构建：首先计算道路历史拥堵指数数据间相似度，然后基于该相似度建立一个加权无向图，最后对该加权无向图进行嵌入得到表征道路的语义向量；

(3)基于混合深度神经网络的预测模型构建：基于图卷积网络抽取短期拥堵指数变化特征，基于循环神经网络抽取长期拥堵指数变化特征，在此基础上融合道路语义向量建立预测模型。

进一步，所述步骤(1)中，道路网络拓扑结构图构建的过程如下：

(1-1)道路网络拓扑结构图建立：首先，将道路网络中每条道路R_i创建为一个节点。然后，若车辆能从道路R_i直接到达道路R_j或从道路R_j直接到达道路R_i，则在节点R_i和节点R_j之间创建一条边，记最后建立的无向图为TG；

(1-2)道路网络拓扑结构图表示：采用一个邻接矩阵表示TG。

再进一步，所述步骤(2)中，道路网络语义关联图构建的过程如下：