[发明专利]基于图卷积网络的道路的交通流量的预测方法有效

专利信息
申请号: 201910370506.4 申请日: 2019-05-06
公开(公告)号: CN110264709B 公开(公告)日: 2021-02-12
发明(设计)人: 郭宇春;魏中锐;刘翔;陈一帅 申请(专利权)人: 北京交通大学
主分类号: G08G1/01 分类号: G08G1/01;H04L12/24
代理公司: 北京市商泰律师事务所 11255 代理人: 黄晓军
地址: 100044 北*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 图卷 网络 道路 交通 流量 预测 方法
【权利要求书】:

1.一种基于图卷积网络的道路的交通流量的预测方法,其特征在于,包括:

采集过去一段时间内的车辆GPS数据;

将所述车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵,利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵;所述的车辆GPS数据包括车辆的ID编号、时间点信息、地理位置信息和定位是否有效信息;

所述的将所述车辆GPS数据与实际路网信息数据进行整合,得到道路交通流量特征矩阵具体包括:将车辆GPS数据按照时间进行切片,对每个切片内的车辆GPS数据与实际路网信息数据整合,根据车辆经纬度将车辆映射到实际道路上,对每个时间切片内同一道路上的同一车辆ID进行去重,再对每个时间切片内同一道路上的车辆数量进行统计,将该统计结果作为在该时间切片内该道路上的交通流量值,生成由各个道路上的交通流量值构成的道路交通流量特征矩阵,该道路交通流量特征矩阵中的节点上的数据为在不同时间片内各条道路上的交通流量值;

基于所述道路邻接矩阵和道路交通流量特征矩阵,通过GCN网络提取道路的交通流量数据的空间特征,通过LSTM网络提取道路的交通流量数据的时间特征,综合所述道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值;具体包括:

将整形处理后得到的道路交通流量特征矩阵与道路邻接矩阵输入到GCN网络中,所述GCN网络将道路交通流量特征矩阵与道路邻接矩阵在道路邻接拓扑图上实现卷积操作,以提取道路邻接拓扑图中的道路的交通流量数据的空间特征信息,将所述GCN网络提取的空间特征信息输入到LSTM网络中,该LSTM网络提取所要预测道路的交通流量数据的时间特征;

提取所要预测道路上交通流量数据的时间周期特征和天气特征,所述时间周期特征通过对道路上交通流量的时间序列数据分解提取得到的,所述天气特征是由当天各个小时的气温数据得到的;

将所要预测道路上交通流量数据的空间特征、时间特征、时间周期特征和天气特征进行线性整合,得到所要预测道路的下一时间段的交通流量数据的最终预测结果。

2.根据权利要求1所述的方法,其特征在于,所述的利用线图转换将实际路网上的道路与道路交点进行转换,生成道路邻接矩阵,包括:

利用线图转换将路网上的道路与道路交点进行转换,生成道路邻接拓扑图,所述道路邻接拓扑图中的节点为路网中的道路,所述道路邻接拓扑图中的连边则代表着道路之间的连接关系,对所述道路邻接拓扑图中道路进行编号,创建横纵坐标都为道路编号的一个二维矩阵,在所述二维矩阵中,设横坐标为i,纵坐标为j,若编号为i,j的两条道路相连,则所述二维矩阵中(i,j)元素对应的数值为1;若编号为i,j的两条道路不相连,则所述二维矩阵中(i,j)元素对应的数值为0,将标注了各个元素对应的数值后的所述二维矩阵作为所述道路邻接拓扑图对应的道路邻接矩阵。

3.根据权利要求1所述的方法,其特征在于,所述的方法还包括:

将所要预测道路的交通流量数据的最终预测结果与真实结果进行比较,利用均方误差对比较结果进行衡量,将均方误差的衡量结果作为评价指标,对所述GCN网络和所述GCN网络的参数信息进行调整,以提高道路的交通流量数据的预测效果。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京交通大学,未经北京交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910370506.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top