[发明专利]一种基于图卷积循环神经网络的短时交通流控制方法

说明书

本发明涉及短时交通流控制领域，具体涉及一种基于图卷积循环神经网络的短时交通流控制方法；该方法包括：获取数据源；构建图结构交通流量序列；根据图结构交通流量序列在时间维的多级别性构建时空图卷积循环网络的近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；融合3个模型的结果，得到短时交通流量预测模型；根据这个模型得到预测结果；统计预测数据，将统计的结果发送给交通部门，控制该路网各卡口车流量；本发明利用时空图卷积循环神经网络同时建模交通流近期、日周期和周周期依赖性，建立基于多组件数据融合的时空图卷积循环神经网络的短时流量预测模型，从而达到精准的预测结果。

技术领域

本发明涉及短时交通流控制领域，具体涉及一种基于图卷积循环神经网络的短时交通流控制方法。

背景技术

随着社会经济持续快速发展，汽车数量不断增加，道路交通流量也随之增大，并由此带来了一系列的交通问题。在不改变当前路网的情况下，通过智能交通控制系统实现对路网短时交通流量的控制和诱导，是解决交通问题的有效途径之一。同时，准确的交通流预测信息不仅可以提高公众出行效率，而且还能够为交通部门制定管理方案、合理分配交通资源等提供参考依据。而短时交通流量预测旨在依据道路交通流量信息采用适当的方法去预测未来小段时间的交通流量状况，不同类别的交通数据内嵌于连续空间，并且随时间动态变化。如何从这些高度复杂、非线性的交通流数据中挖掘出隐含的时空模式，并提取出有价值的信息，是交通流时空数据挖掘的重要任务。目前，随着智能交通发展，许多学者在该类问题上进行了大量探究。早期基于统计学习的预测方法，如历史平均法、时间序列法等，计算复杂度低，操作简单，但模型受交通流的波动性影响较大，对具有较强随机性的非平稳流量数据预测效果不佳。随后发展起来的基于机器学习的预测方法，如支持向量法、聚类法等，虽然能够处理更为复杂、非线性的交通流数据，但不能同时有效地考虑交通流的时空关联性，并且预测效果很大依赖于特征工程。

近年来，将深度学习方法应用到交通流预测中成为了研究热点，例如专利申请号为CN201610183090.1的《一种基于卷积神经网络的短时交通流量预测方法》中提出了通过卷积神经网络建模交通流量数据二维特征信息来对短时交通流进行预测。通过卷积神经网络可以提取规则路网网格数据的时空特征用于短时流量预测，并且使预测模型学习到更多流量特征，提升了精确度。

但是基于欧氏距离的路网模型不能体现路口之间的空间连通关系，即使在网格上做卷积，也会由于数据建模的折衷，只能粗略地捕获空间局部性，在卷积神经网络建模过程中未考虑车辆经过卡口的时空特性，存在构建的模型精确度差的问题。

发明内容

为解决上述技术问题，本发明采用一种基于图卷积循环神经网络的短时交通流控制方法，其方法步骤包括：

S1：通过路边检测设备提取车辆信息，获取数据源；

S2：构建图结构交通流量序列；

S3：根据图结构交通流量序列结合时间维的多级别性构建时空图卷积循环网络近期组件模型，时空图卷积循环网络日周期组件模型以及时空图卷积循环网络周周期组件模型；

S4：对时空图卷积循环网络近期组件模型的输出结果，时空图卷积循环网络日周期组件模型输出结果以及时空图卷积循环网络周周期组件模型输出结果进行融合，得到短时交通流量预测模型；并得到预测数据；

S5：将预测数据发送给交通部门，控制该路网各卡口的车流量。

优选的，获取的数据包括卡口编号、车牌号、过车时间、卡口GPS位置等属性；根据这些数据整理车辆轨迹数据集，并对数据源重复数据、无效数据进行清洗。

优选的，构建路网拓扑图包括：收集车俩轨迹信息利用车辆轨迹统计相邻卡口间的过车概率，构建有行车偏好信息的权重邻接矩阵A；从收集的数据源中得到卡口节点集合L和代表相邻节点的连通性的边集E；根据得到的权重邻接矩阵A，卡口节点集合L以及边集E构建路网拓扑图G＝(L，E，A)。