[发明专利]基于多图卷积和GRU的不规则区域流量预测方法

权利要求书

1.基于多图卷积和GRU的不规则区域流量预测方法，其特征在于，包括如下步骤：

步骤一，将地域划分为N个不相连的不规则区域；

步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和流出量；

步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的空间关联；建立不同的所述关联图来表示不规则区域间多样化的空间关联，包括距离图、流量交互图、流量关联图；

步骤四，基于区域间的所述关联图设计多图卷积神经网络，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；基于区域间的多个所述关联图，提出所述多图卷积神经网络来充分挖掘不同图中隐藏的有用信息、捕获复杂的空间依赖关联，包括如下步骤：

(1)采用图卷积神经网络模型f(X^t',A)处理t'时间步下的每个图：

所述X^t'＝(I^t',O^t')是模型在所述t'时间步下的输入，表示所述区域的进入量和流出量，是一个具有自流量的邻接矩阵，所述I_N为单位矩阵，所述是一个对角矩阵，其中所述W_d、W_inter、W_corr是可训练的权重矩阵，所述tanh(·)表示激活函数；所述A_d表示距离图中邻接矩阵，所述A_inter表示流量交互图中邻接矩阵，所述A_corr表示流量关联图中邻接矩阵；

(2)对每个时间步加入附加属性attr^t'，编码每个时间步下的流量影响因素；

(3)采用一个全连接层，将多个所述关联图和所述附加属性联合起来，融合区域间各式各样的空间关联特征；

FCL(X^t',A_d,A_inter,A_corr,attr^t')＝W_fcl[f_d(X^t',A_d),f_inter(X^t',A_inter),f_corr(X^t',A_corr),attr^t']

所述W_fcl为权重矩阵，所述FCL(·)为多图卷积融合结果；

步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；基于所述多图卷积融合结果FCL(·)，采用GRU神经网络捕获历史中的时序关联，所述GRU将t'-1时间步下的隐藏状态和多图卷积结果作为输入，获得t'时间步下的流量状态，计算流程如下所示：

u^t'＝σ(W_u[FCL(·),h^t'-1]+b_u)

r^t'＝σ(W_r[FCL(·),h^t'-1]+b_r)

c^t'＝tanh(W_c[FCL(·),(r^t'⊙h^t'-1)]+b_c)

h^t'＝u^t'h^t'-1+(1-u^t')c^t'

所述h^t'-1表示所述时间步t'-1下的隐藏状态，所述u^t'为更新门，定义了将上一时刻的哪些记忆保存到当前时间步的量，所述r^t'为重置门，决定了如何将新的输入信息与前面的记忆相结合，所述c^t'为所述t'时间步下的存储内容，所述h^t'为所述t'时间步下的输出状态，所述FCL(·)为所述t'时间步下的所述多图卷积结果，所述W_u、W_r、W_c为权重矩阵，所述b_u、b_r、b_c为偏差向量，所述σ为sigmoid函数，所述⊙为逐元素相乘操作；

步骤六，选择损失函数，训练得到预测模型，通过所述预测模型预测得到每个区域的所述进入量和所述流出量。