[发明专利]一种基于深度学习的复杂交通路网交通速度预测方法

说明书

本发明提供一种基于深度学习的复杂交通路网交通速度预测方法，其通过获取PeMS数据集，制作交通速度数据集和传感器网络的邻接矩阵数据，利用多个时空特征提取层堆叠捕捉高阶邻居节点之间的时空特征，局部注意力层提取当前时刻交通速度的具有空间关系的变化趋势特征，采集多个时空提取层产生的特征和局部注意力层产生的特征进行融合输入到全连接神经网络进行未来的交通速度预测，设计损失函数，并利用Adam算法进行优化；本发明的技术方案解决了现有的交通速度预测方案由于空间特征提取不佳所导致的预测精度低，误差波动较大以及深度学习网络训练耗时等问题。

技术领域

本发明涉及交通预测的技术领域，特别是涉及一种基于深度学习的复杂交通路网交通速度预测方法。

背景技术

众所周知，复杂交通路网场景下的交通速度预测就是要从实际的交通场景下，对整个交通路网中的数量庞大的交通节点的交通速度进行预测。通过建立深度神经网络模型并利用完整的数据集进行训练，使其能够适应复杂的交通动态变化、捕捉到交通流复杂的时空变化规律、应对整个交通路网海量的交通速度数据。有人提出使用长短期记忆网络来预测交通速度，然而这种方法没能考虑交通速度的空间特征，并且长短期记忆网络迭代训练机制十分的耗时。之后有人提出了CONV-LSTM用于同时捕获交通速度的时空特征预测以预测交通速度,但是这种模型只能处理网格型的交通数据，但是传感器网络是依托于路网的，所以这种预测模型性能不佳。有人提出了STGCN网络来预测交通速度，基于图结构的传感器网络捕获交通速度的空间特征，取得了不错的预测效果，这种模型是通过图卷积捕获传感器节点之间的空间关系，但是图卷积对这种空间关系的表示不够精确。在实际的交通预测场景中，往往由于数据量巨大，交通路网十分复杂，交通速度在时间空间上的动态变化规律难以捕捉，导致现有的模型预测性能不佳。

发明内容

根据以上提出的在实际的交通预测场景中，数据量巨大，交通路网十分复杂，模型训练缓慢以及交通速度在时间空间上的动态变化规律难以捕捉，导致预测性能不佳等问题，本发明提供一种的基于深度学习的复杂交通路网交通速度预测方法。

本发明采用的技术手段如下：

一种基于深度学习的复杂交通路网交通速度预测方法，包括以下步骤：

步骤S1：获取PeMS数据集，制作交通速度数据集和传感器网络邻接矩阵数据；

步骤S2：选取图注意力神经网络和时间卷积神经网络作为基础模块，设计整个交通速度预测网络的框架；

步骤S3：设计时空特征提取层，融合图注意力神经网络和时间卷积神经网络生成交通速度数据的时空特征，单层的时空特征提取层捕获一阶邻居节点传感器的时空特征，多个堆叠的时空特征提取层提取高阶邻居节点传感器之间的时空特征；

步骤S4：局部注意力层，利用图注意力神经网络生成交通速度的具有空间关系的变化趋势特征；

步骤S5：将时空特征提取层的最终输出时空特征和局部注意力层的输出特征进行融合输入全连接神经网络，全连接层的输出作为整个深度学习框架的交通速度预测结果；

步骤S6：设计损失函数，并利用Adam算法进行优化；

步骤S7：利用验证数据集测试网络性能指标。

进一步，所述步骤S1的具体步骤为：

步骤S11：下载PeMS数据集，将所有的交通速度数据划分为训练数据集，测试数据集，验证数据集；

步骤S12：将验证数据集和训练数据集中全部交通速度序列数据用于模型训练，测试数据集用来做消融实验；

步骤S13：根据207个传感器在交通路网中的连接关系构建整个传感器网络的邻接矩阵。

进一步，所述步骤S2的具体步骤为：