[发明专利]一种基于循环注意力对偶图卷积网络的交通流量预测方法

说明书

本发明公开了一种基于循环注意力对偶图卷积网络的交通流量预测方法，包括：1)根据城市交通路网上道路线圈传感器所采集的车流数据构建交通流量时序，并进行预处理；2)构建对偶图表示空间依赖关系，对偶图包含节点图和边图，其中，将单个传感器视作节点，根据传感器之间的路网距离构建节点图，节点图中的边表示传感器间的关系，将节点图中的边视作节点构建边图，边图中的边表示传感器间关系的互相影响；3)将预处理后的交通流量时序输入循环注意力对偶图卷积网络中，预测未来交通路网的交通流量。该交通流量预测方法能够实现对交通路网的交通流量进行预测，在出行规划、交通管理等领域都具有广阔的应用前景。

技术领域

本发明涉及智能交通系统领域，具体涉及一种基于循环注意力对偶图卷积网络的交通流量预测方法。

背景技术

随着城市化和工业化的不断推进，汽车数量不断增多，城市交通逐渐变得拥堵。这一城市病既影响了人们的日常出行，也给相关部门进行城市道路规划、交通管理带来了极大挑战。准确预测交通路网未来的交通流量能够有效指导人们规划出行路线，也可以为交通管理提供有力的数据支撑，因此交通流量预测成为了智能交通系统中极具价值的研究方向。

早期的交通流量预测方法大多使用传统的线性序列模型预测单个节点的交通流量，如自回归滑动平均模型(ARMIA)、卡尔曼滤波(Kalman Filtering)等。但是，此类方法忽略了交通流量数据中的非线性关系，也没有考虑多个节点之间的空间依赖关系。

为了建模复杂的时空依赖关系，研究人员提出了基于深度学习的交通流量预测方法。一些方法使用循环神经网络(Recurrent Neural Networks,RNNs)建模时间依赖关系，同时使用卷积神经网络(Convolutional Neural Networks,CNNs)建模空间依赖关系。此类基于CNN的交通流量预测方法只能够以规则的网格结构表示空间依赖关系，但是，节点间的空间依赖关系受到不规则的交通路网的约束往往表现为非欧关系。因此，最新基于深度学习的方法使用图结构来表示节点间空间依赖关系，图中的边表示节点在交通路网中的连接关系，并引入图卷积网络(Graph Convolutional Network,GCNs)来聚合某一节点和它的邻居节点的信息，从而建模这种非欧依赖关系，相比于基于CNN的方法预测精度更高。

然而，最新基于GCN的交通流量预测方法大多使用一个无权图或者固定权重的带权图来表示节点间的关系，过于简化了实际交通路网中的复杂空间依赖关系。另外，这些方法在一个给定的邻居范围(如k跳范围内的节点)内聚合信息，然而，不同邻居范围往往表现出不同的交通特性，比如，小范围内的邻居能够表示局部空间依赖关系，大范围内的邻居往往能够反映相对较大区域内的总体交通模式。现有方法忽略了不同邻居范围的影响，无法建模多范围空间依赖关系。

发明内容

本发明要解决的技术问题是如何建模交通流量数据中复杂的时空依赖关系，提出一种基于循环注意力对偶图卷积网络的交通流量预测方法，旨在解决上述背景技术中现有技术的不足。

为解决上述问题，本发明提供的一种基于循环注意力对偶图卷积网络的交通流量预测方法，包括以下步骤：

步骤1，根据城市交通路网上道路线圈传感器所采集的车流数据构建交通流量时序，并进行预处理；

步骤2，计算线圈传感器之间的路网距离，根据该路网距离构建节点图其中，V_n为节点集，E_n为边集，A_n为邻接矩阵；

步骤3，将节点图中的边E_n视作边图的节点，定义上下游连接关系和竞争关系两种边影响模式，根据该两种边影响模式构建边图的边，继而构建边图G_e＝(V_e,E_e,A_e)，其中，V_e为节点集，E_e为边集，A_e为邻接矩阵；