[发明专利]一种基于时空多图卷积网络的交通站点流量预测方法

说明书

本发明提供了一种基于时空多图卷积的交通站点流量预测方法，用以解决现有技术中交通站点流量预测的特征捕获能力及预测精度不高的问题。所述交通站点流量预测方法，首先构建邻居图和流通流量图，并分别构建卷积组件及捕获站点流量的时空特征输出映射为与待预测结果形状相同的流量值，对两个组件融合，得到基于上下文门控的时空多图卷积网络模型；再根据站点出入流量数据构建训练及测试数据，得到成熟时空多图卷积网络模型，完成站点流量预测。本发明将多图卷积应用于交通站点流量数据的深度挖掘，从空间维度与时间维度出发，充分捕获交通站点流量的时空特征，全面考虑用于预测交通站点出入流量的各种因素，提高交通站点流量预测精度。

技术领域

本发明属于智能交通领域，具体涉及一种基于时空多图卷积的交通站点流量预测方法。

背景技术

随着城市的不断发展，交通也越来越智能化。交通流量预测是智能交通系统的重要组成 部分。生活中存在多种交通站点，如城市地铁站、高速公路收费站、民航机场等，站点的交 通拥堵情况与整个交通网络的正常运转息息相关，也会影响到旅客的正常出行。如果能对交 通站点的出入流量进行有效预测，有利于保证整个交通网络的正常运转，提前采取措施避免 交通拥堵，减少安全隐患，便于旅客合理地安排出行，规划出行路线，并助力智能交通系统 的发展。

目前，交通流量预测有三类方法，包括经典时间序列预测方法、传统机器学习方法以及 深度学习预测方法。在经典时间序列预测方法中，主要有历史均值法(HA)、向量自回归模型 (VAR)、滑动平均自回归模型(ARIMA)及其变体模型。这些方法主要通过从交通流量的时间序 列中挖掘出时间维度上的规律进行预测，一般要求时间序列具有一定的周期性或规律性，因 此预测效果不佳。传统机器学习方法主要通过构建集成模型，如将经验模式分解(Empirical model decomposition)与BP神经网络相结合用于预测地铁人流量，再如将小波支持向量机 (Wavelet-SVM)用于地铁的短期流量预测，但该方法仅考虑了序列的时间维属性，未考虑交通 流量序列之间的空间相关性。深度学习预测方法克服了前两种方法的不足，是一种较理想的 交通流量预测方法。

现有技术中，其中一种深度学习预测方法，通过将城市区域划分成等大小的网格来计算 区域人流量，并设计了基于残差单元的模型ST-ResNet用于预测各区域的人流量，取得了很 好的预测效果。上述方法虽然能够有效捕捉各区域流量之间的时空相关性，但是只能处理欧 几里得结构数据，并不适用于非欧几里得结构数据。还有一种深度学习预测方法，通过分别 使用图卷积和门控卷积捕捉高速高速公路上各路段车速的时空依赖性，构建了一种时空图卷 预测模型，但是该模型忽略了流量的周期性。另外，通过建模待预测流量与近期流量、日周 期流量以及周周期流量之间的关系同时采用时空注意力机制，用于捕获结点交通流量之间的 时空相关性，但是该模型忽略了不同周期流量之间的相关性，也存在一定的不足。为了解决 传统卷积神经网络在图数据上的局限性，图卷积技术应运而生。

发明内容

为了提高交通站点流量预测的特征捕获能力及预测精度，本发明实施例提出了一种基于 时空多图卷积网络的交通站点流量预测方法，从空间维度与时间维度出发，充分捕获交通站 点流量的时空特征，全面考虑用于预测交通站点出入流量的各种因素，充分捕获特征，提高 交通站点流量预测精度。

本发明实施例采用如下技术方案：

一种基于时空多图卷积的交通站点流量预测方法，所述交通站点流量预测方法，包括如 下步骤：

步骤S1，根据站点与站点之间是否有直连的线路，判断站点之间是否物理位置相邻，从 而构建交通网络中的邻居图；

步骤S2，取交通网络在预设周期内生成的所有出入交通网络记录，计算站点之间在所述 周期内的流通流量，构建流通流量图；