[发明专利]一种基于RGCN的交通流预测方法

说明书

一种基于RGCN的交通流预测方法，包括以下步骤：步骤1)基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；步骤2)获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；步骤3)将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；步骤4)将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。本发明提高了图卷积网络的鲁棒性，从而提高了交通流预测的准确性。

技术领域

本发明涉及一种基于RGCN的交通流预测方法，本发明属于交通预测领域。

背景技术

城市经济水平的提高以及城市规模的扩大，使得人们的生活水平不断提高，因而城市中车辆的数目也在急剧增长，而车辆的增多也带来了许多问题，交通拥堵可以说是首要问题。交通状态预测在合理分配城市道路资源以及缓解交通拥堵问题上起着至关重要的作用。

目前主流的基于数据驱动的交通流预测方法主要有：差分整合移动平均自回归模型、支持向量机、卷积神经网络、长短期记忆神经网络等等，这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等，虽然这些方法均取得较好的预测结果，但是没有对图结构的交通数据进行学习。图卷积网络能够有效地学习图结构的数据，但没能够消除原始数据中的噪声，有不稳定性。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于RGCN(鲁棒图卷积网络)的交通流预测方法。该方法在图卷积层中使用高斯分布去吸收交通流数据中的噪声，提高了图卷积网络的鲁棒性，从而提高了交通流预测的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于RGCN的交通流预测方法，包括以下步骤：

步骤1)基于时间序列相似性构建道路交通网络：基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；

步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；

步骤3)基于道路交通网络和道路交通状态矩阵，使用基于高斯分布的图卷积层提取节点特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；

步骤4)基于高斯分布的图卷积层进行交通流预测：将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。

本发明中提出来一种基于RGCN的交通流预测方法，该方法采用高斯分布作为每个卷积层中节点的隐藏表示，可以吸收交通流数据中的随机噪声，提高了图卷积网络的鲁棒性，进而提高了交通流预测的准确性。

本发明的有益效果：本发明通过RGCN模型对交通流数据的学习训练，形成了道路交通流预测模型。本发明根据时间序列相似性构建道路交通网络，从而克服了交通网络地理位置难以获取，实现了交通网络的时空特征有效提取；使用基于高斯分布的图卷积网络进行交通流预测，吸收了交通流数据的噪声，进而提高了道路交通流预测的鲁棒性和精度。

短时交通流预测作为交通流诱导系统的重要组成部分，本发明在一定程度上可以有效提高交通流诱导系统的性能。此外，该发明也可以作为旅行者出行的有效辅助工具。

附图说明

图1基于RGCN的交通流预测的框架图。

具体实施方式

下面结合附图对本发明做进一步说明。