[发明专利]动态图卷积交通速度预测方法

说明书

本发明提供了一种动态图卷积交通速度预测方法，包括：步骤1，将车辆GPS轨迹数据匹配到城市道路网络中，获取每条路段的交通速度时间序列；步骤2，将城市道路网络的路段视为图节点，将城市道路网络的交叉口视为图的连接边，构建路网图，获取路段间的邻接矩阵；步骤3，根据每条路段的交通速度时间序列，计算邻接路段间交通速度相似性，获得实时邻接路段相似矩阵；步骤4，将每条路段的交通速度时间序列和邻接路段相似矩阵输入图卷积网络中训练，获得未来路段交通速度预测结果。本发明可以实时的学习路段间的空间依赖性和时间依赖性，捕获交通速度的变化规律，更精准的预测未来城市道路的速度，可应用于智能交通、智慧城市建设。

技术领域

本发明涉及交通预测技术领域，特别涉及一种动态图卷积交通速度预测方法。

背景技术

面对日益凸显的交通拥堵现象，城市居民和交通规划管理人员都需要及时获取城市道路网络的交通状态，避免出行拥堵，保障出行安全和效率。因此在城市大规模路网上实时精确的预测交通具有重大现实意义和应用价值。

目前交通流预测分为两类：模型驱动和数据驱动。模型驱动方法基于对交通流流向和驾驶员决策过程的模拟，该方法可以捕获交通网络的复杂特性，模拟真实的交通状况，前提条件是已知当前交通量。通过实时获取路段上车辆的运行速度和道路流量，分析每一辆车的活动趋势，计算通过路段的时间；若路段车辆通行时间小于划分时段，不计入统计，只计算流出量即可；若通行时间大于划分时段，表明当前流量与上一时段的流入量有关，最终流量等于上一时段流量加当前流量(交通分配量)减去流出量。模型驱动的方法对环境的先验知识依赖性高，而且模拟的交通路网系统具有固定的结构，不能迁移至其他城市。

数据驱动的方法可以进一步分为基于统计理论的方法和非线性的方法，基于统计理论的方法利用路段的历史时序交通状态记录值，拟合出模型参数用于交通预测，该方法要求数据满足正态分布，且只适用于城市小规模路网交通预测，一旦应用到大规模路网上，计算复杂度会迅速增加，无法实时预测。非线性的数据驱动方法是一种端到端的学习，让模型自动学习输入数据与输出数据间的关系，对数据本身的分布特征不做假设。常用的非参数模型有人工神经网络，支持向量回归等。深度学习通过堆叠多个隐藏层，可以有效的捕获路段交通速度的时间相关性和空间相关性；如卷积神经网络和循环神经网络组合、图卷积网络和门控循环单元组合。他们能够提取出数据中隐含的特征，对数据中潜在的、复杂的、非线性的时空相关性进行建模。针对上述分析可以发现，当前的方法未考虑路段间自然的非欧图结构和路段之间的实时动态相关性。

发明内容

本发明提供了一种动态图卷积交通速度预测方法，其目的是为了解决传统的交通预测方法忽略了路段间的非欧图结构空间关系和路段间的实时动态相关性的问题。

为了达到上述目的，本发明的实施例提供了一种动态图卷积交通速度预测方法，包括：

步骤1，将车辆GPS轨迹数据匹配到城市道路网络中，获取每条路段的交通速度时间序列；

步骤2，将城市道路网络的路段视为图节点，将城市道路网络的交叉口视为图的连接边，构建路网图，获取路段间的邻接矩阵；

步骤3，根据每条路段的交通速度时间序列，计算邻接路段间交通速度相似性，获得实时邻接路段相似矩阵；

步骤4，将每条路段的交通速度时间序列和邻接路段相似矩阵输入图卷积网络中训练，获得未来路段交通速度预测结果。

其中，所述步骤1具体包括：

将车辆GPS轨迹数据进行清洗，去除研究区域外的轨迹点和噪声轨迹点，以10分钟为一个时段，将一天划分为144个时段，截取每个时段内的轨迹点数据进行轨迹匹配。

其中，所述步骤1还包括：