[发明专利]一种基于全局扩散卷积残差网络的交通流预测方法

说明书

一种基于全局扩散卷积残差网络的交通流预测方法，属于智能交通系统技术领域。包括如下步骤：步骤1，建立基于全局扩散卷积残差网络的交通预测模型；步骤2，学习动态相关性、局部和全局空间相关性；步骤3，捕获时间相关性和全局时空相关性；步骤4，融合分支结果及输出；本交通流预测方法中，提出全局扩散卷积残差网络，该模型由多个具有相同结构的周期性分支组成，每个分支的全局注意力扩散卷积网络和全局残差网络来获取每个周期的时空相关性。特别地，全局注意力扩散卷积网络应用基于注意力机制的PPMI矩阵捕获动态的时空相关性，全局残差网络应用门控卷积和全局残差单元同时捕获时间相关性和全局的时空相关性，以此提高交通预测的精度和效率。

技术领域

一种基于全局扩散卷积残差网络的交通流预测方法，属于智能交通系统技术领域。

背景技术

交通流预测是智能交通系统的一个关键问题。由于交通网络的复杂拓扑结构和交通情况的动态时空模式，对交通网络流量的预测仍然是一项具有挑战性的任务。大多数现有的研究方法主要关注局部的时空相关性，而忽略了全局的空间相关性和全局的动态时空相关性。

交通预测是一项具有挑战性的任务，因为它具有复杂的非线性动态时空相关性。研究人员在交通预测方面付出了巨大的努力。例如ARIMA及其变型的统计回归方法是交通预测早期研究中的代表性模型，但这些模型只研究了每个地点的交通时间序列，而没有考虑空间相关性。之后一些研究人员将空间特征和其他的外部特征信息运用到传统的机器学习模型，但高维交通数据的时空相关性仍然难以考虑。

近年来，深度学习方法在交通预测方面取得了巨大的进步，其性能超过了许多传统的方法。为了模拟交通网络中复杂的非线性空间相关性，卷积神经网络(CNN)被用于交通预测，并取得了一定的成功。然而，由于网格结构不具备真实的条件，使得它不能有效地捕捉交通网络的空间相关性。部分人员提出了基于GCN的方法来捕获交通网络的结构相关性，DCRNN进一步应用扩散卷积网络捕捉双向交通网络的空间特征。然而，这些方法中大部分使用基于RNN的结构，不仅具有耗时长、延迟高等缺陷，而且在获取远距离的上下文信息过程中效率较低。为了解决这些挑战，一些研究将CNN应用于时间维度，使得模型具有梯度稳定、内存消耗低、并行计算等优点。GaAN模型和ASTGCN模型进一步利用注意力机制，动态调整时空相关性。它们虽然提高了交通预测的精度和效率，但未能同时捕获交通网络中的全局和局部时空相关性。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种同时捕获交通网络中的动态性、全局时空相关性和局部时空相关性，提高了交通预测的精度和效率的基于全局扩散卷积残差网络的交通流预测方法。

本发明解决其技术问题所采用的技术方案是：该基于全局扩散卷积残差网络的交通流预测方法，其特征在于，包括如下步骤：

步骤1，建立基于全局扩散卷积残差网络的交通预测模型；

建立基于全局扩散卷积残差网络的交通预测模型，在基于全局扩散卷积残差网络的交通预测模型中根据时间周期设置每时、每天、每周三种分支，其中每个分支中运用了两次全局扩散卷积残差网络，每个全局扩散卷积残差网络包括依次连接的全局注意力扩散卷积网络和全局残差网络，通过全局注意力扩散卷积网络和全局残差网络学习各个时间段的动态时空信息；

步骤2，利用全局注意力扩散卷积网络学习动态相关性、局部和全局空间相关性；

在全局注意力扩散卷积网络中包含时空注意力单元和全局图卷积单元，时空注意力单元用于捕获交通数据的动态相关性，全局图卷积单元用于捕获交通数据的局部和全局空间相关性，通过向全局注意力扩散卷积网络输入各个时间段的动态时空信息以及交通网络结构图得到表示局部和全局空间相关性的矩阵H_S；

步骤3，利用全局残差网络捕获时间相关性和全局时空相关性；