[发明专利]基于多图卷积网络的景区交通量预测模型建立和预测方法

说明书

本发明属于数据挖掘和城市交通数据分析领域，公开了一种基于多图卷积网络的景区交通量预测模型建立和预测方法。包括如下步骤：1.构建多张表征景区间关系的特征图；2.构建基于多张特征图的卷积循环神经网络模型；3.训练卷积循环神经网络模型；4.使用训练好的卷积循环神经网络模型预测景区未来的交通流量值。本发明的新颖之处在于从图的角度构建城市景区网络，通过构建多张特征图来反映不同景区间的关系，然后融合多张特征图并同时捕获时空特征来预测景区未来的交通流量，得到每小时的交通流量值，提高了中长期预测的准确性，同时提高了训练的收敛速度和算法的鲁棒性。

技术领域

本发明属于数据挖掘和城市交通数据分析领域，具体涉及一种基于多图卷积网络的景区交通量预测模型建立和预测方法。

背景技术

随着便携式GPS智能设备的普及和社交媒体平台的成熟，产生了大量的包含时间和空间信息的异构数据。例如滴滴公司盖亚计划公开的出租车GPS轨迹数据，马蜂窝旅游平台的游客行程数据，Foursquare兴趣点(POI)签到数据等，这些多源异构数据为区域的流量预测提供了强有力的支撑。

文化旅游景区是城市中重要的兴趣点，是城市重要的组成部分。准确及时的景区交通流量预测，是城市智能交通系统研究的重要内容，其研究有助于交通部门及时地采取措施缓解拥堵，提高道路网络利用率。同时，有助于减少旅行者的旅行时间和费用，改善旅行者的体验。此外，还可广泛的应用于基于位置的应用，例如兴趣点推荐、路径规划和城市规划。

现有的研究技术主要包括：基于统计学的方法、基于机器学习的方法和基于深度学习的方法。基于统计学的交通流量预测方法只关注时间序列数据的规律性，不能分析交通系统的空间特征和动态变化，并且易受到异常值的干扰；基于机器学习的方法在短期预测时表现尚佳，但鲁棒性和长期预测的效果有待提高；现有的基于深度学习的交通流量预测方法在空间依赖性建模时仅考虑了交通路网的特征，比如路网连通性，而未充分应用预测对象蕴含的语义信息，比如预测区域的流行度、功能性等，这些因素对区域交通流量有不可忽视的影响。

发明内容

本发明的目的在于提供一种基于多图卷积网络的景区交通量预测模型建立和预测方法，用以解决现有技术中的等问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于多图卷积网络的景区交通量预测模型建立方法，包括如下步骤：

步骤1：获取景区的多源异构数据，对景区的多源异构数据提取特征，获得景区流行度特征图、景区功能相似性特征图、景区距离特征图和景区交通通达度特征图；

步骤2：获取景区历史交通流量，对景区历史交通流量提取特征，获得景区的历史交通流量矩阵；

步骤3：建立构建多图卷积循环神经网络模型，将历史交通流量矩阵、景区流行度特征图、景区功能相似性特征图、景区距离特征图和景区交通通达度特征图作为输入，将景区预测交通流量作为输出，训练模型，将训练好的模型作为景区交通流量预测模型；

所述多图卷积循环神经网络模型包括图卷积网络和循环门控单元，所述图卷积网络用于根据历史交通流量矩阵、景区流行度特征图、景区功能相似性特征图、景区距离特征图和景区交通通达度特征图输出景区特征图的深度特征并根据景区特征图的深度特征建立多特征融合矩阵，所述循环门控单元用于根据多特征融合矩阵输出景区预测交通流量。

进一步的，所述景区流行度特征图的邻接矩阵P通过式1获得：

其中，V_i和V_j为景区集合中任意第i个和第j个景区，和分别为V_i和V_j的用户评论数，为V_i和V_j的流行相似度，的取值范围为[0,1]，i和j为正整数。