[发明专利]一种基于多图卷积神经网络的交通速度预测方法

说明书

一种基于多图卷积神经网络的交通速度预测方法，按以下步骤依次进行：1、获取传感器在交通路网中的部署位置，并匹配到真实的交通路网当中；2、将每个传感器位置视为一个节点，计算任意两个节点之间的距离，与设定的阈值做比较，构建交通结构图，用邻接矩阵表示；3、获取传感器对应的路段的交通速度时间序列数据；4、根据速度时间序列数据计算不同路段的交通速度相似性，得到相应的相似性分数，与设定的阈值做比较，构建交通相似性图，用邻接矩阵表示；5、将交通速度时间序列数据、及上述两个邻接矩阵输入到多图卷积神经网络中进行训练，得到未来每个传感器上交通速度的预测结果。

技术领域

本发明属于交通预测技术领域，具体涉及一种基于多图卷积神经网络的交通速度预测方法。

背景技术

随着城市规模的逐渐扩大以及人口的迁移与增长，城市交通拥堵程度逐渐加剧，保障城市居民及时获得交通数据并调整出行规划，保障出行的效率是很有必要的，而且对于交通规划的管理人员来说，通过获得交通路网状态来及时作出评估并管控城市道路流通也是很重要的。因此更加精确的预测城市交通路网状态是很有意义以及实用价值的。

先前对于交通速度预测的方法主要有以下两种：动态建模方法以及数据驱动方法。对于动态建模方法来说一般使用数学计算或者物理相关的背景知识来模拟交通状态，通过这样的方式实现对复杂的交通路网状态进行建模，但是通过动态建模的方法需要依赖大量的背景知识，而且设计出来的方法具有相对固定的结构不能迁移到其他路网解决实际问题。

随着存储介质的发展，存储大规模数据已经成为可能，所以在交通预测领域，数据驱动的方法也逐渐成为主流。数据驱动方法进一步的可以分为统计模型方法和机器学习方法。基于统计模型的方法一般是通过统计学的相关知识来对观测到的数据进行建模，选择合适的模型参数达到预测的目的，但是这种方法因为其计算复杂度较大所以只能应用于小规模的城市路网上，而且因为其没有考虑到时空的相关关系，所以无法迁移到大城市的交通路网进行预测。机器学习方法提供了一种端到端的模式，通过将数据输送到模型当中使模型自动学习数据之间的相关关系。在深度学习中可以通过堆叠多个卷积层结合循环神经网络的方式，实现特征的提取，从而实现对交通路网中复杂的时空依赖关系进行建模。但是随着交通路网结构的复杂化，先前的一些方法通过考虑浅层信息得到的结果已经不能满足交通预测的需求。

发明内容

针对现有技术的不足，本发明提出了一种基于多图卷积神经网络的交通速度预测方法，目的在于解决仅考虑交通路网中真实的空间关系而忽略不直接相邻路段存在相关关系的问题。根据交通路网的真实结构构建交通结构图，根据传感器统计的速度数据计算不同路段之间的相似性来构建路段的相似性图，并将构建的交通结构图与交通相似性图分别输入到不同的图卷积网络中来实现对不同的空间依赖关系建模的目的，与使用循环神经网络不同这里通过门控的时序卷积来对时间关系建模，从而减少模型的参数与训练时间，提高交通速度预测的准确性。

为了实现上述目的，本发明采用以下技术方案：

首先获取交通路网中传感器的部署位置，根据传感器的部署位置构建交通结构图，这里用邻接矩阵进行表示，对传感器收集到的速度数据进行清洗并去除异常点，根据清洗异常点后的数据计算不同传感器对应路段之间的相似性构建交通相似性图。将速度序列数据，邻接矩阵和相似性图输入到图卷积神经网络中进行训练得到预测结果。

一种基于多图卷积神经网络的交通速度预测方法，按以下步骤依次进行：

步骤1：获取传感器在交通路网中的部署位置，并匹配到真实的交通路网当中；

步骤2：将每个传感器的位置视为一个节点，传感器位置用经纬度表示，计算任意两个节点之间的距离，计算公式为：