[发明专利]基于重构交通网络的图聚合机制的道路交通流预测方法

权利要求书

1.一种基于重构交通网络的图聚合机制的道路交通流预测方法，其特征在于，所述方法包括以下步骤：

(1)重构道路网络：针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；

(2)基于ReGA-LSTM实现交通流量预测：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测；

所述步骤(1)的过程如下：

1.1：针对各节点的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性；

将原始道路交通网络定义为是由节点集合与边集合构成的有向图，其中是路网中道路节点的数量，节点邻接结构由道路邻接矩阵表示；如果路网中i节点和j节点相邻，那么A_ij＝1；否则，A_ij＝0；根据皮尔逊相关性系数得到原始路网中节点之间的时间相关性：

其中，p_ij表示i节点和j节点的相关性系数，T表示交通流量的采样时段总数，和分别表示i节点和j节点在l时刻的交通流量值，和表示i节点和j节点在采样期间的平均交通流量；

基于道路邻接矩阵A获得有连接关系的节点之间的相关性：

其中，表示i节点和j节点之间的相关性系数，若i节点和j节点在原始道路网络的物理拓扑结构中有邻接关系，则若在原始路网中无邻接关系，则

1.2：基于各节点有物理拓扑连接关系的邻接节点，按照其时间相关性降序排序和选择，依次获得各节点的有效邻域，基于各车道的有效邻域获得重构的道路交通网络；

将原始路网中与中心节点的有物理拓扑邻接关系的节点称为中心节点的邻接节点，即中心节点的一阶邻域节点，并将每个节点的一阶邻域节点按相关性大小降序排列；中心节点i在原始拓扑结构中的高阶邻域描述如下：

表示中心节点i的一阶邻域节点集合，其中，p₁为中的节点总数，节点i₁₁的一阶邻域节点集合为节点i₁₂的一阶邻域节点集合为以此类推，节点的一阶邻域节点集合为其中，s₁，s₂及分别为和中的节点数，将的一阶邻域节点集合作为中心节点i的二阶邻域节点集合，即为节点i的二阶邻域节点集合，p₂为中的节点个数之和，即

最终，中心节点i的N阶邻域节点集合其中，分别为中心节点i的(N-1)阶邻域节点，为节点i_(N-1)1的邻域节点集合，为节点i_(N-1)2的邻域节点集合，为节点的邻域节点集合，p_(N-1)为中的节点个数之和，为中心节点i的(N-1)阶邻域节点集合；

将中心节点i的2-N阶邻域合称为中心节点i的高阶领域即

中心节点i的重构邻域节点的选取过程：

①设置重构邻域节点数目的阈值为K；

②选取原始拓扑结构中，中心节点i的所有一阶邻域节点，即p₁个节点，若p₁K，则转至③选取中的前(K-p₁)个邻域节点；否则，将原始拓扑结构中，中心节点i的前K个一阶邻域节点作为中心节点i的重构的邻域节点；

③集合中的每个邻域都至多选取前h个邻域节点，按照至的顺序依次选取前(K-p₁)个邻域节点，最终得到中心节点i的K个重构邻域节点集合；

将节点i的重构邻接节点集合记为获得的重构路网记作其中表示重构的邻接关系；

故重构邻域中节点i与节点j的邻接关系表示为：

2.如权利要求1所述的基于重构交通网络的图聚合机制的道路交通流预测方法，其特征在于，所述步骤(2)的过程如下：

2.1：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列；

基于重构的道路网络采用两层均值图聚合器结构，其中Layer0表示交通流量特征的输入层，Layer1为图聚合器的中间隐藏层，Layer2表示最终得到的聚合特征层，均值图聚合器的计算公式如下所示：

其中，z(z∈[1,Z])是均值聚合器的深度，表示节点i的重构邻域，i^k表示重构邻域中的节点，K表示在重构邻域中的节点数目，是输入层的节点的交通流量特征，表示节点i在第(z-1)层的节点聚合特征，表示节点i的重构邻域节点在第z层均值聚合后的表征向量；

首先，在第(z-1)层，每个节点通过获得邻域节点的特征均值，将其邻域节点的信息聚合为邻域表征向量然后将节点i在第(z-1)层的当前特征向量与节点i的邻域特征向量拼接，并将拼接后的向量输入具有非线性激活函数σ的全连接层中，输出节点i在第(z-1)层的聚合特征最后，(z-1)层的聚合特征作为z层的输入向量，迭代执行操作直至z＝Z，最终得到的重构道路网络的聚合特征矩阵为

2.2：基于LSTM学习聚合的特征矩阵的时间序列信息，实现交通流量预测；

t时刻获取经GraphSAGE聚合后的特征矩阵并将其作为LSTM模型的输入，LSTM中每个LSTM细胞都由3个门构成：输入门、遗忘门和输出门，t时刻和t－1时刻隐藏层的输出分别是h_t和h_t－1，X_t为输入的时间序列上的交通数据，t时刻和t－1时刻输出的隐藏状态分别为C_t和C_t－1；

LSTM的各个门计算公式如下：

h_t＝O_t*tanh(C_t)

其中，为输入LSTM的交通数据，h_t和h_t－1为t时刻和t－1时刻隐藏层的输出，单元输入状态为t时刻和t－1时刻输出的隐藏状态分别为C_t和C_t－1，输入门、遗忘门和输出门的状态分别为i_t、f_t和O_t，权重以θ表示，偏差为b，为sigmoid激活函数；

最终，得到t+1时刻的交通流量预测结果

选择均方误差MSE作为模型的损失函数：

真实交通流量值{y_t+1,y_t+2,…,y_t+m}和预测的交通流量值分别为Y_true和Y_pre，m为交通流量预测步长；

确定模型学习率lr，通过多次迭代计算最小化损失函数，使得模型的拟合能力最优，最终实现交通流量预测。