[发明专利]一种基于多尺度图卷积网络模型的交通预测方法

权利要求书

1.一种基于多尺度图卷积网络模型的交通预测方法，采用多尺度图卷积网络和门控循环单元GRU，通过同时捕获交通路网的时间依赖性即交通流的局部时间变化趋势和空间依赖性即拓扑空间结构，通过历史时间步的交通流量预测未来时间步的各个路段的交通流量，由此准确预测道路网络的交通流；包括如下步骤：

1)构建路网的拓扑结构，生成交通网络结构图；将各个路段的交通流量描述为交通网络结构图中的节点属性特征；

对交通道路网络构建得到交通网络结构图G，G＝(V,E,A)，将每条路段表示为图G中的一个节点；V＝{v₁,v₂,...,v_n}表示路段节点的集合，n表示路段节点个数；E表示边的集合，路段之间的连接由邻接矩阵A表示，A∈R^n×n，邻接矩阵A由0和1组成，0表示两条路段之间不相连，1表示两条路段之间相连；将路网的交通流量表示为是路段节点的属性特征，在时间步t处的交通状况由X_t∈R^n×c，其中c表示特征维数，输入的特征矩阵由X∈R^p×n×c表示，X＝{X₁,X₂,...X_p}表示给定的p个历史时间步的交通流量；

2)构建多尺度图卷积网络模型，捕获路段之间的空间依赖关系即空间相关性，得到空间依赖性特征矩阵

构建的多尺度图卷积网络模型通过学习邻接矩阵的1次到K次幂，得到空间依赖性特征矩阵具体表示为式(1)：

式(1)中，为空间依赖性特征矩阵；表示标准化的邻接矩阵，并且I是一个单位矩阵，表示给路网中每个路段节点添加一个自环，在更新路段节点特征时保留一部分路段节点本身的特征信息；是一个对角度矩阵，除对角线上的元素外，其他元素都为0；中每一行对角线上的元素等于中对应行的元素和；θ表示可训练的权重矩阵，用于学习路段节点的特征信息，σ表示Relu非线性激活函数；为每个中心路段获取多尺度邻域特征，其中，为每个路段节点获取来自1阶邻域的特征信息，为每个路段节点获取来自K阶邻域的特征信息；为每个路段节点保留更多自身的特征信息，由此为每个路段节点获取更多的邻域信息；

在模型训练过程中，分别使用Y和表示实际交通流量和预测流量，模型的损失函数具体计算如下：

其中，第一个项用于最小化实际交通流量与预测值之间的误差；第二项L_reg是L2正则化，用于避免过度拟合，λ是正则化系数；通过对损失函数进行反向传播和梯度下降来更新模型中的权重参数矩阵；

将步骤1)得到的邻接矩阵A和特征矩阵X输入多尺度图卷积网络模型，通过多尺度图卷积网络模型捕获各个路段之间的空间依赖性，为每个路段节点获取来自多阶邻域路段的特征信息，即通过聚合多阶邻域路段的特征信息，为每个路段生成节点，生成节点可嵌入到相应路段中；

3)获取交通流序列数据的时间依赖性即时间相关性：

将步骤2)中得到的空间依赖性特征矩阵输入门控循环单元，通过门控循环单元之间的传递，获取交通流的时间依赖关系以及相应的包含交通流时空特征的输出状态H；

4)进行线性转化生成交通流量预测值：

对步骤3)中得到的输出状态H进行线性转化，得到各个路段的交通流量预测结果表示为：

式(3)中，为最终生成的交通流量预测值；Θ₁和Θ₂分别表示第一个线性转化层和第二个线性转化层的权重矩阵，Relu表示非线性激活函数；

通过上述步骤，即实现基于多尺度图卷积网络模型的交通预测。