[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

说明书

本发明公布了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。本发明方法能够有效预测交通流的时空变化特征和规律，预测精度高，提升了交通流预测效果。

技术领域

本发明属于智能交通技术领域，涉及交通预测技术，具体涉及一种基于多尺度图卷积网络模型的交通预测方法。

背景技术

随着智能交通系统的迅速发展，交通预测越来越受到人们的关注，它是交通管理系统的重要组成部分，是实现交通规划、交通管理和交通控制的重要组成部分。交通预测不仅可以为交通管理者提前感知交通拥堵、限制车辆提供科学依据，还可以帮助出行者选择合适的出行路线，从而提高出行效率。然而道路网络中复杂的时空依赖性使交通预测变得复杂。空间依赖性指交通流的变化受限于城市道路网络的拓扑结构，主要体现在上游路段的交通状态对下游路段的传递作用，以及下游路段的交通状态对上游路段的回溯影响。时间依赖性指交通流是随时间动态变化的，主要体现在周期性和趋势性上。如何同时学习路网的空间拓扑特征和复杂的时间特征，是实现准确交通预测的关键。

目前已有很多交通预测模型，比如时间序列模型、线性回归模型、支持向量机回归模型和神经网络模型。其中，神经网络模型，尤其是循环神经网络(RNN)及其变体长短期记忆模型(LSTM)和门控循环单元(GRU)由于能够利用自循环机制，学习时间依赖性，取得了较好的预测效果。但是，现有采用以上这些模型进行交通预测的方法仅考虑交通流的时间依赖性，却忽略了其空间依赖性，导致预测结果无法体现交通数据变化受城市道路网络的实际约束情况，因此，现有模型方法难以准确预测路网的交通状态，预测效果不佳。

发明内容

为克服上述现有技术的不足，本发明提出一种基于多尺度图卷积网络模型的交通预测方法。该方法可以通过同时捕获城市交通路网的时间依赖性和空间依赖性以提高交通预测精度。

本发明采用多尺度图卷积网络和门控循环单元(GRU)，提出一种基于多尺度图卷积网络模型的交通预测方法，通过捕捉城市道路网络的拓扑空间结构和交通流的局部时间变化趋势，准确预测城市道路网络的交通流。

本发明提供一种基于多尺度图卷积网络模型的交通预测方法，包括如下步骤：

1)构建城市路网的拓扑结构，并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；

针对城市交通网络的连接属性构建一个交通网络结构图G，G＝(V,E,A)，将每条路段看作图中的一个节点，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，路段之间的连接情况由邻接矩阵A表示，为n行n列的二维矩阵，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。比如，A_ij＝1表示路段v_i和v_j是相连的，A_ij＝0，则表示路段v_i和v_j不相连。将城市路网的交通流量看作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，本发明提供一种基于多尺度图卷积网络的交通预测方法，旨在通过给定的p个历史时间步的交通流量来预测未来q个时间步的各个路段的交通流量。

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，得到带有空间依赖性的特征矩阵