[发明专利]一种交通预测方法及装置

权利要求书

1.一种交通预测方法，用于预测交通站点的交通信息，其特征在于，所述交通预测方法，包括：

采用模糊C均值聚类算法对所有交通站点的历史交通信息序列进行聚类，根据交通站点的历史交通信息序列的隶属度值构建交通站点间的邻接矩阵；

将交通站点在t时刻的交通信息按照交通站点的排列顺序排列为站点序列，基于分位数将每个站点在t时刻的交通信息值分配到相应的分位数箱；

采用马尔可夫链对分位数箱之间的状态转移进行计数，计数得到的转移频率值按照交通站点的排列顺序进行排列，生成t时刻的马尔可夫转移矩阵；

建立t时刻的马尔可夫转移矩阵与站点序列之间的映射关系，得到相应的映射矩阵，将所述站点序列与映射矩阵进行组合，得到交通站点特征矩阵；

将获得的所述邻接矩阵和特征矩阵输入到构建好的GCN和LSTM相结合的深度预测混合模型中，预测出交通站点未来的交通信息；

其中，所述t时刻的马尔可夫转移矩阵为：

其中，M_t为t时刻的马尔可夫转移矩阵，t时刻的马尔可夫转移矩阵M_t中的任一元素M_s1,s2表示s2站点的交通信息值所属的分位数箱中的点转移至s1站点的交通信息值所属的分位数箱中的点的频率，s1和s2表示任意两个交通站点；

所述映射矩阵为：

其中，MR_t为映射矩阵，映射矩阵MR_t中任一元素满足如下公式：

其中，s1和s2表示任意两个交通站点，分别为交通站点s1和s2对应的交通信息值。

2.根据权利要求1所述的交通预测方法，其特征在于，所述采用模糊C均值聚类算法对所有交通站点的历史交通信息序列进行聚类，根据交通站点的历史交通信息序列的隶属度值构建交通站点间的邻接矩阵，包括：

采用模糊C均值聚类算法对所有交通站点的历史交通信息序列进行聚类，并采用如下公式计算各个聚类中每个交通站点的历史交通信息序列的隶属度值：

其中，u_i,j表示第i个交通站点的交通信息序列对于第j个聚类的隶属度值，X_i表示第i个交通站点的交通信息序列，C_j表示第j个聚类中心，α表示用于控制生成聚类模糊性的权重指数，d(X_i,C_j)表示第i个站点的交通信息序列与第j个聚类中心的相似性度量，d(X_i,C_k)表示第i个站点的交通信息序列与第k个聚类中心的相似性度量，m为聚类的总数，i、j、k为序号，n为交通站点总数；

对于任意交通站点s1和s2，利用如下公式计算它们之间的链接关系A_s1,s2：

以交通站点间的链接关系构建交通站点间的邻接矩阵。

3.根据权利要求1所述的交通预测方法，其特征在于，所述深度预测混合模型包括两层堆叠的LGCN网络，每层LGCN包括GCN和LSTM，利用GCN对输入数据进行卷积运算以提取出空间特征向量，再将空间特征向量作为LSTM的输入以提取时间特征。