[发明专利]一种基于交叉路口转移计算的交通预测方法

说明书

本发明公开了一种基于交叉路口转移计算的交通预测方法，涉及交通预测领域，通过包含了路段和路口的地理信息以及路网的拓扑数据的路网属性图学习转移矩阵，根据交通历史数据，通过堆叠的包含了门控时序卷积网络和交叉路口转移图卷积网络的时空特征挖掘模块对未来的交通进行预测。本发明将图卷积神经网络应用到交通预测领域，提供了一种精准的交通预测方法，不仅能够作为政府部门的决策依据，帮助政府实行更科学有效的交通管控，也可以给市民提供更充足的路况信息，帮助驾驶员做出更优的路径选择。

技术领域

本发明涉及交通预测领域，尤其涉及一种基于交叉路口转移计算的交通预测方法。

背景技术

城市交通和我们每个人的生活息息相关，随着城市交通基础设施的建设，信息化程度不断增强，数据驱动的智慧交通应用如雨后春笋快速地发展起来，成为了学术界和工业界共同关注的领域，城市交通预测便是其中一个重要的分支。城市交通预测是利用城市历史交通状况和城市的地理，天气等辅助信息预测城市未来交通状况的任务。准确高效的交通预测系统在城市交通管理，公共安全和市民出行等方面具有极其重要的价值。有序的交通一方面能够节省居民的通行效率，避免时间的浪费，另一方面可以减少机动车油气能源的消耗及尾气污染排放，有利于生态环境。

现有的城市交通预测系统从方法上大概可以分为基于统计学习的系统和基于深度学习的系统。其中基于深度学习的系统通常具有更高的预测精度。近年来，一些前沿的工作将图神经网络应用于城市交通预测任务，由于图神经网络非常适合城市道路之间空间相关性建模，基于图神经网络的交通预测系统是现有技术中准确度最高的。

城市路网中，多个路段之间在交叉路口连接汇合，一条路段上的车辆经过交叉路口转移到另一条相邻的路段。根据连接路段的条数，交叉路口可以分为十字路口，丁字路口，直行路口等不同的种类。不同种类的路口上的交通模式也有差别，直行路口规定车辆只能向一条路段转移，路段之间也没有交互和冲突，因此交通模式相对简单直接。十字路口的交通规则比较复杂，一条路段可以驶向不同的方向，各个路段的车辆在路口有一些冲突点，通行过程中需要路段之间的配合。因为交叉路口对城市交通的影响，在做城市交通预测的任务时应当将交叉路口考虑进去。之前的基于图神经网络的城市交通预测工作在建图的工程中将路段作为图的节点，路段之间的距离或连接关系作为图的边。这种做法忽略了路网结构中重要的交叉路口的作用，具有局限性。

因此，本领域的技术人员致力于开发一种基于交叉路口转移计算的交通预测方法，不仅能够作为政府部门的决策依据，实行更科学有效的交通管控，也可以给市民提供更充足的路况信息，帮助驾驶员做出更优的路径选择。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是对交叉路口进行建模，基于历史交通数据，采用机器学习的方法，对未来的交通路况进行预测。

为实现上述目的，本发明提供了一种基于交叉路口转移计算的交通预测方法，包括以下步骤：

步骤1：将多个时空特征挖掘模块堆叠；时空特征挖掘模块的直接输出连接到后一个时空特征挖掘模块；时空特征挖掘模块还包括跳跃连接；全部时空特征挖掘模块的跳跃连接收集到一个全连接网络；

步骤2：将路网属性图，以及过去N_in个时间片的交通历史数据输入到第一个时空特征挖掘模块；路网属性图为其中，边集合代表路网中所有路段，点集合代表路网中所有的交叉路口；交通历史数据为一个张量其中N_t是交通数据的时间片总数，N_r是路网中路段的总数，D是数据的维度；

步骤3：全连接网络输出未来N_out个时间片的交通预测结果

进一步地，时空特征挖掘模块包括级联的门控时序卷积网络和交叉路口转移图卷积网络，时空特征挖掘模块的输入连接至门控时序卷积网络，门控时序卷积网络的输出连接至交叉路口转移图卷积网络和跳跃连接，交叉路口转移图卷积网络的输出连接至时空特征挖掘模块的输出。