[发明专利]一种基于图卷积-Informer模型的长时序交通流量预测方法

说明书

本发明一种基于图卷积‑Informer模型的长时序交通流量预测方法，属于长时序交通流量预测技术领域；所要解决的技术问题为：提供一种基于图卷积‑Informer模型的长时序交通流量预测方法的改进；解决上述技术问题采用的技术方案为：包括如下步骤：采集单位时间内高速公路站点和省干线公路交调站点的所有通过车辆的速度信息，并在数据预处理后建立交通流量时序信息数据集；根据高速公路站点和省干线公路交调站点的相对地理位置信息建立站点网络结构拓扑图；构建两层图卷积神经网络模型结构，对路网拓扑结构与交通流量时序信息进行编码并学习数据的空间依赖特征信息；将图卷积得到的编码信息输入Informer层进行训练并学习数据长时序依赖特征信息；本发明应用于交通流量预测。

技术领域

本发明一种基于图卷积-Informer模型的长时序交通流量预测方法，属于基于图卷积-Informer模型的长时序交通流量预测方法技术领域。

背景技术

随着经济迅速发展以及机动车保有量迅速增长，交通基础建设逐渐难以跟上日益增长的交通需求，交通道路拥挤，交通事故多发，交通违章，违法现象层次不穷，人民生活的出行不便已经成为了道路交通相关管理部门急需解决的重要问题。

另一方面，随着科学技术的飞速发展，尤其是大数据处理，云计算，数据通信，数据挖掘，物联网，人工智能等先进技术的突破性进展，智慧交通系统已经成为了一种高效精确的解决方案以应对上述挑战。智慧交通系统(Intelligent Traffic System,简称ITS)基于海量多源融合交通数据对交通行业宏观决策方面的支撑能力，将上述多种复杂先进的科学技术灵活应用于交通运输管理体系，以降低相关部门交通管控作业复杂度，提高交通调度决策效率。

交通流量预测能够对路网适应性评价，路网建设适应性分析以及旅行信息分析等智慧交通子系统产生重要影响，是智慧交通系统的核心组成部分。该技术主要通过对一段时间被调查地区或路线的交通调查数据进行分析从而预测该地区未来一段时间内的交通流量变化趋势，从而为交通管控提供实时，高效，精确的支撑力量。

易得，交通流量预测模型方法是基于时间序列的预测分析方法，期望利用长期或短期的历史时间序列信息特征进行分析推理从而预测下一段时间内的目标特征信息分布。经典时间序列预测分析方法，例如差分整合移动平均自回归(ARIMA)模型方法以及支持向量回归(SVR)模型方法也曾成功应用于交通流量预测模型，该类方法具有模型结构清晰，计算复杂度低等特点。但在此基础上，统计类模型的缺点也显而易见，随着数据处理相关技术的发展，该类模型无法有效地应对日益复杂的大规模交通流量相关高维非线性特征信息。

与此同时，深度学习相关模型算法在近年来受到了越来越多的关注，究其原因正是该类模型具有强大的高维非线性特征拟合能力，这也使得该类模型能够在交通流量预测领域取得更令人满意的结果。例如深度置信网络能够独立地将交通流量时序信息转换成非结构化的时序信息并在每一个时间节点上较为独立地处理该节点特征信息，LSTMs(Longshort-term memory network)基于循环神经网络结构，允许信息顺序持续存在，实现处理时间序列的特征信息。然而在交通领域，道路节点或各条道路之间的空间信息，例如路网结构，区域空间结构以及实体分布特征等，也能够对流量变化趋势产生较大影响，上述方法的缺点正在于忽略了交通流量预测领域相关数据的重要空间特征。

为了解决空间特征信息缺失的问题，卷积神经网络与长短期记忆人工神经网络的组合能够很好的捕捉基于欧氏距离的空间特征与时序特征信息，近年来兴起的图卷积神经网络(GCN)则能更好地解决基于图结构的非欧氏距离空间特征，这一提升能够更好地应用于交通流量预测模型的非欧氏距离拓扑结构中，并结合基于注意力机制的循环神经网络模型，或直接结合transformer框架，可以在一定程度上解决在时间序列信息处理过程中，早期时序信息被遗忘的问题，从而在牺牲了时间复杂度的情况下，能够在一定程度上提升对流量预测的准确性。