[发明专利]一种优化的基于时空图卷积网络的交通流预测模型

权利要求书

1.一种优化的基于时空图卷积网络的交通流预测模型，其特征在于：交通流预测定义为对特定的路网结构，根据历史记录的几个时间步长的交通流数据来预测未来几个时间步长的交通流数据，模型建立包括：

空间相关性建模，使用GCN提取交通流的空间依赖性，GCN将节点的一阶邻居节点的信息的卷积操作来替换CNN中的卷积操作以捕获图的空间特性；

通过模型训练得到的自适应邻接矩阵来表示图的结构；

时间相关性建模，GRU的门和隐藏状态的计算过程是全连接操作，使用GCN对其进行替换；

TPA机制的引入；

Loss function，设计和训练模型的目的是最小化道路节点的模型预测值和真实值之间的误差。

2.根据权利要求1所述的优化的基于时空图卷积网络的交通流预测模型，其特征在于：所述交通流预测表示为等式(1)

其中，表示未来几个时间步长的交通流数据的预测值，表示为等式(2)；G＝(V，E，A)代表路网的图结构；V表示节点的集合，将每个记录交通流数据的传感器看作一个节点，V＝{V₁，V₂，...，V_n}，n表示所记录的道路节点的数量；E表示边的集合；A表示路网的邻接矩阵；X是特征矩阵，表示用于预测的历史交通流数据，表示为等式(3)；f表示通过训练得到的函数映射；

其中，P表示要预测的时间步的个数，F表示对映射f输入的历史记录的时间步的个数。

3.根据权利要求1所述的优化的基于时空图卷积网络的交通流预测模型，其特征在于：所述空间相关性建模表示形式如等式(4)所示

其中，A∈R^n×n表示图的邻接矩阵，I_N表示单位矩阵，D表示A的度矩阵；Θ∈R^n×m，b∈R^m分别表示需要训练的权重参数和偏置参数，σ表示激活函数。

4.根据权利要求1所述的优化的基于时空图卷积网络的交通流预测模型，其特征在于：所述自适应邻接矩阵表示为：

其中，softmax和ReLU表示激活函数，Nv₁∈R^n×e和Nv₂∈R^e×n表示源节点嵌入和目标节点嵌入，Nv₁乘以Nv₂可以得到源节点和目标节点之间的权重；ReLU函数用于消除节点之间的弱连接，softmax函数用于将自适应邻接矩阵归一化，应用的图卷积表示为：

f(X)＝σ((I_N+softmax(ReLU(Nv₁Nv₂)))XΘ+b) (6)。

5.根据权利要求1所述的优化的基于时空图卷积网络的交通流预测模型，其特征在于：替换后的GCN表达形式为：

其中，u_t，r_t表示在时间步t时的更新门和重置门，h_t表示模型在时间t时输出的隐藏状态，X_t表示在时间步t时输入的交通流数据，Θ_u，Θ_r，Θ_c，b_u，b_r，b_c是需要训练的权重和偏置参数。