[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

说明书

本发明涉及一种优化的基于时空图卷积网络的交通流预测模型，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；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。本发明提高短时交通流准确预测精度，增强了模型分析图结构的数据的能力，可以保证充分挖掘交通流的时空依赖性，从而提高短时交通流的预测精度和模型的收敛速度。

技术领域

本发明涉及交通流预测技术领域，具体是指一种优化的基于时空图卷积网络的交通流预测模型。

背景技术

短时交通流预测是智能交通系统至关重要的一环，准确的短时交通流预测可以对交通管理部门的决策提供有力的依据，同时也可以让司机选择更通畅的出行路线，从而缓解交通压力。然而由于交通流复杂的时空依赖性难以分析，交通流的预测问题一直是一个难题。

随着深度学习的发展，研究人员们开始尝试使用深度神经网络来解决交通流的时空依赖性难以分析的问题。长短时记忆网络(LSTM)，门控递归单元(GRU)都属于循环神经网络(RNN)的改进形式，它们都继承了RNN的循环机制，并减少了RNN的过拟合与欠拟合的缺陷。因此它们都可以很好的处理时间依赖性。Ma等人和Fu等人分别提出基于LSTM和GRU的预测方法。这类模型会根据时间步将输入的交通流数据拆分，一步一步地分析交通流的时间依赖性，但忽略了空间依赖性。为了能同时分析时间依赖性和空间依赖性，Liu等人提出了基于卷积LSTM(Conv-LSTM)的预测方法。该方法使Conv-LSTM分析交通流的时空依赖性。

ConventionalNetwork(CNN)是基于平移不变性原理提出来的，它不适合处理于非欧式的路网数据。所以CNN在分析交通流的空间依赖性问题上表现得不理想。

近年来，随着图卷积网络(GCN)的研究成果越来越多，因此人们开始使用GCN来预测交通流。Yu等人结合一维CNN和GCN提出时空卷积块(ST-ConvBlock)，时空卷积块的工作原理是使用多通道的GCN分析交通流的空间依赖性，又用一维卷积分析时间依赖性。Zhang等人提出了Structure Learning Convolution(SLC)框架，可以将传统的CNN扩展到图领域并学习图结构来预测交通流。Zheng等人使用图注意力网络构建自动编码机提出了graphmulti-attention network(GMAN)。以上模型都是将时间依赖性与空间依赖性分开分析的，这样做无论先分析时间和空间依赖性其中的哪个，都会对另一个的分析造成负面影响。

将GCN与RNN的变体结合，然后同时分析时交通流的空依赖性也是热门研究内容。(Li,et al.2017)将扩散卷积与GRU结合，并将模型设计为自动编码器的结构，提出扩散卷积递归神经网络(DCRNN)的预测方法。Zhao等人将GCN与GRU结合，提出T-GCN。Zhu等人在结合GCN与GRU的基础上考虑了外部因素例如天气和surrounding POIs对交通流的影响提出AST-GCN模型。Yu等人使用dynamic time warping算法根据时间序列的相似度构造节点之间的邻接矩阵，并提出模型3D-TGCN模型。上述方法都没有考虑到不同隐藏层节点在所有时间步下的输出对预测结果的影响大小的不同。

由于难以充分分析交通流的时空依赖性，传统方法在预测任务中表现出的性能不高。准确又及时的交通流预测对日益发展的智能交通系统具有重要意义。

发明内容

本发明要解决的技术问题是，提供一种优化的基于时空图卷积网络的交通流预测模型。

为解决上述技术问题，本发明提供的技术方案为：一种优化的基于时空图卷积网络的交通流预测模型，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：