[发明专利]一种基于动态图神经网络的交通流量预测方法

权利要求书

1.一种基于动态图神经网络的交通流量预测方法，其特征在于，所述方法包括以下步骤：

S1、在城市交通的关键节点设置多个速度、流量、道路占有率的检测传感器，并采集相关数据；

S2、构建基于动态图神经网络的交通流量预测模型，输入历史交通流量数据，并初始化模型的初始参数以及设定相关超参数，并根据交通节点的位置关系构建初始交通路网图；

S3、根据设定的超参数nhours,ndays,nweeks划分出模型不同的输入序列χ_h,χ_d,χ_w；

S4、对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理；

S5、设计动态图更新算法，更新表示动态的图的自适应矩阵，图神经网络框架通过前向传播与反向传播机制更新超参数ε，每次模型的迭代过程就是该参数的更新过程；

S6、将动态图更迭算法运用于动态图神经网络模块，并将动态图神经网络用于空间特征提取，采用ConvLSTM获取交通流量数据中的时间维度特征；

S7、将时空特征进行特征融合并输出预测结果，用多模块融合单元对于不同时间维度输入处理后的结果进行特征融合；

S8、训练基于动态图神经网络的交通流量预测模型，输入基于动态图神经网络的初始参数，初始参数包括对模型中参数进行初始化；

S9、将划分后的交通流量数据分别输入到模型之中，得到预测结果，即对于交通流量未来一段时间的预测结果。

2.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述模型的初始参数以及设定相关超参数包括nhours,ndays,nweeks,input_len,Pre_len分别表示需要输入的时间序列长度，周期日长度，周期周长度，预测输入长度，预测输出长度。

3.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述构建交通路网图抽象为一个无向图G＝(V,E,A)，其中V代表节点集通常是传感器或者是道路交叉路口，而N＝|V|则代表节点数量；E代表边通常表示节点之间的关系，对于交通网络来说一般是道路路径或者是传感器之间相连关系。代表图G的邻接矩阵，矩阵中的值是两个节点之间的距离。可以表示为：

4.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述数据处理过程中，对输入的数据进行数据处理，包括对于数据空缺值的填充，以及对于数据的归一化处理。对于空缺数据由于交通流量数据本身具有的相邻相似性特征，因此，采用相邻数据的均值进行填充。对于交通流量数据，其本身记录的是某个时间节点上对应采集器节点上观察到的流量值，为便于深度学习的模型进行学习，需要对其进行归一化从而得到关键的时空特征。归一化可以表示为：

5.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述动态图更新算法，其中基于动态图神经网络模块可以定义为：

其中，其中*_G代表卷积运算，U是正交矩阵或称为傅里叶基，对于图上信号的卷积运算即对于图进行傅里叶变化，实质是对图信号的汇聚与求积，因此上述公式可以理解为利用卷积运算将卷积核f_L和图上的信号x分别转化到谱域，并将结果进行相乘，并进行傅里叶逆变换，得到经过处理之后的结果。

6.根据权利要求1所述的一种基于动态图神经网络的交通流量预测方法，其特征在于，所述动态图神经网络模块在得到权利要求1处理之后结果即将交通图节点上不同特征进行汇聚之后的结果后，为便于下一步处理需要将高低频的特征进行融合，其融合过程可以表示为：