[发明专利]一种基于动态图神经网络的交通流量预测方法

说明书

本发明涉及交通规划领域，具体为一种基于动态图的交通流量预测方法。所述方法包括对交通道路的关键节点设置多个监测传感器，监测该道路的交通流量、道路占有率、速度数据并长期进行收集，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，设定模型中的相关超参数，对输入数据进行预处理，设计动态图更新算法，并将该算法运用于动态图神经网络模块，采用动态图神经网络模块以及ConvLSTM模块提取时空特征，并将特征融合后输出预测结果，最终训练好整个模型用于交通流量预测。本发明的模型预测输出和实际流量状况拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对交通流量预测结果更可靠，更有优势。

技术领域

本发明属于计算机/交通规划领域，具体为一种基于动态图的交通流量预测方法。

背景技术

近年来随着城市化的进展，交通问题日益严重。而智慧交通系统作为一种成熟的解决方案，能够对于交通状况进行实时管控、实时调度、异常监控，但其核心离不开对于交通流量的实时预测。交通流量是反应道路状况的一个重要指标，如果能够提前准确预测道路的流量状况，交通管理部门就能及时合理地进行引导。

交通流量预测问题是一个典型的时空数据预测问题，其难点在于如何将道路的空间特征与时间维度上特征进行提取。空间特征具体来说，即在相同道路的上下流之间的道路流量具有相关性，且相邻道路之间这种相关性也是存在的。而时间特征反应在临近性、趋势性与周期性。在一天内的流量变化，相邻时间的流量通常是相似的。同时，一定时间内流量变化具有单调递增或是单调递减的特征，且在固定的长度的变化具有相似性。即使是相同的时间，在工作日与休息日的变化通常存在着完全不相同的特性。因此需要对工作日与休息日进行区分预测，或是将这种状况作为一种特征从而进行预测。综上所述，交通流量数据的相关性在空间维度上和时间维度上都表现出强烈的动态性，捕获交通数据中的时空依赖，发现其内在的时空模式是交通流量预测的一个具有挑战的问题。

随着深度学习的发展，交通流量预测问题出现了新的解决方式，即通过图神经网络的方式对交通流量预测过程进行建模。然而在这个过程交通道路被抽象为一个固定的图结构，没有考虑到交通道路状态是存在动态变化的过程。

发明内容

为了能够对交通流量状态进行准确的预测，本发明提出一种基于动态图的交通流量预测方法，所述的动态图通过构建自适应矩阵来进行更新，同时通过构建基于图神经网络的交通流量预测模型，在该模型中根据交通数据的时空特征进行训练，完成训练后将就可以实现交通流量数据的预测任务；其中交通流量数据的时空特征包括交通图的空间结构特征、交通数据在时序上的临近性、相关性和周期性。

进一步的，本文提出的动态图是根据自适应矩阵进行更新的，具体的：

S101、根据交通路网的实际状况抽象出交通图；

S102、建立自适应矩阵更新函数，根据该自适应矩阵学习学习交通数据中的动态变化性；

S103、建立基于图神经网络的交通流量预测模型，将动态图放入图神经网络框架中，更新其中动态图。

进一步的，所述基于图神经网络的交通流量预测模型需要首先对输入的训练数据进行处理包括：

S201、确定交通流量数据的划分序列，根据临近性选择输入的最近时间序列χ_d，根据每日周期划分出日周期序列χ_d，选择每周规律作为周时间序列χ_w；

S202、根据临近数据有相似性，对空缺数据采用相邻数据的均值进行填充，并对数据进行归一化处理。

进一步的，所述图神经网络的交通流量预测模型包括空间特征处理模块与时间特征处理模块，具体包括：

S301、基于图卷积为基础的空间特征处理模块，通过交通网络以及历史交通流量作为图卷积输入获取交通数据中的空间特征；