[发明专利]持续记忆的自适应异质时空图卷积的交通预测方法及系统

说明书

本发明属于交通预测技术领域，具体公开了一种持续记忆的自适应异质时空图卷积的交通预测方法及系统，该方法将交通流量数据和流量数据的历史记忆，并输入记忆输入层，记忆输入层输出时间序列，并将该时间序列作为异质时空图卷积层的第一个子层的输入，异质时空图卷积层设有多个子层，前一个子层的输出是下一个子层的输入，构建不同时空异质图，并利用时空异质图完成图卷积操作，异质时空图卷积层的各层输出时间序列至时空信息融合层，得到交通流量预测数据和新的历史记忆。采用本技术方案，捕获交通流量数据的异质性，通过历史信息获取交通流量的长期时间依赖，提升预测效果。

技术领域

本发明属于交通预测技术领域，涉及一种持续记忆的自适应异质时空图卷积的交通预测方法及系统。

背景技术

随着智能交通系统(I TS)的发展，交通流量数据的预测成为了I TS不可或缺的一部分，准确及时的交通预测可以帮助进行有效的交通管制。交通流量是道路状况的基础指标，如果可以有效预测交通流量数据，I TS能够更有效、更合理地规划车辆路线和交通信号灯。

交通流量数据有以下三个特点：(1)时间相关性(时间依赖)，一个区域的流量与该区域之前一段时间的流量相关；(2)空间相关性(空间依赖)，车辆从一个区域驶向另一个区域，导致同一时刻下，一个区域的流量会受到另一个区域流量的影响；(3)异质性，不同时间下，一个区域的流量受到其他区域流量的影响是不一样的。所以，如果可以建模交通流量数据的特点，将达到更好的预测效果。

为了检测道路的交通状况，人们将大量的传感器应用到交通路网中，并借此积累了大量关于交通流量的历史数据。许多研究人员借助历史数据挖掘交通流量数据的时空相关性，来达到预测交通流量、检测交通事故发生等研究目的。预测交通流量的研究方法在十几年间发生了明显的变化，从早期基于统计学的方法，到将机器学习的方法以及深度学习的方法应用到交通流量预测中，模型的预测性能有了显著的改善。

但现有技术中采用的时空模型在捕获时间依赖时，往往只建立同一种图结构，忽视不同时间下，一个区域的流量受到其他区域流量的影响是不一样的现象，即交通流量数据的异质性。且以往的模型采用LSTM或是GRU等模块，来获取交通流量数据的时间依赖，这样获取的时间依赖的时间跨度局限在当前输入数据的时间长度，不能记忆之前输入数据的历史信息。

发明内容

本发明的目的在于提供一种持续记忆的自适应异质时空图卷积的交通预测方法及系统，捕获交通流量数据的异质性，通过历史信息获取交通流量的长期时间依赖，提升预测效果。

为了达到上述目的，本发明的基础方案为：一种持续记忆的自适应异质时空图卷积的交通预测方法，包括如下步骤：

获取交通流量数据和流量数据的历史记忆，并输入记忆输入层；

记忆输入层输出时间序列，并将该时间序列作为异质时空图卷积层的第一个子层的输入；

异质时空图卷积层设有多个子层，前一个子层的输出是下一个子层的输入，构建不同时空异质图，并利用时空异质图完成图卷积操作；

异质时空图卷积层的各层输出时间序列至时空信息融合层，得到交通流量预测数据和新的历史记忆。

本基础方案的工作原理和有益效果在于：本方案构建不同时刻的时空图的图结构，以此捕获交通流量数据的异质性。将当前输入序列的信息保存到历史信息中，到达持续记忆的效果，可以通过历史信息获取交通流量的长期时间依赖，提升模型的预测效果。

进一步，所述记忆输入层包括记忆模块和第一全连接层，输入的交通流量数据X₀和流量数据的历史记忆依次经过记忆模块和第一全连接层，T为时间长度，N为节点数量，C₁为节点历史信息特征的长度，R表示实数张量矩阵。

结构简单，便于使用。

进一步，所述记忆模块包括第二全连接层和GRU模块；