[发明专利]一种基于时空图卷积网络的交通流预测方法

说明书

本发明时间序列预测领域，公开了一种基于时空图卷积网络的交通流预测方法，其具体步骤包括：获取交通流数据，使用线性插值方法来补全它的缺失数据；在图卷积网络中把各个节点的交通流数据按照时间的顺序进行输入，同时输入的还有邻接矩阵，让图卷积网络来提取它的空间特征；根据图卷积网络中提取的空间特征，来动态的设计门控循环单元，让它在提取时间特征的同时可以更好的结合时空信息，提高交通流预测的准确性，更好的满足人民的生活需求。

技术领域

本发明属于时间序列预测领域，尤其涉及一种基于时空图卷积网络的交通流预测方法。

背景技术

交通流分析、预测和管理是新时代智慧城市建设的关键，准确的交通流预测可以帮助人们更加方便的出行、节约时间和保障安全。目前由于车流在时间维度上的波动和不确定性，交通流预测越来越具有挑战性。车辆交通在较长的一段时间内往往具有周期性，容易在较长的一定时间内进行归纳和预测，因此目前的交通流预测大多都会局限于时间信息，但是交通流又存在许多不确定性，例如交通事故等突发事件。随着深度学习和大数据的发展，我们可以更好地理解隐藏在复杂交通网络中的隐藏着的信息，极大的提高了我们对交通流预测的准确性。在实际的交通中，空间信息的重要性不亚于时间信息的重要性，因此急需一种可以结合空间和时间信息的交通流预测方法。

发明内容

本发明目的在于提供一种基于时空图卷积网络的交通流预测方法,以解决上述的技术问题。

为解决上述技术问题，本发明的一种基于时空图卷积网络的交通流预测方法的具体技术方案如下：

一种基于时空图卷积网络的交通流预测方法，包括如下步骤：步骤1：在道路上设置I个传感器，收集到交通流数据代表在t时刻的第i个传感器中的数值，u_i代表第i个传感器；

步骤2：将交通流数据作为时空图卷积网络的输入，首先将交通流数据输入到空间相关性提取模块中来提取深层的空间特征S，再将空间特征S输入到时间相关性提取模块中获得深层的时间特征T，并且利用空间特征S与时间特征T形成特征矩阵F；

步骤3：通过交通流数据与特征矩阵F，利用全连接层进行数据的预测。

进一步地，步骤2中的时空图卷积网络的训练步骤包括：

步骤2.1：数据准备：在道路上设置I个传感器，收集到交通流数据使用线性插值方法来补全缺失值，采用Z-Score方法来对输入数据来进行标准化处理，将标注数据样本按照8:1:1划分为训练集、验证集、测试集；

步骤2.2：网络结构设计：本模型采用图卷积网络来提取交通流数据中的空间信息S，使用集成循环门控单元来提取交通流数据中的时间信息T，网络采用平均绝对误差、均方根误差和平均绝对百分比误差这三个损失函数，表示为：

式中，H为预测的时间长度，N为传感器的数量，为第i个传感器在t时刻的真实值，为第i个传感器在t时刻的预测值；

步骤2.3：网络训练：网络输入为交通流数据邻接矩阵其中i和j传感器的编号，表示传感器a和传感器b之间的相邻关系，的值为0或1,的值为1则代表传感器a与传感器b相邻，的值为0则代表传感器a与传感器b不相邻，并且a，b∈[1,I]，且当a＝b时和度矩阵其中x_l为第l个传感器的邻接传感器数量，输出为之后H段时间的交通流预测数据和损失函数的值，训练过程中对权重层、偏置层和批标准化层的学习率进行单独调整，使用的批量尺寸设定为E₁,迭代总次数设置为E₂,初始化学习率设置为E₃进行训练，如果网络的loss值一直下降，则继续训练，直到迭代m次后，得到最终的模型；如果loss值在中途趋于稳定，则停止迭代，得到最终的模型；