[发明专利]基于新深空时自适应融合图网络的短期交通流预测方法

说明书

本发明公开了一种基于新深空时自适应融合图网络的短期交通流预测方法，首先构造自适应邻接矩阵，该邻接矩阵可以在每一次迭代训练中不断更新。然后再根据交通流数据从不同角度构造出来的图进行并行融合得到一个新的时空融合矩阵。自适应矩阵及时空融合矩阵同时进行图扩散卷积来捕获隐藏时空依赖性，最后捕获到的特征去进行更深层次网络模型的训练得出预测结果。本发明在多个交通流数据集上进行测试实验，实验结果表明该网络性能优于目前最先进的方法。

技术领域

本发明涉及交通流预测技术领域，尤其涉及一种基于新深空时自适应融合图网络的短期交通流预测方法。

背景技术

智能交通系统（Intelligent Transport System, ITS）于20世纪90年代提出，其是解决城市交通拥挤，改善行车安全等的最佳途径。交通流预测是智能交通系统的核心内容，也是交通信息服务、交通控制与诱导的重要基础。交通流预测是指将采集到的动态交通数据用于未来路网的交通流预测中去。城市化进程加快，人们生活水平的提高，现今，城市中有限的路网容量难以与道路日益剧增的车辆相匹配。一个合理、实时、准确的交通流预测系统将对路网交通压力缓解、车辆的规划出行，确保交通系统高效、安全运转有十分重大的意义。

交通流预测方法主要分为两类：知识驱动类及数据驱动类。早期发展中，知识驱动类主要应用了排队理论和仿真行为；后期，数据类驱动方法在硬件设备的提升下快速发展，包含传统的统计学和机器学习方法，如：自回归移动平均模型（AutoregressiveIntegrated Moving Average model,ARIMA），向量自回归模型（Vector Autoregressivemodel, VAR）、支持向量回归模型（support vector regression , SVR）。此类方法的基本思想是将过去一段时间的交通数据流放入回归模型中预测下一时段交通信息状况。它受到了时间序列平稳性假设的限制，忽略了时空相关性。

传统的统计方法和机器学习方法需建立在时间序列是平稳性的假设基础上进行预测。预测出来的数据精度会较差，同时其静态的预测无法反映交通流动态变化的特性，难以反映交通流过程的不确定性与非线性，不能解决突发事件对交通状况的影响。

图卷积神经网络(Graph Convolutional Network, GCN)和循环神经网络(Recurrent Neural Network, RNN)相结合于交通流预测已有广泛的研究。但通常其存在难以准确捕获隐藏道路节点的空间依赖性，难以准确捕获道路节点的时间依赖性等问题。

将图卷积神经网络和循环神经网路结合应用于交通流预测中大多数使用的是已经预先定义好的矩阵及静态的图结构，此图基于道路节点中传感器之间的距离来构造的。但交通流数据是高非线性的，且是受多种因素而时刻动态变化的，因此路网之间的相关性是随着时间动态变化的，比如：在某个时段，两个道路节点在物理空间上它是相连的，但在逻辑空间中它们是弱连接，弱相关的。根据当前道路数据得到的动态的图能够真实的反映节点之间的强弱相关性，其对空间节点的学习表达起着关键作用。再者，许多方法选择构建基于道路数据构建时间相关性的图来捕获空间节点特征，大多数方法使用欧式距离来计算的道路节点之间的时间相关性。但其不能很好的衡量时间序列不平行，形状却相似的数据之间的相似性，进而不能得到相对准确的时间相关图，捕获到的节点间的时间依赖性也会与实际大不相符。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于新深空时自适应融合图网络的短期交通流预测方法。可有效解决捕获隐藏时空依赖性困难，预测值不准确的问题。

为了解决上述技术问题，本发明实施例提供了一种基于新深空时自适应融合图网络的短期交通流预测方法，包括以下步骤：