[发明专利]一种用于道路占有率预测的多元时空图神经网络方法及系统

权利要求书

1.一种用于道路占有率预测的多元时空图神经网络方法，其特征在于，包括：

S1:获取待预测道路的历史交通道路占有率数据，按照时间窗口将历史交通道路占有率数据划分为每个时刻的道路占有率数据，并将每个时刻的道路占有率数据作为节点特征；

S2:将每个节点特征分别输入多元时空图神经网络的隐藏相关层，生成图邻接矩阵；

S3:在空间域中，将生成的邻接矩阵输入进图处理模块进行多个层次的邻域信息的结合，并提取和筛选每一层的重要特征，获得各个变量之间的空间依赖关系；在时间域上，将各个变量的长时间重要特征输入至LSTM模块，获得并记忆变量内部的时间依赖关系；

S4:重复步骤S2、S3直到最后一个时刻，最后将得到的空间关系依赖特征和时间关系依赖特征输入至卷积模块中得到未来某一时刻的道路占有率预测结果。

2.如权利要求1所述的一种用于道路占有率预测的多元时空图神经网络方法，其特征在于，所述隐藏相关层能够通过原始节点特征的嵌入信息自动学习节点之间的隐藏关系，从而生成图的邻接矩阵。

3.如权利要求1所述的一种用于道路占有率预测的多元时空图神经网络方法，其特征在于，通过图处理模块来进行多个层次的邻域信息的结合，并提取和筛选每一层的重要特征，获得各个变量之间的空间依赖关系。

4.如权利要求1所述的一种用于道路占有率预测的多元时空图神经网络方法，其特征在于，在每一层使用了一种参数化的特征提取器提取每一层的重要信息并进行筛选，作为重要特征。

5.如权利要求1所述的一种用于道路占有率预测的多元时空图神经网络方法，其特征在于，所述LSTM模块由记忆细胞、输入门、遗忘门和输出门组成；所述输入门用来控制新信息存放在当前记忆细胞的程度；所述遗忘门用来决定保留或是删除上一时间步记忆细胞的信息；所述输出门则用来控制记忆细胞的现有值是否会影响输出。

6.如权利要求1所述的一种用于道路占有率预测的多元时空图神经网络方法，其特征在于，将上一层的输出分别输入进两层LSTM中，其中一层LSTM的输出使用tanh函数进行激活，另一层LSTM的输出使用sigmoid的函数进行激活。

7.如权利要求6所述的一种用于道路占有率预测的多元时空图神经网络方法，其特征在于，将上述两层获得的两部分输出相乘，并通过Dropout丢弃层得到输出。

8.一种用于道路占有率预测的多元时空图神经网络系统，其特征在于，包括：

数据采集模块，用于获取待预测道路的历史交通道路占有率数据，按照时间窗口将历史交通道路占有率数据划分为每个时刻的道路占有率数据，并将每个时刻的道路占有率数据作为节点特征；

特征处理模块，用于将每个节点特征分别输入多元时空图神经网络的隐藏相关层，生成图邻接矩阵；在空间域中，将生成的邻接矩阵输入进图处理模块进行多个层次的邻域信息的结合，并提取和筛选每一层的重要特征，获得各个变量之间的空间依赖关系；以及在时间域上，将各个变量的长时间重要特征输入至LSTM模块，获得并记忆变量内部的时间依赖关系；

模型预测模块，用于将得到的空间关系依赖特征和时间关系依赖特征输入至卷积模块中得到未来某一时刻的道路占有率预测结果。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时执行上述如权利要求1-7任一项所述方法的步骤。

10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述如权利要求1-7任一项所述方法的步骤。