[发明专利]一种智慧交通的时空同步图卷积神经网络及交通预测方法

权利要求书

1.一种智慧交通的时空同步图卷积神经网络及交通预测方法，其特征在于：包括，

获取历史交通数据进行预处理，得到交通数据样本及邻接矩阵；

将所述样本输入及邻接矩阵输入至预设训练的目标网络模型中，由局部时空构建模块生成局部时空图及其邻接矩阵；

将所述局部时空图及其邻接矩阵输入至下层时空同步提取模块中，进行特征提取，生成局部时空特征矩阵；

将所述局部时空特征矩阵输入至下层时序分析模块中，进行全局时空特征分析，并获得最终预测值。

2.如权利要求1所述的面向智慧交通系统的时空同步图卷积神经网络及交通预测方法，其特征在于：所述预处理包括，

获取所述交通数据，补全交通数据中的缺失值，并将数据标准化；

将所述标准化交通数据切片为样本，在样本内划分样本数据及标签，并将其矩阵化；

将所述交通路网拓扑转换为邻接矩阵形式。

3.如权利要求1或2所述的面向智慧交通系统的时空同步图卷积神经网络及交通预测方法，其特征在于：时空同步图卷积神经网为混合神经网络模型，包括，

所述神经网络包含一个基于滑动窗口的局部时空图构建模块，一个基于切比雪夫图卷积的时空特征同步提取模块，一个基于GRU与多头自注意力机制的时序分析模块；

对于一个包含若干步的序列化模型输入，则模型输出为有同样步数的序列，且每一步的输出仅与当前时间步及其之前的所有输入有关，而和所述当前时间步之后的所有输入无关。

4.如权利要求3所述的面向智慧交通系统的时空同步图卷积神经网络及交通预测方法，其特征在于：所述局部时空图构建包括，

将所述样本中不同时刻的交通拓扑按序排列；

建立滑动窗口，在交通拓扑序列上，以预置好的步长向后滑动；

将窗口内交通数据中的道路节点与上一时刻、下一时刻的自身相连，添加自环，构造局部时空图的邻接矩阵；

根据所构造的局部时空拓扑，形成局部时空图数据矩阵。

5.如权利要求4所述的面向智慧交通系统的时空同步图卷积神经网络及交通预测方法，其特征在于：时空特征同步提取包括，

将所述局部时空图数据矩阵及邻接矩阵进行切比雪夫图卷积；

将图卷积后的输出用ReLU函数激活，得到特征矩阵；

将特征矩阵切分，利用最大池化，剔除冗余信息，得到局部时空特征矩阵。

6.如权利要求5所述的面向智慧交通系统的时空同步图卷积神经网络及交通预测方法，其特征在于：剔除冗余信息还包括：

若切分的特征矩阵符合筛选特征则保留符合筛选特征的特征矩阵信息，并导入新的有效信息集合；

若切分的特征矩阵符不合筛选特征则判断为冗余信息，进行剔除，不导入有效信息集合；

在对特征信息选择性筛选后，将由有效信息组成的有效信息集合进行整理得到局部时空特征矩阵。

7.如权利要求6所述的面向智慧交通系统的时空同步图卷积神经网络及交通预测方法，其特征在于：时序分析包括，

将局部时空特征矩阵送入GRU层，所述GRU层由多个GRU单元组成；

所述GRU单元的输入为当前时刻的局部时空特征矩阵，和上一时刻GRU单元输出的隐藏状态矩阵；

GRU单元通过门控机制，计算当前时刻的隐藏状态矩阵，并送入下一时刻的GRU单元及下层多头自注意力机制；

所述多头自注意力机制由多个标准化的自注意力机制模块堆叠构成；

多头自注意力机制将GRU隐藏状态矩阵线性变换为三个矩阵Q、K、V，并计算得到一个自注意力模块的注意力值；

将所有自注意力模块的计算结果拼接，得到多头自注意力机制模块的输出；

将多头自注意力机制模块的输出进行线性变化，得到预测结果。