[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

说明书

本发明公开了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；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；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。本发明提供的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在对抗随机事件的干扰，实现特征的全局分析，提取交通数据中时间特征与空间特征之间的关联的特征提取能力都取得更加良好的效果。

技术领域

本发明涉及智能交通系预测技术领域，具体为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。

背景技术

随着智能交通系统(Intelligent Traffic System，ITS)的发展，作为其关键组成部分的交通预测(Traffic Prediction)也愈发受到重视。交通预测是一种分析城市道路交通状况，包括车流量、行驶速度和车辆密度等，挖掘交通模式，预测道路交通趋势的过程。交通预测不仅是实现交通规划、交通管理和交通控制的前置要求，还是城市出行者选择合适的出行路线、提高出行效率的重要保障。然而，交通预测问题具有复杂的空间和时间依赖性，同时在时空两个维度上存在异质性，即不同区域、不同时段的交通模式不同，这使交通预测一直是一项具有挑战性的任务。

现有的交通预测方法可以分为模型驱动(Model-driven)和数据驱动(Data-driven)两大类。模型驱动方法需要基于先验知识进行全面而详细的系统建模，然而现实中，交通数据受多种因素的影响，难以获得准确的交通模型，同时现有的模型也无法准确描述复杂现实环境中交通数据的变化。数据驱动方法根据数据的统计规律来推断数据变化的趋势，从而实现对交通状态的预测和评估。随着交通预测研究的不断深入，出现了大量预测精度较高的方法，主要可分为参数或非参数两类模型。传统的参数化模型算法简单、计算方便，然而这些模型假设系统模型是静态的，因此无法反映交通数据的非线性和不确定性，不能克服交通事故等随机事件的干扰。非参数模型很好地解决了这些问题，并且只需要有足够的历史数据就可以从交通数据中自动学习统计规律。作为非参数模型的代表，深度神经网络因其能够很好地捕捉交通数据的动态特征并取得目前最好的预测效果而受到广泛关注。然而有部分方法仅考虑了时间相关性而忽略了空间相关性，使得交通数据的变化不受城市道路网络的约束，因此无法准确预测道路上的交通信息。另一部分方法使用卷积神经网络(Convolutional Neural Network，CNN)提取空间特征，虽然取得很大的进展，但CNN本质上适用于欧几里德空间，如图像、规则网格等，对于拓扑结构复杂的交通网络具有局限性，因此不能从本质上描述交通数据的空间相关性。此外有学者利用图卷积神经网络(Graph Convolutional Networks，GCN)提取交通路网的空间特征，利用循环神经网络(Recurrent Neural Network，RNN)或其变体长短期记忆网络(Long Short-term Memory，LSTM)、门控循环单元(Gated Recurrent Unit，GRU)提取时间特征，也取得了较好的效果，然而这种方式使用单独的组件提取时间或空间特征，而忽略了时间特征与空间特征也存在关联，例如上一时刻的某条道路交通状况可能会对下一时刻的其周边道路产生影响，这将不利于提升预测结果的准确性。综上所述，当前工作中对于面向智慧交通系统的交通预测方法的研究仍存在以下不足：一、模型驱动方法需要基于先验知识进行全面而详细的系统建模，然而现实交通环境较为复杂，难以获得准确的交通模型，同时现有的模型也无法准确描述交通数据的变化。二、参数化的数据驱动方法假设系统模型是静态的，无法反映交通数据的非线性和不确定性，不能克服交通事故等随机事件的干扰。三、部分基于深度学习的非参数化的数据驱动方法，未考虑空间相关性，使得交通数据的变化不受城市道路网络的约束，无法准确预测道路上的交通信息。四、部分基于深度学习的非参数化的数据驱动方法，引入CNN提取空间相关性，但CNN本质上适用于欧氏空间，对于拓扑结构复杂的交通网络具有局限性，因此不能从本质上描述其空间相关性。五、部分基于深度学习的非参数化的数据驱动方法，使用单独的组件提取时间或空间特征，而忽略了时间特征与空间特征也存在关联，这不利于提升预测结果的准确性。