[发明专利]一种基于嵌套时序分解时空图卷积网络的交通流预测方法

权利要求书

1.一种基于嵌套时序分解时空图卷积网络的交通流预测方法

步骤1：数据处理，获取原始交通流信息，进行清洗和插值处理；

步骤2：交通流网络GRAPH图构建；

步骤3：嵌套时序分解，提取多尺度时序信息；

步骤4：多尺度时间序列传入时空图卷积模块；

步骤5：时空图卷积模块构建时空图卷积层；

步骤6：使用数据训练网络，并对未来交通流进行预测。

2.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于，通过路端传感器，或者车载设备回传信息，聚合而成交通流速度和流量序列，进行清洗，并使用规则与线性插值补全缺失数据。

3.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于。神经网络的目标是根据前n个时间间隔的历史数据，预测未来m个时间间隔的客流量。基于N个交通节点的观测数据，我们模型的输入数据可以表示为矩阵X：

其中X_T-n表示时间戳T前第n个时间间隔的客流量矩阵，x^i，j对应第i到j路口站点的客流量数据。

其中N_ij是在特定的时间跨度内从i站到j站的乘客数量。如果两路口不直接相邻，令N_ij＝0。

我们使用G＝(V，E，A，D)表示空间网络，其中|V|＝N为顶点集，N为顶点个数，E为边集。A为网络G的邻接矩阵，D为网络G的距离矩阵，空间网络G表示空间维度上节点之间的关系，网络结构不随时间变化。同时对于各个节点构建交通流特征图，用以表征某时某刻的交通流事件。

有两个节点连通，则邻接矩阵中对应的值为1，局域化时空图的邻接矩阵可以表示为：

两个节点间的距离，根据实际距离按照一定比例，表示为：

4.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于，使用NSTL(嵌套周期趋势分解)将交通流序列按照不同的时间粒度，分解为多时间尺度序列。

内部循环通过以下步骤实现数据分解：

step1：去趋势，用t时刻的时间序列数据Yt减去内循环第K-1次结束时的趋势分量T_t(k)，即Y_t-T_t(k)，取0为T_t(k)的初始值；

step2：子序列平滑，使用LOESS对全部子序列进行回归操作且基于LOESS选择的周期参数向前和向后同时各延展一个周期，平滑结果组成临时周期分量，记作TS_t(k+1)；

step3：周期子序列的低通量过滤，对step2得到的TS_t(k+1)进行滑动平均，滑动平均的周期取值作为LOESS周期参数的值，继续使用LOESS对获得的回归结果再次进行回归，以提取周期子序列的低通量，所得的果序列记作L_t(k+1)；

step4：提取周期分量S_t(k+1)，S_t(k+1)＝TS_t(k+1)-L_t(k+1)；

step5：去除周期分量Y_t-S_t(k+1)；

step6：趋势平滑，再次对去周期分量的序列执行LOESS操作，得到趋势分量，记作Tt(k+1)；

Step7：变尺度，将周期分量S_t(k+1)作为新的Y_t，回到step1。

外循环用于计算鲁棒权值ρ_t：

ρ_t＝B(|R_t|/h)

h＝6*median(|Rt|)

再通过一层嵌套循环改变平滑参数n_s，n_l，n_t，以适应不同时间尺度，本文预采取四次嵌套循环，最终令Y_t＝A_t+W_t+D_t+S_t+R_t，实现争对年、周、天、间断流设施四个时间尺度的分解。