[发明专利]一种基于多视图时空图卷积网络的交通流预测方法

权利要求书

1.一种基于多视图时空图卷积网络的交通流预测方法，其特征在于，所述预测方法包括以下内容：

S1.获取交通数据集并构建路网的静态图邻接矩阵A_road，交通数据集中包括不同时刻路网中各个观测点处的交通数据；

S2.获取趋势相似图邻接矩阵A_dtw；

S3.构建MVSTGCN模型：

所述MVSTGCN模型包括输出模块和若干串联的时空特征提取层，通过堆叠多层时空特征提取层获取到不同尺度下的时空特征，当前时空特征提取层的输出作为下一时空特征提取层的输入，同时当前时空特征提取层的输出被记录进输出模块，当所有时空特征提取层都提取到时空特征后，由输出模块给出预测结果；

每个时空特征提取层包括门控时间卷积模块和多视图图卷积模块串联的结构，多视图图卷积模块用于空间特征提取，门控时间卷积模块用于时间特征提取；

所述门控时间卷积模块的输入为经线性转换层处理后的交通数据，门控时间卷积模块的输出连接多视图图卷积模块，同时静态图邻接矩阵A_road和趋势相似图邻接矩阵A_dtw也作为多视图图卷积模块的输入；门控时间卷积模块的输入与多视图图卷积模块的输出之间进行残差连接；

所述输出模块包括不少于两个的全连接层(FC)，输出模块的激活函数为ELU；

S4.利用交通数据集训练MVSTGCN模型，最终获得用于交通流预测的MVSTGCN模型。

2.根据权利要求1所述的基于多视图时空图卷积网络的交通流预测方法，其特征在于，

步骤S1的具体过程是：

S11.获取路网的图结构信息G＝(V,E)，V＝{v₁,v₂,...,v_N}表示路网中观测点的集合，E表示边的集合，对应观测点间的连接关系，如果v_i,v_j∈E则表明观测点v_i和v_j之间有直接的道路相通，反之则表示两个观测点间没有直接关系，形成静态图邻接矩阵A_road；

S12.获取该路网的交通数据，并进行数据清洗；

S13.对清洗后的交通数据进行时间片划分，一个时间片内所有观测点的交通数据对应一个特征矩阵X^(t)，表示为表示观测点v_i在第t个时间片时的交通数据，N为观测点数量；

S14.对时间片的数据进行堆叠，得到最终的交通数据集X＝[X⁽¹⁾,X⁽²⁾,...，X^(Len)]，Len表示交通数据的时间步步长大小，Len要远远大于MVSTGCN模型输入的时间步步长T。

3.根据权利要求1所述的基于多视图时空图卷积网络的交通流预测方法，其特征在于，

所述门控时间卷积模块的计算过程为公式(2)：

z＝Tanh(TCN(X′))*σ(TCN(X′))    (2)

其中：TCN表示空洞因果卷积网络；X′表示经过线性转换层处理后的交通数据的特征矩阵；Z表示门控时间卷积模块的输出；Tanh和σ分别代表Tanh和Sigmoid激活函数；*表示元素乘法；

所述输出模块包括两个的全连接层(FC)，对不同尺度下的时空特征进行非线性变换，得到最终的预测结果。