[发明专利]一种基于时空格兰杰因果的交通流预测方法

说明书

本发明公开了一种基于时空格兰杰因果的交通流预测方法，包括步骤：将交通流传递的因果关系TCR建模为时空格兰杰因果关系图；根据时空对齐算法捕获TCR；使用时空格兰杰因果检验方法从对齐后的时间序列中测试出哪两个节点间有GDTi的传递，从而捕获动态交通流下稳定的TCR；将得到的时空格兰杰因果检验图输入到基于GNN的交通预测模型中，同时捕获交通路网的时间依赖性和空间依赖性。本发明提出时空格兰杰因果来建模TCR，能表达一种全局、动态的空间依赖关系，能捕获GDTi从而提升长程预测效果；使用时空格兰杰因果图的图神经网络交通流预测框架用于提升长时预测效果。

技术领域

本发明属于交通流预测技术领域，尤其涉及一种基于时空格兰杰因果的交通流预测方法。

背景技术

随着智能交通系统的不断发展，作为智能交通系统重要功能之一的交通预测得到了越来越多的关注。交通预测属于时间序列预测任务中的一种，需要根据交通传感器记录的历史交通数据对未来时刻的交通数据进行预测，包括流量预测、流速预测和高峰期预测等，能够为城市管理、交通规划、路径优化等决策提供帮助。

交通预测任务的基本假设是交通数据背后隐含着某种稳定的模式，因而可以从历史数据中发现这种模式并用于未来时刻的预测，近年来大量交通预测的研究涌现。基于统计学的方法最早被应用，包括历史平均值(historical average，HA)、向量自回归(VectorAutoregression，VAR)、整合移动平均自回归(autoregressive integrated movingaverage，ARIMA)模型、卡尔曼滤波模型(Kalman filtering model)等。随着深度学习的发展，前馈神经网络模型(Feed forward neural network)深度信念网络(Deep beliefnetwork，DBN)等回归模型被用于交通流预测，循环神经网络(Recurrent neural network，RNN)及其变体长短时记忆网络(LSTM)和门控循环单元(Gated recurrent unit，GRU)也被用于对交通流数据的时间依赖性建模。然而，上述方法仅仅建模了交通流数据的时间依赖性，却忽略了不同路网节点间的空间依赖关系。现有的观点普遍认为，交通预测任务不同于一般的时间序列预测任务，除了趋势性、周期性等时间动态模式的捕捉外，路网结构约束下的空间依赖关系更加重要。

为捕捉空间依赖关系，基于卷积神经网络(Convolutional neural network，CNN)的模型被用于对路网节点的空间依赖性建模，然而这种模型只适用于欧几里德数据，不适用于非欧的路网数据。因此，能够对离散化的非规则数据进行表示的图神经网络(Graphneural network，GNN)被用于对复杂路网进行建模，已经成为交通预测事实上的经典模型。这类方法主要从静态的路网拓扑结构中抽象出一种节点间局部的连接关系并建模为空间图输入到GNN结构中，通过GNN的消息传播机制实现交通信息在节点间的流动，比如时序图卷积网络(Temporal graph convolutional network，T-GCN)、Graph wavenet、时空图卷积网络(Spatio-temporal graph convolutional networks，STGCN)等，也有方法考虑了空间依赖关系在时间轴上的效应，将空间图与时间图组合输入到GNN结构中，如STSGCN、STFGNN和STGODE。

空间依赖关系的本质在于精确描述路网节点间的交通信息如何传递，即交通信息的传递如何受其他路网节点的影响。然而，微观交通工具的移动行为具有非常大的不确定性，使得追踪和预测交通信息在路网中的传递具有固有的困难，尤其是在长时预测时，交通信息的传递是一个全局的、动态的过程，空间图所刻画的静态的、局部的空间依赖关系无法表达路网节点间全局的、动态的交通信息(Global-dynamic Traffic information,GDTi)的传递。如何建模GDTi在路网中的传递，并通过GNN的消息传播机制对未来时刻的交通信息进行预测，是长时预测中的关键问题。

发明内容