[发明专利]一种基于MGCN-GRU模型的交通流预测方法及装置

权利要求书

1.一种基于MGCN-GRU模型的交通流预测方法，其特征在于，包括以下步骤：

S1，对交通流数据进行预处理；

S2，在交通网络结构的基础上构建邻接矩阵；

S3，基于注意力机制搭建MGCN-GRU模型；

S4，对MGCN-GRU模型进行优化训练，并保存训练效果最优的MGCN-GRU模型；

S5，使用最优的MGCN-GRU模型对交通流进行预测，输出预测结果。

2.如权利要求1所述基于MGCN-GRU模型的交通流预测方法，其特征在于，所述S1中预处理的过程具体包括以下步骤：

S11，根据交通流检测站点地理位置，提取对应站点的交通流数据；

S12，使用线性插值的方法填充缺失值和异常值；

S13，按滑动窗口的方式对交通流数据进行时间切片；

S14，使用线性函数Min-Max Scaling方法对交通流数据进行归一化。

3.如权利要求1所述基于MGCN-GRU模型的交通流预测方法，其特征在于，所述S2中构建邻接矩阵包括：以空间的邻近度构建邻接矩阵和以道路的连通性构建邻接矩阵两种构建方式。

4.如权利要求3所述基于MGCN-GRU模型的交通流预测方法，其特征在于，所述以空间的邻近度构建邻接矩阵的具体步骤是：在一个3×3的网格中连接一个交通流监测点和该点的8个相邻监测点来构造图结构，得到的邻接矩阵为：

其中，W_ij是边的权重，由d_ij决定，d_ij指第i个和第j个检测节点之间的距离，σ²和ε是控制邻接矩阵W分布和稀疏性的阈值。

5.如权利要求3所述基于MGCN-GRU模型的交通流预测方法，其特征在于，所述以道路的连通性构建邻接矩阵的具体步骤是：根据可以通过交通工具相互到达的道路构建得到的邻接矩阵为：

其中，con(v_i，v_j)表示v_i和v_j是否相连通，取值为1或0。

6.如权利要求1所述基于MGCN-GRU模型的交通流预测方法，其特征在于：所述S2中构建邻接矩阵之后还包括根据得到的邻接矩阵构建多阶近邻连接的多图卷积。

7.如权利要求6所述基于MGCN-GRU模型的交通流预测方法，其特征在于，所述构建多阶近邻连接的多图卷积的具体步骤包括：根据得到的不同邻接矩阵方式构建多图卷积来对空间依赖建模，同时采用多阶近邻连接扩大图卷积的感受野，图卷积的输出为：

其中，为预处理步骤，是具有自连接结构的邻接矩阵，θ^l是从l层到l+1层的权重矩阵，K指邻接矩阵经过幂运算的次数，为聚合函数，为多个图集合。

8.如权利要求1所述基于MGCN-GRU模型的交通流预测方法，其特征在于，所述S3中搭建MGCN-GRU模型的具体步骤包括：

步骤1，使用距离函数计算以空间邻近度构建的邻接矩阵以及根据道路连通性构建邻接矩阵，将得到的邻接矩阵和n个历史时间序列的交通流数据作为输入；

步骤2，搭建两层的图卷积门控层，图卷积门控层将每个时刻对应的MGCN-GRU单元进行串联，上一时刻的隐藏层的输出是下一时刻的图卷积门控循环单元的输入；

步骤3，将输出的隐藏状态信息作为注意力模型的输入，以确定包含全局交通流信息的上下文向量；

步骤4，通过全连接层将注意力机制的输出映射为最终的预测结果。