[发明专利]一种基于MGCN-GRU模型的交通流预测方法及装置

说明书

本发明公开了一种基于MGCN‑GRU模型的交通流预测方法及装置，涉及交通流预测技术领域。该基于MGCN‑GRU模型的交通流预测方法，包括以下步骤：对交通流数据进行预处理；在交通网络结构的基础上构建邻接矩阵；基于注意力机制搭建MGCN‑GRU模型；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；使用最优的MGCN‑GRU模型对交通流进行预测，输出预测结果。本发明通过使用最优的MGCN‑GRU模型对交通流进行预测，提高了交通流预测的准确性，解决了现有交通流预测方法忽略空间依赖性以及卷积神经网络不能有效捕捉交通状况的空间相关性的问题。

技术领域

本发明涉及交通流预测技术领域，尤其涉及一种基于MGCN-GRU模型的交通流预测方法及装置。

背景技术

交通流预测是智能交通的关键组成部分，是实现交通规划、交通管理和交通控制的重要组成部分。车流量的准确预测，有利于交通管理部门更合理地引导车辆，提高公路网的运行效率。然而，由于其复杂的时空依赖性，交通流预测一直是一项具有挑战性的任务。

现有的交通流预测技术主要通过捕捉交通流在时间维度的动态变化进行流量预测，通过空间相邻区域之间的欧几里德相关性建模捕捉交通流空间相关性，比如长短期记忆网络，门控循环单元模型等来获取时间特征，通过卷积神经网络模型表征具有欧几里得交通流量数据的空间特征或者采用仅通过距离构建邻接矩阵的图卷积网络获取空间特征。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

虽然上述方法都可以实现对交通流的预测，但仅仅考虑时间相关性或者利用卷积神经网络捕捉空间相关性可能会出现如下问题，影响交通流预测的准确性和可靠性：1)只考虑交通状况的时间动态变化，忽略了空间依赖性，因此交通状况的变化不受道路网的限制，不能准确地预测交通流数据的状态；2)卷积神经网络常用于欧几里德数据，模型不能应用在具有复杂拓扑结构的城市道路网络，因此在本质上它们不能描述空间依赖；3)在获取不同时刻交通流信息的重要性时只考虑时间点的前后接近程度而忽略了全局交通流的上下文信息。综上所述，现有交通流预测方法忽略空间依赖性以及卷积神经网络不能有效捕捉交通状况的空间相关性。

发明内容

本申请实施例通过提供一种基于MGCN-GRU模型的交通流预测方法及装置，解决了现有交通流预测方法忽略空间依赖性以及卷积神经网络不能有效捕捉交通状况的空间相关性的问题，实现了捕捉时间相关性和空间相关性建模时空依赖性的同时合并全局上下文信息，从而提高交通流预测的准确性。

本申请实施例提供了一种基于MGCN-GRU模型的交通流预测方法，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。

进一步的，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。

进一步的，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。