[發明專利]基于圖卷積網絡的道路的交通流量的預測方法

有效

• 申請號: 201910370506.4
• 申請日: 2019-05-06
• 公開（公告）號: CN110264709B
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 郭宇春;魏中銳;劉翔;陳一帥
• 申請（專利權）人: 北京交通大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;H04L12/24
• 代理公司: 北京市商泰律師事務所 11255
• 代理人: 黃曉軍

本發明提供了一種基于圖卷積網絡的道路的交通流量的預測方法。該方法包括：采集過去一段時間內的車輛GPS數據；將車輛GPS數據與實際路網信息數據進行整合，得到道路交通流量特征矩陣，利用線圖轉換將實際路網上的道路與道路交點進行轉換，生成道路鄰接矩陣；基于道路鄰接矩陣和道路交通流量特征矩陣，通過利用GCN網絡和LSTM網絡綜合道路的交通流量數據的空間特征和時間特征得到下一時間段的道路的交通流量數據的預測值。本發明通過綜合利用GCN提取的道路的交通流量數據的空間特征和LSTM提取的道路的交通流量數據的時間特征，并結合時間周期特征及天氣特征，來對道路的交通流量數據進行預測，預測效果比只利用時間特征或者空間特征來進行預測的效果更好。

技術領域

本發明涉及交通運輸技術領域，尤其涉及一種基于圖卷積網絡的道路的交通流量的預測方法。

背景技術

交通運輸是國民經濟的命脈，交通科技面臨重大戰略需求，我們要實現交通信息共享和各種交通方式的有效銜接，提升交通運營管理的技術水平。隨著機動車保有量的不斷增加，道路系統承受著越來越大的壓力，智能交通系統的地位越來越被凸顯。智能交通系統使人、汽車(或移動目標)、道路和環境和諧相處，所以智能交通系統被認為是解決道路交通阻塞、減少環境污染和降低交通事故發生等交通問題的有效方法之一。其中交通流預測是智能交通系統實現的基礎和關鍵所在，科學的管理方法必須有數據的支持，只有在歷史交通數據上進行高精度的交通流量預測，才能向出行者提供更為有效的道路交通信息，為動態交通規劃提供數據支撐，從而達到緩解道路交通擁堵和方便人們出行的目的。

傳統的交通流量預測研究工作大多是只基于單一地點的交通流量數據序列來進行預測，然而這類方法只能對所選取的特定位置的交通流量進行預測，只利用了所在位置的時間信息，并未利用該選取位置的空間信息，這樣預測的結果很容易由于信息缺失造成預測準確性的偏移。

針對交通流量預測問題，Kumar等人提出了一種基于季節的SARIMA(Autoregressive Integrated Moving Average Model,自回歸移動平均模型)，該模型相比傳統的ARIMA(Integrated Moving Average Model,移動平均模型)考慮了不同季節對車流量的影響，使用輸入數據預測短期流量，克服了ARIMA模型在交通流量預測中的適用性問題。該算法的主要缺點是ARIMA及其變體模型對數據量及數據平穩性要求較高，并僅基于時間特征進行線性回歸分析，預測誤差大。

Tian等人發現大多數的時間序列預測模型的輸入長度是靜態的，不能準確地確定最佳的時間滯后，因此使用LSTM(Long Short-Term Memory，長短時記憶神經網)絡預測交通流量序列，克服了最佳時間滯后的確定問題。該算法的主要缺點是只利用了預測位置的時間信息，預測誤差較大。

Yu等人使用CNN(Convolutional Neural Network,卷積神經網絡)提取空間特征，建立時空循環卷積網絡進而實現流量預測。該算法的主要缺點是雖然引入CNN提取了空間特征，但CNN是將地圖進行均勻分割，統計各個分割小塊中的車流量，這種數據劃分方法不符合道路交通流量數據的真實特征。

發明內容

本發明的實施例提供了一種基于圖卷積網絡的道路的交通流量的預測方法，以克服現有技術的問題。

為了實現上述目的，本發明采取了如下技術方案。

一種基于圖卷積網絡的道路的交通流量的預測方法，包括：

采集過去一段時間內的車輛GPS數據；

將所述車輛GPS數據與實際路網信息數據進行整合，得到道路交通流量特征矩陣，利用線圖轉換將實際路網上的道路與道路交點進行轉換，生成道路鄰接矩陣；