[發明專利]一種基于RGCN的交通流預測方法

有效

• 申請號: 202010461193.6
• 申請日: 2020-05-27
• 公開（公告）號: CN111862592B
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 徐東偉;戴宏偉;魏臣臣;彭鵬;王永東
• 申請（專利權）人: 浙江工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于RGCN的交通流預測方法，包括以下步驟：步驟1)基于時間序列相似性的準則，對每個道路選出與之相似的道路，構建道路交通網絡；步驟2)獲取道路交通流數據，對數據進行預處理，構建道路交通流狀態矩陣數據集；步驟3)將道路交通網絡和道路交通狀態矩陣作為基于高斯分布的圖卷積層的輸入，進而提取道路交通網絡的節點特征；步驟4)將基于高斯分布的圖卷積層采樣后的特征作為回歸預測層輸入，計算當前輸入對應的預測結果；定義模型損失函數，根據損失函數數值利用反向傳播算法不斷優化模型參數；獲取實時交通流數據作為模型輸入，實現實時道路交通流的預測。本發明提高了圖卷積網絡的魯棒性，從而提高了交通流預測的準確性。

技術領域

本發明涉及一種基于RGCN的交通流預測方法，本發明屬于交通預測領域。

背景技術

城市經濟水平的提高以及城市規模的擴大，使得人們的生活水平不斷提高，因而城市中車輛的數目也在急劇增長，而車輛的增多也帶來了許多問題，交通擁堵可以說是首要問題。交通狀態預測在合理分配城市道路資源以及緩解交通擁堵問題上起著至關重要的作用。

目前主流的基于數據驅動的交通流預測方法主要有：差分整合移動平均自回歸模型、支持向量機、卷積神經網絡、長短期記憶神經網絡等等，這些方法有的基于概率統計進行預測、有的基于時間特征進行預測、有的基于淺層神經網絡提取特征進行預測等等，雖然這些方法均取得較好的預測結果，但是沒有對圖結構的交通數據進行學習。圖卷積網絡能夠有效地學習圖結構的數據，但沒能夠消除原始數據中的噪聲，有不穩定性。

發明內容

為了克服現有技術的不足，本發明的目的在于提供一種基于RGCN(魯棒圖卷積網絡)的交通流預測方法。該方法在圖卷積層中使用高斯分布去吸收交通流數據中的噪聲，提高了圖卷積網絡的魯棒性，從而提高了交通流預測的準確性。

本發明解決其技術問題所采用的技術方案是：

一種基于RGCN的交通流預測方法，包括以下步驟：

步驟1)基于時間序列相似性構建道路交通網絡：基于時間序列相似性的準則，對每個道路選出與之相似的道路，構建道路交通網絡；

步驟2)對道路交通流數據進行預處理并構建道路交通流狀態矩陣數據集：獲取道路交通流數據，對數據進行預處理，構建道路交通流狀態矩陣數據集；

步驟3)基于道路交通網絡和道路交通狀態矩陣，使用基于高斯分布的圖卷積層提取節點特征：將道路交通網絡和道路交通狀態矩陣作為基于高斯分布的圖卷積層的輸入，進而提取道路交通網絡的節點特征；

步驟4)基于高斯分布的圖卷積層進行交通流預測：將基于高斯分布的圖卷積層采樣后的特征作為回歸預測層輸入，計算當前輸入對應的預測結果；定義模型損失函數，根據損失函數數值利用反向傳播算法不斷優化模型參數；獲取實時交通流數據作為模型輸入，實現實時道路交通流的預測。

本發明中提出來一種基于RGCN的交通流預測方法，該方法采用高斯分布作為每個卷積層中節點的隱藏表示，可以吸收交通流數據中的隨機噪聲，提高了圖卷積網絡的魯棒性，進而提高了交通流預測的準確性。

本發明的有益效果：本發明通過RGCN模型對交通流數據的學習訓練，形成了道路交通流預測模型。本發明根據時間序列相似性構建道路交通網絡，從而克服了交通網絡地理位置難以獲取，實現了交通網絡的時空特征有效提取；使用基于高斯分布的圖卷積網絡進行交通流預測，吸收了交通流數據的噪聲，進而提高了道路交通流預測的魯棒性和精度。

短時交通流預測作為交通流誘導系統的重要組成部分，本發明在一定程度上可以有效提高交通流誘導系統的性能。此外，該發明也可以作為旅行者出行的有效輔助工具。

附圖說明

圖1基于RGCN的交通流預測的框架圖。

具體實施方式

下面結合附圖對本發明做進一步說明。