[發明專利]一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法

有效

• 申請號: 202011285404.1
• 申請日: 2020-11-17
• 公開（公告）號: CN112419718B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 郭戈;劉金沅;高振宇
• 申請（專利權）人: 東北大學秦皇島分校
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李梁

1.一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法，其特征在于：包括以下步驟:

步驟1：獲取交通數據源數據，制作交通速度數據集和傳感器網絡鄰接矩陣數據；

步驟1.1：從網絡上下載交通數據集；所述交通數據集包含交通路網上速度傳感器的位置信息和傳感器檢測到的交通速度數據；將交通速度數據劃分為訓練數據集以及驗證數據集；

步驟1.2：根據交通數據集中n個傳感器在交通路網中的連接關系構建傳感器網絡的鄰接矩陣，鄰接矩陣W_ij＝1的表示如下：

若W_ij＝1，表示第i個傳感器和第j個傳感器在路網上連接，反之W_ij＝0；

步驟2：選取圖卷積神經網絡和時間卷積神經網絡作為基礎模塊，構建時空圖卷積神經網絡交通預測模塊；

步驟3：采用傳感器歷史數據與鄰接矩陣數據對時空圖卷積交通預測模塊進行訓練；

步驟3.1：將時間卷積神經網絡，圖卷積神經網絡以時間卷積-圖卷積-時間卷積的結構融合為一個時空特征提取層；

步驟3.2：堆疊N個時空特征提取層，獲取高階鄰居特征，時空特征提取層之間的信息傳遞公式如下：

F_LAYER(i+1)＝σ(F′_LAYER(i))

其中F′_LAYER(i)為第i個時空特征提取層的輸出，F_LAYER(i+1)為第i+1個時空特征提取層的輸入；σ為RELU激活函數；

步驟3.3：引入全連接層，對數據特征進行分類，使模型訓練具有可控性；

步驟3.4：訓練數據集中交通速度數據用于時空圖卷積交通預測模塊訓練，驗證數據集用于測試時空圖卷積交通預測模塊訓練效果；

步驟4：設計損失函數，利用驗證數據集測試訓練集速度預測性能指標；

所述損失函數的定義如下：

y_i表示第i個樣本的標簽值，表示第i個樣本的網絡預測值，T表示整個測試集樣本總和；

步驟5：識別交通擁塞路段，并確定目標路段的第一流出相鄰路段，第二流出相鄰路段，第三流出相鄰路段；

所述步驟5具體包括以下步驟：

步驟5.1：根據傳感器實時反饋的道路車輛速度信息，檢測已經產生擁塞的路段；

所述擁塞的標準選用百分之六十最大流通速度標準；其中，最大流通速度為道路傳感器檢測到的最大車流速度值，當傳感器檢測的車輛速度小于擁塞標準時，則判定道路產生擁塞；

步驟5.2：根據傳感器網絡鄰接矩陣數據反映出的道路路網相關性，確定擁塞路段的第一流出相鄰路段；交通擁塞在路網中傳播的方向與車流行進方向相反，交通擁塞流出相鄰路段是車流流入相鄰路段；

所述第一流出相鄰路段是目標路段連接的車流流入相鄰路段，根據第一流出相鄰路段查找第二流出相鄰路段，然后確定擁塞道路的第三流出相鄰路段；

步驟6：識別擁塞源高擁塞傳播可能性的傳入相鄰路段，找出擁塞從源道路傳播到目標道路的可能性，確定目標道路路段的具有更高的擁塞傳播可能性的傳入相鄰路段；

所述步驟6具體包括以下步驟：

步驟6.1：設置在任何目標道路上出現速度下降的現象為事件1(ev₁)，在目標道路擁塞的開始時間范圍內，其任何流入相鄰路段處出現速度下降為事件2(ev₂)；

步驟6.2：針對擁塞源道路的每個相鄰路段，檢查事件ev₁和ev₂發生的次數，判定當擁塞源道路產生的擁塞傳播到相應鄰居的次數的比例ev₁/ev₂0.5時，將該道路記錄為擁塞高概率路段；

步驟7：預測未來連續間隔時間點第一、第二、第三流出相鄰道路的擁塞情況；

所述步驟7具體包括以下步驟：

步驟7.1：交通數據集中傳感器的采樣時間為t分鐘，未來連續時間間隔采用5分鐘，預測在擁塞發生時刻戳n后的5分鐘的時刻戳n+1，第一流出相鄰路段的交通擁塞情況，擁塞傳播過程中目標路段擁塞標準如下：

所述傳感器的所在位置選用下式為標準：

(n-1)時刻預測速度-n時刻預測速度＝0.1×(n-1)時刻預測速度；

其中，n為擁塞發生時刻，n-1為擁塞發生前5分鐘時刻；

步驟7.2：滿足目標路段擁塞標準視為目標路段擁塞即n時刻擁塞的路段已經將擁塞的車流傳遞給第一流出相鄰路段，預測第一、第二、第三流出相鄰路段的擁塞情況與擁塞時間；

步驟8：選取擁塞事件對擁塞傳播框架進行測試，完成對交通路網交通擁塞傳播的預測。

2.根據權利要求1所述的一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法，其特征在于，步驟2中：所述圖卷積神經網絡獲取交通速度數據的空間特征；所述時間卷積神經網絡獲取交通速度數據的時間特征，時間卷積神經網絡卷積核的尺寸是超參數。