[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

本發明提供一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法，涉及交通大數據挖掘與分析技術領域。本發明通過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，采用數據驅動的方式，引入時空圖卷積神經網絡，提升目標路段交通速度預測精度。將速度預測模塊引入擁塞傳播模型框架中，提升交通擁塞預測精度，準確表征交通擁塞傳播過程，解決了現有的交通擁塞傳播預測方案在空間特征提取不佳所導致的預測精度低、算法運算耗時等問題，預測擁塞發生路段在未來時間段里對其臨近交通道路的傳播情況。

技術領域

本發明涉及交通大數據挖掘與分析技術領域，尤其涉及一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法。

背景技術

在當今社會中，許多大型城市將交通擁塞視為急需解決的問題之一。當交通擁塞發生在交通路網的一個區域中時，這個擁塞區域會影響附近道路的車流狀況，甚至會導致附近子道路產生擁塞。因此，有必要創造出一種有效的模型預先預測擁塞的傳播，以預測擁塞源的相鄰路段何時在不久的將來受到影響。針對以上問題，本發明提出一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法，具有重要的研究價值和現實意義。

交通擁塞傳播預測主要采用模型驅動和數據驅動方法。模型驅動的方法基于數學建模來捕獲交通擁塞動態。例如，WP.Fei等在沖擊波理論的啟發下對交通擁塞進行了建模，H.Nguyen等采用構建交通擁塞傳播樹方式對擁塞傳播建模。但是，使用標準數學或統計方法很難對復雜系統(例如交通網絡)的動態行為進行準確建模。而數據驅動的方式可以通過研究大量數據而無需依賴任何標準和固定的統計關系來了解幾個影響因素之間的復雜功能關系。S.Basak等提出使用長短期記憶網絡來預測交通擁塞傳播情況，然而這種方法沒能考慮交通速度的空間特征，并且長短期記憶網絡迭代訓練機制十分的耗時。

CK.Liu等采用車流密度聚類算法識別擁塞區域，并發現擁塞區域之間的影響。Z.Liu等采用網格結構識別擁塞區域，根據網格中車輛密集地區判斷擁塞。以上方法未能捕捉交通路網道路之間的空間關聯性，未能準確預測路網中交通擁塞情況。XL.Ma等構建深度卷積神經網絡預測短期交通流速度，但難以準確捕捉時域中交通信息。YP.Liu等提出了卷積長短期記憶網絡用于同時捕獲交通速度的時空特征預測道路交通速度，但是這種模型只能提取網格型的交通數據。但是傳感器網絡依托于路網并非標準網格結構，因此這種預測模型性能不佳。在實際的交通預測場景中，由于數據量巨大，交通路網十分復雜，交通速度在時間空間上的動態變化規律難以捕捉，導致現有的擁塞傳播模型預測性能不佳。

發明內容

針對現有技術的不足，本發明提供一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法，采用數據驅動的方式，引入時空圖卷積神經網絡，提升目標路段交通速度預測精度。將速度預測模塊引入擁塞傳播模型框架中，提升交通擁塞預測精度，準確表征交通擁塞傳播過程。為解決上述技術問題，本發明所采取的技術方案是：

一種基于時空圖卷積神經網絡的交通擁塞傳播預測方法，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；

所述圖卷積神經網絡獲取交通速度數據的空間特征；