[發明專利]基于多模態時空數據的深度神經網絡魯棒交通預測方法

在審

• 申請號: 202011587058.2
• 申請日: 2020-12-29
• 公開（公告）號: CN112289034A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 干可;陳孟;陳非;羅玉萍;唐顏東;賀小平;賈浩偉;代超;胡騫;雷秉川
• 申請（專利權）人: 四川高路交通信息工程有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/08;G06N3/04
• 代理公司: 成都立新致創知識產權代理事務所(特殊普通合伙) 51277
• 代理人: 周方建

1.一種基于多模態時空數據的深度神經網絡魯棒交通預測方法，其特征在于，包括：

S100：獲取某時刻下交通流狀態的特征數據，根據函數H^(l)構建特征數據集，H^(l)為圖神經網絡第l層的輸出，原始數據集輸入結果即可表示為{x(t_i), i = 1,2, ... , n}；

S200：將S100中某時刻下所對應的時間序列數據作為輸入，利用圖卷積網絡捕獲城市路網拓撲結構，獲得空間特征；

S300：將輸出得到的具有空間特征的時間序列輸入門控遞歸單元模型，通過單元間的信息傳遞獲得動態變化，捕捉時間特征；

S400：以全連接層的方式得到T-GCN輸出預測結果{y(t_i), i = 1,2, ... , n}；得到的輸出數據集經過卡爾曼濾波處理得到最終的輸出預測結果。

2.根據權利要求1所述的基于多模態時空數據的深度神經網絡魯棒交通預測方法，其特征在于，所述圖卷積網絡通過鄰接矩陣和特征矩陣在傅里葉域中構造了一個濾波器，該濾波器應用于圖的各個節點上，通過它的一階鄰域捕獲節點之間的空間特征，然后通過疊加多個卷積層來構建圖卷積網絡模型：

其中，表示矩陣中引入了自聯結即鄰接矩陣，A代表鄰接矩陣，I_N表示單位矩陣；表示度矩陣，即第j個隱藏層和第i個可見層的網絡下的矩陣為，為第j個隱藏層和第i個可見層的網絡下的鄰接矩陣；H^(l)為l層的輸出，θ^(l)包含了該層所涉及的各項參數；σ( )函數表示Sigmoid函數，用于構建非線性的模型。

3.根據權利要求2所述的基于多模態時空數據的深度神經網絡魯棒交通預測方法，其特征在于，所述空間特征的獲取步驟為：

在城市道路中設定某個節點為中心道路，GCN模型可以得到中心道路與其周圍道路之間的拓撲關系，對路網拓撲結構和道路屬性進行編碼，采用兩層GCN模型捕獲空間依賴關系，則空間特征為：

其中，x代表特征矩陣，A代表鄰接矩陣；w₀為第一層GCN空間權重矩陣模型，w₁為第二層GCN空間權重矩陣模型，Relu（）即線性整流函數。

4.根據權利要求3所述的基于多模態時空數據的深度神經網絡魯棒交通預測方法，其特征在于，空間特征的獲取過程中，對于整個T-GCN模型而言，GCN部分的某一時刻的輸出進入GRU模型中作為數據輸入，經過GRU部分的更新門和重置門的數據處理最終產生輸出結果。

5.根據權利要求4所述的基于多模態時空數據的深度神經網絡魯棒交通預測方法，其特征在于，空間特征的獲取過程中，對于一個給定的路段，我們定義其特征矩陣x，即歷史時間序列的長度值，該矩陣由該路段的矩陣節點數n以及該節點屬性特征p所構成，而對于鄰接矩陣A而言，其反映的是道路之間的交通流聯系參數，因為Relu（）函數的歸一化處理，其計算結果范圍在0到1之間，0表示兩條道路之間沒有任何聯系，而1表示兩條道路有聯系，鄰接矩陣A，即為不同道路節點數n所構成。