[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

本發明涉及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，獲取某時刻下交通流狀態的特征數據，根據函數構建特征數據集，將歷史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；然后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；以全連接層的方式得到T?GCN輸出預測結果，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，本發明采用時間圖卷積網絡模型對交通流數據的輸入向量先后進行數據預處理和特征學習，并對輸出結果用卡爾曼濾波進行矯正，從中挖掘交通流數據中的本質性規律，最后通過對該模型進行抽樣以獲取高層次的特征向量來預測交通流的狀態。

技術領域

本發明涉及交通控制領域，具體涉及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。

背景技術

交通流預測旨在一定的時空范圍內對車流量進行估計，是現代智能交通系統研究中的核心問題。一種可靠的、準確的以及持久的交通流預測模型應滿足以下幾個條件：（1）智能的旅客出行信息查詢系統，從而為旅客提供經濟省時的線路規劃；（2）智能的交通管制系統，從而有效地減少道路的擁堵和事故發生的概率；（3）對以上兩個系統的性能能給出科學的評估和未來的優化建議。現有的交通流預測模型可以大致分為時間序列預測、概率圖模型以及非參數策略三類。其中前兩類方法存在以下問題：（1）在缺少了具體的場景和人工評估背景下所構建的模型并不具有具體的場景針對性，而更多的是一般場景下的概括；（2）在于相比于非參數策略，前兩種策略無法捕捉交通時序中的非線性場景。然而就非參數策略而言，以人工神經網絡為代表，目前大多數的人工神經網絡的構建只有一個單隱藏層，原因在于多隱藏層的應用并不一定能夠在相應的場景下成功地構建模型，在這一點上時間序列預測法中的線性構建策略比人工神經網絡表現地更好。因此針對人工神經網絡的缺陷，研究人員主要通過混合神經網絡和控制神經網絡構建中的過擬合場景兩個方面來解決。混合神經網絡整合了不同的統計學方法和計算方法，其中最具代表性的是和時序預測策略的整合，Takagi-Sugeno模糊深度模型整合了模糊邏輯和前饋神經網絡構建短期交通流模型，Stathopoulos等人在此基礎上引入卡爾曼濾波對模型進行優化 ，Srinivasan等人則運用模糊過濾參數對數據進行聚類操作來作為前饋神經網絡的輸入參數，Tan等人利用傳統的滑動平均和自回歸滑動平均模型來作為神經網絡的輸入。盡管混合神經網絡整合了不同的計算策略，但是同時需要高性能和高存儲的計算設備作為支撐，另外硬件條件往往限制了混合神經網絡策略真正的計算能力。對于抑制過擬合策略而言，可以通過加噪的方式提高數據樣本的質量，但這一方法同樣需要大量的計算時間和算法處理，另一種常用的方式則是運用交叉驗證，即把數據集劃分為擬合數據集和驗證數據集，前者用于神經網絡學習而后者用于估計合法性誤差，當錯誤率低于設定的閾值時訓練終止。然而Liu等人證明即便是合理的交叉驗證也未必能夠避免過擬合現象，驗證數據集往往并不具備足夠的數據代表性來提供沒有傾向的數據評估能力。

發明內容

本發明的目的在于克服現有技術的不足，提供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，采用時間圖卷積網絡模型對交通流數據的輸入向量先后進行數據預處理和特征學習，并對輸出結果用卡爾曼濾波進行矯正，從中挖掘交通流數據中的本質性規律，最后通過對該模型進行抽樣以獲取高層次的特征向量來預測交通流的狀態。

本發明的目的是通過以下技術方案來實現的：

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，包括：