[發明專利]一種基于語義信息的多模塊交通密集度預測方法

在審

• 申請號: 202110332551.8
• 申請日: 2021-03-29
• 公開（公告）號: CN113112792A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 張浪文;張旭;謝巍;余孝源
• 申請（專利權）人: 華南理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/08;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 楊望仙

1.一種基于語義信息的多模塊交通密集度預測方法，其特征在于，包括：

對采集的交通密集度數據進行預處理，進行相關問題定義，并構建多模塊交通密集度預測模型的輸入；

構建基于語義信息的多模塊交通密集度預測模型，包括近期模塊、周周期模塊和模塊融合組件，其中：近期和周周期模塊分別用于提取交通密集度的近期和周周期的時空和語義特性；模塊融合組件用于將近期和周周期兩個模塊的輸出融合進行交通密集度預測；

訓練與優化多模塊交通密集度預測模型；

基于多模塊交通密集度預測模型進行交通密集度預測。

2.根據權利要求1所述的多模塊交通密集度預測方法，其特征在于，數據預處理包括：

使用閾值分析法找到交通流的異常數據；

使用拉格朗日插值法填充交通量數據的缺失值；

使用最小-最大歸一化方法將交通速度值縮放到范圍[0，1]。

3.根據權利要求1所述的多模塊交通密集度預測方法，其特征在于，交通密集度預測模型輸入用特征矩陣X∈R^N×P表示；其中：N表示路網節點的個數，P表示路網節點屬性特征的數量；根據特征矩陣X構建近期和周周期模塊的輸入X_h和X_w，其中：X_h為目標時段之前以小時為單位的時間序列；X_w為目標時段之前以周為單位的時間序列。

4.根據權利要求1所述的多模塊交通密集度預測方法，其特征在于，多模塊交通密集度預測模型的近期和周周期模塊是兩個獨立的、具有相同結構的模塊。

5.根據權利要求1所述的多模塊交通密集度預測方法，其特征在于，近期和周周期模塊分別包括一個圖卷積網絡組件和一個長短時記憶網絡組件；在圖卷積網絡組件中，根據道路的拓撲結構和語義相關性分別構建圖，并輸入到兩個不同的圖卷積網絡中，接下來將兩個圖卷積網絡輸出結果融合后引入長短時記憶組件來提取時空和語義的關聯特征；最后將近期和周周期兩個模塊的輸出融合進行交通密集度預測。

6.根據權利要求5所述的多模塊交通密集度預測方法，其特征在于，交通數據的空間相關性通過構建路網的拓撲結構表示，語義相關性通過道路間的歷史交通狀況相似性表示；對于每條道路，選取每周的平均交通狀況組成一個時間序列來表示道路的歷史交通狀況；構建拓撲圖和語義圖，分別輸入到不同的圖卷積網絡中進行特征提取。

7.根據權利要求6所述的多模塊交通密集度預測方法，其特征在于，拓撲圖和語義圖的鄰接矩陣分別用T和Y表示：

其中：N表示道路總數；T中元素T_ij表示道路i和道路j之間道路數的倒數；

其中：N表示道路總數；Y中元素Y_ij表示道路i和道路j之間歷史平均交通狀況的相似度，相似度使用動態時間規整算法獲取。

8.根據權利要求7所述的多模塊交通密集度預測方法，其特征在于，動態時間規整算法基于動態規劃的思想衡量兩個長度不一致時間序列的相似度；假定有兩個時間序列Q＝{q₁,q₂,…,q_n}和C＝[c₁,c₂,…,c_m}，長度分別為n和m，則動態時間規整算法計算Q和C的相似度過程如下：

Step1：構建大小為n×m的矩陣D，矩陣元素d_ij＝dist(q_i,c_j)，其中dist表示距離計算函數，通常采用歐氏距離；

Step2：在矩陣D中搜索d₁₁到d_nm的最短路徑，通常使用動態規劃法；

Step3：將矩陣D中從d₁₁到d_nm的最短路徑作為Q和C序列的相似度。