[發明專利]交通流量預測方法及系統

在審

• 申請號: 202110478074.6
• 申請日: 2021-04-29
• 公開（公告）號: CN113205684A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 李文舉;田文超;儲王慧
• 申請（專利權）人: 上海應用技術大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

本發明提供了一種基于時空圖神經網絡模型的交通流量預測方法及系統，包括如：獲取PeMS數據，以構建交通路網拓撲圖；按預設時長跨度劃分時間段，并對劃分的每個時間段分別建立網絡分支；提取所述網絡分支的空間特征和時間特征；聚合提取的所述空間特征和所述時間特征，以獲取能夠預測交通流量的神經網絡模型。本發明利用圖卷積提取空間特征，利用二維卷積提取時間特征，相比傳統方法來說，能夠同時提取空間依賴和時間依賴。

技術領域

本發明涉及交通流量的預測技術領域，尤其涉及一種基于時空圖神經網絡模型的交通流量預測方法及系統。

背景技術

智能交通系統正在大力發展，交通數據預測問題是其中的重要組成部分。車流量是反映公路運行狀態的主要參數之一，如果能夠提前準確地對車流量進行預測，事先對車輛進行疏導，可以提高路網的運行能力和效率，降低人們的出行時間和成本，減少交通事故，保障交通安全。

交通流量預測是典型的時空數據預測問題，不同類別的交通數據內嵌于連續空間，并且隨時間動態變化，因此，有效提取時空相關性對解決這類問題至關重要。早期的時間序列預測模型只能用于數據相對穩定、呈線性變化的預測問題，很難適應實際需求。隨后發展起來的機器學習方法雖然能對更復雜的數據進行建模，但仍然很難同時考慮交通數據的時空相關性。如利用卷積神經網絡(CNN)可以有效提取網格數據的空間特征，但CNN無法捕捉到時間特征，且因為網格的存在，空間特征被稀釋了。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種交通流量預測方法及系統。

根據本發明提供的一種交通流量預測方法，包括如下步驟：

獲取PeMS數據，以構建交通路網拓撲圖；

按預設時長跨度劃分時間段，并對劃分的每個時間段根據所述交通路網拓撲圖分別建立網絡分支；

提取所述網絡分支的空間特征和時間特征；

聚合提取的所述空間特征和所述時間特征，以獲取能夠預測交通流量的神經網絡模型。

進一步，所述的獲取PeMS數據，以構建交通網絡拓撲圖包括如下步驟：

獲取所述PeMS數據；

將所述PeMS數據集中的傳感器作為所述交通路網的拓撲圖的節點；

將所述傳感器收集到的路網車流量、車速、車道占有率作為所述節點的特征向量，以得到所述交通網絡拓撲圖。

進一步，所述預設時長跨度至少包括如下時長跨度：

最近2小時；

最近6小時；

一日；

一周。

進一步，所述最近2小時對應了交通流量的具有隨機特征的短視預測；

所述最近6小時對應交通流量的具有周期性特征的短時預測；

所述一日對應交通流量的中長期預測；

所述一周對應交通流量的長期預測。

進一步，所述的提取網絡分支的空間特征和時間特征包括如下步驟：

在空間維度上，聚合所述網絡分支的節點特征，以形成空間卷積模塊，提取得到所述空間特征；

在時間維度上，利用長短期記憶網絡，以提取得到所述網絡分支的時間特征。

進一步，在提取所述空間特征時，采用多頭注意力機制提高網絡模型的聚合效率；

采用空洞卷積擴大感受視野。