[發明專利]聚合多尺度時空相似信息的城市交通流預測方法

在審

• 申請號: 202210277813.X
• 申請日: 2022-03-21
• 公開（公告）號: CN114611814A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 雷凱媛;諶愷祺;儲國威;石巖;鄧敏
• 申請（專利權）人: 中南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06K9/62;G06N3/04;G06N3/08;G08G1/01
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 丁耀鵬

1.一種聚合多尺度時空相似信息的城市交通流預測方法，其特征在于，包括：

步驟1，獲取路網數據及其對應的交通流速度數據；

步驟2，根據所述路網數據和所述交通流速度數據構建拓撲鄰接圖、二階相似圖和交通模式相似圖；

步驟3，對所述交通流速度數據對應的時間段進行編碼，得到絕對時間位置編碼；

步驟4，將所述交通流速度數據、所述拓撲鄰接圖、所述二階相似圖、所述交通模式相似圖和所述絕對時間位置編碼輸入聚合多尺度時空相似信息的交通流預測模型，得到預測交通流速度；

步驟5，根據所述預測交通流速度和所述交通流速度數據，迭代訓練所述交通流預測模型中的可學習參數，直到誤差滿足預設條件，得到目標預測模型。

2.根據權利要求1所述的方法，其特征在于,所述步驟2具體包括：

步驟2.1，根據所述路網數據中全部路段的集合和路段間的拓撲連接性，建立所述拓撲鄰接圖并利用所述拓撲鄰接圖的鄰接矩陣表示路段的一階鄰近關系；

步驟2.2，依次遍歷所述路網數據中任意兩個路段間的共享鄰域的相似度，形成所述二階相似圖；

步驟2.3，依次遍歷所述路網數據和所述交通流速度數據中任意兩個路段的交通模式的相似度，形成所述交通模式相似圖。

3.根據權利要求1所述的方法，其特征在于,所述步驟3中編碼的方式為偶數位奇數位其中d為編碼向量的總維度。

4.根據權利要求1所述的方法，其特征在于，所述交通流預測模型包括多圖卷積網絡和門控遞歸單元。

5.根據權利要求4所述的方法，其特征在于,所述步驟4具體包括：

步驟4.1，根據所述交通流速度數據，通過所述多圖卷積網絡耦合所述拓撲鄰接圖、所述二階相似圖和所述交通模式相似圖中的多尺度時空相似信息，學習交通流非線性空間依賴特征；

步驟4.2，將所述多圖卷積網絡的輸出與對應的絕對時間位置編碼融合，得到輸入時間序列；

步驟4.3，將所述輸入時間序列通過門控遞歸單元學習非線性的時間依賴特征，得到輸出序列；

步驟4.4，通過可學習的網絡參數預測未來多個時段的交通流速度，形成所述預測交通流速度。

6.根據權利要求5所述的方法，其特征在于,所述步驟4.1具體包括：

步驟4.1.1，將所述交通流速度數據中的部分輸入數據分別通過所述拓撲鄰接圖、所述二階相似圖和所述交通模式相似圖對應的圖卷積層，得到三個單圖卷積結果；

步驟4.1.2，將全部所述單圖卷積結果融合，得到多圖卷積結果。

7.根據權利要求5所述的方法，其特征在于,步驟4.3具體包括：

步驟4.3.1，將第個t時間段的所述門控遞歸單元輸入為通過可學習的網絡參數計算第個t時間段的門控遞歸單元的輸出結果公式如下：

步驟4.3.2，按照從t-m到t循環迭代步驟4.3.1，得到所述輸出序列

8.根據權利要求5所述的方法，其特征在于,所述步驟5具體包括：

步驟5.1，使用均方誤差作為損失函數，計算所述預測交通流速度和所述交通流速度數據之間的誤差；

步驟5.2，將所述誤差反向傳播至所述交通流預測模型的各可學習參數；

步驟5.3，利用Adam優化器根據所述誤差調整更新各可學習參數；

步驟5.4，迭代步驟5.1)至5.3)，直到所述損失函數的值達到最小，停止迭代，保存各可學習參數，得到所述目標預測模型。