[發明專利]基于多步耦合圖卷積網絡的交通預測方法

有效

• 申請號: 202210368645.5
• 申請日: 2022-04-09
• 公開（公告）號: CN114692984B
• 公開（公告）日: 2023-02-07
• 發明（設計）人: 黃曉輝;葉裕明;凌嘉壕;藍緣春
• 申請（專利權）人: 華東交通大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0464;G06N3/0442;G06F18/231;G06F18/2321;G08G1/01
• 代理公司: 南昌大牛知識產權代理事務所(普通合伙) 36135
• 代理人: 鄭劍文

本發明涉及城市交通流量預測與管理技術，具體是一種基于多步耦合圖卷積網絡的交通預測方法。本發明包含以下步驟：(1)通過定位設備收集每次出行的起始、終止位置和時間等信息，構造出每個站點在每個時間段的流入和流出量，作為每個站點的特征表示；(2)通過每個站點的歷史流量或者位置關系構建站點之間的關系圖；(3)通過多步耦合圖卷積學習站點的空間特征表示，捕捉站點不同層次的需求變化；(4)在不同時間段的空間特征表示基礎上，利用門控循環圖神經網絡學習站點的時空特征，實現空間特征與時間特征的融合；(5)利用多步注意力機制從歷史交通流量特征中提取有用的信息，結合編碼?解碼器結構來預測未來時刻的交通流量。

技術領域

本發明涉及城市交通流量預測與管理技術領域，尤其是基于多步耦合圖卷積網絡的交通預測方法。

背景技術

隨著城市交通網絡越來越復雜，建立智能交通系統，發展智能規劃和調度成為解決城市交通問題的必由之路。交通流量預測作為智能交通系統的重要組成部分，不僅可以通過提前感知道路交通的擁堵情況來做出合理的疏導措施，還可以為交通管理人員提供科學決策基礎，從而為旅客的出行提供安全保障。盡管交通流量預測在實現智能交通中起著重要的作用，但交通流量預測往往受諸多因素影響，如復雜的時空流數據流，動態的時間依賴關系，以及交通路網結構中不規則的時空依賴關系，使得交通需求預測任務變得具有挑戰性，其主要挑戰有以下三方面：

1.空間依賴性：一個位置的交通流量往往受交通路網拓撲的影響，十字路口的位置，該位置的前后交通狀況。

2.動態時間依賴性：對于路網中的大部分區域，某一時刻的交通流量通常隨時間動態變化，但往往表現出一定的周期性和趨勢。

3.外部環境因素：在一個交通系統中，不同的環境因素對交通流量的影響程度不同。例如，大雨可能會導致整個城市的交通擁堵，但某條道路的堵塞往往只會影響該道路附近的局部交通流量。

當前解決交通流預測問題的主流方法是利用卷積神經網絡和循環神經網絡來捕捉交通流量中的時間和空間關系。然而利用現有技術建立的交通流量預測模型很難捕捉復雜的動態空間依賴關系，特別是不同的意思對不同層面交通流量的影響。為了解決上述問題，本發明引入了具有時間注意機制的多步耦合圖卷積神經網絡。首先，設計了一種多步耦合映射機制，通過多個圖卷積層動態學習全局和局部交通信息，以捕捉各種因素造成的不同程度的影響。然后，將多步耦合圖卷積產生的圖表示送入循環神經網絡，實現交通網絡信息和時間特征的融合。最后將多步注意力機制與編碼器-解碼器結構相結合，動態預測未來的交通流。

發明內容

本發明的目的是為了克服現有技術較難捕捉交通流量預測模型復雜的動態空間依賴關系，特別是不同的因素對不同層面交通流量的影響的不足，本發明提供了基于多步耦合圖卷積網絡的交通預測方法來同時捕捉交通道路網絡結構中不同層次的空間特征和時間依賴性。

本發明的技術方案是提供一種基于多步耦合圖卷積網絡的交通預測方法，所述方法通過定位設備收集每次出行的起始、終止位置和時間等信息，構造出每個站點在每個時間段的流入和流出量，作為每個站點的特征表示；通過每個站點的歷史流量或者位置關系構建站點之間的關系圖，以鄰接矩陣形式表示；通過多步耦合圖卷積學習來捕捉站點不同層次的需求變化，獲得站點的空間特征表示；利用門控循環圖神經網絡學習站點的時空特征，實現空間特征與時間特征的融合；最后利用多步注意力機制從歷史交通流量特征中提取有用的信息，結合編碼-解碼器結構來預測未來時刻的交通流量。

本發明的技術方案：基于多步耦合圖卷積網絡的交通預測方法，包括步驟如下：