基于图卷积网络的道路的交通流量的预测方法技术

本发明专利技术提供了一种基于图卷积网络的道路的交通流量的预测方法。该方法包括：采集过去一段时间内的车辆GPS数据；将车辆GPS数据与实际路网信息数据进行整合，得到道路交通流量特征矩阵，利用线图转换将实际路网上的道路与道路交点进行转换，生成道路邻接矩阵；基于道路邻接矩阵和道路交通流量特征矩阵，通过利用GCN网络和LSTM网络综合道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值。本发明专利技术通过综合利用GCN提取的道路的交通流量数据的空间特征和LSTM提取的道路的交通流量数据的时间特征，并结合时间周期特征及天气特征，来对道路的交通流量数据进行预测，预测效果比只利用时间特征或者空间特征来进行预测的效果更好。

Road Traffic Flow Prediction Method Based on Graph Convolution Network

【技术实现步骤摘要】
基于图卷积网络的道路的交通流量的预测方法
本专利技术涉及交通运输
，尤其涉及一种基于图卷积网络的道路的交通流量的预测方法。
技术介绍
交通运输是国民经济的命脉，交通科技面临重大战略需求，我们要实现交通信息共享和各种交通方式的有效衔接，提升交通运营管理的技术水平。随着机动车保有量的不断增加，道路系统承受着越来越大的压力，智能交通系统的地位越来越被凸显。智能交通系统使人、汽车(或移动目标)、道路和环境和谐相处，所以智能交通系统被认为是解决道路交通阻塞、减少环境污染和降低交通事故发生等交通问题的有效方法之一。其中交通流预测是智能交通系统实现的基础和关键所在，科学的管理方法必须有数据的支持，只有在历史交通数据上进行高精度的交通流量预测，才能向出行者提供更为有效的道路交通信息，为动态交通规划提供数据支撑，从而达到缓解道路交通拥堵和方便人们出行的目的。传统的交通流量预测研究工作大多是只基于单一地点的交通流量数据序列来进行预测，然而这类方法只能对所选取的特定位置的交通流量进行预测，只利用了所在位置的时间信息，并未利用该选取位置的空间信息，这样预测的结果很容易由于信息缺失造成预测准确性的偏移。本文档来自技高网...

【技术保护点】
1.一种基于图卷积网络的道路的交通流量的预测方法，其特征在于，包括：采集过去一段时间内的车辆GPS数据；将所述车辆GPS数据与实际路网信息数据进行整合，得到道路交通流量特征矩阵，利用线图转换将实际路网上的道路与道路交点进行转换，生成道路邻接矩阵；基于所述道路邻接矩阵和道路交通流量特征矩阵，通过GCN网络提取道路的交通流量数据的空间特征，通过LSTM网络提取道路的交通流量数据的时间特征，综合所述道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值。

【技术特征摘要】
1.一种基于图卷积网络的道路的交通流量的预测方法，其特征在于，包括：采集过去一段时间内的车辆GPS数据；将所述车辆GPS数据与实际路网信息数据进行整合，得到道路交通流量特征矩阵，利用线图转换将实际路网上的道路与道路交点进行转换，生成道路邻接矩阵；基于所述道路邻接矩阵和道路交通流量特征矩阵，通过GCN网络提取道路的交通流量数据的空间特征，通过LSTM网络提取道路的交通流量数据的时间特征，综合所述道路的交通流量数据的空间特征和时间特征得到下一时间段的道路的交通流量数据的预测值。2.根据权利要求1所述的方法，其特征在于，所述的车辆GPS数据包括车辆的ID编号、时间点信息、地理位置信息和定位是否有效信息。3.根据权利要求2所述的方法，其特征在于，所述的将所述车辆GPS数据与实际路网信息数据进行整合，得到道路交通流量特征矩阵，包括：将车辆GPS数据按照时间进行切片，对每个切片内的车辆GPS数据与实际路网信息数据整合，根据车辆经纬度将车辆映射到实际道路上，对每个时间切片内同一道路上的同一车辆ID进行去重，再对每个时间切片内同一道路上的车辆数量进行统计，将该统计结果作为在该时间切片内该道路上的交通流量值，生成由各个道路上的交通流量值构成的道路交通流量特征矩阵，该道路交通流量特征矩阵中的节点上的数据为在不同时间片内各条道路上的交通流量值。4.根据权利要求1或2或3所述的方法，其特征在于，所述的利用线图转换将实际路网上的道路与道路交点进行转换，生成道路邻接矩阵，包括：利用线图转换将路网上的道路与道路交点进行转换，生成道路邻接拓扑图，所述道路邻接拓扑图中的节点为路网中的道路，所述道路邻接拓扑图中的连边则代表着道路之间的连接关系，对所述道路邻接拓扑图中道路进行编号，创建横纵坐标都为道路编号的...

【专利技术属性】
技术研发人员：郭宇春，魏中锐，刘翔，陈一帅，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11