【技术实现步骤摘要】
基于图卷积神经网络的城市交通流预测方法及介质
本专利技术涉及信息处理
，特别涉及一种基于图卷积神经网络的城市交通流预测方法和一种计算机可读存储介质。
技术介绍
交通流指的是汽车在道路上连续行驶所形成的车流，随着汽车的逐日增多，城市交通日渐拥堵。因此，对城市交通流进行预测变得尤为重要，例如，通过交通流的预测方便相关部门对城市交通进行具有方向性的管控；或者，通过交通流的预测为汽车驾驶者提供出行建议，以节约汽车驾驶者的出行时间等。然而，在相关技术中，难以有效地获取交通路网独特的物理特性，导致最终预测得到的交通流数据精度较低；并且，对于原始数据的信息量要求过高(例如，传感器节点的邻接信息等)，缺乏普适性。
技术实现思路
本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于图卷积神经网络的城市交通流预测方法，能够对城市交通路网的空间特征进行有效提取，以提高交通流预测的精准度，并且，降低原始数据所需信息量，提高该预测方法的普适性，使其便于推广。本专利技术的第二个目的在于提出一种计算机可读存储介质。为达到上述目的，本专利技术第...
【技术保护点】
1.一种基于图卷积神经网络的城市交通流预测方法，其特征在于，包括以下步骤：获取原始数据，其中，所述原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息；根据每个节点对应的经纬度信息计算节点间的距离矩阵；获取节点间途经路段的限速平均值，并根据所述限速平均值和所述节点间的距离矩阵计算节点间可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将所述交通流速信息和所述节点间可达矩阵输入到所述初始交通流预测模型，以便所述初始交通流预测模型根据所述交通流速信息和所述节点间可达矩阵输出交通流速预测值；将所述交通流速预测值与交通流速真实值进行比对，以计算所述交通流...
【技术特征摘要】
1.一种基于图卷积神经网络的城市交通流预测方法，其特征在于，包括以下步骤：获取原始数据，其中，所述原始数据包括交通路网中多个节点采集到的交通流速信息和每个节点对应的经纬度信息；根据每个节点对应的经纬度信息计算节点间的距离矩阵；获取节点间途经路段的限速平均值，并根据所述限速平均值和所述节点间的距离矩阵计算节点间可达矩阵；构建用于预测交通流速的初始交通流预测模型，并将所述交通流速信息和所述节点间可达矩阵输入到所述初始交通流预测模型，以便所述初始交通流预测模型根据所述交通流速信息和所述节点间可达矩阵输出交通流速预测值；将所述交通流速预测值与交通流速真实值进行比对，以计算所述交通流速预测值与交通流速真实值之间的损失值，并根据所述损失值进行反向误差传播，以对所述初始交通流预测模型进行训练，以及根据训练结果确定最终的交通流预测模型；获取待预测数据，并对所述待预测数据进行预处理，以生成待预测交通流速信息和待预测节点间可达矩阵；将所述待预测交通流速信息和所述待预测节点间可达矩阵输入所述交通流预测模型，以便通过所述交通流预测模型对未来交通流进行预测。2.如权利要求1所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述初始交通流预测模型包括时空卷积块和输出层，所述时空卷积块包括第一时间门控卷积、空间图卷积、第二时间门控卷积，其中，将所述交通流速信息和所述节点间可达矩阵输入到所述初始交通流预测模型，以便所述初始交通流预测模型根据所述交通流速信息和所述节点间可达矩阵输出交通流速预测值，包括：将所述交通流速信息输入到所述第一时间门控卷积，以便所述第一时间门控卷积根据所述交通流速信息提取对应所述交通流速信息的时间特征；将所述时间特征和所述节点间可达矩阵输入到空间图卷积，并将所述空间图卷积的输出作为第二时间门控卷积的输入，以便所述第二时间门控卷积输出交通流速预测数据；将所述交通流速预测数据输入到输出层，以便所述输出层根据所述交通流速预测数据输出交通流速预测值。3.如权利要求2所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述输出层包括门控卷积神经网络、Sigmoid函数激活的卷积神经网络和全连接层。4.如权利要求2所述的基于图卷积神经网络的城市交通流预测方法，其特征在于，所述空间图卷积通...
【专利技术属性】
技术研发人员：范晓亮，闫旭，王程，程明，郑传潘，温程璐，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。