【技术实现步骤摘要】
一种交通流量预测系统、方法及模型训练方法
本专利技术涉及数据处理领域，具体涉及一种交通流量预测系统、方法及模型训练方法。
技术介绍
在现代城市发展过程中的一大问题就是交通拥堵，想要彻底解决城市发展中的这一顽疾，实时、高效的短时交通流预测是实现智能交通系统中先进的交通控制和诱导的关键技术，它能够实现城市路网运载能力被最大限度地合理利用，在过去的几十年间，国内外学者对短时交通流预测的研究不断向前发展，衍生出许多预测方法。现有的交通预测方法主要分为两大类：一类是基于时间依赖性关系；另一类是基于时间和空间依赖关系。对于考虑时间依赖性关系模型中，主要包括ARIMA、卡尔曼滤波模型、支持向量机、k近邻模型、贝叶斯模型以及局部神经网络模型。然而这类模型仅仅考虑到交通状况动态变化，忽略交通状况的空间依赖性关系。因此交通状况变化受道路网络的限制，无法准确预测交通数据。为了更好的利用空间特征，一些研究引入卷积神经网络来进行空间建模。但是卷积神经网络常用于欧几里得数据，如图像数据、规格网络等。这些模型在具有复杂拓扑结构的城市道路网络数据中无法使用...
【技术保护点】
1.一种交通流量预测系统，其特征在于，包括：第一时空卷积网络、第二时空卷积网络、输出层；/n所述第一时空卷积网络用于根据图结构数据生成第一时空特征向量；/n所述第二时空卷积网络用于根据所述图结构数据和所述第一时空特征向量生成第二时空特征向量；/n所述输出层用于根据所述第二时空特征向量生成预测值。/n
【技术特征摘要】
1.一种交通流量预测系统，其特征在于，包括：第一时空卷积网络、第二时空卷积网络、输出层；
所述第一时空卷积网络用于根据图结构数据生成第一时空特征向量；
所述第二时空卷积网络用于根据所述图结构数据和所述第一时空特征向量生成第二时空特征向量；
所述输出层用于根据所述第二时空特征向量生成预测值。
2.根据权利要求1所述的交通流量预测系统，其特征在于，所述第一时空卷积网络包括：第一门控卷积层、第一图卷积层、第二门控卷积层；
所述图结构数据包括多个表征交通网络中监测点的顶点、表征各所述监测点间的连通性的边，以及邻接矩阵，每个所述顶点包括预设时间段内的时间序列；
所述第一门控卷积层用于根据所述顶点生成第一时间特征向量；
所述第一图卷积层用于根据所述第一时间特征向量和所述邻接矩阵生成第一空间特征向量；
所述第二门控卷积层用于根据所述第一空间特征向量生成所述第一时空特征向量。
3.根据权利要求2所述的交通流量预测系统，其特征在于，所述第二时空卷积网络包括：第三门控卷积层、第二图卷积层、第四门控卷积层；
所述第三门控卷积层用于根据所述第一时空特征向量生成第二时间特征向量；
所述第二图卷积层用于根据所述第二时间特征向量和所述邻接矩阵生成第二空间特征向量；
所述第四门控卷积层用于根据所述第二空间特征向量生成所述第二时空特征向量。
4.根据权利要求2所述的交通流量预测系统，其特征在于，
所述第一门控卷积层包括一维卷积核和门控线性单元；
所述门控线性单元连接于所述一维卷积核之后，作为所述第一门控卷积层的激活函数。
5.根据权利要求4所述的交通流量预测系统，其特征在于，所述第一门控卷积层通过如下公式生成所述第一时间特征向量：
其中，P，Q分别表示所述门控线性单元的输入门，表示哈达玛积，σ(Q)表示S型函数，Γ表示卷积核，Y表示所述顶点的时间卷积的输入，M表示所述时间卷积的输入的序列长度，Kt表示预设窗口长度，C0表示图信号的通道数，Γ*τY表示泛化至3D变量上的时间卷积。
6.根据权利要求2所述的交通流量预测系统，其特征在于，所述第一图卷积层通过如下公式生成所述第一空间特征向量：
其中，Θ表示卷积核，K表示卷积核的大小，x表示图信号，表示κ阶切比雪夫多项式对缩放后的拉普拉斯矩阵，其中，L表示拉普拉斯矩阵，In表示单位矩阵，λmax表示拉普拉斯矩阵的最大特征值。
7.根据权利要求6所述的交通流量预测系统，其特征在于，所述第二门控卷积层通过如下公式生成所述第一时空特征向量：
其中，分别表示所述第二门控卷积层和所述第一门控卷积层，ReLU(·)表示所述第一图卷积层的激活函数。
8.根据权利要求1所述的交通流量预测系统，其特征在于，所述输出层包括时间卷积层和全连接层；
所述时间卷积层用于将所述第...
【专利技术属性】
技术研发人员：张立文，程东坡，陈忠然，张艺，於今，王东，朱峻涛，
申请(专利权)人：北京顺智信科技有限公司，
类型：发明
国别省市：北京;11
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。