【技术实现步骤摘要】
基于空域图卷积神经网络的SCATS系统道路交通流预测方法
本专利技术属于智能交通预测领域，涉及一种SCATS系统道路交通流预测方法。
技术介绍
如今生活水平的提高和汽车制造工艺的进步导致汽车的拥有量显著提高，在汽车给我们的生活带来便利的时候也带来了不少问题，其中与生活息息相关的就是城市道路拥堵问题。缓解拥堵问题首先要合理分配城市道路资源，道路交通流状态预测能够在很大程度上帮助城市空间的合理分配。目前广泛运用的预测模型有：历史平均模型、时间序列模型、自回归滑动平均模型、非参数回归模型等。而这些模型在时间和空间上的关联性都不足以充分挖掘时空特征，不能准确预测交通流状态。
技术实现思路
为了克服已有技术无法准确预测交通流状态的不足，本专利技术提供了一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，可以将被预测道路与其邻域道路结合预测未来时刻的交通流状态，预测结果抗随机干扰能力较强。该方法利用被预测道路与其邻域道路的历史交通流状态预测被预测道路的未来交通流状态，即分别实现对流量的预测本...
【技术保护点】
1.一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，其特征在于，所述方法包括以下步骤：/n(1)构建目标节点的邻域：根据车道邻接矩阵得到与被预测车道有连接的车道，通过对每条车道的相关性进行排序，选取被预测车道含有阈值K个节点的邻域；/n(2)基于CNN构建道路交通流状态预测模型：将每条被预测车道及其邻域车道的交通流状态构成时间序列上的高阶邻域交通状态向量，由交通状态向量得到时间序列上的高阶邻域交通状态矩阵，并将其作为CNN模型的输入，实现交通流状态预测。/n
【技术特征摘要】
1.一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，其特征在于，所述方法包括以下步骤：
(1)构建目标节点的邻域：根据车道邻接矩阵得到与被预测车道有连接的车道，通过对每条车道的相关性进行排序，选取被预测车道含有阈值K个节点的邻域；
(2)基于CNN构建道路交通流状态预测模型：将每条被预测车道及其邻域车道的交通流状态构成时间序列上的高阶邻域交通状态向量，由交通状态向量得到时间序列上的高阶邻域交通状态矩阵，并将其作为CNN模型的输入，实现交通流状态预测。
2.如权利要求1所述的一种基于空域图卷积神经网络的SCATS系统道路交通流预测方法，其特征在于，所述步骤(1)的过程如下：
步骤1.1：构建交通道路网络
将网络记作G＝(V,E)，其中V是节点集合，E是边的集合，G为无向图，边图L(G)＝(VL,EL)是表示G的边邻接结构的图，L(G)中的节点VL是G中有序的边，即VL＝{(i'→j')；(i',j')∈E}∪{(j'→i')；(i',j')∈E}，故|VL|＝2|E|，将车道定义为节点，车道间的连接关系定义为边，构建了一个无向的道路交通网络边图L(G)＝(VL,EL)，道路交通网络边图L(G)＝(VL,EL)的邻接矩阵定义为找出相互有连接关系的车道并构造交通道路网络，设第i条车道和第j条车道有直接物理连接，则邻接矩阵中Aij为1，否则为0，表达式为：
步骤1.2：计算与中心节点车道有连接的车道的相关性
根据步骤1.1找到的有直接连接的节点，利用皮尔逊相关系数公式计算出相互连接的车道的相关性：
其中，pij表示第i条车道与第j条车道的相关系数，T为交通流状态的采样时段数，xil和xjl分别为第i条车道和第j条车道在第l时刻的交通流状态数据(0<l≤T,l∈N*)，和为采样时段内这两条车道交通流状态数据的平均值；
步骤1.3：根据节点相关性构建节点的高阶邻域
第i个节点的一阶邻域节点为第节点，第i11个节点的一阶邻域为第节点，第i21个节点的一阶邻域为第节点，以此类推，第i(N-1)1个节点的一阶邻域为且均已按相关性从大到小排列，其中，下标的第一位N表示第...
【专利技术属性】
技术研发人员：徐东伟，周磊，林臻谦，魏臣臣，戴宏伟，彭鹏，朱钟华，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
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。