【技术实现步骤摘要】
一种基于RGCN的交通流预测方法
本专利技术涉及一种基于RGCN的交通流预测方法，本专利技术属于交通预测领域。
技术介绍
城市经济水平的提高以及城市规模的扩大，使得人们的生活水平不断提高，因而城市中车辆的数目也在急剧增长，而车辆的增多也带来了许多问题，交通拥堵可以说是首要问题。交通状态预测在合理分配城市道路资源以及缓解交通拥堵问题上起着至关重要的作用。目前主流的基于数据驱动的交通流预测方法主要有：差分整合移动平均自回归模型、支持向量机、卷积神经网络、长短期记忆神经网络等等，这些方法有的基于概率统计进行预测、有的基于时间特征进行预测、有的基于浅层神经网络提取特征进行预测等等，虽然这些方法均取得较好的预测结果，但是没有对图结构的交通数据进行学习。图卷积网络能够有效地学习图结构的数据，但没能够消除原始数据中的噪声，有不稳定性。
技术实现思路
为了克服现有技术的不足，本专利技术的目的在于提供一种基于RGCN(鲁棒图卷积网络)的交通流预测方法。该方法在图卷积层中使用高斯分布去吸收交通流数据中的噪声，提高了图...
【技术保护点】
1.一种基于RGCN的交通流预测方法，其特征在于，所述方法包括以下步骤：/n步骤1)基于时间序列相似性构建道路交通网络：基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；/n步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；/n步骤3)基于道路交通网络和道路交通状态矩阵，使用基于高斯分布的图卷积层提取节点特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；/n步骤4)基于高斯分布的图卷积层进行交通流预测：将基于高斯分...
【技术特征摘要】
1.一种基于RGCN的交通流预测方法，其特征在于，所述方法包括以下步骤：
步骤1)基于时间序列相似性构建道路交通网络：基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；
步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；
步骤3)基于道路交通网络和道路交通状态矩阵，使用基于高斯分布的图卷积层提取节点特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；
步骤4)基于高斯分布的图卷积层进行交通流预测：将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。
2.如权利要求1所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤1)基的过程如下：
针对多条道路交通路段，获取其某一天的时间序列数据，基于时间序列相似性构建道路交通网络，例如：给定两条时间序列数据X＝(x1,x2,…,xn)，Y＝(y1,y2,…,yn)，然后构建距离矩阵Mn×n，其中，Mi,j＝|xi-yj|。基于距离矩阵Mn×n构建累积距离矩阵Dn×n，其中，Di,j＝Mi,j+min(Di,j-1,Di-1,j,Di-1,j-1)，Dn,n是最终距离，对于道路i，选出前d条与其最终距离最小的道路S＝{j,k,…}，即道路i与道路S最相似；
基于时间序列相似性构建道路交通网络图G＝(V,E,A)，V表示节点，E表示连边，A表示交通网络的邻接矩阵，其中，Aij＝1表示道路i和道路j相似，否则，Aij＝0。
3.如权利要求1或2所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤2)的过程如下：
2.1：对道路交通流数据进行预处理
对多道路多天的交通流数据进行预处理，使用最大-最小标准化对数据进行归一化，计算表达式如下所示：
其中，xreal为道路的原始流量数据，xmin为道路原始流量数据中的最小值，xmax为道路原始流量数据中的最大值，x为预处理后的道路流量数据；
2.2：构建道路交通流状态矩阵
根据预处理后的道路交通流数据构建道路交通流状态矩阵，道路交通流状态矩阵形式如下：
其中，状态矩阵行向量表示同一时刻不同道路的交通状态，列向量表示同一车道不同时刻的道路交通状态的时间状态，M表示历史交通状态数据的数目，N表示输入矩阵中道路的数目，则xit表示第i条道路上的在t时刻的交通状态。
4.如权利要求1或2所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤3)的过程...
【专利技术属性】
技术研发人员：徐东伟，戴宏伟，魏臣臣，彭鹏，王永东，
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。