一种基于时空图卷积神经网络的交通拥塞传播预测方法技术

本发明专利技术提供一种基于时空图卷积神经网络的交通拥塞传播预测方法，涉及交通大数据挖掘与分析技术领域。本发明专利技术通过获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据，采用数据驱动的方式，引入时空图卷积神经网络，提升目标路段交通速度预测精度。将速度预测模块引入拥塞传播模型框架中，提升交通拥塞预测精度，准确表征交通拥塞传播过程，解决了现有的交通拥塞传播预测方案在空间特征提取不佳所导致的预测精度低、算法运算耗时等问题，预测拥塞发生路段在未来时间段里对其临近交通道路的传播情况。近交通道路的传播情况。近交通道路的传播情况。

【技术实现步骤摘要】
一种基于时空图卷积神经网络的交通拥塞传播预测方法


[0001]本专利技术涉及交通大数据挖掘与分析
，尤其涉及一种基于时空图卷积神经网络的交通拥塞传播预测方法。

技术介绍

[0002]在当今社会中，许多大型城市将交通拥塞视为急需解决的问题之一。当交通拥塞发生在交通路网的一个区域中时，这个拥塞区域会影响附近道路的车流状况，甚至会导致附近子道路产生拥塞。因此，有必要创造出一种有效的模型预先预测拥塞的传播，以预测拥塞源的相邻路段何时在不久的将来受到影响。针对以上问题，本专利技术提出一种基于时空图卷积神经网络的交通拥塞传播预测方法，具有重要的研究价值和现实意义。
[0003]交通拥塞传播预测主要采用模型驱动和数据驱动方法。模型驱动的方法基于数学建模来捕获交通拥塞动态。例如，WP.Fei等在冲击波理论的启发下对交通拥塞进行了建模，H.Nguyen等采用构建交通拥塞传播树方式对拥塞传播建模。但是，使用标准数学或统计方法很难对复杂系统(例如交通网络)的动态行为进行准确建模。而数据驱动的方式可以通过研究大量数据而无需依赖任何标准和固定的统计关系来了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空图卷积神经网络的交通拥塞传播预测方法，其特征在于：包括以下步骤:步骤1：获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据；步骤1.1：从网络上下载交通数据集；所述交通数据集包含交通路网上速度传感器的位置信息和传感器检测到的交通速度数据；将交通速度数据划分为训练数据集以及验证数据集；步骤1.2：根据交通数据集中n个传感器在交通路网中的连接关系构建传感器网络的邻接矩阵，邻接矩阵W
ij
＝1的表示如下：若W
ij
＝1，表示第i个传感器和第j个传感器在路网上连接，反之W
ij
＝0；步骤2：选取图卷积神经网络和时间卷积神经网络作为基础模块，构建时空图卷积神经网络交通预测模块；步骤3：采用传感器历史数据与邻接矩阵数据对时空图卷积交通预测模块进行训练；步骤3.1：将时间卷积神经网络，图卷积神经网络以时间卷积-图卷积-时间卷积的结构融合为一个时空特征提取层；步骤3.2：堆叠N个时空特征提取层，获取高阶邻居特征，时空特征提取层之间的信息传递公式如下：F
LAYER(i+1)
＝σ(F
′
LAYER(i)
)其中F
′
LAYER(i)
为第i个时空特征提取层的输出，F
LAYER(i+1)
为第i+1个时空特征提取层的输入；σ为RELU激活函数；步骤3.3：引入全连接层，对数据特征进行分类，使模型训练具有可控性；步骤3.4：训练数据集中交通速度数据用于时空图卷积交通预测模块训练，验证数据集用于测试时空图卷积交通预测模块训练效果；步骤4：设计损失函数，利用验证数据集测试训练集速度预测性能指标；所述损失函数的定义如下：y表示标签值，表示网络预测值，T表示整个测试集样本总和，y
i
表示第i个样本；步骤5：识别交通拥塞路段，并确定目标路段第一相邻路段，第二相邻路段，第三相邻路段；步骤6：识别拥塞源高拥塞传播可能性的传入相邻路段找出拥塞从源道路传播到目标道路的可能性，确定目标道路路段的具有更高的拥塞传播可能性的传入相邻路段；
步骤7：预测未来连续间隔时间点第一、第二、第三流出相邻道路的拥塞情况；步骤8：选取拥塞事件对拥塞传播框架进行测试，完成对交通路网交通拥塞传播的预测。2.根据权...

【专利技术属性】
技术研发人员：郭戈，刘金沅，高振宇，
申请(专利权)人：东北大学秦皇岛分校，
类型：发明
国别省市：