【技术实现步骤摘要】
基于重构交通网络的图聚合机制的道路交通流预测方法
[0001]本专利技术涉及一种基于重构路网的图聚合机制的交通流预测方法，本专利技术属于智能交通预测领域。
技术介绍
[0002]随着科技的进步和人民生活水平的提高，城市中车辆的数目不断提高，然而大多数城市中的道路条件的改变难以满足目前日渐饱和的车辆状况。交通拥堵问题是目前的首要问题，不仅大大降低了工作效率也降低了人民的生活质量。有效的交通流量预测方法可以使得管理者更加合理地分配城市道路资源，有效缓解交通拥堵问题，因此及时有效的交通流量预测方法对城市交通至关重要。
[0003]目前较为流行的交通流量预测方法主要包括：支持向量机(SVM)，卷积神经网络(CNN)，长短期记忆神经网络(LSTM)以及最近邻节点算法(KNN)等。由于这些方法难以充分挖掘城市道路交通网络中的时空依赖性，在处理高维数据时往往难以充分拟合数据，因此预测精度往往不够高。然而交通流量具有传递性，上游道路的交通状况会影响下游道路的交通状况。在道路交通网络中存在一些没有直接邻接关系的道路，会对中心节点的交通
【技术保护点】
【技术特征摘要】
1.一种基于重构交通网络的图聚合机制的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)重构道路网络：针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；(2)基于ReGA
‑
LSTM实现交通流量预测：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。2.如权利要求1所述的基于重构交通网络的图聚合机制的道路交通流预测方法，其特征在于，所述步骤(1)的过程如下：1.1：针对各节点的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性；将原始道路交通网络定义为将原始道路交通网络定义为是由节点集合与边集合构成的有向图，其中是路网中道路节点的数量。节点邻接结构由道路邻接矩阵表示；如果路网中i节点和j节点相邻，那么A
ij
＝1；否则，A
ij
＝0；根据皮尔逊相关性系数得到原始路网中节点之间的时间相关性：其中，p
ij
表示i节点和j节点的相关性系数，T表示交通流量的采样时段总数，和分别表示i节点和j节点在l时刻的交通流量值，和表示i节点和j节点在采样期间的平均交通流量；基于道路邻接矩阵A获得有连接关系的节点之间的相关性：其中，表示i节点和j节点之间的相关性系数，若i节点和j节点在原始道路网络的物理拓扑结构中有邻接关系，则若在原始路网中无邻接关系，则1.2：基于各节点有物理拓扑连接关系的邻接节点，按照其时间相关性降序排序和选择，依次获得各节点的有效邻域，基于各车道的有效邻域获得重构的道路交通网络；将原始路网中与中心节点的有物理拓扑邻接关系的节点称为中心节点的邻接节点，即中心节点的一阶邻域节点，并将每个节点的一阶邻域节点按相关性大小降序排列；中心节点i在原始拓扑结构中的高阶邻域描述如下：表示中心节点i的一阶邻域节点集合，其中，p1为中的节点总数，
节点i
11
的一阶邻域节点集合为节点i
12
的一阶邻域节点集合为以此类推，节点的一阶邻域节点集合为其中，s1，s2及分别为分别为和中的节点数，将的一阶邻域节点集合作为中心节点i的二阶邻域节点集合，即点i的二阶邻域节点集合，即为节点i的二阶邻域节点集合，p2为中的节点个数之和，即最终，中心节点i的N阶邻域节点集合其中，分别为中心节点i的(N
‑
1)阶邻域节点，为节点i
(N
‑
1)1
的邻域节点集合，为节点i
(N
‑
1)2
的邻域节点集合，为节点的邻域节点集合，p
(N
‑
1)
为中的节点个数之和，为中心节点i的(N
‑
1)阶邻域节点集合；将中心节点i的2
‑
N阶邻域合称为中心节点i的高阶领域即中心节点i的重构邻域节点的选取过程：
①
设置重构邻域节点数目的阈值为K；
②
选取原始拓扑结构中，中心节点i的所有一阶邻域节点，即p1个节点，若p1<K，则转至
③
选取中的前(K
‑
p1)个邻域节点；否则，将原始拓扑结构中，中心节点i的前K个一阶邻域节点作为中心节点i的重构的邻域节点；
③
...
【专利技术属性】
技术研发人员：徐东伟，周磊，魏臣臣，戴宏伟，林臻谦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
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。