一种优化的基于时空图卷积网络的交通流预测模型制造技术

本发明专利技术涉及一种优化的基于时空图卷积网络的交通流预测模型，交通流预测定义为对特定的路网结构，根据历史记录的几个时间步长的交通流数据来预测未来几个时间步长的交通流数据，模型建立包括：空间相关性建模；通过模型训练得到的自适应邻接矩阵来表示图的结构；时间相关性建模，GRU的门和隐藏状态的计算过程是全连接操作，使用GCN对其进行替换；TPA机制的引入；Loss function，设计和训练模型的目的是最小化道路节点的模型预测值和真实值之间的误差。本发明专利技术提高短时交通流准确预测精度，增强了模型分析图结构的数据的能力，可以保证充分挖掘交通流的时空依赖性，从而提高短时交通流的预测精度和模型的收敛速度。流的预测精度和模型的收敛速度。流的预测精度和模型的收敛速度。

【技术实现步骤摘要】
一种优化的基于时空图卷积网络的交通流预测模型


[0001]本专利技术涉及交通流预测
，具体是指一种优化的基于时空图卷积网络的交通流预测模型。

技术介绍

[0002]短时交通流预测是智能交通系统至关重要的一环，准确的短时交通流预测可以对交通管理部门的决策提供有力的依据，同时也可以让司机选择更通畅的出行路线，从而缓解交通压力。然而由于交通流复杂的时空依赖性难以分析，交通流的预测问题一直是一个难题。
[0003]随着深度学习的发展，研究人员们开始尝试使用深度神经网络来解决交通流的时空依赖性难以分析的问题。长短时记忆网络(LSTM)，门控递归单元(GRU)都属于循环神经网络(RNN)的改进形式，它们都继承了RNN的循环机制，并减少了RNN的过拟合与欠拟合的缺陷。因此它们都可以很好的处理时间依赖性。Ma等人和Fu等人分别提出基于LSTM和GRU的预测方法。这类模型会根据时间步将输入的交通流数据拆分，一步一步地分析交通流的时间依赖性，但忽略了空间依赖性。为了能同时分析时间依赖性和空间依赖性，Liu等人提出了基于卷积LSTM(Conv
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种优化的基于时空图卷积网络的交通流预测模型，其特征在于：交通流预测定义为对特定的路网结构，根据历史记录的几个时间步长的交通流数据来预测未来几个时间步长的交通流数据，模型建立包括：空间相关性建模，使用GCN提取交通流的空间依赖性，GCN将节点的一阶邻居节点的信息的卷积操作来替换CNN中的卷积操作以捕获图的空间特性；通过模型训练得到的自适应邻接矩阵来表示图的结构；时间相关性建模，GRU的门和隐藏状态的计算过程是全连接操作，使用GCN对其进行替换；TPA机制的引入；Loss function，设计和训练模型的目的是最小化道路节点的模型预测值和真实值之间的误差。2.根据权利要求1所述的优化的基于时空图卷积网络的交通流预测模型，其特征在于：所述交通流预测表示为等式(1)其中，表示未来几个时间步长的交通流数据的预测值，表示为等式(2)；G＝(V，E，A)代表路网的图结构；V表示节点的集合，将每个记录交通流数据的传感器看作一个节点，V＝{V1，V2，...，V
n
}，n表示所记录的道路节点的数量；E表示边的集合；A表示路网的邻接矩阵；X是特征矩阵，表示用于预测的历史交通流数据，表示为等式(3)；f表示通过训练得到的函数映射；映射；其中，P表示要预测的时间步的个数，F表示对映射f输入的历史记录的时间步的个数。3.根据权利要求1所述的优化的基于时空图卷积网络的交通流预测模型，其特征在于：所述空间相关性建模表示形式如等式(4)所示其中，A∈R
n
×
n
表示图的邻接矩阵，I
N
表示单位矩阵，D表示A的度矩阵；Θ∈R
n
×
m
，b∈R
m
分别表示需要训练的权重参数和偏置参数，σ表示激活函数。4.根据权利要求1所述的优化的基于时空图卷积网络的交通流预测模型，其特征在于：所述自适应邻接矩阵表示为：
其中，softmax和ReLU表示激活函数，Nv1∈R
n
×
e
和Nv2∈R
e
×
n
表示源节点嵌入和目标节点嵌入，Nv1乘以Nv2可以得到源节点和目标节点之间的权重；ReLU函数用于消除节点之间的弱连接，softmax函数用于将自适应邻接矩阵归一化，应用的图卷积表示为：f(X)＝σ((I
N
+softmax(ReLU(Nv1Nv2)))XΘ+b)
ꢀꢀꢀ
(6)。5.根据权利要求1所述的优化的基于时...

【专利技术属性】
技术研发人员：张红，赵圆梦，陈林龙，曹洁，阚苏南，赵天信，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：