一种基于异步时空膨胀图卷积网络的交通流量预测方法技术

本发明专利技术公开了一种基于异步时空膨胀图卷积网络的交通流量预测方法，属于智能交通系统领域。所述方法使用异步时空图对交通路网中的时空依赖进行建模，模型中考虑了交通数据的时间相关性、空间相关性，使其尽可能反映实际场景。具体的，该方法首先生成异步时空图来建模交通路网中的异步时空关联，然后根据生成的异步时空图，构建异步时空关联矩阵作为图卷积网络的卷积核来同步提取交通数据中的异步时空关联特征，最后使用输出层将提取到的特征进行处理，生成12个时间步的交通流量预测输出。通过公开的数据集(PEMS04)进行验证，该方法预测交通流量的平均绝对误差可达到19.55，对交通流量的精准预测和交通管理具有良好的指导作用。用。用。

【技术实现步骤摘要】
一种基于异步时空膨胀图卷积网络的交通流量预测方法


[0001]本专利技术涉及一种基于异步时空膨胀图卷积网络的交通流量预测方法，属于智能交通系统 领域。

技术介绍

[0002]现代城市正逐渐向智慧城市转变。随着城镇化进程的加快以及城市人口的大幅度增长。 城市的综合治理面临着巨大的压力。交通管理是城市管理中至关重要的一部分，旨在解决城 市中面临的交通拥堵、尾气污染以及交通事故等问题。近年来，随着计算机系统的飞速发展， 智能交通系统(ITS)在城市交通管理以及智慧城市建设中发挥着越来越重要的作用。交通预 测是智能交通系统的基础，精确的交通预测对很多应用来说是必不可少的。比如，在事故易 发路段，交通速度预测可以极大的避免事故的发生；出行需求预测可以方便网约车运营平台 为高出行需求地区分配充足的网约车。
[0003]交通预测的任务是在给定历史交通流量信息和交通路网信息的情况下，预测交通路网的 未来的交通流量信息。近年来，随着与交通相关的可用数据集的不断增长以及深度学习的蓬 勃发展，越来越多的人开始尝试使用深度学习的方法来研究交通预测问题。由于交通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异步时空膨胀图卷积网络的交通流量预测方法，其特征在于，所述方法包括：步骤S1，利用道路传感器收集目标区域的交通路网的交通流量数据并进行预处理；步骤S2，根据步骤S1得到的预处理后的交通流量数据生成时间序列数据；步骤S3，构建传感器节点之间的空间图，并根据空间图建模交通路网的拓扑结构，生成空间图的邻接矩阵，所述邻接矩阵中各元素表示交通路网中各传感器节点之间的空间关系；步骤S4，根据步骤S3生成的邻接矩阵，构建异步时空图来建模交通路网中的异步时空关联；步骤S5，将步骤S2得到的时间序列数据作为输入和标签，使用步骤S4中构建得到的异步时空图来构建异步时空图卷积网络并结合异步时空膨胀因果卷积对目标区域的交通路网的交通流量进行预测。2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：步骤S31，根据传感器的经度和维度确定其位置以及传感器之间的距离；步骤S32，计算传感器之间的距离的门限高斯核A
ij
：其中d
ij
为传感器i和传感器j之间的距离，σ为传感器之间距离的标准差，∈为门限；步骤S33，使用所计算出来的门限高斯核构建交通路网，形成空间图的邻接矩阵A。3.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：步骤S41，将空间图中m个在时间上相邻的节点相连，构成异步时空图；步骤S42，使用异步时空关联矩阵来表示异步时空图：其中，A为步骤S3中构建的空间图的邻接矩阵，I为单位矩阵；步骤S43，构建自适应异步时空关联权重矩阵A
(adp)
，A
(adp)
根据A
(H)
的取值来初始化。4.根据权利要求3所述的方法，其特征在于，所述步骤S5包括：步骤S51，利用S4中构建的异步时空图，在空域上定义异步时空图卷积运算如下：A＝A
(adp)
⊙
A
(H)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(4)h
(l)
＝AX
′
W+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(5)其中X
′
为步骤S2生成的时间序列数据；W和b为异步时空图卷积使用的神经网络的可训练参数；步骤S52，为了扩大卷积操作的感受野，将S51中的图卷积层进行堆...

【专利技术属性】
技术研发人员：李光辉，齐涛，
申请(专利权)人：江南大学，
类型：发明
国别省市：