一种多层时空交通知识图谱重建的交通预测方法及系统技术方案

本发明专利技术涉及一种多层时空交通知识图谱重建的交通预测方法及系统，包括：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于实时路况数据、交通道路网数据和ST

【技术实现步骤摘要】
一种多层时空交通知识图谱重建的交通预测方法及系统


[0001]本专利技术属于交通流预测
，尤其涉及一种多层时空交通知识图谱重建的交通预测方法及系统。

技术介绍

[0002]近年来，在物联网时代的大背景下，城市交通逐渐向智能化、网联化、绿色化等方向发展，提高交通通行效率是城市交通发展的重要方向。交通预测是助力交通控制、路径优化、车辆调度等各种应用的必要条件。交通预测不仅可以为交通管理人员提供科学依据，以便提前感知交通拥堵和限制车辆，而且还为城市旅行者提供安全性，以选择适当的旅行路线，提高旅行效率。
[0003]传统的交通预测方法通常是通过历史交通特性，以预测未来时刻的流量。虽然可以对非线性关系进行建模，但在捕捉时间特征时，其模型架构浅易、参数有限且计算效率较低致使其仅限于交通状况简单或交通数据规模较小的场景。但是，很难实现准确的流量预测，因为未来的交通态不仅取决于历史状态，而且也可能受到各种静态和动态外部因素的影响。近年来，前馈神经网络、深度信念网络、递归神经网络等深度学习模型被广泛用于各种复杂关系的预测任务中，RNN作为一种特殊设计的神经网络，能够学习交通数据的长期时间相关性。然而现有模型只考虑了交通大数据的时间特性，对路网结构中存在的空间特性考虑不足，且几乎都以顺序方式分别捕获空间和时间依赖性，而空间和时间依赖关系紧密交织在一起交通数据。例如，关键道路中的交通事故导致对相关道路的严重拥堵，但在不同的时间，由于交通拥堵的逐步形成和分散。分别建模的限制是忽略空间特征和时间特征之间的潜在相互作用，这可能会损害预测性能。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供了一种多层时空交通知识图谱重建的交通预测方法及系统。
[0005]本专利技术的一种多层时空交通知识图谱重建的交通预测方法的技术方案如下：
[0006]基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST
‑
GCN模型计算得到交通流量预测值；
[0007]根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；
[0008]利用Mean
‑
Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；
[0009]基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
[0010]本专利技术的一种多层时空交通知识图谱重建的交通预测方法的有益效果如下：
[0011]本专利技术的方法通过融合待预测区域的交通道路网数据和实时路况数据，构建一个多层交通知识图谱并将其分为路网层、流量层和功能层，该交通知识图谱通过感知其他节点的信息作为补充，实现对未来短时间交通流量更准确的预测。
[0012]在上述方案的基础上，本专利技术的一种多层时空交通知识图谱重建的交通预测方法还可以做如下改进。
[0013]进一步，在所述基于待预测区域的交通道路网数据构建交通知识图谱路网层之前，还包括：
[0014]基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST
‑
GCN模型进行训练，得到所述训练后的ST
‑
GCN模型。
[0015]进一步，在所述基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST
‑
GCN模型进行训练，得到所述训练后的ST
‑
GCN模型之前，还包括：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
[0016]进一步，所述基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST
‑
GCN模型计算得到交通流量预测值，具体包括：
[0017]根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST
‑
GCN模型，计算得到所述交通流量预测值。
[0018]进一步，所述交通知识图谱路网层包括：多个无向的路段实体；所述根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层，具体包括：基于所述交通流量预测值对所述交通知识图谱路网层中的所述多个无向的路段实体之间的关系进行重建，得到所述交通知识图谱流量层。
[0019]本专利技术的一种多层时空交通知识图谱重建的交通预测系统的技术方案如下：
[0020]包括：创建模块、第一处理模块、第二处理模块、运行模块；
[0021]所述创建模块用于：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST
‑
GCN模型计算得到交通流量预测值；
[0022]所述第一处理模块用于：根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；
[0023]所述第二处理模块用于：利用Mean
‑
Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；
[0024]所述运行模块用于：基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。
[0025]本专利技术的一种多层时空交通知识图谱重建的交通预测系统的有益效果如下：
[0026]本专利技术的系统通过融合待预测区域的交通道路网数据和实时路况数据，构建一个多层交通知识图谱并将其分为路网层、流量层和功能层，该交通知识图谱通过感知其他节点的信息作为补充，实现对未来短时间交通流量更准确的预测。
[0027]在上述方案的基础上，本专利技术的一种多层时空交通知识图谱重建的交通预测系统
还可以做如下改进。
[0028]进一步，在所述创建模块之前，还包括：训练模块；
[0029]所述训练模块用于：基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST
‑
GCN模型进行训练，得到所述训练后的ST
‑
GCN模型。
[0030]进一步，在所述训练模块之前，还包括：预处理模块；
[0031]所述预处理模块用于：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。
[0032]进一步，所述创建模块具体用于：
[0033]根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST
‑
GCN模型，计算得到所述交通流量预测值。
[0034]进一步，所述交通知识图谱路网层包括：多个无向的路段实体；所述第一处理模块具体用于：基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多层时空交通知识图谱重建的交通预测方法，其特征在于，包括：基于待预测区域的交通道路网数据构建交通知识图谱路网层，并基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST
‑
GCN模型计算得到交通流量预测值；根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层；利用Mean
‑
Shift算法对所述交通知识图谱流量层的流量数据进行聚类，得到聚类数据，并根据所述聚类数据对所述交通知识图谱流量层进行重建，得到交通知识图谱功能层；基于所述交通知识图谱功能层对所述待预测区域进行功能划分，基于功能划分后的结果对所述待预测区域的交通进行预测。2.根据权利要求1所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，在所述基于待预测区域的交通道路网数据构建交通知识图谱路网层之前，还包括：基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST
‑
GCN模型进行训练，得到所述训练后的ST
‑
GCN模型。3.根据权利要求2所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，在所述基于所述待预测区域的历史路况数据和所述交通道路网数据对预设的ST
‑
GCN模型进行训练，得到所述训练后的ST
‑
GCN模型之前，还包括：对所述交通道路网数据、历史路况数据和当前路况数据进行预处理。4.根据权利要求1所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，所述基于所述待预测区域的实时路况数据、所述交通道路网数据和训练后的ST
‑
GCN模型计算得到交通流量预测值，具体包括：根据所述交通道路网数据构建邻接矩阵，并根据实时路况数据构建实时属性矩阵，将所述邻接矩阵和所述实时属性矩阵输入所述训练后的ST
‑
GCN模型，计算得到所述交通流量预测值。5.根据权利要求4所述的一种多层时空交通知识图谱重建的交通预测方法，其特征在于，所述交通知识图谱路网层包括：多个无向的路段实体；所述根据所述交通流量预测值对所述交通知识图谱路网层进行重建，得到交通知识图谱流量层，具体包括：基于所述交通流量预测值对所述...

【专利技术属性】
技术研发人员：刘玮，华鑫，张彦铎，卢涛，李晓林，陈灯，栗娟，张俊杰，张飞，张鹏，邵俊杰，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：