基于图卷积和门控循环单元的交通速度预测方法和系统技术方案

基于图卷积和门控循环单元的交通速度预测方法，包括：(1)数据采集；(2)数据处理；(3)交通速度预测；(4)误差分析；(5)结果展示。同时，包括实施本发明专利技术的基于图卷积和门控循环单元的交通速度预测方法的系统。本发明专利技术采用了图卷积和门控循环单元，融合了交通流量数据，设计和实现了交通速度预测模型和系统。模型采用图卷积来捕获空间特征，采用多个门控循环单元来提取时间特征。同时，采用了注意力机制，在时间层面实现了交通速度和交通流量的数据融合，设计了应用于图卷积操作的复合邻接矩阵，综合分析了静态和动态的空间相关性，在空间层面实现了交通流量和交通速度的数据融合。了交通流量和交通速度的数据融合。了交通流量和交通速度的数据融合。

【技术实现步骤摘要】
基于图卷积和门控循环单元的交通速度预测方法和系统


[0001]本专利技术涉及智能交通的交通速度预测方法和系统，可以预测未来一段时间的交通速度。本专利技术的交通速度预测方法可以用于信号控制、路径规划和交通诱导，适合于城市交通路网和高速交通路网。

技术介绍

[0002]交通速度是智能交通领域最重要的特征参数之一，往往可以直观地反映道路的交通状态和城市路网的交通态势。交通速度预测可以优化交通控制，提高道路的通行效率，是智能交通系统的重要组成部分。交通管理者可以根据交通速度预测的结果对未来的交通进行优化，从而提高整个路网的通行能力。
[0003]解决交通速度预测问题的方法主要有三类。较早的一类的方法，是基于统计学的预测模型，如历史平均法(Historical Average,HA)、向量自回归(Vector Auto
‑
Regressive,VAR)和自回归差分移动平均模型(Auto
‑
Regressive Integrated Moving Average Model,ARIMA)等。这类方法是运用统计学的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图卷积和门控循环单元的交通速度预测方法，包括如下步骤：(1)数据采集；采集原始的历史交通数据，生成5分钟时间间隔的平均数据，形成历史的交通流量和交通速度数据；(2)数据处理；数据处理主要包含异常数据识别、缺失值填补与数据归一化；对于直接采集得到的原始数据，通常包含缺失值、异常数据和噪声数据等，为提高预测精度，需要对缺失值进行填补，对异常数据和噪声数据进行处理；采用Z
‑
Score方法对数据进行归一化处理，使得原始数据的均值为0，方差为1；(3)交通速度预测；包括交通速度预测模型的设计、数据集的生成、预测模型的训练和未来交通速度的预测；交通速度预测模型采用编码器
‑
解码器框架，由多个门控循环单元和图卷积网络组成，其中，门控循环单元对输入的历史交通速度数据进行时间性分析，图卷积网络进行空间性分析；考虑交通流量与交通速度之间的相关性以及交通流量数据的准确性，模型采用了注意力机制，在时间层面实现了交通流量和交通速度的数据融合，设计了应用于图卷积操作的复合邻接矩阵，综合分析了静态和动态的空间相关性，在空间层面实现了交通流量和交通速度的数据融合；完成预测模型的设计后，拆分基于步骤(2)所得的交通数据，生成训练数据集、验证数据集和测试数据集，训练交通速度预测模型；完成预测模型的训练后，根据实时采集的交通数据，预测未来时间段的交通速度；模型包括多个门控循环单元，每个门控循环单元的计算为：h
t
＝GRU(x
t
,h
t
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，门控循环单元的输入内容为(x
t
,h
t
‑1)，x
t
表示当前时刻所有路段的交通速度数据，h
t
‑1表示上一时刻门控循环单元输出的隐状态，h
t
是门控循环单元的新状态；模型的编码器层采用了注意力机制，用于计算不同历史时刻交通流量数据的影响程度，注意力机制的内部状态变化为：其中，注意力机制的输入为t时刻的第i路段的交通流量数据，输出为各个历史时刻的权重，是各个历史时刻交通流量数据的影响因子；模型利用交通流量生成的影响因子与门控循环单元得到的隐状态相结合，可得到上下文向量作为编码器层的输出，具体为：模型采用图卷积网络来提取交通数据的空间关系，通过切比雪夫多项式来实现图卷积过程，图卷积的切比雪夫多项式表达形式为：其中，图卷积的输入x为编码器的输出h
e,t
，θ
k
为切比雪夫多项式系数，T
k
为切比雪夫多
项式，其递归定义为T
k
(x)＝2xT
k
‑1(x)
‑
T
k
‑2(x)，且T0＝1,T1＝x；表示缩放至[
‑
1,1]范围内的特征向量矩阵，λ
max
为拉普拉斯矩阵L的最大特征值；L表示图的拉普拉斯矩阵...

【专利技术属性】
技术研发人员：徐卫，朱方寅，刘端阳，许鑫博，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：