【技术实现步骤摘要】
一种基于超图的时空超图卷积交通流量预测方法及系统
[0001]本专利技术属于智能交通
,涉及交通流量预测技术,尤其涉及一种基于超图的时空超图卷积交通流量预测方法及系统。
技术介绍
[0002]随着城市人口规模不断扩大,私人交通工具的迅速发展,城市交通流量激增,造成了大量资源浪费和严重的交通拥挤。因此,准确预测交通流量,可以帮助人们实现更合理的出行路线选择,规避交通堵塞,城市交通规划方也可以根据预测提前部署站点安保措施,合理进行资源分配等。
[0003]早期的时空数据预测方法主要基于统计学习,大多采用线性回归的思想,主要包括HA、ARMA(Autoregressive Integrated Moving Average model差分整合移动平均自回归模型)、VAR(vector autoregressive model向量自回归模型)等。历史平均法(historial average,HA)是一种较为简单的预测方法,该方法将研究对象的时空数据在同一位置相同时间间隔内的历史观测值取加权平均后作为预测结果。已有的技术方案包括了一种时序预测模型ARIMA,ARIMA先对交通状况数据序列进行平稳性检验,通过计算自回归项和移动平均项参数对单变量交通状况数据流进行建模。早期的交通预测,多采用线性回归的思想,对于一些非线性特征的提取能力较差,且只考虑了交通数据的在时间维度的特征而忽略了空间维度的关系。
[0004]随着机器学习技术的发展,许多工作尝试使用机器学习方法来解决时空数据预测问题。现有工作包括支持向量 ...
【技术保护点】
【技术特征摘要】
1.一种基于超图的时空超图卷积交通流量预测方法,将交通线路图按照流量变化特征构建成跨时空超图,再建立时空超图卷积交通流量预测模型对交通流量进行预测;包括:步骤S1:根据交通流量变化特征,对交通站点进行聚类,得到K个类别的交通站点;步骤S2:将交通流量数据按照时间序列周期进行划分,在相邻周期时间点之间构造超边,将同属一个类别的交通站点相连接,由此构建得到跨时空超图;包括:步骤S21:将交通流量数据按照时间序列周期进行划分;步骤S22:在交通站点之间连接生成超边,构建跨时空超图和超图邻接矩阵;以交通站点为节点,将相邻周期时间点中类别相同的交通站点之间连接,形成一个超边,构建跨时空超图;建立超图邻接矩阵,得到超图邻接矩阵的行列大小分别为2N和K,其中N表示交通站点的数量,K表示超边的数量,即类别数量;超图邻接矩阵的行列分别对应节点和超边;当一个节点属于相应超边则该位置元素取值为1,否则取值为0;步骤S3:构建时空超图卷积交通流量预测模型,获取交通流量数据的时空关联性,由此预测未来交通流量;时空超图卷积交通流量预测模型包括两个时空模块和一个全连接层;其中,每个时空模块由一层时域卷积模块和超图卷积模块依次构成;步骤S31:构建时域卷积模块;时域卷积模块包括一维卷积神经网络层CNN和门控线性单元GLU;其中,CNN用于捕获时空数据中的时间信息,GLU用于选择保留的时间信息;时域卷积模块C表示为:C*
k
R=p
⊙
δ(p)其中,k表示一维CNN的卷积核大小;R表示输入的数据;P表示R经过CNN后的输出矩阵结果;δ(P)表示GLU;
⊙
表示哈达玛积;步骤S32:构建超图卷积模块,将时空超图转换为普通图再采用图卷积神经网络GCN单层的图卷积方法进行卷积;步骤S33:构建时空超图卷积网络交通流量预测模型,得到各个交通站点的交通流量最终预测结果;将经过步骤S1和S2处理得到的交通流量数据和交通道路图分别输入到STHGCN模型中,得到各个站点的交通流量的预测结果,可表示为X={X0,X1,......X
N
},其中N表示N个交通站点;X
N
表示站点N未来交通流量预测,X
N
的维度为预测的时间点个数;通过上述步骤,实现基于超图的时空超图卷积交通流量预测。2.如权利要求1所述基于超图的时空超图卷积交通流量预测方法,其特征是,步骤S1对交通站点进行聚类,包括:步骤S11.通过交通站点设置传感器记录通过的车辆或乘客,获取原始交通流量数据集,数据集中的数据包括三个维度,分别是:交通流量的固定间隔时间点个数、交通站点的个数和交通站点进出方向;对原始交通流量数据集进行数据处理,得到数据的节点数、边数、时间点数和特征数;步骤S12:使用聚类算法对交通站点的流量特征进行分类;任选一个未被访问的交通站点开始,计算该...
【专利技术属性】
技术研发人员:张珣,张楚童,张滨,张鑫,张迎春,
申请(专利权)人:北京工商大学,
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。