一种考虑时空相似性的交通流预测方法技术

本发明专利技术公开了一种交通流预测方法，包括：根据交通流数据在不同时间尺度上表现出的相似性，定义临近时段、日和周三种时间尺度；面向临近时段、日和周三种时间尺度，构建三个功能相同的预测模块；构建不同时间尺度预测模块的输入；由不同时间尺度预测模块的输出得到预测值。本发明专利技术的方法可以提高交通流预测的准确度。度。度。

【技术实现步骤摘要】
一种考虑时空相似性的交通流预测方法


[0001]本专利技术属于智能交通领域，尤其涉及一种考虑非邻近节点的时空相似性的动态图卷积神经网络交通流预测方法。

技术介绍

[0002]交通流预测是智能交通与智慧城市研究中最关键的问题之一。高精度的交通流预测有助于提高动态交通管理和交通资源的智能服务分配能力，对于大型城市的交通管理和智慧出行具有重要作用。交通流预测是典型的时空数据挖掘问题。交通流状态变化是一个多因素耦合的非线性变化过程，易受驾驶员、行驶路况、出行习惯以及路网节点功能属性等多方面因素的影响。因此，交通流数据具有复杂的动态时空特性。因此，如何更好地建模时空相关性对于提高交通流预测精度至关重要。据预测原理不同，实现距离检测的方法主要可以分为以下几类：统计学方法、机器学习方法、深度学习方法等。目前基于统计学和机器学习等方法受建模原理的制约使得对交通流数据中复杂的时空关系建模表达能力有限。因此，预测效果仍然不太理想。而基于深度学习方法可以对多维特征进行建模，实现复杂函数的逼近，挖掘数据中复杂的非线性关系，具有较大的应用前景。在基于深度学习预测方法中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑非邻近节点的时空相似性的交通流预测方法，其特征在于，包括：步骤一：对交通流数据进行统计分析，根据交通流数据在不同时间尺度上的相关性，确定三种时间尺度：邻近时段、日和周；步骤二：针对所述三种时间尺度，构建三个功能相同的不同时间尺度的预测模块：邻近时段预测模块、日预测模块和周预测模块，所述预测模块用于对交通流进行预测，其中，每个预测模块均包括动态图构建单元和两个或以上的时空层单元，所述两个或以上的时空层单元通过残差连接，所述动态图构建单元用于构建反应路网节点时空动态变化的动态图，所述时空层单元用于建模时间依赖性和空间依赖性，其中，动态图用表达动态图的邻接矩阵DA
t
表示，邻接矩阵DA
t
与节点相关性距离度量邻接矩阵A
pre
‑
distanc
。、非邻近节点相似性度量邻接矩阵A
pre
‑
similarity
、自适应嵌入邻接矩阵A
adp
以及动态相关性邻接矩阵A
dynamic
相关，其中，非邻近节点相似性度量邻接矩阵A
pre
‑
similarity
与节点之间的Wasserstein距离相关；步骤三：构建不同时间尺度的预测模块的输入，所述输入包括邻近时段数据X
a
、日周期数据X
b
和周周期数据X
c
，其中，，其中，，其中，N表示路网中的节点数量，F表示数据特征维度，数据特征包括车流量、速度和占有率，检测节点的采样频率是q次/天，一天的采样时间序列的长度为q，检测的当前时刻为t0，T
p
表示所要预测的未来时间区间，T
a
表示过去邻近时段的时间区间，T
b
表示过去几天同一时间构成的时间区间，T
c
表示过去几周同一时间构成的时间区间，其中N
a
，N
b
，N
c
是大于1的正整数，表示预测步长的倍数；步骤四：根据所述不同时间尺度的预测模块和所述输入，确定不同时间尺度的预测模块的输出并确定对交通流数据的预测值。2.根据权利要求1所述的一种考虑非邻近节点的时空相似性的交通流预测方法，其特征在于，构建反应路网节点时空动态变化的动态图，包括：S11：确定节点相关性距离度量邻接矩阵A
pre
‑
distance
，用公式表示为：，用公式表示为：其中，E表示任意两个节点之间的交通流向的集合，表示节点v
i
到节点v
j
的权重，(v
i
，v
j
)表示从节点v
i
到节点v
j
的交通流向，且(v
i
，v
j
)≠(v
j
，v
i
)，dist(v
i
，v
j
)表示节点v
i
到v
j
的欧式距离，k(i)表示当dist(v
i
，v
j
)≤γ时节点v
i
的k个邻域节点的集合，γ为设置的阈值，当两个节点的距离超出阈值γ时，则权重系数为0，表示无相互作用关系，
表示距离的方差，n＝N表示节点的数量；S12：确定非邻近节点相似性度量邻接矩阵A
pre
‑
similarity
，用公式表示为：，用公式表示为：s
ij
＝exp(
‑
Wasserstein(v
i
，v
j
))，其中，S
ij
表示节点v
i
与节点v
j
的相似性得分，S
ii
的值为零，E
s
表示通过top
‑
k机制选取的边结合，L(E
s
，v
i
，v
r
)取值为0或者1，表示节点v
i
与节点v
r
的边是否被选中，R表示选中的边集合的数量，Wasserstein(v
i
，v
j
)表示节点v
i
与节点v
j
之间的Wasserstein距离；S13：确定自适应嵌入邻接矩阵A
adp
，用公式表示为：其中，SoftMax(
·
)是激活函数，其作用是将输入映射到(0，1)区间内，表示随机生成的可学习的嵌入矩阵，d
′
为每个节...

【专利技术属性】
技术研发人员：郑家佳，陈聪，
申请(专利权)人：重庆城市管理职业学院，
类型：发明
国别省市：