【技术实现步骤摘要】
一种基于图卷积神经网络的区域动态交通监控的流量趋势预测方法
[0001]本专利技术涉及交通流量分析
，更具体地说是一种使用人工智能深度学习方法对固定卡口和移动监控设备组成的有限区域内的道路交通车流量进行特征分析和预测的方法。
技术介绍
[0002]通过对城市某一区域道路交通流量分析，进而对区内路网交通流量进行有效预测、有效预判，实现区内各单位联防联控和有限人力资源指挥调度方面有着十分重要的现实意义。
[0003]早期基于统计学预测模型的传统方法主要通过车流量、速度、密度之间的关系进行建模，将交通流数据进行回归以及优化参数，实现交通数据的拟合预测。其中最典型的算法是利用自回归和移动平均进行交通预测的ARIMA算法及其改进型SARIMA算法，对交通流量特征进行了较好的捕捉，在简单道路场景中有着不错的预测效果，但是由于简单的时间序列模型通常依赖于平稳性假设，但往往交通数据都是非平稳的，传统的预测模型已经较难得到准确地预测结果。
[0004]在人工智能领域深度学习的发展初期，出现了以数据为分析核心，通过数据的规...
【技术保护点】
【技术特征摘要】
1.一种基于图卷积神经网络的区域动态交通监控的流量趋势预测方法，其特征在于，具体预测方法包括以下步骤：S1：获取卡口位置数据，通过获取卡口摄像头及道路位置分布等路网结构数据，为构建图结构的数据做准备；S2：接入卡口车流量数据，接入实时卡口及巡航无人机摄像头解析的车牌数据，为填充图内边的属性数据做准备；S3：计算车流量数据，计算一小时内车牌数据的行数作为车流量数据；S4：构建带权有向图，以道路路口、固定卡口设备和巡航无人机设备为节点，以任意的路口、固定卡口设备和可移动卡口设备任意两点之间的线段中间道路为边，以归一化的当前卡口识别车辆的平均经过速度作为对应道路为边的权重，并循环操作，形成一张带权有向图；S5：抽取图的特征表示，使用谱图方法将图转化为代数形式，对图代数表示进行傅里叶变换得到图的特征表示；S6：更新卡口车流量预测结果表，将图的特征表示输入图卷积神经网络，获得下一小时车流量预测结果，并将结果存储为数值列表，将识别结果插入预测结果表对应的卡口ID下；S7：上报卡口车流量预测结果。2.如权利要求1所述基于图卷积神经网络的区域动态交通的流量预测方法，其特征在于：步骤S4中，设有限区域内有a个路口，b个固定卡口设备，c个可移动监控设备，则带权有向图的节点个数为：M＝a+b+c。3.如权利要求2所述基于图卷积神经网络的区域动态交通的流量预测方法，其特征在于：步骤S4中，定义对应有向图G＝(V，E)，其中V是节点个数，即节点之间的边连接关系用邻接矩阵A∈R
M
×
M
表示，度矩阵D
i
＝∑
j
A
ij
。4.如权利要求1所述基于图卷积神经网络的区域...
【专利技术属性】
技术研发人员：李华蓉，曹锐，赵康，范的迪，李程，
申请(专利权)人：南京烽火星空通信发展有限公司，
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。