一种基于集成图卷积神经网络的短时交通流预测方法技术

本发明专利技术提供了一种基于集成图卷积神经网络的短时交通流预测方法，属于智能交通领域，在处理图数据和交通图上结合集成图卷积神经网络和卷积神经网络，首先，由于交通图包括复杂的道路网络拓扑，故使用GCN通过当前节点与邻居节点的信息提取特征，增强了特征提取的效果，其次，对于交通图数据，CNN则可提取感兴趣区域的局部特征，提供更详细的交通流预测数据，采用多层线性层融合不同层级特征，可更好地处理复杂的交通数据关系，提高深层次特征提取，实现更精确的流量预测，为适应输出特征，设计了专门的损失函数，以更准确地评估模型输出结果，从而提高流量预测的精确性，这些创新点可提高预测准确性、鲁棒性，并应对交通数据的复杂性。

【技术实现步骤摘要】

本专利技术属于智能交通，具体涉及一种基于集成图卷积神经网络的短时交通流预测方法。

技术介绍

1、智能交通系统(its)是一个复杂的大系统，具有非线性和时序模式。因此，如何准确地预测短时交通流是its研究的关键，该问题已成为国内外交通领域的研究热点。

2、由于交通流复杂的非线性关系和时序模式，单一模型的交通流预测难以完全捕捉交通流中的非线性因素及时空特征。鉴于以上情况，本文提出一种基于集成图卷积神经网络模型，结合了继承的图卷积神经网络和卷积神经网络能够更好地处理交通图和交通图数据，使用多层线性层能够更好地融合不同层级的特征，达到提高准确率的目的。

技术实现思路

1、为了解决
技术介绍
中总结的问题，该方法通过构建基于集成的图卷积神经网络和卷积神经网络模型(gcn-ccn)对交通流进行预测。

2、技术方案：一种基于集成图卷积神经网络的短时交通流预测方法，包括如下步骤：

3、(1)确定新的交通流预测模型：构建基于gcn-cnn集成深度学习的交通流速预测模型：结合了图卷积神经网络和卷积本文档来自技高网...

【技术保护点】

1.一种基于集成图卷积神经网络的短时交通流预测方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的基于集成图卷积神经网络的短时交通流预测方法，其特征在于，所述步骤(1)具体为：

3.根据权利要求1所述的基于集成图卷积神经网络的短时交通流预测方法，其特征在于，所述步骤(2)具体包括如下子步骤：

4.根据权利要求1所述的基于基于集成图卷积神经网络的短时交通流预测方法，其特征在于，步骤(3)具体包括如下子步骤：

5.根据权利要求1所述的一种基于集成图卷积神经网络的短时交通流预测方法，其特征在于，步骤(4)具体包括如下子步骤：

【技术特征摘要】

1.一种基于集成图卷积神经网络的短时交通流预测方法，其特征在于，所述方法包括如下步骤：

2.根据权利要求1所述的基于集成图卷积神经网络的短时交通流预测方法，其特征在于，所述步骤(1)具体为：

3.根据权利要求1所述的基于集成图卷积神经网络的短时交通流预测方法，其特征在于...

【专利技术属性】
技术研发人员：刘路阳，吕帅奇，包旭，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：