【技术实现步骤摘要】
本专利技术涉及交通流预测，具体是一种基于图卷积循环神经网络的短时交通流预测方法。
技术介绍
1、短时交通流预测是一种从历史大量的道路流量数据中挖掘出其中隐藏的时空模式的典型时空数据挖掘问题，极易受外界环境，如天气情况、突发事件、环境变化等各种因素的干扰。随着智能交通系统(its)的兴起，短时交通流量预测受到广泛关注。
2、现有的短时交通流量预测分为两大类：基于统计分析的算法和基于机器学习(包括深度学习)的现代智能算法。基于统计分析的算法又分为参数模型和非参数模型，参数模型包括历史平均模型、卡尔曼滤波模型和时间序列模型等，这些参数模型在遇到突发情况将会大大降低预测结果的准确度，并且计算复杂，难以用于实时更新。非参数模型主要包括小波理论模型、混沌模型和k近邻模型(knn)等，非参数模型以非线性系统理论为基础，对交通流量这种非线性特征有很好的适应能力，能满足处理突发事件的需求，但是非参数模型都过于复杂，计算量大，无法满足实时分析的需求。
3、随着交通数据量的爆炸性增长和处理这些数据的计算能力的允许，机器学习特别是深度学习这种非线性系统学习能力较强的算法开始在短时流量预测领域大放光彩。在交通流预测任务中，大多数研究通常使用长短期记忆网络(lstm)、门控循环单元(gru)或者时间卷积网络(tcn)来提取交通流数据中的时间相关性。然而，由于lstm和gru的链状结构，导致其在处理长时间序列时依赖于最后一个状态，缺乏捕捉全局时间依赖信息的能力。交通流数据属于时空图数据，传统的循环神经网络(rnn)、lstm及其变体不
技术实现思路
1、针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于图卷积循环神经网络的短时交通流预测方法。
2、本专利技术解决所述技术问题采用如下的技术方案：
3、一种基于图卷积循环神经网络的短时交通流预测方法，其特征在于，该方法包括以下步骤：
4、步骤s1：获取路网信息，将路网信息转换为路网图g，路网图g由多个道路节点以及连接道路节点的边组成；
5、步骤s2：构建短时交通流预测模型，模型预测交通流的映射函数f表示为：
6、[xi+1,xi+2,…,xi+n]＝f(g；(xi-t,…,xi-1,xi)) (1)
7、式中，xi+1,xi+2,…,xi+n表示第i+1,i+2,…,i+n个时间片的交通流特征，xi-t,…,xi-1,xi表示第i-t,…,i-1,i个时间片的交通流特征；
8、所述短时交通流预测模型包括串行的空间特征提取模块、时间特征提取模块以及全卷积网络；其中，空间特征提取模块和时间特征提取模块分别通过时空混合归一层对输入特征进行归一化处理，时空混合归一化层包括时间归一化、空间归一化以及混合归一化三种操作；在空间特征提取模块中，时间归一化操作表示为：
9、
10、式中，temporalnorm(·)表示时间归一化操作，xi为第i个时间片的交通流特征，表示第i个时间片下第t个时隙的交通流特征的高频分量，表示第i个时间片下第t个时隙的交通流特征的局部高频分量，表示第t个时隙的交通流特征的全局高频分量；
11、将展开为：
12、
13、式中，xi,t、xi,t-t'+1表示第i个时间片下第t、t-t'+1个时隙的交通流特征，δ表示单个时隙跨越的时刻数，和分别表示第i个时间片下交通流特征的可学习向量，∈为常数；
14、空间归一化操作表示为：
15、
16、式中，spatialnorm(·表示空间归一化操作，表示交通流特征在第i个时间片下第t个时隙的局部分量，表示第t个时隙的交通流特征的局部低频分量；
17、将展开为：
18、
19、式中，t为时间片数量；
20、混合归一化操作表示为：
21、
22、式中，表示交通流特征在第i个时间片下第t个时隙的混合分量；
23、最后，根据式(7)将三种操作提取的各个分量相乘，得到各时间片下各个时隙归一化后的交通流特征，进而得到各时间片归一化后的交通流特征x'i-t,…,x'i-1,x'i；所有归一化后的交通流特征组成特征x'＝x'i-t,…,x'i-1,x'i]t，作为时空混合归一化层的输出特征；
24、
25、式中，x'i,t表示第i个时间片下第t个时隙归一化后的交通流特征；
26、步骤s3：利用历史交通流数据对短时交通流预测模型进行训练，将训练后的短时交通流预测模型用于预测交通流。
27、进一步的，所述空间特征提取模块包括时空混合归一化层、切比雪夫图卷积操作以及多头注意力机制；时间特征提取模块包括时空混合归一化层、bigru循环神经网络、全连接层以及时间卷积网络。
28、进一步的，切比雪夫图卷积操作表示为：
29、
30、式中，z表示切比雪夫图卷积操作的输出特征，k是切比雪夫多项式的阶数，θk是第k阶切比雪夫多项式的系数，wk是第k阶切比雪夫多项式的权重矩阵，*代表切比雪夫多项式与归一化后的交通流特征矩阵的乘积，σ·为激活函数；表示归一化的第k阶切比雪夫多项式，λmax是矩阵lk的最大特征值，in是单位矩阵，d是路网图g的邻接矩阵a的度矩阵。
31、与现有技术相比，本专利技术的有益效果是：
32、1.从交通流数据的时间相关性和空间相关性分析可以明显看出，交通流是具有强烈的时间周期性，并且在空间上相邻道路之间相互影响，因此为了充分考虑空间相关性，将路网信息转换为路网图数据，采用切比雪夫图卷积更充分地提取空间特征，充分考虑相邻道路之间的相互影响与交通流之间的内在联系，提高交通流预测精度，降低预测误差。在实际交通环境中，交通事件之间有可能存在潜在的因果关系，例如，当前路段上出现的交通事故可能会引起相邻路段及道路的交通拥堵，此外，交通数据并不是总按顺序相关，如计划外的道路维护、意外事故导致的道路受阻等，因此本专利技术的时间特征提取模块主要通过bigru循环神经网络以及时间卷积网络来捕获时间序列的潜在因果关系和时间依赖性，使模型能够在更短时间内处理更全面的时间序列信息。在空间特征提取模块中使用更适合处理图数据的切比雪夫图卷积，同时结合多头注意力机制来捕获交通流数据的空间特征。
33、2.交通流数据从时间层面上分为高频和低频成分，从空间层面上分为全局和局部成分，不同成分对交通流的影响不同，因此本专利技术在空间特征提取模块以及时间特征提取模块中分别嵌入时空混合归一化层，包括时间归一化、空间归一化以及混合归一化三种操作，实现时间正则化、空间正则化和混合正则化，细化了各模块输入特征的全局高频分量、全局低频分量、局部高频分量以本文档来自技高网...
【技术保护点】
1.一种基于图卷积循环神经网络的短时交通流预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于图卷积循环神经网络的短时交通流预测方法，其特征在于，所述空间特征提取模块包括时空混合归一化层、切比雪夫图卷积操作以及多头注意力机制；时间特征提取模块包括时空混合归一化层、BiGRU循环神经网络、全连接层以及时间卷积网络。
3.根据权利要求2所述的基于图卷积循环神经网络的短时交通流预测方法，其特征在于，切比雪夫图卷积操作表示为：
4.根据权利要求1～3任一所述的基于图卷积循环神经网络的短时交通流预测方法，其特征在于，在模型训练过程中根据式(10)计算模型损失；
【技术特征摘要】
1.一种基于图卷积循环神经网络的短时交通流预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于图卷积循环神经网络的短时交通流预测方法，其特征在于，所述空间特征提取模块包括时空混合归一化层、切比雪夫图卷积操作以及多头注意力机制；时间特征提取模块包括时空混合归一化层、bigru...
【专利技术属性】
技术研发人员：顾军华，郭睿哲，何文颖，吴金广，张锡洋，黄天博，郑海飞，
申请(专利权)人：河北工业大学，
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。