【技术实现步骤摘要】
本专利技术属于目标检测，尤其涉及一种基于图神经网络的交通拥堵预测方法。
技术介绍
1、随着经济与科技的发展，许多国家在一定时间和空间会产生严重的交通堵塞问题，交通拥堵大大降低了交通运行效率，这造成严重能源和时间的浪费。交通拥堵是城市面临的重要挑战之一，而现代技术正在被广泛应用于监测和管理城市交通流量，以应对拥堵问题。
2、传感器技术是交通拥堵检测的重要手段之一。通过在道路上部署车辆检测器、摄像头、雷达和地磁传感器等设备，可以实时监测车辆的流量、速度和密度，从而识别拥堵情况。这些传感器可以通过无线网络将数据传输到中心服务器进行分析和处理。
3、智能交通系统(its)是另一个关键技术，它结合了传感器技术、通信技术和信息处理技术。its可以实现交通信号灯的智能控制、车辆的智能导航和路线优化，从而减少交通拥堵。
4、数据分析和人工智能技术也在交通拥堵检测中发挥着重要作用。通过对大数据的分析，可以识别交通拥堵的模式和趋势，帮助交通管理部门做出相应的调整。同时，人工智能技术可以通过机器学习和预测算法来预测和识别拥堵，从而提前采取措施来缓解拥堵情况。
5、交通拥堵检测的现有技术已经取得了显著进展，通过传感器技术、智能交通系统、数据分析和人工智能等手段，城市交通管理部门能够更准确、及时地监测和应对交通拥堵，为城市交通流量的优化提供了有力支持。但是基于图神经网络在监控视频下的检测还是一个较新的领域，因此本方法采用图神经网络以及逻辑回归方法进行拥堵检测以及进行拥堵原因的分类，进而减少拥堵的时间及能源的
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于图神经网络的交通拥堵预测方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于图神经网络的交通拥堵预测方法，包括：
3、构建城市交通监控图结构并采集监控视频数据；
4、采集监控视频数据，其中，所述监控视频数据包括不同周期的视频数据；对所述监控视频数据进行目标检测得到交通属性和异常事件序列；
5、基于所述城市交通监控图结构采用图神经网络对所述交通属性和异常事件序列进行交通拥堵预测得到监控器的预测结果。
6、可选地，构建所述城市交通监控图结构的过程包括：
7、基于聚类算法构建城市监控器图和城市交通信号灯图；
8、基于地理位置信息将所述城市交通信号灯图的信号灯信息融入所述城市监控器图中得到城市交通监控图结构。
9、可选地，基于监控器点采集的不同周期的视频数据包括：三小时数据、日数据和周数据。
10、可选地，对所述监控视频数据进行目标检测的过程包括：
11、基于yolov8网络识别所述监控视频数据中的车道数、车辆数、路段长度和异常事件；
12、记录所述异常事件的开始时间与结束时间得到异常事件序列；
13、基于多目标跟踪算法检测所述监控视频数据中的车辆坐标；
14、基于所述车道数、车辆数、路段长度和车辆坐标计算所述交通属性，其中，所述交通属性包括：车辆平均速度、交通流密度和拥堵指数。
15、可选地，所述拥堵指数的计算公式为：
16、
17、式中，δ表示拥堵指数，d表示交通流密度。
18、可选地，基于所述城市交通监控图结构采用图神经网络对所述交通属性和异常事件序列进行交通拥堵预测的过程包括：
19、基于不同监控器点所拍监控视频的交通属性构建不同周期的时间序列；其中，所述不同周期的时间序列包括三小时时间序列、日时间序列和周时间序列；
20、基于时空嵌入处理所述日时间序列和周时间序列得到日数据嵌入和周数据嵌入；
21、基于时间卷积网络处理所述三小时时间序列、日数据嵌入和周数据嵌入得到时空特征数据；
22、基于局域谱图卷积神经网络对所述时空特征数据进行处理得到节点间的相关性；
23、基于长短期记忆网络对所述异常事件序列进行处理得到拥堵事件的时间模式；
24、基于所述拥堵事件的时间模式和所述节点间的相关性得到监控器点的预测结果。
25、可选地，基于时间卷积网络处理所述三小时时间序列、日数据嵌入和周数据嵌入的计算过程为：
26、
27、式中，s为时间卷积网络的输入，θ1为第一可学习参数，θ2为第二可学习参数，b为第三可学习参数，c为第四可学习参数，△表示1d卷积操作，⊙是元素积，正切双曲激活函数，σ为sigmoid型激活函数。
28、可选地，基于局域谱图卷积神经网络对所述时空特征数据进行处理前还包括使用注意力机制确定不同周期的权重；其中，确定权重的计算公式为：
29、
30、
31、
32、
33、
34、式中，a为第五可学习参数，a1为第六可学习参数，a2为第七可学习参数，d为第八可学习参数，和分别是日周期嵌入和周周期嵌入，yr为最近周期嵌入，ed表示日周期嵌入相比于最近周期嵌入的重要程度，ew是周周期嵌入相比于最近周期嵌入的重要程度，atto为注意力层的输出。
35、与现有技术相比，本专利技术具有如下优点和技术效果：
36、本专利技术通过构建城市交通监控图结构并采集监控视频数据；采集监控视频数据，其中，监控视频数据包括不同周期的视频数据；对监控视频数据进行目标检测得到交通属性和异常事件序列；基于城市交通监控图结构采用图神经网络对交通属性和异常事件序列进行交通拥堵预测得到监控器的预测结果。本专利技术存在以下技术效果：(1)本专利技术将城市监控器网构建成图结构，不仅可以关注当前位置的拥堵情况，并且可以得到与周围区域的相关性。(2)本专利技术提出了一种低成本的交通拥堵检测的框架。(3)大多数城市的交通系统处于不健康状态，本专利技术提供一种方法对拥堵进行检测，为采取措施缓解不健康状态提供方向。(4)本专利技术为智能交通系统不断改进和优化交通拥堵预测提供了一种新方法。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的交通拥堵预测方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的交通拥堵预测方法，其特征在于，构建所述城市交通监控图结构的过程包括：
3.根据权利要求1所述的基于图神经网络的交通拥堵预测方法，其特征在于，基于监控器点采集的不同周期的视频数据包括：三小时数据、日数据和周数据。
4.根据权利要求3所述的基于图神经网络的交通拥堵预测方法，其特征在于，对所述监控视频数据进行目标检测的过程包括：
5.根据权利要求4所述的基于图神经网络的交通拥堵预测方法，其特征在于，所述拥堵指数的计算公式为：
6.根据权利要求1所述的基于图神经网络的交通拥堵预测方法，其特征在于，基于所述城市交通监控图结构采用图神经网络对所述交通属性和异常事件序列进行交通拥堵预测的过程包括：
7.根据权利要求6所述的基于图神经网络的交通拥堵预测方法，其特征在于，基于时间卷积网络处理所述三小时时间序列、日数据嵌入和周数据嵌入的计算过程为：
8.根据权利要求7所述的基于图神经网络的交通拥堵预测方法，其特征在于
...【技术特征摘要】
1.一种基于图神经网络的交通拥堵预测方法，其特征在于，包括：
2.根据权利要求1所述的基于图神经网络的交通拥堵预测方法，其特征在于，构建所述城市交通监控图结构的过程包括：
3.根据权利要求1所述的基于图神经网络的交通拥堵预测方法，其特征在于，基于监控器点采集的不同周期的视频数据包括：三小时数据、日数据和周数据。
4.根据权利要求3所述的基于图神经网络的交通拥堵预测方法，其特征在于，对所述监控视频数据进行目标检测的过程包括：
5.根据权利要求4所述的基于图神经网络的交通拥堵预测方法，其特征在于，所述拥堵指数...
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。