[发明专利]一种城市路网的交通流量预测方法及系统

权利要求书

1.一种城市路网的交通流量预测方法，其特征在于，包括：

建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔；

建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元；

利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量；

将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。

2.根据权利要求1所述的城市路网的交通流量预测方法，其特征在于，所述建立训练数据集，具体包括：

对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通；

根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻；

获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列；

根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。

3.根据权利要求1所述的城市路网的交通流量预测方法，其特征在于，所述建立图小波注意力门控循环神经网络模型，具体包括：

使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵；

使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。

4.根据权利要求2所述的城市路网的交通流量预测方法，其特征在于，所述将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，之前还包括：

对待预测的城市路网建模，得到待预测的城市路网的无向图；

根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵；

获取待预测的城市路网的时间序列向量矩阵。

5.根据权利要求1所述的城市路网的交通流量预测方法，其特征在于，所述时间间隔为5分钟。