[发明专利]一种城市路网的交通流量预测方法及系统

说明书

本发明公开一种城市路网的交通流量预测方法及系统，涉及智能交通技术领域，方法包括：建立包括邻接矩阵以及时间序列向量矩阵的训练数据集；建立图小波注意力门控循环神经网络模型；该模型包括基于小波变换的图卷积神经网络以及与所述图卷积神经网络连接的门控循环神经网络；门控循环神经网络包括与各时间段一一对应的融入注意力机制的门控循环单元；利用训练数据集对图小波注意力门控循环神经网络模型进行训练和优化；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。本发明公开的方法及系统，能够准确预测交通流量。

技术领域

本发明涉及智能交通技术领域，特别是涉及一种城市路网的交通流量预测方法及系统。

背景技术

交通流量预测是智能交通系统的重要组成部分，及时准确的交通流量预测有助于实现实时动态的交通灯控制和城市道路规划，缓解巨大的交通拥堵问题，提高公共交通的安全性和便利性。但是由于交通数据的复杂空间和时间依赖性，使得准确实时的交通流量预测一直富有挑战性。

空间依赖性是指交通流量的变化受城市路网的拓扑结构的限制，不仅体现在上游路段的交通状态对下游路段的传递作用，以及下游路段的交通状态对上游路段的回溯影响，而且体现在距离相隔较远的路段之间的交通状态也会相互产生间接的影响。时间依赖性是指交通流量是随时间动态变化的，某一路段上的交通流量逐渐向邻近区域扩散，即上一时刻的交通状态必然会对其下一时刻流量产生很大的影响；另外，随着时间的推移，由于受早晚高峰周期、人们每天的生活规律等因素的影响，交通流量的变化会呈现周期性和趋势性。因此，如何充分利用交通流量的时空相关性是解决预测问题的关键。

在过去的几十年里关于交通预测的研究从未停止过。早期的方法，如自回归综合移动平均(ARIMA)模型、支持向量回归机(SVR)模型、K近邻模型、贝叶斯模型，但这些方法不能有效地刻画复杂的非线性时空依赖性。近年来，通过卷积神经网络(CNN)与递归神经网络(RNN)结合，进行时空交通流量预测，该方法在捕获时空特征方面存在一定的局限性。将融入注意力机制的门控循环单元应用到交通流量预测，可以捕获交通数据的长期动态时间依赖性。通过卷积神经网络(CNN)与RNN或其变体(RNNs)结合的方法，捕捉交通数据的时空特征以预测交通流量，该方法具有一定的局限性。一方面，RNNs主要提取静态的时间相关性，适用于短期的交通预测。考虑到注意机制在依赖关系建模方面的高效率和灵活性，将注意力机制应用于交通预测来捕获时间序列的动态长期依赖性。随着图卷积网络模型(GCN)的发展，基于谱图理论，提出了用于交通预测的时空图卷积神经网络、扩散卷积递归神经网络、数据驱动图滤波的图卷积神经网络、交通图卷积递归神经网络。另一方面，传统的卷积运算只能捕捉规则网格结构的特征，无法处理复杂的城市网络拓扑结构的交通流量数据。随着图卷积网络模型(GCN)的发展，它可以捕获图网络结构的交通流量特征，为上述的问题提供了一个很好的解决方案。有研究学者通过改进图卷积网络，可以提取图中局部特征，但是缺乏灵活性。由于图卷积神经网络不能很好的提取图中的局部空间特征，在基于谱图理论提出的用于交通预测的时空图卷积神经网络、扩散卷积递归神经网络、图卷积递归神经网络这些基于图卷积的模型中，局部特征提取过程缺乏灵活性仍然是一个大问题，因此无法准确预测交通流量。

发明内容

本发明的目的是提供一种城市路网的交通流量预测方法及系统，能够准确预测交通流量。

为实现上述目的，本发明提供了如下方案：

一种城市路网的交通流量预测方法，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；