[发明专利]一种新型时空特征的车流量预测的方法

说明书

本发明公开了一种新型时空特征的车流量预测的方法，包括以下步骤:步骤1，将交通流量数据利用自编码器提取城市路网的主要特征；步骤2，利用GCN学习提取自编码器得到主要拓扑结构之后的数据进而获得空间依赖性；步骤3，将利用GCN训练之后的数据放入GRU中，GRU学习路网动态变化获得时间依赖性。本发明的车流量预测方法，采用了以上三个算法组合，对交通流量的时间、空间以及主要特征的学习，使得对交通流量预测的准确度得到了提升。

技术领域

本发明属于交通流量预测技术领域，涉及一种新型时空特征的车流量预测的方法。

背景技术

交通流预测是智能交通系统发展的核心技术之一。有关短期交通量预测的研究通常利用历史交通流数据建立模型，现在主要利用神经网络进行数据预测。主要方法有卷积神经网络(CNN)，长短期记忆网络(LSTM)和图卷积网络(GCN)。大部分交通流预测只利用神经网络在时间和空间上单独预测，或组合预测车流量数据。但是很少方法将道路网络的主要影响因素提取出来，再利用时空预测方法进行交通流预测。

发明内容

本发明的目的是提供一种新型时空特征的车流量预测的方法，解决了现有技术中存在的不能先对路网主要特征提取的问题。

本发明所采用的技术方案是，一种新型时空特征的车流量预测的方法，具体按以下步骤实施：

步骤1，利用自编码器提取城市路网拓扑结构的主要特征；

步骤2，将时空交通预测问题视为在道路网络拓扑结构和特征矩阵下学习函数，计算下个时刻的交通信息；

步骤3，将图卷积网络处理的数据放入GRU中继续训练。

本发明的特点还在于：

其中步骤1具体按以下步骤实施：

给定输入样本X＝{x₁,x₂,...,x_n},自编码器首先将输入X按照式(1)编码为y(X)，然后将y(X)按照式(2)进行解码：

y(x)＝f(W₁x+b) (1)

z(x)＝g(W₂y(x)+c) (2)

式中，W₁,b分别为编码过程中的权重和偏差；W₂,c分别为解码过程中的权重和偏差；f(·),g(·)分别为编码和解码过程中的激活函数；

其中步骤2具体按以下步骤实施：

将时空交通预测问题视为在道路网络拓扑结构G和特征矩阵X下学习函数，计算下个时刻的交通信息，如式(3)所示：

X_t+1＝f(G；(X_t-n,…,X_t-1,X_t)) (3)

给定一个道路网络G＝(V,E)，可以得到图卷积公式(4)：

其中为具有自连接的邻接矩阵；I_N为单位矩阵；是度矩阵；H^(l)为第l层的激活值；θ^(l)表示这层的参数值；σ(·)是激活函数；

两层GCN的模型表示为式(5)：

式中，是预处理部分，W₀∈R^N×P,W₁∈R^H×1分别代表隐藏层第一层和第二层的权重矩阵，σ(·),RELU(·)为激活函数；