[发明专利]一种基于图学习的图卷积神经网络交通预测方法及系统

权利要求书

1.一种基于图学习的图卷积神经网络交通预测方法，其特征在于，包括以下步骤：

步骤1：获取预测路段及其相邻路段n个历史时刻交通速度数据Xⁿ，其中Xⁿ＝[x¹,x²,…,x^k,…,xⁿ]，x^k表示第k个历史时刻交通速度数据；

步骤2：对所述n个历史时刻交通速度数据Xⁿ进行预处理，得到预处理后的n个历史时刻交通速度数据X'ⁿ，其中X'ⁿ＝[x'¹,x'²,…,x'^k,…,x'ⁿ]；

步骤3：根据预处理后的n个历史时刻交通速度数据X'ⁿ，计算预测路段及其相邻路段的距离图邻接矩阵D以及关系图邻接矩阵C；

所述距离图邻接矩阵D表示两条不同道路之间空间距离的接近度，所述关系图邻接矩阵C表示两条不同道路之间速度序列相似性；

步骤4：构建基于图学习的图卷积神经网络预测模型；所述基于图学习的图卷积神经网络预测模型包括图学习模块、多个时空卷积块以及输出层，所述图学习模块的输出端分别与多个时空卷积块的输入端连接，前一个所述时空卷积块的输出端与后一个所述时空卷积块的输入端连接，最后一个所述时空卷积块的输出端与所述输出层的输入端连接；

步骤5：选取预处理后的n个历史时刻交通速度数据X'ⁿ中的h个历史时刻交通速度数据X'^h作为输入数据，选取预处理后的n个历史时刻交通速度数据X'ⁿ中h个历史时刻交通速度数据之后的p个历史时刻交通速度数据X'^p作为输出数据；其中，X'^h＝[x'^t-h+1,x'^t-h+2,…,x'^t]，X'^p＝[x'^t+1,x'^t+2,…,x'^t+p]，X'^h∈X'ⁿ，X'^p∈X'ⁿ；

将所述输入数据X'^h分别输入到第一个时空卷积块和图学习模块，将距离图邻接矩阵D和关系图邻接矩阵C输入到图学习模块，将输出数据X'^p作为所述图卷积神经网络预测模型的输出，对所述图卷积神经网络预测模型进行训练，得到训练好的基于图学习的图卷积神经网络预测模型。

2.如权利要求1所述的图卷积神经网络交通预测方法，其特征在于，所述步骤2中，预处理包括归一化处理，归一化处理公式为：

其中，X'为归一化处理后的交通速度数据，X为归一化处理前的交通速度数据，X_min为n个历史时刻交通速度数据Xⁿ中的最小值，X_max为n个历史时刻交通速度数据Xⁿ中的最大值。

3.如权利要求1所述的图卷积神经网络交通预测方法，其特征在于，所述步骤3中，距离图邻接矩阵的计算公式为：

其中，D_ij表示道路i与道路j之间距离图邻接矩阵，d_ij表示道路i与道路j之间的空间距离，σ表示道路i与道路j之间空间距离的标准偏差，ε表示保证距离图邻接矩阵稀疏性的阈值；

关系图邻接矩阵的计算公式为：

其中，C_ij表示道路i与道路j之间关系图邻接矩阵，ρ表示设定阈值，corr_ij表示道路i与道路j之间的皮尔逊相关系数，表示第t个历史时刻道路i的交通速度数据，表示第t个历史时刻道路j的交通速度数据，表示道路i交通速度数据的均值，表示道路j交通速度数据的均值。