[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

说明书

本发明公开了一种基于图学习的图卷积神经网络交通预测方法及系统，通过图学习模块学习来得到更为准确的新的邻接矩阵，通过图学习模块能够捕获多种空间关系，提高了交通预测精度；同时时空卷积块包括两个时空卷积层和空间图卷积层，时空卷积层又由扩张卷积和门控机制相结合得到，能够有效地捕获长时间依赖，节省了训练时间和空间资源。

技术领域

本发明属于交通预测技术领域，尤其涉及一种基于图学习的图卷积神经网络交通预测方法及系统。

背景技术

交通预测是智能交通系统中的重要部分，准确的交通速度预测可以为交通管理、交通控制、交通规划提供有意义的参考信息。由于复杂的时间和空间依赖，交通预测是一个具有挑战性的问题。

现有的交通预测可以分为传统的机器学习方法和深度学习方法。深度学习方法包括基于递归网络(RNN)及其变体长短时记忆网络(LSTM)和门控递归单元(GRU)、卷积神经网络(CNN)、图卷积神经网络(GCN)及它们的结合。

基于RNN的方法存在耗时的迭代和梯度消失/爆炸的问题。基于CNN的方法在空间特征学习方面有良好的性能，所以被广泛用于交通预测，但是传统的CNN适用于欧几里得空间，如处理图像或网格数据。交通网络有复杂的拓扑结构，本质上是图结构。相比CNN，GCN更适用于交通预测。尽管基于GCN的方法在交通预测方面获得了好的性能，但是已有方法仍然存在一些问题。

首先，这些基于GCN的方法在捕获空间依赖方面只考虑了一种空间关系，而交通网络中存在多种空间依赖关系。已有的方法对于道路之间的空间依赖大都只考虑道路之间的空间距离，如图1所示，图1中横纵坐标的每个坐标代表一条道路，共50条道路，坐标点的颜色表示邻接矩阵的权重，权重越大，颜色越深，两条道路之间的相互影响越强，右侧颜色渐进数字表示权重大小，1表示最大，0表示最小。图1(a)是根据道路之间的速度序列相似性计算得到的邻接矩阵，图1(b)是根据道路之间的空间距离计算得到的邻接矩阵，位置LOC1和位置LOC2说明了两个道路之间尽管距离不近，但是它们之间存在很强的空间依赖关系。速度序列相似性是指一段时间内两条道路的速度向量之间的相似性。

其次，这些方法在捕获长期时间依赖方面不够有效。基于RNN的方法有耗时的迭代和梯度消失/爆炸问题。基于CNN的方法需要堆叠更多的层来捕获长期依赖。

发明内容

本发明的目的在于提供一种基于图学习的图卷积神经网络交通预测方法及系统，以解决已有方法仅考虑单一空间关系，无法捕获交通网络中存在的多种空间关系的问题，以及已有方法在捕获长期时间依赖方面不够有效的问题。

本发明是通过如下的技术方案来解决上述技术问题的：一种基于图学习的图卷积神经网络交通预测方法，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；