[发明专利]基于重构交通网络的图聚合机制的道路交通流预测方法

说明书

一种基于重构交通网络的图聚合机制的道路交通流预测方法，包括以下步骤：(1)针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；(2)获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。本发明提升了模型实现长期流量预测的稳定性和准确性，实现了短时和长时的交通流量预测。

技术领域

本发明涉及一种基于重构路网的图聚合机制的交通流预测方法，本发明属于智能交通预测领域。

背景技术

随着科技的进步和人民生活水平的提高，城市中车辆的数目不断提高，然而大多数城市中的道路条件的改变难以满足目前日渐饱和的车辆状况。交通拥堵问题是目前的首要问题，不仅大大降低了工作效率也降低了人民的生活质量。有效的交通流量预测方法可以使得管理者更加合理地分配城市道路资源，有效缓解交通拥堵问题，因此及时有效的交通流量预测方法对城市交通至关重要。

目前较为流行的交通流量预测方法主要包括：支持向量机(SVM)，卷积神经网络(CNN)，长短期记忆神经网络(LSTM)以及最近邻节点算法(KNN)等。由于这些方法难以充分挖掘城市道路交通网络中的时空依赖性，在处理高维数据时往往难以充分拟合数据，因此预测精度往往不够高。然而交通流量具有传递性，上游道路的交通状况会影响下游道路的交通状况。在道路交通网络中存在一些没有直接邻接关系的道路，会对中心节点的交通状况产生影响。

发明内容

为了克服已有技术的不足,本发明提供了一种基于重构路网的图聚合机制的交通流量预测方法。该方法(ReGA-LSTM)将车道作为节点。首先根据车道的相关系数降序排序，并根据交通邻接矩阵获得中心节点的高阶邻域节点集合，从而获得重构的道路邻接矩阵；将原始特征矩阵与重构的道路交通邻接矩阵输入图聚合器GraphSAGE聚合邻域节点的空间特征；最后将聚合到的空间特征输入LSTM实现道路交通流量的预测。ReGA-LSTM的结构图如图1所示。本发明将城市道路邻接关系以更加紧密的相关性重新构建，并通过GraphSAGE聚合空间特征，增强了模型学习时空依赖性的能力，在模型的稳定性和预测结果的准确性。

本发明解决其技术问题所采用的技术方案是：

一种基于重构交通网络的图聚合机制的道路交通流预测方法，包括以下步骤：

(1)重构道路网络：针对各车道的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性，并按照相关性降序排序获得各车道的高阶邻域，基于各车道的高阶邻域重构车道间的邻接关系，实现道路网络重构；

(2)基于ReGA-LSTM实现交通流量预测：获取时间序列上的重构道路交通网络，通过GraphSAGE获得聚合的路网空间特征序列并将其作为LSTM模型的输入，经LSTM提取聚合后的路网空间特征中的时序特征，输出未来时刻的交通流量预测结果，实现道路交通流量预测。

进一步，所述步骤(1)的过程如下：

1.1：针对各节点的交通流量数据，根据原始道路邻接矩阵获得车道连接关系，获取有连接的车道的时间相关性；

将原始道路交通网络定义为是由节点集合与边集合构成的有向图，其中是路网中道路节点的数量。节点邻接结构由道路邻接矩阵表示；如果路网中i节点和j节点相邻，那么A_ij＝1；否则，A_ij＝0；根据皮尔逊相关性系数得到原始路网中节点之间的时间相关性：