[发明专利]一种基于语义信息的多模块交通密集度预测方法

权利要求书

1.一种基于语义信息的多模块交通密集度预测方法，其特征在于，包括：

对采集的交通密集度数据进行预处理，进行相关问题定义，并构建多模块交通密集度预测模型的输入；

构建基于语义信息的多模块交通密集度预测模型，包括近期模块、周周期模块和模块融合组件，其中：近期和周周期模块分别用于提取交通密集度的近期和周周期的时空和语义特性；模块融合组件用于将近期和周周期两个模块的输出融合进行交通密集度预测；

训练与优化多模块交通密集度预测模型；

基于多模块交通密集度预测模型进行交通密集度预测。

2.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，数据预处理包括：

使用阈值分析法找到交通流的异常数据；

使用拉格朗日插值法填充交通量数据的缺失值；

使用最小-最大归一化方法将交通速度值缩放到范围[0，1]。

3.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，交通密集度预测模型输入用特征矩阵X∈R^N×P表示；其中：N表示路网节点的个数，P表示路网节点属性特征的数量；根据特征矩阵X构建近期和周周期模块的输入X_h和X_w，其中：X_h为目标时段之前以小时为单位的时间序列；X_w为目标时段之前以周为单位的时间序列。

4.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，多模块交通密集度预测模型的近期和周周期模块是两个独立的、具有相同结构的模块。

5.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，近期和周周期模块分别包括一个图卷积网络组件和一个长短时记忆网络组件；在图卷积网络组件中，根据道路的拓扑结构和语义相关性分别构建图，并输入到两个不同的图卷积网络中，接下来将两个图卷积网络输出结果融合后引入长短时记忆组件来提取时空和语义的关联特征；最后将近期和周周期两个模块的输出融合进行交通密集度预测。

6.根据权利要求5所述的多模块交通密集度预测方法，其特征在于，交通数据的空间相关性通过构建路网的拓扑结构表示，语义相关性通过道路间的历史交通状况相似性表示；对于每条道路，选取每周的平均交通状况组成一个时间序列来表示道路的历史交通状况；构建拓扑图和语义图，分别输入到不同的图卷积网络中进行特征提取。

7.根据权利要求6所述的多模块交通密集度预测方法，其特征在于，拓扑图和语义图的邻接矩阵分别用T和Y表示：

其中：N表示道路总数；T中元素T_ij表示道路i和道路j之间道路数的倒数；

其中：N表示道路总数；Y中元素Y_ij表示道路i和道路j之间历史平均交通状况的相似度，相似度使用动态时间规整算法获取。

8.根据权利要求7所述的多模块交通密集度预测方法，其特征在于，动态时间规整算法基于动态规划的思想衡量两个长度不一致时间序列的相似度；假定有两个时间序列Q＝{q₁,q₂,…,q_n}和C＝[c₁,c₂,…,c_m}，长度分别为n和m，则动态时间规整算法计算Q和C的相似度过程如下：

Step1：构建大小为n×m的矩阵D，矩阵元素d_ij＝dist(q_i,c_j)，其中dist表示距离计算函数，通常采用欧氏距离；

Step2：在矩阵D中搜索d₁₁到d_nm的最短路径，通常使用动态规划法；

Step3：将矩阵D中从d₁₁到d_nm的最短路径作为Q和C序列的相似度。