[发明专利]交通流量预测方法及系统

说明书

本发明提供了一种基于时空图神经网络模型的交通流量预测方法及系统，包括如：获取PeMS数据，以构建交通路网拓扑图；按预设时长跨度划分时间段，并对划分的每个时间段分别建立网络分支；提取所述网络分支的空间特征和时间特征；聚合提取的所述空间特征和所述时间特征，以获取能够预测交通流量的神经网络模型。本发明利用图卷积提取空间特征，利用二维卷积提取时间特征，相比传统方法来说，能够同时提取空间依赖和时间依赖。

技术领域

本发明涉及交通流量的预测技术领域，尤其涉及一种基于时空图神经网络模型的交通流量预测方法及系统。

背景技术

智能交通系统正在大力发展，交通数据预测问题是其中的重要组成部分。车流量是反映公路运行状态的主要参数之一，如果能够提前准确地对车流量进行预测，事先对车辆进行疏导，可以提高路网的运行能力和效率，降低人们的出行时间和成本，减少交通事故，保障交通安全。

交通流量预测是典型的时空数据预测问题，不同类别的交通数据内嵌于连续空间，并且随时间动态变化，因此，有效提取时空相关性对解决这类问题至关重要。早期的时间序列预测模型只能用于数据相对稳定、呈线性变化的预测问题，很难适应实际需求。随后发展起来的机器学习方法虽然能对更复杂的数据进行建模，但仍然很难同时考虑交通数据的时空相关性。如利用卷积神经网络(CNN)可以有效提取网格数据的空间特征，但CNN无法捕捉到时间特征，且因为网格的存在，空间特征被稀释了。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种交通流量预测方法及系统。

根据本发明提供的一种交通流量预测方法，包括如下步骤：

获取PeMS数据，以构建交通路网拓扑图；

按预设时长跨度划分时间段，并对划分的每个时间段根据所述交通路网拓扑图分别建立网络分支；

提取所述网络分支的空间特征和时间特征；

聚合提取的所述空间特征和所述时间特征，以获取能够预测交通流量的神经网络模型。

进一步，所述的获取PeMS数据，以构建交通网络拓扑图包括如下步骤：

获取所述PeMS数据；

将所述PeMS数据集中的传感器作为所述交通路网的拓扑图的节点；

将所述传感器收集到的路网车流量、车速、车道占有率作为所述节点的特征向量，以得到所述交通网络拓扑图。

进一步，所述预设时长跨度至少包括如下时长跨度：

最近2小时；

最近6小时；

一日；

一周。

进一步，所述最近2小时对应了交通流量的具有随机特征的短视预测；

所述最近6小时对应交通流量的具有周期性特征的短时预测；

所述一日对应交通流量的中长期预测；

所述一周对应交通流量的长期预测。

进一步，所述的提取网络分支的空间特征和时间特征包括如下步骤：

在空间维度上，聚合所述网络分支的节点特征，以形成空间卷积模块，提取得到所述空间特征；

在时间维度上，利用长短期记忆网络，以提取得到所述网络分支的时间特征。

进一步，在提取所述空间特征时，采用多头注意力机制提高网络模型的聚合效率；

采用空洞卷积扩大感受视野。