[发明专利]一种基于时空图卷积-生成对抗网络的交通速度预测方法

说明书

一种基于时空图卷积‑生成对抗网络的交通速度预测方法，首先，根据城市路网结构，将路网中的路段作为图的节点，交叉路口作为连接节点的边，构建交通图网络；然后，通过城市路网中的车流速度检测器获取采样收集车流速度数据，构建特征矩阵，接着，通过本发明中构建好的时空图卷积网络(STGCN)作为生成对抗网络的生成器和全连接神经网络作为判别器，对抗生成交通速度数据，通过两者相互博弈训练，共同提升，最终得到一个最佳的交通速度预测模型。利用生成对抗网络最终的生成器生成最接近真实数据的交通状态数据预测值，达到本发明路网状态数据预测的目的。本发明可以实现更准确的交通速度预测。

技术领域

本发明涉及智能交通工程领域，尤其涉及一种城市路网交通状态预测方法。

背景技术

随着国民经济的不断提高，城市化建设不断推进，城市居民数量不断增加上升。伴随着居民生活生活水平不断提高，汽车数量也在保持着高速增长，同时城市交通路网也变得愈发错综复杂，交通运输问题的发生变得频繁并复杂。为了缓解城市缓慢而拥堵的交通状况，交通领域研究者开始从交通数据预测着手，通过预测得到的数据出发进一步改善城市交通状况。

因为交通速度具有很强的时变性，所以通常采用短时交通速度预测来进行数据分析。预测得到的数据不仅可以用于路况状态预测分析，为第三方服务提供支撑，改善交通导航系统，还可以为城市交通管理中心提供技术支持，实时调控交通信号控制方案，提高道路资源利用率。因此，交通数据预测现已成为交通行业理论研究者重点关注和研究的问题。

现今国内外已经提出了很多具有一点过代表性的交通速度预测方法。主要可以分为三类，第一类是统计理论模型，第二类是机器学习模型，第三类是现今火热的深度学习模型。城市道路交通系统是一个极其复杂的系统，天气状况、出行早晚高峰、工作日节假日、交通事故等因素都会以不同的方式影响整个交通系统的运作。因此，早期的统计理论模型和机器学习模型往往都不具备足够的模型复杂度去支撑高精度的预测，而深度学习却可以轻松做到。

现今存在的深度学习方法中有通过对时序交通数据进行分析预测，也有通过对交通空间结构特征提取进行分析预测。其中时空图卷积网络(STGCN)同时对时序交通数据和图空间节点邻域进行分析，但这些预测方法往往只是关注路网节点的二阶邻域内，忽略了交通路网的全局特征。

本发明将生成对抗网络技术通过结合生成对抗网络应用到交通数据预测领域，将时空图卷积网络作为生成对抗网络的生成器，提出一种新颖的交通速度预测方法。

发明内容

本发明要解决现有的时空图卷积网络交通速度预测方法忽略了路网全局特征的弊端，提出一种结合时空图卷积网络和生成对抗网络的短时交通速度预测方法，以提高交通速度预测的精度。

本发明首先使用时空图卷积网络提取交通速度的时序特征和空间特征，生成预测交通速度，然后使用生成对抗网络提取全局交通速度特征，对生成的交通速度数据进行打分，不断优化交通速度预测精度。

一种基于时空图卷积-生成对抗网络的交通速度预测方法，包括：

步骤1，构建邻接矩阵；根据城市交通路网各个路段之间的空间连接关系，构建交通路网拓扑结构图网络，将每个路段作为路网节点，通过路口相连的路段对应的节点相连起来，构建路网图，得到路段间的邻接矩阵，并处理得到拉普拉斯矩阵；根据采集得到的邻接矩阵A计算得到拉普拉斯矩阵L，并对拉普拉斯矩阵进行归一化处理，最终再进行特征分解。

步骤2，路网车流速度数据获取；通过城市路网车流检测器定时采样获取每个路段的交通速度时间序列；

步骤3，构建生成对抗网络(GAN)的生成器；在本发明中将时空图卷积网络(STGCN)作为生成器，将获取得到的交通速度时间序列和邻接矩阵输入图时空卷积神经网络，生成路网各个路段下一周期的交通速度的预测值；