[发明专利]基于特征融合的交通流预测方法

说明书

本发明涉及一种基于特征融合的交通流预测方法，包括如下步骤：步骤S1:获取历史交通数据，并进行时空相关性分析；步骤S2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取;步骤S3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；步骤S4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；步骤S5:将实时交通数据通过步骤S1‑S2处理后，输入最优的预测模型，得到预测的交通流量。本发明有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。

技术领域

本发明及智能交通领域，具体涉及一种基于特征融合的交通流预测方法。

背景技术

交通流量预测是实现智慧城市中智能交通系统(ITS)的关键部分。交通预测的目的是基于历史的交通数据对未来道路网络的交通状况进行预测。它在许多实际应用中扮演着重要角色。准确的交通状况预测是有效管理交通的基础，是对车辆进行更加合理的引导，提高公路网的运行效率的关键方法。此外，交通流是检测交通系统中交通状况的重要指标。它将为ITS中其他重要任务提供重要的路况信息，如预计到达时间和路线规划。由于其重要意义，它受到了学术界和产业界的广泛关注。

在大多数情况下，使用单个模型和单个数据集来对交通流预测所获得的性能是不够的。而且当历史数据集发生异常时，会严重影响预测性能。近年来，随着交通数据采集技术的不断发展，交通流的基本参数也逐渐变多。不同模态数据对交通状况的描述可能有所不一样，通过对多模态数据的融合可以获得更加全面的交通信息。且随着现代通信、计算设备和传感器的出现，收集和处理多模态数据成为的可能。数据融合(Data Fusion)是一种结合多种信息来源的技术集合，从而得出更好的判断。交通参数之间存在着一定联系，当某个模态数据发生异常时，另一个模态数据可以起到一定的协助作用。

发明内容

有鉴于此，本发明的目的在于提供一种基于特征融合的交通流预测方法，有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。

为实现上述目的，本发明采用如下技术方案：

一种基于特征融合的交通流预测方法，包括如下步骤：

步骤S1:获取历史交通数据，并进行时空相关性分析；

步骤S2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取；

步骤S3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；

步骤S4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；

步骤S5:将实时交通数据通过步骤S1-S2处理后，输入最优的预测模型，得到预测的交通流量。

进一步的，所述时空相关性包括周相关性、日相关性、邻近时间相关性和空间相关性。

进一步的，所述步骤S2具体为：

通过利用图卷积神经网络来挖掘相邻节点之间的数据相关性；

在空间相关性提取之后，再利用卷积神经网络来堆叠每个节点的相邻时刻信息来更新每个节点的信息。

进一步的，所述图卷积如下所示；

g_θ*Gx＝g_θ(L)x＝g_θ(UΛU^T)x＝Ug_θ(Λ)U^Tx,

式中，*G表示图卷积操作，g_θ为卷积核，x为交通流序列；L为拉普拉斯矩阵A是邻接矩阵，D为邻接矩阵的度。