[发明专利]短期交通预测图卷积网络的路况评估方法

权利要求书

1.短期交通预测图卷积网络的路况评估方法，其特征在于包括以下步骤：

步骤一：获取交通数据并进行预处理：获取交通节点的空间距离信息，用于构建交通网络的图结构；获取的交通流数据建立交通流数据集，提取每个节点的自由行驶速度和最大自由通行流量，然后将历史交通数据按交通节点数N、特征数量F、时间序列T三个维度整理成N×F×T的多维数据集，对缺失数据进行缺失补齐，并进行归一化处理最后划分训练集和测试集；

其中N表示交通节点数，即的大小；F表示收集的交通流数据特征总数，T表示时间序列；

步骤1.1：获取各交通节点之间的空间距离信息，用于构建交通网络有向加权图的结构，交通网络有向加权图表示如下：

其中表示图的顶点集合，即交通网络中的所有节点，ε表示图的边集合，即交通网络中节点之间的距离信息；

用来表示的自循环有向加权邻接矩阵，的对角线元素为1，如果是ε中的一条边，则等于和之间的归一化距离；

步骤1.2：提取每个节点的自由行驶速度V_free和最大自由通行流量MaxF_free；自由行驶速度对历史数据均匀取样后按各节点凌晨时段的历史平均速度数据去噪后平均估计得到，最大自由通行流量按各节点在自由行驶速度向上向下取整范围内的速度对应的流量数据集合取部分最大值平均估计得到；

步骤1.3：建立交通流数据集数据集结构表示如下：

其中N表示交通节点数，即的大小；F表示收集的交通流数据特征总数，T表示时间序列；用表示节点i在t时刻的所有交通特征数据；

缺失数据补齐规则：在连续缺失值少于等于3个时采用线性插值，大于3个时采用上个数值、昨天数值与上周数值加权平均，数据补齐后按照采用0均值归一化方法对数据集进行归一化处理，归一化公式如下：

x＝(x-mean)/std (3)

其中mean表示该交通特征数据的平均值，std表示该交通特征数据的标准差；

步骤二：对多维数据集划分为小时趋势数据、天趋势数据、周趋势数据：三类数据具有相同的目标值，小时趋势的输入值为目标值时段前几个小时时间段的数据,天趋势的输入值为前几天相同目标时间段与小时趋势同长度的前几个小时的数据，周趋势的输入值为近几周前相同目标时间段的与小时趋势同长度的前几个小时的数据；

步骤2.1周趋势数据、天趋势数据、小时趋势数据从步骤一中的数据集产生；

假设预测时间长度为p,则目标值为[X_t,X_t+1,...,X_t+p]，生成规则如下:

小时趋势数据：

X_h＝[X_t-n,X_t-n+1,...,X_t-1]

其中n表示取与目标值相邻的前n个时间步；

天趋势数据：

X_d＝[X_(t-n)-dt*dn,X_{(t-n+1)-dt*dn},...,X_(t-1)-dt*dn；X_{(t-n)-dt*(dn-1)},X_{(t-n+1)-dt*(dn-1)},...,X_{(t-1)-dt*(dn-1)}；......；X_(t-n)-dt,X_(t-n+1)-dt,...,X_(t-1)-dt]

其中dt为一天的时间长度,dn表示取与目标值相邻的前dn天；

周趋势数据：

X_w＝[X_(t-n)-wt*wn,X_{(t-n+1)-wt*wn},...,X_(t-1)-wt*wn；X_{(t-n)-wt*(wn-1)},X_{(t-n+1)-wt*(wn-1)},...,X_{(t-1)-wt*(wn-1)}；......；X_(t-n)-wt,X_(t-n+1)-wt,...,X_(t-1)-wt]

其中wt为一周的时间长度,wn表示取与目标值相邻的前wn个周；

步骤三：构建基于模糊关系的短期交通预测图卷积网络：构造时空卷积单元，每个单元包括时间注意力模块、空间注意力模块、模糊关系图卷积模块、门控空洞因果时间卷积模块；通过时空卷积单元的堆叠，完成对交通流张量的时空特征提取，最后构建全连接层通过relu非线性回归得到预测结果；

步骤3.1：时间注意力模块用于捕获输入数据之间的动态时间相关性，即找到当前输入X中相关性较高的时间步：

P＝V_p·tanh((X^TU₁)U₂(U₃X)+b_p) (4)

其中为时间注意力矩阵，T为输入的时间步长；V_p,U₁,U₂,U₃,b_p为可学习的参数，采用tanh激活函数；

P中各元素的值表示输入时间序列中不同时间步长之间的动态联系程度；然后对P使用softmax函数进行归一化处理，然后用P乘以输入X得到根据时间相关性动态调整后的输入X；

步骤3.2：空间注意力模块：

S＝V_s•tanh((X W₁)W₂(W₃X^T)+b_s) (5)

其中为空间注意力矩阵，N为交通节点数；V_s,W₁,W₂,W₃,b_S为可学习的参数，采用tanh激活函数；S中各元素的值表示当前输入中不同交通节点之间的动态联系程度；然后对S使用softmax函数进行归一化处理；

步骤3.3模糊关系图卷积网络模块：对步骤一中得到的有向加权邻接矩阵视为模糊关系矩阵，表示各交通节点之间的传递转移关系，对矩阵求传递闭包初始化为按下式迭代计算ln(N)+1次，N为交通节点数：

采用K阶近似切比雪夫多项式图卷积来获取交通流数据中各节点之间空间依赖：

其中由步骤1.1中的拉普拉斯矩阵计算得到，表示k阶切比雪夫多项式，采用k阶切比雪夫多项式近似能大大降低计算复杂度；

将步骤3.2中得到的S空间注意力矩阵结合得到路况的动态联系后应用到K阶近似切比雪夫多项式图卷积中来获取不同交通节点之间的动态依赖，增强对空间特征的提取，过程表示如下：

其中⊙表示哈达玛积；

步骤3.4时间卷积模块：

采用K层门控空洞因果卷积来获取交通流数据中交通节点的时间依赖；

其中*表示空洞因果卷积操作，Φ表示卷积核参数，tanh是输出的激活函数，sigmiod函数决定了当前输入传递给下一层的比率；K层空洞因果卷积结构通过跳过部分序列扩大卷积的感受野，同时使序列变得更加光滑，增强模型鲁棒性；

步骤四:构建三个并行模型：三个并行模型具有相同的网络结构，每个网络结构由时空卷积单元堆叠，最后一层添加全连接层构成；三个并行模型分别处理周趋势数据、天趋势数据和时刻趋势数据，最后将得到的三个预测结果通过参数加权得到最终预测结果；融合过程如下：

其中W_w,W_d,W_r为可学习的加权参数，为三个子模型的预测值，为模型最终预测结果；

步骤五:训练深度模型优化参数实现短期交通流的实时预测：将训练集作为深度模型的输入，定义模型的损失函数，根据损失函数数值利用反向传播算法不断更新模型参数；待参数模型收敛后利用训练好的模型对测试集进行实时交通流预测；

定义模型的损失函数，训练模型：

选用L1损失函数，其中Y为真实交通数据目标值，为模型预测值，θ为模型中所有可学习参数，通过反向传播算法寻找相对最优参数，反向传播算法中的梯度计算与参数更新均采用Adam优化器；

步骤六：实时交通流的路况评估：将实时交通流数据输入到上述训练好的模型，得到预测车速和流量，再根据自由行驶速度和最大自由通行流量计算行驶时间指标TTI和道路流量指标RFI，按照两个指标对交通状态的隶属度函数以及专家经验进行交通状况进行模糊综合评价；

步骤6.1：TTI,RFI指标两者计算公式如下：

其中V_free自由通行速度，V_current为当前速度；

其中MaxF_free表示最大自由通行流量，F_current表示当前流量；

TTI指标的理论取值范围为[1,+∞]，由于自由通行速度为平均估计数据以及考虑到超速情况，对于小于1的值按向上取整处理，RFI指标的理论取值范围为[1,+∞]，将两者归一化按下式归一化处理：

步骤6.2：根据模糊理论，得到因素论域U＝{TTI,RFI}，将交通等级论域：

V＝{完全畅通,基本畅通,轻微拥堵,中度拥堵,严重拥堵}，采用TTI和RFI的隶属度函数，高斯隶属的函数的公式为：

在TTI中的三个高斯隶属度函数的k取值依次为[0.3,0.5,0.7],r的取值依次为[0.07,0.08,0.08]；

在RFI中的三个高斯隶属度函数的k取值依次为[0.25,0.4,0.55],r的取值依次为[0.07,0.08,0.09]；根据隶属度函数计算得到的TTI和RFI指标得到模糊关系矩阵R:

r_ij表示模糊关系矩阵R中第i个指标对第j个交通等级的隶属度，随后根据专家经验确定评判因素权向量A＝{a₁,a₂},a_i是U中第i个因素对交通等级评判的重要性分配权重，设置为a₁＝0.5,a₂＝0.5；选择合适的评论合成算子，将A与R合成得到综合评判B＝(b₁,b₂,b₃,b₄,b₅)，采用算子，其中运算符表示求和取与1比较的较小值：

其中B为模糊综合评价论域，b_i为评价隶属值。

2.根据权利要求1所述的短期交通预测图卷积网络的路况评估方法，其特征在于：所述步骤一中，F表示收集的交通流数据特征总数，至少包括车流量、平均速度。