[发明专利]短期交通预测图卷积网络的路况评估方法

说明书

本发明涉及一种短期交通预测图卷积网络的路况评估方法，属于智能交通领域。通过将表示交通网络中节点的距离二元关系的邻接矩阵抽象为模糊关系矩阵，并通过计算出其传递闭包得到表达所有潜在节点之间联系的转移关系矩阵，并结合注意力机制的自学习矩阵得到基于当前输入的转移关系矩阵，然后将此矩阵用于图卷积过程。有益效果在于，通过权重学习表示出交通网络中数据的转移关系，提高了图卷积网络对交通数据流中动态空间依赖的捕捉能力。同时模型通过构建三类数据集考虑了交通流量中长时间跨度依赖，并通过因果空洞卷积考虑短时间跨度，提高了交通数据预测的准确性。

技术领域

本发明涉及一种短期交通预测图卷积网络的路况评估方法，属于智能交通和人工智能技术领域。

背景技术

在汽车工业水平大幅进步和居民经济水平日益提高的背景下，我国居民汽车保有量持续增加，由此带来交通拥堵、环境污染等问题也日益严重。发展绿色高效的智能交通系统是国家战略也是民心所向。交通流量是智能交通系统分析的重要数据，因为区域的交通流量情况可以很好地反映出该区域当前的交通状况。使用交通流历史数据分析出交通流的潜在规律从而对未来交通流量做出预测可以帮助交通管理者有效地提前干预交通、帮助参与者选择更优的行车路线从而缓解交通拥堵。但历史交通数据本身具备的高维度，高复杂性等特点，对其进行有效预测分析是一个有挑战的课题。

现有的道路交通流预测方法大致可以分为两种，一种是基于统计模型的方法，包括历史平均回归、卡尔曼滤波法、自向量回归等，这类方法受时间序列静态假设的限制，没有考虑时空相关性。另一种是近年来兴起的深度学习模型，这类方法往往能更好的捕捉交通流数据中复杂的非线性时空关系，从而达到更好的效果。但时空关系可能是动态变化的，不同路段在不同的时间节点彼此之间的影响可能是不同的，这种动态特征通常没有被有效捕捉。对交通路况的评估往往需要对交通网络的先验知识，本发明基于历史数据估计了两种对交通流状况的评测指标，可应用于不同的数据集，提高了深度模型的可应用性。

发明内容

针对交通流数据中动态时空特征以及提高交通流数据预测的准确性，本发明提出了一种短期交通预测图卷积网络的路况评估方法，从而克服现有技术中的不足。

本发明的原理在于，通过将表示交通网络中节点的距离二元关系的邻接矩阵抽象为模糊关系矩阵，并通过计算出其传递闭包得到表达所有潜在节点之间联系的转移关系矩阵，并结合注意力机制的自学习矩阵得到基于当前输入的转移关系矩阵，然后将此矩阵用于图卷积过程。

本发明通过以下技术方案实现，包括以下步骤：

步骤一：获取交通数据并进行预处理：获取交通路段的空间距离信息，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：获取交通各路段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路段，ε表示图的边集合，即交通网络中路段之间的距离信息；

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：