[发明专利]基于多属性增强图卷积-Informer模型的长时序货运量预测方法

说明书

本发明基于多属性增强图卷积‑Informer模型的长时序货运量预测方法，属于长时序货运量预测方法技术领域；所要解决的技术问题为：提供基于多属性增强图卷积‑Informer模型的长时序货运量预测方法的改进；解决上述技术问题采用的技术方案为：建立交通流量时序信息数据集；建立货运车辆载货重量时序信息数据集；建立客观动态、静态外部影响因素数据集；构建时序属性增强特征矩阵；构建站点网络结构拓扑图，将计算得到的邻接矩阵的对称归一化拉普拉斯矩阵与时序属性增强特征矩阵同时作为图卷积神经网络模型的输入；将图神经网络模型输出的已编码长时序属性增强特征作为Informer框架的输入，进行训练并学习，最终实现对未来长时序货运量的预测；本发明应用于货运流量预测。

技术领域

本发明基于多属性增强图卷积-Informer模型的长时序货运量预测方法，属于长时序货运 量预测方法技术领域。

背景技术

随着我国国民经济高速发展，人民消费水平增长，数字电商等领域的兴起都大大促进了 物流运输行业的高速发展。公路货运作为最主要的货物流通方式，物流运输行业中的重要组 成部分，其发展规模持续扩大。在此发展过程中，公路建设现状也暴露出公路货运数字化水 平较低，数据挖掘与数据分析能力欠缺等问题，导致公路货运统筹安排及管理能力的不足。

近年来智慧交通系统(Intelligent Traffic System,简称ITS)越来越引起交通行业相关部 门重视，该系统运用多种先进尖端技术，如人工智能，大数据，云计算，5G通信与物联网 等，实现用数据驱动业务，深度挖掘数据价值，以应对路网规模扩张带来的各种挑战与机 遇，提升相关部门对交通行业宏观决策能力，同时提升公路货运统筹安排管理能力。

当前在交通情况调查系统的研究与应用上，单一属性的交通流量预测技术占据主要地 位，路网建设评价分析，行程时间预估等智慧交通新系统子系统的众多数据分析管理工作都 离不开对交通流量的实时监控与准确预测。例如经典的统计类模型，差分整合移动平均自回 归(ARIMA)模型方法以及支持向量回归(SVR)模型方法；对大规模高维非线性数据特 征分析能力更强的深度学习相关模型，深度置信网络以及堆栈自动编码神经网络；处理空间 信息的图卷积神经网络与处理时序信息的循环神经网络相结合的时空特征分析模型，上述模 型从不同角度切入，均从一定程度上实现了交通流量预测功能。但公路货运作为公路道路运 输的主要组成部分之一，主流方法中鲜有对这一指标的预测研究，且无法直接将现有主流方 法应用于该领域的一个重要原因在于单一属性的交通流量预测方法未考虑将货运量相关特征 与交通流量特征相关联。

另一方面，现存少数对货运量进行预测分析的解决方法也存在着对客观现实条件中动 态，静态特征考虑不全面的问题，例如未考虑天气因素对公路货运的影响，具体来说，天气 情况对道路运输状态能够产生较大影响，例如晴天道路运输效率较高，雨天，雾天等道路能 见路较低的天气，由于车速降低，拥堵等事件发生概率提升，道路运输效率通常下降明显， 该影响也将直接在货运量与交通流量中体现，因此采集天气数据作为货运量外部影响因素特 征之一的重要性不言而喻。再如对城市交通流量进行预测的场景中，多数方法曾提出采用兴 趣点信息作为静态信息对路段进行分类，兴趣点(POI)是地理信息系统中一个术语，着重 抽象与人们生活密切相关的地理实体，例如学校，银行，医院，餐馆等。兴趣点对城市交通 流量预测可提供足够特征信息，例如若该路段餐厅较多，则根据兴趣点信息分类为用餐路 段，在用餐高峰时间段该路段交通流量明显变化。但由于货运公路路段并没有足够参考的地 理对象，兴趣点信息也就无法对公路路段进行分类，亦无法对于公路货运提供足量有效特征 信息。