[发明专利]一种基于时空数据嵌入的交通流量预测方法

权利要求书

1.一种基于时空数据嵌入的交通流量预测方法，其特征在于，所述基于时空数据嵌入的交通流量预测方法，包括：

步骤1、获取历史交通流量数据：采集N个电警设备M个时间点的交通流量作为历史交通流量数据；

步骤2、基于历史交通流量数据执行时空数据嵌入，包括：

步骤2.1、交通流量的区间表示：

步骤2.1.1、取历史交通流量数据中交通流量的最大值和最小值作为交通流量范围的上限和下限，并将交通流量范围等距划分为P个区间，区间符号D_i代表第i个区间，1≤i≤P；

步骤2.1.2、确定历史交通流量数据中的每个交通流量的所属区间，并将每个交通流量表示为其所属区间的区间符号以转化为对应的交通流量区间；

步骤2.2、交通流量向量的生成：

步骤2.2.1、取历史交通流量数据中预设的时间步长内所有的交通流量区间作为输入数据，记为其中T表示时间步长，采用Word2vec模型将输入数据转换为嵌入数据其中Z表示交通流量向量的嵌入维度，即得到对应的交通流量向量；

步骤3、基于时空数据嵌入后得到的交通流量向量提取时间特征得到节点特征矩阵；

步骤4、基于时空数据嵌入后得到的交通流量向量提取电警设备之间的相关性得到动态关联图；

步骤5、将所述节点特征矩阵和动态关联图输入图卷积神经网络GCN中，得到图卷积神经网络GCN输出的预测结果，所述预测结果为所有电警设备未来T′个时间点的交通流量。

2.如权利要求1所述的基于时空数据嵌入的交通流量预测方法，其特征在于，所述区间D_i的下界vr_i,l和上界vr_i,u计算如下：

式中，vr_min和vr_max分别表示交通流量范围的下限和上限。

3.如权利要求1所述的基于时空数据嵌入的交通流量预测方法，其特征在于，所述基于时空数据嵌入后得到的交通流量向量提取时间特征得到节点特征矩阵，包括：

步骤3.1、以不同电警设备对嵌入数据进行划分，划分得到N个嵌入矩阵

步骤3.2、取滤波器组，该滤波器组中包含高度为H₁，H₂，...，H_G的G种不同高度，且每种高度具有R个滤波器；

步骤3.3、采用不同高度的滤波器对每个嵌入矩阵进行时间特征提取得到多个特征图，将所有特征图连接并展开后得到高层次的时间特征其中LT表示时间特征的长度；

步骤3.4、将所有嵌入矩阵对应的高层次的时间特征进行连接得到节点特征矩阵

4.如权利要求3所述的基于时空数据嵌入的交通流量预测方法，其特征在于，所述采用不同高度的滤波器对每个嵌入矩阵进行时间特征提取得到多个特征图，包括：

步骤3.3.1、选择高度为H_g的R个滤波器，g＝1,2,...,G，对第n个嵌入矩阵进行时间特征提取，n＝1,2,...,N，取嵌入矩阵W_n中第d行到第e行的元素得到的嵌入矩阵W_n的子矩阵

步骤3.3.2、设置滤波器的宽度为交通流量向量的嵌入维度Z，则高度为H_g的滤波器可表示为

步骤3.3.3、对子矩阵分别应用其一滤波器以获得相应的特征图FM，应用公式如下：

fm_s＝f(θ⊙W_n[s:s+H_g-1]+b_s),s＝1,2,...,T-H_g+1

式中，fm_s表示特征图FM的第s个组成部分，f(·)表示激活函数，⊙表示子矩阵和滤波器之间的点积，b_s表示偏置项。

5.如权利要求1所述的基于时空数据嵌入的交通流量预测方法，其特征在于，所述基于时空数据嵌入后得到的交通流量向量提取电警设备之间的相关性得到动态关联图，包括：

步骤4.1、计算电警设备的平均交通流量向量：

式中，表示第x个电警设备在时间步长T内的平均交通流量向量；T表示时间步长；表示在时间步长T内第x个电警设备的第t个交通流量向量；

步骤4.2、计算第x个电警设备和第y个电警设备的相似度：

式中，Sim(x,y)为第x个电警设备和第y个电警设备的相似度，y＝1,2,...,N，和分别表示平均交通流量向量和的第z个分量；

步骤4.3、计算第x个电警设备和第y个电警设备之间的距离Dis_x，y；

步骤4.4、基于第x个电警设备和第y个电警设备的相似度和距离得到动态相关性：

式中，A_x,y表示第x个电警设备和第y个电警设备之间的动态相关性，α和β表示权值系数；σ₁表示相似度的标准差；σ₂表示距离的标准差；ε表示阈值；

步骤4.5、获得动态关联图，所述动态关联图为不同时间段计算得到的加权邻接矩阵A的组合，时间段的时间跨度对应时间步长，所述加权邻接矩阵A为以A_x,y为元素的N×N维矩阵。