[发明专利]一种基于时空数据嵌入的交通流量预测方法

说明书

本发明公开了一种基于时空数据嵌入的交通流量预测方法，包括：获取历史交通流量数据；基于历史交通流量数据执行时空数据嵌入，包括：交通流量的区间表示：确定的每个交通流量所属区间以转化为对应交通流量区间；交通流量向量的生成：取所有交通流量区间作为输入数据，采用Word2vec模型将输入数据转换为嵌入数据，即对应的交通流量向量；基于交通流量向量提取时间特征得节点特征矩阵、提取电警设备之间的相关性得动态关联图；将节点特征矩阵和动态关联图输入图卷积神经网络，得到图卷积神经网络输出的预测结果。该方法可量化和度量交通流量之间隐含的相关性，提取高层次时间特征和动态关联图以进行有效建模，获得准确稳定的交通流量预测。

技术领域

本申请属于交通流量预测技术领域，具体涉及一种基于时空数据嵌入的交通流量预测方法。

背景技术

交通流量预测是时空预测中的一项典型任务，其目的是根据历史的交通流量来预测未来的交通流量。交通流量预测不仅可以预测潜在的道路拥堵来帮助管理者及时引导交通，还可以帮助出行者提前计划或调整出行路线。因此，实现准确、稳定的交通流量预测势在必行。然而，由于交通流量具有复杂的时空依赖性，获取精确的交通流量预测结果仍然是一个巨大的挑战。

目前，深度学习已经被广泛地应用于各个领域，因为它可以结合简单但非线性的模块来生成原始输入数据的多层次深度表示。最近，基于卷积神经网络(CNN)或图卷积神经网络(GCN)的高级深度学习模型已经被成功地应用于交通预测中。具体而言，基于CNN的模型将交通网络视为一幅图像，并在欧几里得空间(如二维矩阵或规则网格)中提取空间特征。基于GCN的模型将交通网络视为一个图结构，其中节点代表传感器(电警设备)，权重代表传感器之间的相关性，并通过对交通网络的非欧几里得拓扑结构进行编码来提取空间特征。与基于图像结构的CNN相比，GCN能够更好地利用交通网络固有的拓扑结构和传感器之间的异质相关性，从而获得更好的预测结果。

然而，CNN模型中简单的图像无法准确地表示交通网络的真实结构，因为交通网络具有不规则的非欧几里得拓扑结构。因此，传统的CNN无法有效地提取交通网络复杂的空间特征。其次，尽管大多数现有的基于GCN的研究能够获得较好的预测结果，但其只是构建了一个包含固定权重的静态图，无法准确地反映随时间变化而发生改变的传感器之间的相关性。因此，现有的关于深度学习的交通流量预测研究仍然存在一些不足。

发明内容

本申请的目的在于提供一种基于时空数据嵌入的交通流量预测方法，实现准确稳定的交通流量预测。

为实现上述目的，本申请所采取的技术方案为：

一种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；