[发明专利]基于图网络的多元交通流预测方法

说明书

本发明公开了一种基于图网络的多元交通流预测方法，包括：S1、获取用于交通流预测的多元交通流历史数据；S2、基于所述多元交通流历史数据，对每一个交通流属性，分别构建一个独立的动态关系图；S3、将各交通流属性的动态关系图进行融合，转化为属性间相互联系的融合动态关系图网络；S4、基于所述融合动态关系图网络，利用图注意力网络学习交通流属性之间和路段之间的潜在空间依赖关系，提取空间依赖特征，构建基于图网络的多元交通流预测模型；S5、训练所述基于图网络的多元交通流预测模型；S6、根据训练得到的多元交通流预测模型，进行短时交通流预测。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于图网络的多元交通流预测方法。

背景技术

交通流预测是智能交通系统建设中的重点问题，准确的交通流预测对于提升道路同行效率以及促进节能减排具有重要现实意义。

目前已有不少研究者提出了众多的交通流预测方法，主要包括从交通流的时间特性、空间特性及时空依赖等方面研究交通流的预测问题。

交通流主要的特征属性包括交通流量、平均速度、道路占用率三个方面，三者之间存在紧密联系而又有所不同，目前大多数的交通流预测方法针对于其中的一种属性进行预测，对交通流整体状况的反映不够全面。

真实世界中的交通流往往呈现出多属性(流量、速度等)、多变量(路网中的多路段)间的高度依赖。一些预测方法依靠于复杂结构的深度学习方法，结合多种网络结构将多属性、多变量之间的交互进行封装学习，来挖掘交通流的复杂时空特性，难以完全利用属性和变量之间的潜在依赖关系，而且往往使得深度学习预测网络的结构变得复杂。

大多现有方法难以完全自主地学习交通流属性之间和路段之间的潜在空间依赖关系，若想达到良好的预测效果，往往需要根据现有的空间结构或领域专家的先验知识，如借助先验的路网结构来更好地获取空间依赖特性，在无先验知识的情况下模型自主学习路段空间依赖关系的预测算法很少。

发明内容

为克服现有技术的不足，本发明提出一种基于图网络的多元交通流预测方法，可以在无先验知识的情况下由模型自主学习多元交通流的交通流属性之间和路段之间的空间依赖，实现对短时交通流量更精准的预测。

一种基于图网络的多元交通流预测方法，包括以下步骤：S1、获取用于交通流预测的多元交通流历史数据；S2、基于所述多元交通流历史数据，对每一个交通流属性，分别构建一个独立的动态关系图；S3、将各交通流属性的动态关系图进行融合，转化为属性间相互联系的融合动态关系图网络；S4、基于所述融合动态关系图网络，利用图注意力网络学习交通流属性之间和路段之间的潜在空间依赖关系，提取空间依赖特征，构建基于图网络的多元交通流预测模型；S5、训练所述基于图网络的多元交通流预测模型；S6、根据训练得到的多元交通流预测模型，进行短时交通流预测。

进一步地，步骤S1中，获取所述多元交通流历史数据包括：获取路网中所有路段在时间间隔[1,T]内的多元交通流历史数据，以时间序列X＝[X₁,X₂,…,X_T]表示；其中，表示路网中所有路段在t时刻的流量、平均速度和路段占有率，t∈[1,T]，n表示路段数量。

进一步地，步骤S1还包括对所述多元交通流历史数据进行如下预处理：提取t时刻的多元交通流历史数据作为输入，t+1时刻各个路段交通流特征的实际值作为标签。

进一步地，步骤S2包括：针对流量、平均速度和路段占用率三种交通流属性，分别使用自注意力机制学习路段节点间的相互邻接关系，以两个路段节点间的注意力得分作为动态关系图中节点之间连边的权重，得到各交通流属性的独立的动态关系图。

进一步地，步骤S2包括：将路段作为动态关系图的节点，通过如下方法计算任意两个路段节点的注意力得分：