[发明专利]一种基于多模式动态残差图卷积网络的交通流预测方法

说明书

本发明公开了一种基于多模式动态残差图卷积网络的交通流预测方法，包括：对交通站点历史流量数据，构造关系矩阵和自适应矩阵学习站点依赖关系；利用多模式动态图卷积提取不同交通模式对应的流量特征；将图卷积嵌入到门控循环神经网络中，实现交通流量空间依赖和时间依赖的结合；利用动态残差连接网络，将输入流量数据与解码端数据结合，获得最终预测值。本发明利用两种不同的方法构造邻接矩阵，有效地捕捉不同交通模式对应的流量特征，并动态融合两种不同模式的交通流量特征，通过将多模式动态图卷积替换门控循环神经网络中的线性变换操作，将结合多模式动态图卷积和门控循环单元重新组成，从而实现同时捕捉交通流量的空间依赖性和时间依赖性。

技术领域

本发明属于交通流预测领域，特别是涉及一种基于多模式动态残差图卷积网络的交通流预测方法。

背景技术

城市交通拥堵不仅是造成交通事故的重要原因，也是阻碍城市发展的重要因素之一。随着互联网技术的不断发展，网络、监控、各类电子传感器设备被广泛应用于城市道路交通管控，如此产生海量的交通数据，诸如车辆轨迹数据、交通流量数据、车辆车速数据等，这些数据可以被用来学习交通轨迹的变化规律、交通流量的拥堵情况以及交通事故的判断等。因此，从历史交通流量数据中学习流量的时间变化规律，可以提预测未来时刻城市区域或道路的交通拥堵情况，从而城市交通规划部分能够做出相应的防范疏导措施，及时疏散拥堵流量以避免交通事故发生。这对于城市交通安全保障和维护社会稳定性至关重要。

然而，城市交通流量往往受道路环境影响。由于交通网络的拓扑结构复杂，交通路网中可能存在多种不同的交通模式同时影响路网的交通流量，并且可能同时受到不同因素的影响，如复杂的交通路网结构、天气情况和突发事件。如何从交通流量中学习得到不同交通模式流量的特征，并融合各种特征是交通流量预测的一个难点。

发明内容

本发明的目的是提供一种基于多模式动态残差图卷积网络的交通流预测方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于多模式动态残差图卷积网络的交通流预测方法，包括：

构建邻接矩阵，基于所述邻接矩阵获取不同交通流模式；

对所述不同交通流模式进行动态融合；

基于历史数据和融合后的数据预测未来流量。

可选的，所述邻接矩阵包括关系矩阵和自适应矩阵，所述关系矩阵为：

其中，下标t_a表示生成关系矩阵的第一个时间步，τ表示用τ个历史时间步的流量数据来构造关系矩阵，softmax表示激活函数。

所述自适应矩阵为：

其中，E₁、E₂均为学习节点，ReLU为ReLU损失函数，T表示矩阵的转置。

可选的，基于所述邻接矩阵获取不同交通流模式的过程中，所述不同交通流模式包括：时间交通依赖和空间交通依赖；

基于所述关系矩阵获取所述时间交通依赖，基于所述自适应矩阵获取所述空间交通依赖。

可选的，对所述不同交通流模式进行动态融合的过程中包括：对所述时间交通依赖和所述空间交通依赖进行时空融合。

可选的，对所述时间交通依赖和所述空间交通依赖进行时空融合的过程中，采用以下公式进行融合：

h＝W_rel×h_rel+W_ada×h_ada