[发明专利]一种基于时空融合图神经网络的交通流量预测方法

权利要求书

1.一种基于时空融合图神经网络的交通流量预测方法，其特征在于该方法包括以下步骤：

步骤1：数据预处理，包括使用DILATE算法计算节点的历史时间序列相似度，构建时间图。

步骤2：数据输入阶段，将空间图，时间图和时间连接图通过矩阵乘法形成时空融合图。

步骤3：模型正式训练阶段，使用基于时空融合图神经网络的交通流预测方法进行训练。

步骤4：模型测试阶段，使用训练好的模型在数据集上进行消融实验。

2.根据权利要求1所述的一种基于时空融合图神经网络的交通流量预测方法，其特征在于，所述步骤1中的数据预处理模块，具体步骤为：

步骤1_1加载data文件夹下的数据文件。

步骤1_2通过Temporal_Graph_gen.py程序下的代码生成时间图，输入流量数据的形状为(Total_Time_Steps，Node_Number)。

步骤1_3将数据集数据以6：2：2的比例拆分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于时空融合图神经网络的交通流量预测方法，其特征在于，所述步骤2中的数据输入模块，具体步骤为：

步骤2_1将由数据集提供的空间图A_SG，由DILATE算法生成的时间图A_TG和时间连接图A_TC相乘，考虑k个时间步时会生成A_STFG，对A_STFG进行多次矩阵相乘，与其对应的节点特征构成的输入矩阵为h⁰＝[X_G^(t),…,X_G^(t+K)]∈R^K×N×d×C。

步骤2_2图乘法块中使用LSTM中的门控机制。

步骤2_3每层引入残差连接和极大池化操作。最后，保存中间时间步对应的特征作为输出。输入数据将独立并行地通过多个STFGN模块，它们地输出将被拼接并加上门控卷积模块的输出，并作为下一个STFGN层的输入。

步骤2_4引入具有较大扩张率的门控卷积。

步骤2_5使用Huber Loss作为整个模型训练的损失函数。

4.根据权利要求1所述的一种基于时空融合图神经网络的交通流量预测方法，其特征在于，所述步骤3中的正式训练模块，具体步骤为：

步骤3_1将训练数据输入到初始化的模型中。

步骤3_2将通过A_STFG多次矩阵相乘得到的多个邻接矩阵作为图乘法块的输入，图乘法块的计算公式如下：

H^l+1＝(A*h^lW₁+b₁)⊙σ(A*h^lW₂+b₂)

其中h^l表示的第l层的隐藏状态，W、h和b均为可学习的参数。

步骤3_3在图乘法块之间加上残差连接。

步骤3_4为每个区块引入剩余连接。

步骤3_5在每个隐藏状态的串联上进行最大池化操作，公式如下所示：

MaxPool([h¹,…h^L])∈R^K×N×d×C

步骤3_6删除上一个和下一个时间步的节点的所有特征，仅保留中间时刻的节点，公式如下所示：

步骤3_7将每个STFGN模块的输出与CNN的门控输出连接起来，并作为下一个STFGN层的输入，每个STFGN模块输出的大小为R^{(T-K+1)×N×d×C}。

步骤3_8每个STFGN层将输入从t减少到t-k+1的时间维度，即STFGN层可以叠加到层。

步骤3_9不断迭代得到优化后的模型。

5.根据权利要求1所述的一种基于时空融合图神经网络的交通流量预测方法，其特征在于，所述步骤4中的模型测试模块，具体步骤为：

步骤4_1默认STGNet的配置为大小为k＝4的A_STFG，A_TG的非零比率约为1％，将选中卷积模块添加到每个STFGN层。

步骤4_2进行不同组件配置的消融实验。

步骤4_3计算MAE、MAPE和RMSE的指标，与STGNet模型进行对比。