[发明专利]一种基于MGCN的交通预测方法

说明书

本发明提供了一种基于动态时空多图卷积的交通预测方法。合理预测未来的交通状况可以有效的避免交通拥堵，为人们出行留出规划时间。但复杂的交通网络及非线性的时间依赖性使得交通预测非常具有挑战性，现有的方法也缺乏对交通数据的动态时空相关性进行建模的能力，预测结果难以令人满意。因此本发明提出了一种基于图卷积和注意力机制的动态时空多图卷积神经网络(MGCN)。模型主要包括时空图卷积模块，用于捕捉交通网络全面且动态的时空相关性。随后，在两个解码器上分别沿着时空维度解析未来交通状况，聚合多维信息。在两个真实大规模数据集上进行了充分的实验，实验结果表明本发明设计模型的有效性和优越性，并且达到了很好的预测水平。

技术领域

本发明专利涉及一种交通预测方法，在智慧城市建设领域具有极其重要的应用前景。

背景技术

随着城市化进程的不断发展，交通拥堵等一系列交通状况逐渐成为智慧城市建设道路上所必须面临的重大难题，因此对未来的交通状况进行预测是非常有必要且有意义的。交通预测的目的是使用每段道路的历史交通数据来预测未来的交通数据。此外，由于交通流量变化的不稳定性和交通路网结构的复杂性，可靠的交通预测成为智能交通系统中一个新的挑战，准确的交通流量预测可以改善交通状况，缩短行人出行时间，大量减少了碳排放。

在广泛的研究中，虽然早期传统方法及其扩展应用在交通预测领域都已经取得了很大的成功，但同时也受到了一定限制，比如自回归积分移动平均线和机器学习方法中的向量自回归(VAR)，支持向量回归(SVR)，这些方法都基于理想的假设，而这在复杂的时空交通数据中往往不成立。并且这些方法都依赖于人工设计的特征属性，无法公平准确的体现其数据本身的特征。随着深度学习的兴起，卷积神经网络(CNN)、图卷积网络(GCN)等卷积神经网络被用于挖掘交通数据复杂的空间特征，而处理交通数据中非线性时间特征时，主要用到了长短时记忆(LSTM)、门控循环单元(GRU)等方法。深度学习在最近的交通流预测研究中已经有了广泛的应用。与传统模型不同的是深度神经网络模型具有足够大的容量以及学习能力，因此有很大的改进空间。目前基于深度学习方法构建的模型，虽然在预测性能上有了显著的提升，但是仍然存在一些局限性，为了应对上述挑战，本发明提出了一种基于深度学习的时空交通流预测网络MGCN。

发明内容

为了克服早期研究出现的各种问题，发明了一种动态时空多图卷积交通预测方法。具体来说，这是一种新的时空融合方法，空间维度上动态的考虑其复杂的空间依赖性，时间维度上使用一种新的自相关融合模块来更好地聚合历史交通信息。随后，为了提高对路网结构中复杂空间关系的建模能力，本发明结合静态图卷积和动态图卷积来捕捉交通网络结构复杂的局部和全局空间依赖性。整体模型采用一种新的编码器和解码器架构，在解码器中，不仅考虑了空间上相邻传感器之间的联系并且设计了时间维度上的一种邻接矩阵。最后，在两个真实数据集上进行了大量的实验，验证了所设计的框架的可行性和有效性。

本发明主要包括五个部分：(1)确定模型的输入输出。(2)数据集处理。(3)构建基于动态图卷积的动态时空多图卷积网络模型。(4)构建整体MGCN模型。(5)方法有效性验证。

下面分别介绍以上五部分的内容:

确定模型的输入输出。速度数据集作为本方法的输入，其中两者包括速度值、经纬度、开始时间、结束时间等属性。给定交通网络中N个传感器在T_h个时间步的历史交通数据模型的目的是学习一个函数f，它能够预测所有传感器在未来T_h个时间步的交通状况。具体可表示为：

1、数据集预处理。数据集预处理主要包括标准化等处理。速度数据从城市中分布的各个传感器中提取得到。得到的流速度数据通常存在异常值和一些噪音，采用标准化处理可以间接通过中心化避免异常值和极端值的影响。