[发明专利]一种基于特征交叉的图卷积神经网络的交通预测方法

说明书

本发明涉及交通情况预测技术领域，公开了一种基于特征交叉的图卷积神经网络的交通预测方法；通过交通预测模型对当前的交通情况进行预测，交通预测模型包括编码模块、注意力机制变换层以及解码模块；将能够反应交通情况的交通领域数据集依次经过编码模块、注意力机制变换层以及解码模块的处理，得到预测结果；本发明在时间和空间维度上，能够显示地利用邻接节点的二阶、三阶交叉特征，从而显示地捕获不同邻接节点的非线性特征；通过端到端的编码模块‑解码模块的技术框架，对于空间嵌入向量和时间嵌入向量，不仅使用了一阶线性加权特征，还使用成对的二阶、三阶特征相互作用，可以更好地捕捉空间和时间中的非线性关系。

技术领域

本发明涉及交通情况预测技术领域，具体涉及一种基于特征交叉的图卷积神经网络的交通预测方法。

背景技术

交通预测是智慧交通系统领域一个基本且关键的问题。它的主要问题是通过某一地区历史的时空网络序列数据，去预测在未来不同时间段的车流和车速等，这对于降低交通事故和提升公共安全至关重要。随着车辆的需求越来越广泛，人们对智能导航、智慧交通系统的依赖也越来越大。交通预测可以有效地节约人们的时间和避免交通堵塞。但是历史的交通数据涉及到复杂的网络节点，具有高维度、高复杂性、时空依赖性等特征，使得对车流和车速等参数的预测变得困难。

交通预测多年来一直得到人们的高度重视，尤其是近些年深度学习流行起来之后，相关的方法更是多种多样。目前主流的交通预测方法有：

(1)基于传统的机器学习方法，例如k-近邻算法和SVM算法，这些方法的训练时间短，速度快。但是由于是浅层神经网络，这些传统机器学习方法不能很好的使用高阶的非线性特征，也不能捕获时空数据的依赖性，因此效果较差。

(2)基于卷积神经网络(CNN)的方法，基于CNN的方法在一定程度上能捕获高阶非线性特征，但是并不善于处理非欧的道路网络数据。

(3)基于图神经网络(GNN)的方法，目前主要有两类基于GNN的方法，一类是采用谱空间的，一类是采用频域空间。扩散卷积递归神经网络(DCRNN)提出了一种混合卷积递归神经网络，利用混合图卷积代替GRU中的全连接层。结构学习卷积神经网络(SLCNN)利用时空图结构学习来扩展了传统的CNN模型，并且学习动态的图结构。时空同步图卷积网络(STSGCN)通过精心设计的时空同步建模机制，能够有效捕捉复杂的局部时空相关性。基于注意力的时空图卷积网络(ASTGCN)使用时空注意力机制来学习动态交通数据的时空相关性。图多头注意力网络(GMAN)整体采用了Encoder-Decoder的结构。深度时空图卷积网络(WaveNet)通过堆叠扩张的一维卷积组建，可以处理非常长的序列。然而这些方法都没有采用交叉信息，因此较难捕获显性的高阶非线性特征。

发明内容

为解决上述技术问题，本发明提出一种基于图神经网络的新的聚合算子，力求能捕捉更高阶的交叉信息，显示地利用了节点之间的二阶、三阶交叉特征，从而在交通预测时更准确地预估在未来一段时间(例如15分钟、30分钟、60分钟内)该地区交通的速度、流量等指标。

为解决上述技术问题，本发明采用如下技术方案：

一种基于特征交叉的图卷积神经网络的交通预测方法，通过交通预测模型对当前的交通情况进行预测，交通预测模型包括编码模块、注意力机制变换层以及解码模块；编码模块和解码模块均包括k个交叉时空注意力机制层，每个交叉时空注意力机制层包括L个注意力机制模块；将能够反应交通情况的交通领域数据集依次经过编码模块、注意力机制变换层以及解码模块的处理，得到预测结果；

具体包括以下步骤：