[发明专利]一种交通流量补全与预测方法

权利要求书

1.一种交通流量补全与预测方法，其特征在于，所述的方法包括以下步骤：

1)离线模块主要对路况历史交通信息进行采样，路况信息包括车流量、车速、通行时间、天气以及拥堵信息；

2)补齐缺失数据，过程如下：

2.1)以固定的时间窗TX将采集的流量数据分割成多个道路流量快照，若每个流量快照的节点数据缺失个数i≤ε,则把这些快照组合成完整道路流量快照集合TR＝(tr_i)_N×TX×k，tr_i为第i张完整道路流量快照，k为完整的流量快照个数；剩余的流量快照组合成缺失的道路流量快照集合LA＝(la_i)_N×TX×l，la_i为第i张完整道路流量快照，l为缺失的流量快照个数；

2.2)对于完整的道路流量快照,随机删除每个节点的交通信息，得到删除后的道路流量快照集合以及删除区域的掩码M＝(m_i)_N×TX×k，其中掩码由0，1构成，0表示未删除的节点的交通信息，1表示已删除的节点交通信息，把这些数据输入由卷积与反卷积神经网络构成的数据补全模型中，输出流量快照集合PR＝(pr)_N×TX×k，用L2距离表示数据补全模型的损失函数，公式如下：

L_rec(x,M)＝||M⊙(G((1-M)⊙x)-x)||²

其中⊙表示元素之间的点乘，G(·)表示数据补全模型得到的输出，x表示数据补全器模型的输入；

2.3)把数据补全模型得到的输出PR与完整的道路流量快照集合TR输入到鉴别器网络模型中，然后不断的交替更新数据补全模型与鉴别器模型，直到数据补全模型得到的输出无法被鉴别器模型所鉴别，停止模型更新，公式如下：

L＝αL_rec+βL_adv

其中，D(·)表示鉴别器模型的输出，L_adv表示鉴别器模型的损失函数，L表示数据补全模型与鉴别器模型联合损失函数，α、β分别表示数据补全模型与鉴别器模型损失函数的权值；

2.4)把缺失的流量快照集合LA输入到数据补全网络模型中，补齐缺失值，得到补齐后的流量快照集合LA'＝(la_i')_N×TX×l，然后把补齐后的流量快照集合和完整的流量快照集合拼接在一起，最终得到完整的流量数据

3)基于道路行程时间计算可达矩阵，采用图卷积网络提取相邻道路不同时段的交通信息；

4)采用递归神经网络提取不同时刻交通流量信息之间的时间依赖性；

5)将天气、拥堵特征独热编码，嵌入流量特征空间；

6)用全连接层将递归神经网络提取后的信息与嵌入的天气、拥堵特征信息组合起来，得到流量预测模型；

7)在线模块基于实时采样交通数据，输入预训练好的预测模型，过程中得到新的误差结果，动态训练模型；

所述步骤3)中，如果车辆选择通过边(i,m)到达目的节点j，车辆从节点i行驶到节点j花费的最小行程时间为R_j(i,m)，R_j(i,m)通过以下公式进行迭代更新：

其中，

i,j∈N：表示道路交通网络中所有节点的集合；

d∈D：表示所有车辆行驶的终点的集合；

t_im：表示车辆从节点i行驶到节点m所耗费的平均行程时间；

A(j)：所有以m为起点的车道的终点的集合

依据预测的时间间隔，计算如下可达矩阵:

其中,

t_k：预测的时间间隔；

r_ij：车辆从节点i行驶到节点j的最小行程时间；

x_ij:x_ij＝1表示节点i的车辆在预测间隔为t_k时间内是可以到达节点j的，x_ij＝0表示节点i的车辆在预测间隔为t_k时间内尚未到达节点j；

以可达矩阵为卷积核进行图卷积，提取特征，用可训练参数与可达矩阵的哈达马乘积确保可达矩阵的可更新性，公式如下：

其中，为可达矩阵，N为道路交通网络的节点数；

I_N为N阶单位阵，D为道路交通网络的度值矩阵；

为流量特征矩阵；W₂,W₃是通过训练得出的参数；

relu(·)、σ(·)表示激活函数；表示权重和邻接矩阵的哈达马乘积；

所述步骤4)中，采用递归神经网络提取不同时刻交通流量信息之间的时间依赖性，用图卷积网络处理后的流量特征输入递归神经网络模型中，公式如下：

h_t＝o_t*tanh(C_t)

其中，表示用图卷积网络提取后的特征，tanh(·)表示激活函数；

h_t-1表示递归神经网络模型在t-1时刻的输出，f_t表示递归神经网络模型的遗忘门，决定了t-1时刻的交通流量信息是否被保留到t时刻；

i_t、以及C_t表示递归神经网络模型的输入门，决定了t时刻有多少的交通流量信息输入到模型中；

o_t和h_t表示递归神经网络模型的输出门，决定了t时刻模型的流量输出情况，W_f、W_i、W_c、W_o和b_f、b_i、b_c、b_o是模型参数，通过训练更新确定。