[发明专利]一种交通流量补全与预测方法

说明书

一种道路交通流量的预测方法，对路况历史交通信息进行采样，构建交通网络模型；基于历史交通信息提出一种缺失数据补齐的方法，根据行程时间构建可达矩阵，以可达矩阵为卷积核进行图卷积，提取特征；根据提取特征和采集的交通数据训练递归神经网络，得到流量预测模型；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。本发明中的可达矩阵可减少不必要的空间搜索，提高时空关系发掘效率，提高了道路交通流量数据缺失较多和预测时长较长情况下的道路交通流量预测准确性。

技术领域

本发明涉及交通技术领域，具体而言，涉及一种基于深度学习和图网络技术的道路交通流量预测方法。

背景技术

近年来，随着技术的不断发展，城市交通压力日益增大。及时准确的预测交通流量对于交通路径规划，提高出行效率，从而缓解交通压力起着关键性作用。

现有的道路交通流量预测模型中，对于缺失的数据，通常只是补零处理，在预测的同时往往只考虑的交通流量之间的时间依赖性，忽略它们之间的空间依赖性，因而并不能达到实时、准确的预测效果。

在现实生活中，当前道路的交通状况显然会受到相邻道路交通情况的影响。然而，因为不同道路的交通状况有差异，天气状况也会对交通产生潜在的影响。相邻道路对当前道路的影响明显会出现时间上的偏移，此外，数据在采集的过程中也会有大量的缺失情况。如果预测模型无法有效的考虑到以上因素，显然无法实时、有效的预测交通情况。

发明内容

为了克服现有的道路交通流量预测模型中特征单一，无法有效考虑相邻道路交通状况，致使模型精度不高等因素，本发明通过分析多元化的综合数据，提出一种交通流量补全与预测方法，该方法即使在长时交通信息预测以及道路交通数据缺失较多的情况下，也能准确的预测交通信息。

本发明解决其技术问题所采用的技术方案是：

一种交通流量补全与预测方法，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别，停止模型更新，公式如下：