[发明专利]基于多图卷积和GRU的不规则区域流量预测方法

说明书

本发明公开了基于多图卷积和GRU的不规则区域流量预测方法，包括如下步骤：步骤一，将地域划分为N个不相连的不规则区域；步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和流出量；步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的空间关联；步骤四，基于区域间的所述关联图设计多图卷积神经网络，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；步骤六，选择合适的损失函数，训练得到预测模型，通过所述预测模型预测得到每个区域的所述进入量和所述流出量。

技术领域

本发明涉及交通流量预测领域，尤其是涉及基于多图卷积和GRU的不规则区域流量预测 方法。

背景技术

交通流量预测是智能交通系统中重要的组成部分。区域流量预测的目的是基于给定的历 史数据，预测城市区域中未来的流量值，精确的预测能帮助交通管理者提前进行流量控制和 管理。

区域流量预测方法通常利用区域间的空间关联和时间关联。传统的区域流量预测使用时 间序列预测方法，如自回归移动平均模型(ARIMA)、时变泊松模型、向量自回归模型。它 们仅考虑时间依赖关联，预测准确率较低。随着深度学习的兴起，研究者采用深度学习模型 来预测流量。相比于传统的方法，长短期记忆网络LSTM(Long Short Term Memory)和门控 循环单元GRU(Gated Recurrent Unit)模型对于短期时间序列预测取得了更好的效果。但是， 它们仍然仅关注于时间关联。为了更好地捕获时空关联，研究者提出采用基于卷积神经网络 (CNN)和残差神经网络的方法来预测区域流量，首先将城市划分为网格，然后在网格级别预 测流量。但是，这些方法仅能预测规则区域的流量。

城市可以基于路网信息或行政边界被划分为有意义的区域，这些区域通常是不规则的， 且具有复杂的拓扑结构，相比于规则网格承载了更多的语义信息。基于网格的预测模型无法 预测不规则区域的流量需求，减少了预测结果的可用性。

发明内容

为解决现有技术的不足，提高不规则区域流量预测的准确率，本发明采用如下的技术方 案：

基于多图卷积和GRU的不规则区域流量预测方法，包括如下步骤：

步骤一，将地域划分为N个不相连的不规则区域；

步骤二，对历史轨迹数据进行时空简化，计算得到所有区域在每个时间步下的进入量和 流出量；

步骤三，建立区域间的多个关联图，构造相应的邻接矩阵，表示不规则区域间多样化的 空间关联；

步骤四，基于区域间的所述关联图设计多图卷积神经网络(Multi-GraphConvolutional Network，MGCN)，融合区域间多样化的空间关联特征，得到多图卷积融合的结果；

步骤五，基于多图卷积融合结果，采用GRU神经网络来捕获时间关联；

步骤六，选择合适的损失函数，训练得到预测模型，通过所述预测模型预测得到每个区 域的所述进入量和所述流出量；

所述步骤一，基于所述地域的路网结构数据，采用不规则区域划分方法，将所述地域划 分为N个不相连的不规则区域。

所述步骤二，首先将处理的整个时间段按单位时间划分为多个时间步，然后基于区域划 分结果，将原始的历史轨迹数据按单位时间映射到所述区域中，得到简化的轨迹：

TR_Simp＝(startRegion，startDate，startHour，endRegion，endDate，endHour)