[发明专利]基于多模态融合和图注意力机制的高速交通流预测方法

说明书

本发明公开了一种基于多模态融合和图注意力机制的高速交通流预测方法，其通过融合高速公路的多模态数据，包括有龙门架卡口道路速度数据、收费站出入流量数据、路段车道信息等，对目标卡口路段的未来时间段交通流进行短时预测。本发明方法综合考虑交通流模型中的时间和空间特征，把多种因素通过编码方式进行融合，综合图注意力机制和空洞卷积等方法进行速度预测的模型构建，应用某高速公路路段实测数据构建模型并进行验证，预测结果和实测结果对比表面本研究提出的车速预测方法具有较好的效果。

技术领域

本发明属于交通信息技术领域，具体涉及一种基于多模态融合和图注意力机制的高速交通流预测方法。

背景技术

借助于交通大数据融合技术对海量的数据进行专业化处理，可实现对路网的精细化评价，还原出真实运行状态，通过深度加工挖掘出更多潜在价值，实现数据的价值增值并为决策提供支持；通过历史交通信息、实时监测交通信息并对未来交通信息进行有效地预测，辅以合理的诱导措施，有望缓解现阶段路网通行效率低的问题。

目前高速公路道路通行能力通常停留在定性评价及人的主观判定，应用层面上缺乏有效数据和技术进行深层次分析；多年来行业内一直致力于提升道路智慧化运行管理能力，但交通大数据采集分析方面仍然存在着数据格式多样、有效信息提取难等问题。与独立传感器系统数据相比，基于高速交通多源数据并辅以人工智能算法和大数据技术，可显著增强系统评估和预测能力，提高整个系统的可靠性、鲁棒性和可信度，并可扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。

目前对交通流量预测上已经一定的研究：文献《Yu,Bing,Haoteng Yin,andZhanxing Zhu.“Spatio-Temporal Graph Convolutional Networks:A Deep LearningFramework for Traffic Forecasting.”Proceedings of the Twenty-SeventhInternational Joint Conference on Artificial Intelligence(2018):n.pag.Crossref.Web》提出了STGCN模型对交通流量进行预测，模型包括两个时空图卷积块(ST-Conv Block)和一个输出全连接层(Output layer)，其中作为核心的ST-Conv Block又由两个时间门控卷积(GLU)和一个空间卷积(GCN)组成；该模型仅利用卷积层来设计网络结构，利用瓶颈策略(bottleneck strategy)来实现通过压缩通道进行的规模缩放和特征压缩，减少了训练过程的参数，但模型中的GCN模块对复杂拓扑结构的特征捕捉能力有限，同时GLU只是在CNN的基础上在卷积层加入门控机制实现长期记忆的捕捉。

文献《Zhao,Ling et al.“T-GCN:A Temporal Graph Convolutional Networkfor Traffic Prediction.”IEEE Transactions on Intelligent TransportationSystems(2019):1–11.Crossref.Web》提出了T-GCN模型用于对交通速度进行预测，该模型结合图卷积网络(GCN)和门循环神经网络(GRU)来分别捕捉城市路网交通的空间和时间依赖特性，本质上是使用GCN学习复杂的拓扑结构，以及使用GRU学习交通数据的动态变化；但该模型具有一定局限性：GCN对于复杂拓扑结构特征的捕捉能力有限，GRU在对长序列训练过程存在梯度消失的风险，且GRU因为是迭代训练容易发生误差积累。