[发明专利]一种基于RGCN的交通流预测方法

权利要求书

1.一种基于RGCN的交通流预测方法，其特征在于，所述方法包括以下步骤：

步骤1)基于时间序列相似性构建道路交通网络：基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；

步骤2)对道路交通流数据进行预处理并构建道路交通流状态矩阵数据集：获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；

步骤3)基于道路交通网络和道路交通状态矩阵，使用基于高斯分布的图卷积层提取节点特征：将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；

步骤4)基于高斯分布的图卷积层进行交通流预测：将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测；

所述步骤1)的过程如下：

针对多条道路交通路段，获取其某一天的时间序列数据，基于时间序列相似性构建道路交通网络，例如：给定两条时间序列数据X＝(x₁,x₂,…,x_n)，Y＝(y₁,y₂,…,y_n)，然后构建距离矩阵M_n×n，其中，M_i,j＝|x_i-y_j|，基于距离矩阵M_n×n构建累积距离矩阵D_n×n，其中，D_i,j＝M_i,j+min(D_i,j-1,D_i-1,j,D_i-1,j-1)，D_n,n是最终距离，对于道路i，选出前d条与其最终距离最小的道路S＝{j,k,…}，即道路i与道路S最相似；

基于时间序列相似性构建道路交通网络图G＝(V,E,A)，V表示节点，E表示连边，A表示交通网络的邻接矩阵，其中，A_ij＝1表示道路i和道路j相似，否则，A_ij＝0。

2.如权利要求1所述的一种基于RGCN的交通流预测方法，其特征在于，所述步骤2)的过程如下：

2.1：对道路交通流数据进行预处理

对多道路多天的交通流数据进行预处理，使用最大-最小标准化对数据进行归一化，计算表达式如下所示：

其中，x_real为道路的原始流量数据，x_min为道路原始流量数据中的最小值，x_max为道路原始流量数据中的最大值，x为预处理后的道路流量数据；

2.2：构建道路交通流状态矩阵

根据预处理后的道路交通流数据构建道路交通流状态矩阵，道路交通流状态矩阵形式如下：

其中，状态矩阵行向量表示同一时刻不同道路的交通状态，列向量表示同一车道不同时刻的道路交通状态的时间状态，M表示历史交通状态数据的数目，N表示输入矩阵中道路的数目，则x_it表示第i条道路上的在t时刻的交通状态。