[发明专利]基于多任务图卷积网络的鲁棒性交通流预测方法

权利要求书

1.一种基于多任务图卷积网络的鲁棒性交通流预测方法，其特征在于，包括如下步骤，

步骤S1、根据地理信息，分析交通网络数据的时空相关性；

步骤S2、利用图卷积GCN训练交通网络数据，并与多任务学习MTL相结合，构建多任务图卷积模型MTGCN；

步骤S3、提出一种新的损失函数计算方法，在每次迭代中根据每个任务的损失值占所有任务损失值总和的权重来重新生成新的损失值，该方法可使三个任务同时收敛；新的损失函数计算方法如下：

步骤S31、计算出三个任务的总体损失值：

其中K表示在多任务学习中任务数量，X为输入流量数据，Yi为指第i个任务，为第i个任务的损失值，是第i个任务损失值占总任务损失值的权重；

步骤S32、根据每个任务的损失值在所有任务中损失值的权重来重新生成新的损失值：

多任务图卷积模型MTGCN根据每个特定任务新的损失值来对模型参数进行调优，可以使多个任务同时收敛；

步骤S4、根据真实值对比预测值调整每个任务的参数，降低损失，优化多任务图卷积模型MTGCN。

2.根据权利要求1所述的基于多任务图卷积网络的鲁棒性交通流预测方法，其特征在于，所述步骤S1中，采用皮尔森相关系数，作为衡量交通网络数据之间的相关性指标；并将交通数据处理成张量形式，来保留交通数据的时空相关性。

3.根据权利要求1所述的基于多任务图卷积网络的鲁棒性交通流预测方法，其特征在于，所述步骤S2中，多任务图卷积模型MTGCN的构造方式如下：

步骤S21、分别增加预测目标时间段的前15分钟时段任务和预测目标时间段的后15分钟时间段任务；

步骤S22、构建多任务图卷积模型MTGCN框架，将预测目标时间段及其前15分钟时段、后15分钟时间段的任务输入多任务图卷积模型MTGCN框架中，得到多任务图卷积模型MTGCN的模型参数，进而构建多任务图卷积模型MTGCN。

4.根据权利要求1所述的基于多任务图卷积网络的鲁棒性交通流预测方法，其特征在于，所述步骤S4具体实现方式为：将多任务图卷积模型MTGCN的预测输出与真实值对比，计算损失值，对三个任务优化，采用均方误差MSE为损失函数，然后使用反向传播算法对三个任务的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop不断自适应学习率，RMSprop能够根据之前的梯度变化的情况来更新学习率，RMSprop使用变量MeanSquare(w，t)来保存第t次更新学习率时每个权值w前一段时间的梯度平方的平均值，根据这个变量来自适应学习率，不断优化参数，使模型达到最优解：其中，

均方误差函数：

其中n为样本的个数，predicted为模型的预测值，observed为实际观测值；

RMSprop公式：

为变量W在t时刻的梯度值。