[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

说明书

本发明涉及一种基于多任务图卷积网络的鲁棒性交通流预测方法。通过采用图卷积（Graph Convolutional Networks）结合时域卷积来提取交通数据的时空关系，并采用多任务学习MTL（Multi‑Task Learning）结构来增强模型的泛化能力以对抗交通数据缺失和异常。本发明设计了一种将图卷积与多任务学习相结合的多任务图卷积模型，可以使模型在数据异常情况下更加稳定地预测交通流。本发明所提出的模型具有多输出结构，可以同时输出三个任务。其中一个任务为输出目标时间段交通流数据，剩下两个任务是对同一个路网在不同时间段进行预测的辅助任务，分别为目标任务前15分钟时间段，目标任务后15分钟时间段。通过同时训练目标时间段及其早期和后期的交通流预测任务，可以实现模型参数的鲁棒性。

技术领域

本发明涉及智能交通领域和深度学习领域，特别是一种基于多任务图卷积网络的鲁棒性交通流预测方法。

背景技术

交通流量预测是实现智慧城市中智能交通系统(ITS)的关键部分。交通预测的目的是基于历史的交通数据对未来道路网络的交通状况进行预测。它在许多实际应用中扮演着重要角色。准确的交通状况预测是有效管理交通的基础，是对车辆进行更加合理的引导，提高公路网的运行效率的关键方法。此外，交通流是检测交通系统中交通状况的重要指标。它将为ITS中其他重要任务提供重要的路况信息，如预计到达时间和路线规划。由于其重要意义，它受到了学术界和产业界的广泛关注。

传统的交通路况预测都是基于数据集完整且正常情况下实验的，准确的交通信息可用于交通数据的预测和长期的交通规划。然而，现实中交通传输网络延迟和传感器故障，以及天气，交通事故和大型事件(例如：国际级足球比赛，马拉松比赛等)所导致的交通异常，使交通数据产生异常值和缺失值，会导致我们错误地预测交通数据和规划长期交通路线。具体而言，智能交通系统可以从各种固定和移动传感器收集交通数据，但例如回路探测器和道路侧摄像机之类的固定式传感器具有有限的空间覆盖，而GPS传感器之类的可移动传感器以高精度收集数据也不稳定。且在通信传输方面，设备与数据中心的信息传输会受到环境与网络延时的制约，会导致交通信息缺失与异常。因此，如何解决异常数据下，模型仍可稳定了对交通状况进行预测，是一个极具挑战性的课题。

发明内容

本发明的目的在于提供一种基于多任务图卷积网络的鲁棒性交通流预测方法，将多任务学习(MTL)与图卷积网络(GCN)相结合，首先，利用图卷积方法得到交通网络的时空相关性；其次，使用一个能够通过多个输出进行多任务学习的模型，每个输出对应于同一交通网络在不同的相邻时间持续时间；从而有效提升了模型在交通数据异常情况下预测性能的鲁棒性。

为实现上述目的，本发明的技术方案是：一种基于多任务图卷积网络的鲁棒性交通流预测方法，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；

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。

在本发明一实施例中，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。

在本发明一实施例中，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；