[发明专利]一种基于多图卷积神经网络的交通速度预测方法

权利要求书

1.一种基于多图卷积神经网络的交通速度预测方法，其特征在于，按以下步骤依次进行：

步骤1：获取传感器在交通路网中的部署位置，并匹配到真实的交通路网当中；

步骤2：将每个传感器的位置视为一个节点，传感器位置用经纬度表示，计算任意两个节点之间的距离，计算公式为：

d_ij＝Rarccos(cos(X_i)cos(X_j)cos(Y_i-Y_j)+sin(X_i)sin(X_j))

其中，i和j表示任意两个传感器，d_ij表示传感器i和j之间的距离，Y_i和Y_j分别表示传感器i和j的经度，X_i和X_j分别表示传感器i和j的纬度，R为地球半径；

将计算得到的距离带入如下公式中进行计算，得到交通结构图邻接矩阵中的值，将该值与设定的阈值进行比较，确定邻接矩阵上是否有边，如果该值大于等于阈值则认为这两个传感器之间是相互连接的，即在邻接矩阵上存在边；如果该值小于阈值则认为这两个传感器之间是不连接的，即在邻接矩阵上不存在边；

其中，w代表交通结构图的邻接矩阵，w_ij表示传感器i与传感器j在邻接矩阵w上的值，ε为设定的阈值，并与σ²共同控制邻接矩阵w的稀疏程度，d_ij代表传感器i与传感器j之间的距离；

步骤3：获取每个传感器对应的路段的交通速度时间序列数据；

对获取的数据进行处理，清除异常数据，对于缺失的数据使用线性插值的方法来进行填充，计算公式如下：

其中，y_t表示传感器获取的当前时刻的速度值，x_t-1表示上一时刻，y_t-1表示传感器获取的x_t-1时刻的速度值，x_t+1表示下一时刻，y_t+1表示传感器获取的x_t+1时刻的速度值；

步骤4：根据每个传感器的速度时间序列数据计算交通路网中不同路段的交通速度相似性，得到相应的相似性分数，其中：

任意两个传感器节点之间的相似性分数的计算公式如下：

S(i，j)＝-DTW(X_i，X_j)

其中，S(i，j)表示传感器i和传感器j的相似性分数，X_i和X_j分别代表传感器i和传感器j的速度时间序列数据；

对传感器的相似性分数矩阵做行归一化，如果相似性分数小于设定的阈值则交通相似性图的邻接矩阵有边，如果相似性分数大于等于设定的阈值则交通相似性图的邻接矩阵没有边，计算公式如下：

其中，W_s表示交通相似性图的邻接矩阵，S(i，j)表示传感器i和传感器j的相似性分数，S(i，k)表示传感器i和传感器k的相似性分数，N代表传感器节点数目，ξ为设定的阈值用于控制交通相似性图的邻接矩阵的稀疏程度；

步骤5：将交通路网中的交通速度时间序列数据、交通结构图的邻接矩阵和交通相似性图的邻接矩阵输入到多图卷积神经网络中进行训练，得到未来每个传感器上交通速度的预测结果；其中交通结构图与交通相似性图使用不同的图卷积网络来训练，以获得全面的空间信息；

将交通路网中的交通速度时间序列数据、交通结构图的邻接矩阵和交通相似性图的邻接矩阵输入到设计的多图卷积神经网络中进行训练时，在时间维度上采用因果卷积来对交通速度时间序列数据在时间上的先后顺序进行建模，并通过门控的方式来缓解训练过程中出现的梯度消失与爆炸现象，在空间上通过图卷积的方式对空间依赖关系进行建模；用交通结构图与交通相似性图共同表示交通路网的空间关系，其中在交通结构图的邻接矩阵上做图卷积操作用来捕获传感器节点周围邻居的相关关系，在交通相似性图的邻接矩阵上做图卷积操作用于捕获距离远的传感器节点之间的相关关系。