[发明专利]一种基于改进LSTM的图卷积交通速度预测方法

权利要求书

1.一种基于改进LSTM的图卷积交通速度预测方法，其特征在于，包括：

对交通速度数据进行预处理，构建城市路网的拓扑结构图和构建交通速度预测模型的输入；

构建基于改进LSTM的图卷积网络交通速度预测模型，交通速度预测模型使用图卷积模块获取交通速度的空间相关性，使用改进LSTM模块捕获由特征矩阵序列表示的片段序列中交通速度的时间相关性；

对交通速度预测模型进行训练，并评估交通速度预测模型；

基于训练好的交通速度预测模型进行交通速度预测；

改进LSTM模块包含一个改进的LSTM模型，改进的LSTM模型引入一个传递门单元连接下层L的记忆单元和上层L+1的记忆单元传递门单元用于控制下层记忆单元中多少信息能传递到上层记忆单元中；

第L+1层传递门计算方式如下：

其中：表示t时刻第L+1层的输入到该层传递门单元的权重参数；表示t-1时刻第L+1层的记忆单元到第L+1层传递门单元的权重参数；表示t时刻第L层的记忆单元到第L+1层传递门单元的权重参数；表示t时刻第L+1层的输入；表示t时刻第L层的记忆单元；表示t时刻第L+1层的偏差参数；σ()表示激活函数。

2.根据权利要求1所述的图卷积交通速度预测方法，其特征在于，交通速度数据预处理，包括：

首先，使用阈值分析法去除交通速度数据的异常值；然后，对于去除的异常值和缺失值，使用一种基于统计学的数据修复方法进行修复；数据修复完成后，使用最小-最大归一化方法将交通速度值缩放到范围[0，1]。

3.根据权利要求2所述的图卷积交通速度预测方法，其特征在于，基于统计学的数据修复方法包括：

Step1：将交通速度数据构建成一个m×n的输入矩阵，其中：m表示路网中道路的条数，n表示时间序列，记为X，然后将X进行按列标准化以消除数据量纲的影响，并把需要进行数据修复的向量放在前几列；

Step2：删除缺失数据所在行，得到新矩阵M，此时矩阵列向量发生变化，每一列都删去了缺失数据所在行的值；

Step3：分别计算缺失数据所在列和其他剩余列之间的相关系数，并取最大值记为r_l；

Step4：删除缺失数据所在列，得到新矩阵N，此时矩阵行向量发生变化，每一行都删去了缺失数据所在列的值；

Step5：分别计算缺失数据所在行和其他剩余行之间的相关系数，并取最大值记为r_k；

Step6：把r_l和r_k进行比较，得到关于缺失数据的方程，求解方程可得缺失数据的修复值：

Step7：将修复值进行逆标准化处理，还原之前的数据量纲。

4.根据权利要求3所述的图卷积交通速度预测方法，其特征在于，对于二维随机变量X和Y，相关系数计算方式如下：

其中，cov(X,Y)表示变量X、Y的协方差；σ_x、σ_y分别为变量X、Y的方差；分别为变量X、Y的平均值。

5.根据权利要求3所述的图卷积交通速度预测方法，其特征在于，把r_l和r_k进行比较，得到关于缺失数据的方程包括：

1)当r_lr_k时，选用矩阵M构建方程：

其中：x_tj表示缺失数据所在列所有元素；x_tl表示与缺失数据所在列相关系数最大的列的所有元素；

2)当r_lr_k时，选用矩阵N构建方程：

其中：x_it表示缺失数据所在行所有元素；x_kt表示与缺失数据所在行相关系数最大的行的所有元素；

6.根据权利要求1所述的图卷积交通速度预测方法，其特征在于，使用拓扑结构图来构建路网的空间关系，拓扑结构图表示如下：

其中：A为拓扑结构图；A_ij为道路i和道路j之间道路数的倒数。