[发明专利]一种基于改进LSTM的图卷积交通速度预测方法

说明书

本发明属于交通速度预测技术领域，涉及一种基于改进LSTM的图卷积交通速度预测方法，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。本发明使用改进的LSTM模型能避免模型训练时出现梯度消失和梯度爆炸问题，更好地获取交通数据的时间相关性。本发明具有预测速度快、预测精度高等优点。

技术领域

本发明属于交通速度预测技术领域，涉及一种基于改进LSTM的图卷积交通速度预测方法。

背景技术

随着城市交通问题的日益严重，智能交通系统变得越来越重要。智能交通系统可以有效缓解交通拥堵问题、提高路网通过效率，也可以为人们的交通出行提供信息服务。交通速度预测是智能交通系统中的关键问题之一，是分析城市道路网的交通状况、挖掘交通模式、预测道路网未来交通状况的基础。交通速度预测可以实现多种智能应用，例如，它可以帮助私人司机进行路线规划和出发时间安排，并帮助交通管理部门有效疏通流量以提高交通效率和安全性。

然而通过设备采集到的原始交通数据，可能会因为传感器失灵、线路老化等原因出现异常和缺失。对于异常数据，需要首先检测出来进行修复，而对于缺失数据，需要直接进行修复。交通数据修复的精确性将直接影响交通数据的质量，进而影响交通速度预测模型的准确性和整个智能交通系统的有效性。同时，复杂的空间和时间相关性也一直是交通速度预测的难点。

发明内容

针对现有技术的不足，本发明提供一种基于改进LSTM的图卷积网络交通速度预测方法。

本发明采用以下技术方案实现：

一种基于改进LSTM的图卷积交通速度预测方法，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。

优选地，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]。

优选地，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；