[发明专利]基于多元时间序列插补的图神经网络交通流预测方法

权利要求书

1.基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，包括步骤：

S10，用加权图来描述交通网络中站点之间的拓扑，将交通的流入和流出作为站点节点本身的特征；

S20，根据各站点流入流出情况，构建交通流图；

S30，利用图神经网络对缺失值进行插补；

S40，通过图注意力网络得到空间特征序列；

S50，时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流特征作为预测结果。

2.根据权利要求1所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S10中，包括步骤：

S11，用加权图Gt＝(Vt，Et)来描述交通网络中站点之间的拓扑，其中

Vt＝{v₁，v₂，…，v_N}表示站点的节点集，N是站点数，Et是加权边集；

S12，分别统计各个站点流入和流出的交通流量，获取所有站点在时间t的交通流特征矩阵Xt＝[I^t，O^t]。

3.根据权利要求2所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S20中，根据各站点流入流出情况，构建交通流图包括步骤：

在时间范围(t-T，t)内从站点v_i到站点v_j的行驶记录数，计算任意两个站点节点之间的边的权重，构建交通流图。

4.根据权利要求3所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S30中，利用图神经网络对缺失值进行插补，包括步骤：

S31，交通流图增加二进制掩码M_t∈{01}，其中交通流图中每行的表示的对应节点在Xt中可用的特征属性；

其中，意味着无效，相反，如果表示存储实际的传感读数，Xt为交通流特征矩阵，矩阵第i行是与第i个节点相关联的d维节点属性向量

S32，建立基于两个模块的架构包括时空编码器和空间解码器，时空编码器利用递归图神经网络将输入序列X_[t，t+T]映射为时空表示P_[t，t+T]，编码器由消息传递神经网络实现，作为时空特征提取的构建块；

S33，通过消息传递层实现门控循环；

S34，空间解码器将隐藏表示生成预测Q_t，用Q_t中相同位置的值替换输入X_t中缺失的值，计算过程如下：

Q_t＝P_t-1V_h+b_h

其中，P_t-1可以被初始化为一个常数，也可以是一个可学习的嵌入V_h是一个可学习的权重矩阵，而b_h是一个可学习的偏差向量。

5.根据权利要求4所述的基于多元时间序列插补的图神经网络交通流预测方法，其特征在于，在所述步骤S40中，通过图注意力网络得到空间特征序列，包括步骤：

S41，交通流图包括流入图和流出图将流入图和流出图的邻接矩阵A和节点特征[X_t-n，…，X_t-1，X_t]作为图卷积神经网络的输入；

S42，在空间维度上，不同地点的交通状况相互影响，使用注意力机制自适应地捕捉空间维度中节点之间的动态相关性；

S43，通过图卷积神经网络的分别得到流入的空间特征和流出的空间特征将流入图和流出图的卷积结果结合起来，然后进行线性变换通过一个完全连接的层，再通过激活函数σ执行非线性变换，以获得聚集流入图和流出图的相邻顶点特征的空间特征