[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

说明书

本发明公开基于多元时间序列插补的图神经网络交通流预测方法，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；根据各站点流入流出情况，构建交通流图；利用图神经网络对缺失值进行插补；通过图注意力网络得到空间特征序列；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。本发明能够消除交通流预测中时空关系数据缺失带来的影响，克服实际应用中可能出现的数据缺失，实现对交通流量进行长期预测。

技术领域

本发明属于交通流预测技术领域，特别是涉及基于多元时间序列插补的图神经网络交通流预测方法。

背景技术

随着全球定位系统(GPS)、移动设备等各种定位技术的快速发展，摄像头、传感器等信息采集设备不断完善，为数据分析积累了大量丰富的带有地理信息的交通时间序列数据,人类社会已然进入“大数据时代”，这对人类生活、社会治理等产生了重大影响，因此如何从海量数据中得到有用信息就受到了广泛关注。时空数据的挖掘对许多应用都有重要作用，包括智能交通、城市规划、公共安全、医疗保健和环境管理等。传统的数据挖掘方法已经不能满足现在的要求，近年来，随着深度学习技术的发展，利用深度神经网络模型进行交通流预测已经变得越来越重要，深度学习模型在空间和时间域中都表现强大的学习能力，现已被各种时空数据挖掘任务中广泛应用。

交通拥堵现在已经成为全球性的城市问题，交通拥堵会增加人们的出行时间，增加了车辆排放的污染物，降低了人们生活质量，甚至会造成交通事故。国内的许多城市都采用了不同的办法来缓解交通问题，虽然都取得一系列的效果，但是还远远不能满足现有的需求。所以要求我们不仅要增加交通基础设施的建设，而且更重要的是最大限度的利用现有路网，通过加强对城市交通的管理，来保证人和车辆快速、舒适、经济和安全行驶。相比于传统交通管理方法，通过人工智能和大数据技术在交通领域的应用，可以更加有效快速地管理城市交通。

交通流量的复杂性和实时性给传统的交通流量预测带来巨大挑战。在对交通流的预测中，交通流量预测的一个重要问题就是数据的完整性和准确性。在实际应用中，一些机构和组织收集的数据不是实时的，有时数据将会丢失，这将对交通流量的预测产生很大影响，使用这些数据来预测交通流量显然会造成较大的偏差。

发明内容

为了解决上述问题，本发明提出了基于多元时间序列插补的图神经网络交通流预测方法，能够消除交通流预测中时空关系数据缺失带来的影响，克服实际应用中可能出现的数据缺失，实现对交通流量进行长期预测。

为达到上述目的，本发明采用的技术方案是：基于多元时间序列插补的图神经网络交通流预测方法，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。

进一步的是，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]。

进一步的是，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：