[发明专利]一种神经网络模型预测道路交通流量的方法

权利要求书

1.一种神经网络模型预测道路交通流量的方法，其特征在于，具体包括如下步骤：

步骤S1：根据设定的时间间隔t进行统计道路交通流量基础数据，并对数据进行清洗预处理，得到标准化道路交通流量数据；

步骤S2：基于最短路径算法进行空间路网中相邻两个观测点间的距离计算，得到观测点间距离数据；

步骤S3：分析获取对道路交通流量预测有影响因素，并对各个影响因素进行量化处理，进而采用熵权法对各个影响因素的关联程度进行评估并赋权，得到影响因素数据；

步骤S4：基于道路交通流量数据、观测点间距离数据以及影响因素数据，构建多变量时空同步图卷积网络预测模型，并利用不同时间段历史数据基于平均绝对误差MAE、均方根误差RMSE以及平均绝对百分比误差MAPE对多变量时空同步图卷积网络模型进行预测训练分析，然后再对预测结果与实际交通流量数值对比，经过调整各个输入参数对预测模型进行优化筛选；

步骤S5：通过利用所述步骤S4中筛选优化后多变量时空同步图卷积网络模型对各个观测点未来一段时间内的交通流量进行预测分析，最后通过计算机绘制显示得到交通流量预测曲线图。

2.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法，其特征在于：所述步骤S1中的数据清洗预处理主要包括缺失数据及异常数据的处理，其中异常数据首先被识别并转化为缺失数据进行处理，数据标准化采用消除均值并缩小至单位方差的方法进行处理。

3.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法，其特征在于：所述步骤S2中的距离计算，首先获取空间路网的n个观测点的经纬度坐标；再获取n个观测点在路网空间内的拓扑图，计算得到路网空间内给定的n个观测点中，任意相邻的两个观测点沿着空间拓扑的最短路径。

4.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法，其特征在于：所述步骤S3中的影响因素包括节假日、交通事故、天气状况，上述影响道路交通流量预测的因素属于分类变量，即数据为类别的变量，量化处理的方法采用等级化方法。

5.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法，其特征在于：所述步骤S4中多变量时空同步图卷积网络模型的输入为多变量输入，具体包括流量输入、影响因素输入与空间路网观测点位置输入三部分。

6.根据权利要求1所述的一种神经网络模型预测道路交通流量的方法，其特征在于：所述步骤S4中的模型预测训练的时间步长为s，将步骤S1、步骤S2与步骤S3处理得到的数据集划分为训练集、验证集和测试集，将训练集中过去一段时间内的数据作为一个输入，预测未来一段时间内以t为时间间隔的交通流量作为一个输出，以此类推，每次将时间向后平移t，按照此规律扩充训练集用于训练时间步长为s的多变量时空同步图卷积网络预测模型；然后，基于验证集的数据对模型的参数进行调优，确定最合适的模型参数；最后，基于测试集的数据对模型的预测效果进行测试。