[发明专利]一种无人驾驶用交通流量预测的图层级卷积神经网络模型

说明书

本发明公开了一种无人驾驶用交通流量预测的图层级卷积神经网络模型，该模型包括以下步骤：S1、建立路网图，抽象为节点和边的连接关系，并构建邻接矩阵；S2、将每个节点上的流量作为此节点的信号；S3、利用图的邻接矩阵，拉普拉斯矩阵针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；S4、构建聚类池化和反池化模块，提取路网中的层级信息，以寻找相似结构的流量特征；S5、谱图卷积模块和池化模块一起构成GRU单元，实现对流量时间特征的提取；S6、利用encoder‑decoder结构完成seq2seq的流量预测，encoder和decoder中的神经元都是有GRU单元构成。本发明能有效挖掘提取路网图中的流量信息，同时可以处理大图，对内存的要求降低，提高效率。

技术领域

本发明涉及深度学习技术领域，具体为一种无人驾驶用交通流量预测的图层级卷积神经网络模型。

背景技术

随着城市的不断发展，城市交通、便利出行越来越成为人们关注的话题，智慧城市交通也成为研究的热点，也就是智能交通系统IIS(Intelligent Transport System).这一系统的核心问题是如何利用历史数据，包括交通流量，流速等交通数据信息更加全面地提取城市交通特征，精确地预测未来短时或长时的交通状况，进而能为个人出行，政府决策给予及时合理的建议

对交通流的预测主要可以考虑影响交通流的核心因素，提取他们的特征来进一步刻画交通流量信息。而这些因素主要可以分为两类，一类是仅考虑时间因素的影响，如历史平均模型(HA)，使用历史的流量信息动态地预估未来的流量；差分自回归滑动平均模型(ARIMA)可以将不稳定的数据进行差分处理得到较好的时序周期特征而更精确地预测交通流；同时随着深度学习的不断发展，神经网络中的时序模型如LSTM等通过自我学习和多个门的控制机制，不仅能提取到短时影响还能保存长期的记忆影响，也在一定程度上提高了时间维度上预测的准确性这些方法在使用时间方面来刻画交通流量已经达到了较好的效果，但是交通流量还有一个主要的影响因素是空间，这些模型都不能很好地捕捉空间属性进行建模，因此还有另一类结合时间空间属性的模型，如郑宇的深度时空残差网络，在时间上建立三个相同的模型来捕获交通流量的临近性，趋势性和周期性，在空间上使用卷积网络并加入残差网络增加卷积的层数，以更加全面的捕获远近的空间影响。但是这一模型在使用卷积时是将交通流转化为图片的像素，用图像处理的方式提取空间影响，不能良好地捕获路网拓扑结构对交通流量的影响。使用了有向图结构的模型来提取空间信息，主要是使用双向随机游走处理路网上的双向车流量。虽然这一模型已经能较好地上下游几条道路对车流的影响，但是在影响空间的因素中还包括层级结构这一重要因素不容忽略。

发明内容

本发明的目的在于提供一种无人驾驶用交通流量预测的图层级卷积神经网络模型，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种无人驾驶用交通流量预测的图层级卷积神经网络模型，包括以下步骤：

S1、建立路网图，抽象为节点和边的连接关系，并构建邻接矩阵；

S2、将每个节点上的流量作为此节点的信号；

S3、利用图的邻接矩阵，拉普拉斯矩阵针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；

S4、构建聚类池化和反池化模块，提取路网中的层级信息，以寻找相似结构的流量特征；

S5、谱图卷积模块和池化模块一起构成GRU单元，实现对流量时间特征的提取；

S6、利用encoder-decoder结构完成seq2seq的流量预测，encoder和decoder中的神经元都是由GRU单元构成。

优选的，在步骤S1中，所述根据路网图构建邻接矩阵的步骤具体包括以下步骤：

将观测计算车流量的检测站或交叉路口作为图的节点；