[发明专利]一种基于Transformer时空图卷积网络的交通流预测方法

说明书

本发明涉及一种基于Transformer时空图卷积网络的交通流预测方法，属于交通流预测技术领域，包括以下步骤：根据路网部署的探测器及其之间的连通性和欧氏距离构造静态邻接矩阵；对探测器所采集到的交通流原始数据按指定时间间隔进行合并；对数据集采用最大最小方法进行归一化处理，并构建交通流时空图，将数据集分为训练集和测试集；构造基于Transformer时空图卷积网络预测模型；将训练集数据作为输入，训练预测模型；利用训练完成的时空图卷积网络预测模型对测试集进行交通流预测，并根据预测结果和实际交通数据，对预测误差进行评价分析。相比传统方法而言，本方法可以有效提取交通流数据中的时空相关性，更加充分地挖掘交通流数据中的信息，提升其预测精度。

技术领域

本发明属于交通流预测技术领域，涉及一种基于Transformer时空图卷积网络的交通流预测方法。

背景技术

随着城市化建设的推进，我国的机动车保有量不断攀升，截止2021年12月，机动车保有量达到3.93亿，世界第一。交通拥堵逐渐成为主要的社会问题之一。智能交通系统的应用发展有助于缓解交通拥堵，而交通流预测则是保证智能交通系统有效性的关键之一。准确的交通流预测尤其是长期预测一方面能够帮助出行者提前获得未来交通信息，制定更好的出行计划；另一方面帮助管理者制定合理的交通诱导方案，提高交通运行效率，从而缓解交通拥堵。因此准确的长期交通流预测至关重要。

交通流预测方法主要分为三类：时序分析方法、机器学习方法和深度学习方法。由于交通流数据是由部署的检测器按固定时间间隔生成的连续时间序列数据。早期主要利用自回归综合移动平均(ARIMA)、卡尔曼滤波等时间序列分析方法进行预测。但它们都基于线性假设，并要求数据是平滑的。而实际的交通流数据通常是非线性的，这使得时序分析方法很难得到满意的结果。

机器学习如向量自回归(VAR)和支持向量回归(SVR)等方法对交通数据进行特征工程建模，揭示数据中的非线性关系，然后不断调整和优化模型参数，预测交通趋势。但是机器学习的建模工作需要专业的人来设计并具有一定的难度。而且上述两类方法都只考虑了时间信息，忽略了空间信息对准确预测的重要性。

深度学习可以自动提取更复杂的特征，在交通流预测中引起了广泛的关注。现有研究表明基于循环神经网络(RNN)的方法，如长短期记忆网络(LSTM)比上述的时序分析方法和机器学习方法取得了更好的效果。为了同时学习交通数据的时空相关性，融合卷积神经网络(CNN)和RNN的方法被采用。然而，CNN不能处理非欧几里德数据，导致路网包含的空间信息丢失。因此，时空图卷积网络框架被广泛应用于交通流预测。其中，图的节点是交通探测器，边和权值由探测器之间的连通性和欧氏距离确定。为此，部分学者提出将图卷积网络(GCN)引入交通流预测领域，利用时空卷积同时捕获时空相关性。还有学者通过构造自适应邻接矩阵进一步捕获空间相关性，同时采用时间卷积网络(TCN)来捕获时间相关性。

尽管上述方法在交通流预测方面取得了良好效果，但实际上受道路结构和等级、天气变化以及突发事故等因素的影响，交通流数据的空间相关性是动态变化的，然而现有方法都很难捕获到这种空间动态变化。而且对于长期预测而言，基于RNN的方法存在梯度消失或爆炸的问题；基于CNN的方法受到有限接受域的限制。虽然TCN实现了指数增长的接收域。但是堆叠的卷积层仍会降低模型的性能。因此，现有的方法对长期预测也有一定的困难。Transformer利用高度并行的自注意机制实现了高效的序列学习，可以从输入序列中自适应地捕获长期时间依赖关系。

发明内容