[发明专利]一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法

权利要求书

1.一种基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，包括：

S1：定义道路网络结构，用图结构表示道路网络结构，并将道路上传感器收集的交通数据视为图上的图信号；

S2：将交通流预测问题建模为图问题，即学习一个函数，将已知的历史图信号映射到未来的图信号；

S3：构建一种多尺度图，包括细粒度交通图和粗粒度交通图；

S4：基于道路网络结构的定义、建模中的函数以及构建的多尺度图构建基于时空多尺度图卷积网络的交通流预测模型，该模型基于编码器-解码器架构，并在细粒度交通图和粗粒度交通图上挖掘时空相关性，细粒度交通图G上的编码器和解码器与粗粒度交通图G_c上的编码器和解码器共享相同的结构，G中编码器的输出与G_c中编码器的输出相连接，G中解码器的输出与G_c中解码器的输出相连接，每个编码器和每个解码器包括挖掘时间相关性的时间注意力机制和挖掘空间相关性的自适应动态图卷积网络，其中，自适应动态图卷积网络包括自适应图卷积网络、动态图卷积网络和门控融合模块，自适应图卷积网络用于提取空间区域静态不变特征，动态图卷积网络用于提取动态空间相关性，门控融合模块用于自适应融合空间区域静态不变特征和动态空间相关性，模型还包括跨尺度融合模块，用于将粗粒度交通图特征转换为细粒度交通图特征；

S5：采用获取的数据集对构建的基于时空多尺度图卷积网络的交通流预测模型进行训练，将预测值与实际值之间的平均绝对误差作为损失函数，并用Adam优化器对模型进行训练，得到训练好的基于时空多尺度图卷积网络的交通流预测模型。

2.如权利要求1所述的基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，步骤S1包括：

将道路网络结构定义为交通图G：G＝(V’,E,A)，其中，V’＝{v₁,v₂,…,v_N}为收集交通数据的道路传感器节点集合，N为节点个数，E为节点之间的边集，A∈R^N×N为邻接矩阵，如果v_i与v_j相连，则A[i,j]＝1，否则为0，N个道路传感器在第t个时间步收集到的交通数据作为交通图G上的一个图信号，表示为X_t∈R^N×C，C为收集的交通特征的个数。

3.如权利要求1所述的基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，步骤S2中，函数F，将已知的T_h时间步长的历史图信号映射到未来的T_f时间步长的图信号为：其中，θ是一个可训练参数，分别为T_h+1、T_h+T_f时间步的图信号，X₁、分别为第一个时间步和T_h时间步长的图信号，G为交通图。

4.如权利要求2所述的基于时空多尺度图卷积网络的交通流预测模型的构建方法，其特征在于，步骤S3中，细粒度交通图采用权利要求2所述的方法构建得到，粗粒度交通图G_c的构建过程包括：

采用动态时间规整算法计算道路节点交通流序列之间的相似性，并基于相似性得到DTW距离；

然后根据DTW距离定义一个相似矩阵A_s：其中和分别表示节点v_i和v_j的交通流序列；

对A_s的拉普拉斯矩阵执行谱聚类算法，得到细粒度节点到区域的映射，每个区域为G_c中的一个节点，G_c中每个区域的交通流数据是该区域中所有细粒度节点的平均交通流，G_c上的图信号表示为其中N_r为区域的总数，和分别为第1个时间步、第2时间步和T_h时间步的图信号，T_f表示需要预测多少时间步长的未来图信号，C表示每个节点收集的特征数量。