[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

说明书

本发明提供了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，具体来说，给定一个细粒度交通图，首先通过谱聚类生成一个粗粒度交通图；然后分别提取细粒度和粗粒度交通图的时空相关性，本发明充分挖掘了空间相关性，包括区域的静态不变特征和动态的空间相关性；其次，为了缓解细粒度交通图中交通流波动的负面影响，采用跨尺度融合来实现细粒度交通图和粗粒度交通图之间的信息扩散；最后，在两个真实世界的交通数据集上进行实验，选择最优参数，确定最终的结果。本发明改进了现有的交通流预测模型，使得模型可以利用粗粒度交通图中的特征，缓解细粒度交通图中交通流波动的负面影响，一定程度上提高了预测精度。

技术领域

本发明涉及人工智能技术领域，尤其涉及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基于该模型的交通流预测方法。

背景技术

准确的交通流预测信息可以为交通管理、引导、控制和优化提供依据。例如，前瞻性的交通信息可以帮助司机规划最佳的行车路线，减少交通拥堵时间，从而提高他们的生活质量。交通流预测因具有广阔的应用前景而受到人们越来越多的关注，成为智能交通系统的关键技术之一。

现有方法大多是在细粒度交通图上挖掘时空相关性，其路段的流量变化与该节点所属区域的趋势基本一致，但是细粒度图中路段的流量变化不稳定，对交通流波动产生了较大的负面影响，因而影响了预测精度。

发明内容

本发明提出了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，用以解决或者至少部分解决现有方法对交通流的预测精度不高的技术问题。

为了解决上述技术问题，本发明第一方面提供了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，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。

在一种实施方式中，步骤S1包括：