[发明专利]融合时空注意力神经网络和交通模型的交通流预测方法

说明书

本发明提供一种融合时空注意力神经网络和交通模型的交通流预测方法，将特征数据按照时间片进行划分，在每个时间片上首先对数据进行图注意网络GAT操作，得到流量特征和速度特征的新表示，再将速度特征的新表示输入交通仿真模型Greenshields抛物线模型进行变换得到流量特征的又一新表示，然后将两个流量特征的新表示分别进行门控循环单元网络GRU处理，随后将得到的两种流量表征进行拼接得到全连接层的输入，之后对拼接的特征数据进行全连接层的处理得到最终的预测结果，最后基于深度学习理论训练神经网络模型。用训练得到的网络模型，得出测试集上的预测结果。本方法可在已知道路交通网及其流量特征和速度特征数据的情况下，实现未来时间段的交通流量预测问题。

技术领域

本发明涉及深度学习、时空序列预测和交通仿真领域，具体涉及一种融合时空注意力神经网络和交通模型的交通流预测方法。

背景技术

随着智能交通系统的发展，可采集的城市交通数据不断丰富，交通预测也越来越受到人们的重视。它是先进交通管理系统的关键部分，是实现交通规划、交通管理和交通控制的重要组成部分。交通预测是分析城市道路交通状况(包括流量、速度和密度等)的过程，挖掘交通模式，预测道路交通趋势。交通预测不仅可以为交通管理者提前感知交通拥堵、限制车辆提供科学依据，还可以为城市出行者选择合适的出行路线、提高出行效率提供保障。

由于城市道路网络拓扑结构的约束和随时间动态变化的规律，即空间依赖性和时间依赖性，交通预测一直被认为是一项具有挑战性的任务。为了同时捕获空间和时间相关性，图注意网络(GAT)用于学习复杂的拓扑结构以捕获空间相关性，而门控循环单元网络(GRU)用于学习交通数据的动态变化以捕获时间相关性。

正确认识和理解速度与流量之间的关系是划分和确定道路服务水平的必要条件，也是公路通行能力研究的基础。此外，速度流量关系模型还可用于公路建设项目前期工作中的交通预测、国民经济评价和财务分析。在速度-流量关系的研究上，Greenshields第一个提出了速度-流量的抛物线模型，基本上反映了这两个特征的依赖关系及变化趋势，但是没能考虑交通道路网络的空间结构。这就需要一种融合深度学习领域和交通仿真领域的交通流预测方法。

发明内容

本发明要解决的技术问题是：目前交通流预测问题不能同时捕获数据的时间相关性和空间相关性，而单纯的速度-流量模型忽略了路网的空间结构的技术问题。本发明提出了一种通过计算节点间的不同重要性，来刻画数据间空间关系的融合图注意力网络、循环神经网络和Greenshields速度-流量模型的交通流预测方法。

本发明的融合深度学习模型和Greenshields抛物线模型(Greenshields速度-流量模型)的交通流预测方法，该方法将整个数据集分为训练和测试两部分：首先选取部分特征数据集训练深度神经网络模型，然后用训练好的网络模型检测剩余的数据集，以此验证通过训练得到的深度神经网络模型的预测性能。具体如下：

一种融合时空注意力神经网络和交通模型的交通流预测方法，步骤包括：

步骤101，输入交通路网的特征数据和邻接矩阵；特征数据分别是流量数据和速度数据；

步骤102，将输入的特征数据分别按照时间片划分，在每个时间片上进行GAT表征得到节点特征的新表示，节点特征的新表示分别是速度特征的新表示和流量特征的新表示；

步骤103，将步骤102中得到的速度特征的新表示输入进速度-流量模型中，得到流量特征的又一新表示；

步骤104，将步骤102中得到的流量特征的新表示和步骤103中得到的流量数据的又一新表示分别经过门控循环单元网络GRU处理：