[发明专利]一种基于时空图小波卷积神经网络的交通流预测方法

权利要求书

1.一种基于时空图小波卷积神经网络的交通流预测方法，其特征在于，包括：

S1、交通流数据预处理；

S2、交通流预测模型的建立；

S3、交通流预测模型训练及参数调优；

S4、基于步骤S3参数调优的交通流预测模型进行交通流预测。

2.根据权利要求1所述的一种基于时空图小波卷积神经网络的交通流预测方法，其特征在于，所述步骤S1实现方式为：选取公共交通数据集PEMS-BAY，按照时间顺序，以7：1.5：1.5的比例把数据集划分为训练集、验证集、测试集三个部分，并进行shuffle操作，采用Z-Score的方法对交通流数据集统一进行标准化处理。

3.根据权利要求1所述的一种基于时空图小波卷积神经网络的交通流预测方法，其特征在于，所述交通流预测模型，即STGWCNN模型包括时空特征提取层、预测输出层；所述时空特征提取层包括有两个时空卷积块，时空卷积块用于提取交通流数据的时空特征，其中每个时空卷积块中包含两个时间门控卷积层和一个图小波卷积神经网络层；所述预测输出层包括依次连接的时间卷积层、全连接层、Sigmoid层、全连接层。

4.根据权利要求3所述的一种基于时空图小波卷积神经网络的交通流预测方法，其特征在于，所述STGWCNN模型，结构上采用两头大中间小的“三明治”结构以充分应用瓶颈策略，由图小波卷积神经网络层对通道进行下缩放和上缩放，实现尺度压缩和特征压缩；功能上，图小波卷积神经网络层捕捉时空序列数据的空间拓扑结构，可有效地学习局部化的、稀疏的特征表达，同时提升网络的表达效果和网络的灵活性；时间门控卷积层通过门控线性单元堆叠因果卷积，能够较好实现提取时空序列的时间依赖性目的。

5.根据权利要求3所述的一种基于时空图小波卷积神经网络的交通流预测方法，其特征在于，对于输入的具有时空图序列数据G^t＝{G^t-1…G^t-m…G^t-H+1}，经过步骤S1后，首先要经过两个时空卷积块，然后输入到具有门控结构的时间卷积层，随后输入到全连接层，接着再经过sigmoid函数之后输入到下一个全连接层，最后输出预测的输出G^t+P；在整个交通流预测模型训练的过程中，通过调整损失函数、优化器函数、可学习的超参数最后寻找使得交通流预测模型在测试集上表现性能最佳的超参数组合，建立最终的交通流预测模型。