[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

说明书

本发明涉及一种基于时空图小波卷积神经网络的交通流预测方法。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、基于参数调优的交通流预测模型进行交通流预测。本发明方法建立模型具有特点：结构上，STGWCNN模型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，STGWCNN模型设计的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，可以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。

技术领域

本发明属于交通流预测领域，具体涉及一种基于时空图小波卷积神经网络的交通流预测方 法。

背景技术

由于人们物质生活水平的不断提高，私家车的数量每年都在急剧增长，私乘出行也成为现 代人们外出的首选交通方式，因此所产生的交通问题也日益增加。如何更好的实现交通控制来 有效提高交通诱导率，从而提高出行效率以缓解交通压力成为现代交通研究的焦点之一，由此 引发了更多研究人员对智能交通系统(Intelligent TransportationSystems，ITS)的不断探索。在 ITS中交通数据信息采集与短时交通流的预测是其关键技术之一，也是智能交通管理系统控制与 调度的重要依据，高精度的预测可以为出行人员提供精准可靠的动态路径诱导方案，提高智能 交通管理系统的执行效率。

但在交通流预测任务的建模过程中，如何同时捕捉时交通流数据的时空依赖关系，依旧是 其建模研究的核心问题。在以往的时空图网络建模的过程中，要么集中在图结构的关系性建模 上,要么集中在节点级的时序建模上，而很大程度上忽略节点的空间关联关系和时间关联关系。 事实上，现实世界以获取交通流数据的传感器作为网络节点，各网络节点不仅受当前状态的影 响，还要受到其领域节点的影响。除此之外，各节点的状态还要受到历史状态累积的影响。因 此，缺少对节点间的时空依赖关系考虑的时空图网络的建模方法，在捕获节点间的长时间时空 趋势上存在一定的不足。

发明内容

本发明的目的是在交通流预测任务中，考虑交通流数据具有复杂的时间依赖性和空间依赖 性，结合深度学习中的图神经网络，提供一种基于时空图小波卷积神经网络的交通流预测方法。

为实现上述目的，本发明的技术方案是：一种基于时空图小波卷积神经网络的交通流预测 方法，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。

在本发明一实施例中，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。

在本发明一实施例中，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。

在本发明一实施例中，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，通过图小波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。