[发明专利]一种基于DSTGCN的交通预测方法

说明书

本发明提供了一种基于动态时空图卷积的交通预测方法。交通预测是建设智慧城市的重要组成部分，合理的交通预测可以帮助相关部门作出重要决策、帮助人们出行规划线路等。但由于其复杂的时空相关性一直是一项极具挑战性的任务，即使当前的研究在一定程度上取得了进展，但仍然普遍关注于节点对之间和节点历史信息之间的关系建模，忽略了节点性质的分析，导致了性能瓶颈。为了克服这些问题，本发明提出了一种动态时空图卷积神经网络(DSTGCN)，具体来说，在本发明中设计了一个动态图生成模块，它提前采集节点对之间的地理近邻性信息和空间异质性信息，并在每个时间步自适应融合两种信息生成新的动态图。动态图模块使DSTGCN有能力捕捉动态的交通信息。此外，构建了一个图卷积循环模块，在合并空间关系的基础上捕捉局部的时间依赖，它作为动态图模块的补充共同捕捉交通网络的时空相关性。本发明在两类交通预测任务上验证了模型的有效性，实验证明DSTGCN的合理性和有效性。

技术领域

本发明专利涉及一种交通预测方法，在智慧城市建设领域具有极其重要的应用前景。

背景技术

近年来，得益于城市化进程加快，智能交通系统得到了飞速的发展，它在解决交通拥堵、道路规划等一系列城市交通问题上发挥了重大的作用，对新时期智慧城市建设及其交通管理具有重大意义。交通预测的目的是利用历史观测数据来预测道路未来的交通状况，它作为智能交通系统的基石，已被广泛研究并应用于解决交通拥堵问题，从而起到改善城市环境、提升城市品质的作用。

交通预测是经典的时空数据预测问题，不同道路分布的传感器在连续的时间下记录观测的数据。交通网络由多个路段交织而成，这意味着每个地点进行的观测在时间和空间上并不是独立的，它不仅和先前的观测数据高度相关，还与其他道路的交通状况相互动态关联。因此，有效的提取交通数据的时空相关性是实现精准预测的关键。从时间维度来看，交通数据在长期范围内呈现周期性变化，在短期内受交通拥堵或交通事故影响，呈现出波动性，高度的非线性使预测未来交通状况变得困难。另一方面，道路之间的相关性随时间呈现动态变化，并且存在随机性、周期性因素，如何动态的选择邻域信息来预测目标道路的交通状况是一个具有挑战性的问题。此外，建模交通网络的空间异质性也是十分困难的。

目前，针对上述挑战，人们进行了广泛的研究。传统的交通预测方法比如历史平均法(HA)、向量自回归法(VAR)、支持向量回归法(SVR)等，这些传统的预测方法普遍受到学习时空依赖性能力的限制。近年来，随着深度学习的兴起，循环神经网络(RNN)、长短期记忆网络(LSTM)、门控融合单元(GRU)等循环神经网络由于具有捕捉序列数据的能力在时序数据中表现突出，基于循环神经网络的深度学习模型ST-MetaNet、DCRNN、MTGNN、DGCR等极大提高了短期预测的能力。STJGCN、ASTGNN、DMSTGCN等框架由于其并行式的计算方法在长时间序列预测中表现出色。以上这些方法大多只能兼顾短期或长期一种任务，如何长期有效的对时空相关性进行建模仍是需要考虑的。因此本发明为改进上述缺陷，设计了基于动态时空图卷积网络的预测方法。

发明内容

为了克服无法实现长期有效的对时空相关性进行建模等困难，发明了一种动态时空图网络(DSTGCN)的交通预测方法。具体地说，本发明设计了一种新的图生成算法，利用由节点近邻性以及节点结构相似性定义的两种图，在不同的时刻通过GRU进行更新得到新的邻接矩阵，它融合了节点对之间的地理信息和结构信息，可以有效的聚合邻域信息。此外，还在编码器和解码器之间添加了转换层，以降低误差传播。

本发明主要包括五个部分：(1)确定模型的输入输出。(2)数据集处理。(3)针对交通数据的时空特性建模交通数据的时空相关性。(4)构建动态时空图卷积网络模型(DSTGCN)。(5)方法有效性验证。

下面分别介绍以上五部分的内容: