[发明专利]一种基于深度学习的图神经网络交通流预测方法

权利要求书

1.一种基于深度学习的图神经网络交通流预测方法，其特征在于，具体步骤如下：

步骤1：获取公开的交通数据集PeMSD4和PeMSD8并预处理，分为实验集和验证集，两个数据集中都包含交通流、交通占有率和交通速度三种交通信息；

步骤2：构建融合特征注意力模块，通过Softmax函数计算出输入信息的影响因子大小，强化目标特征信息，抑制无用特征信息；

步骤3：构建信息聚合模块，通过GRU网络和图卷积实现对目标历史信息时空依赖性的同步提取；

步骤4：构建多信息结合模块，将步骤3中的目标信息和步骤2中的其他信息通过CONCAT(·)函数结合起来，再经过图卷积运算得出彼此间的空间关系；

步骤5：以Pytorch为深度学习框架，实现对以上步骤中的模块进行组合搭建；

步骤6：实验平台环境设置,GPU型号为NVIDIA RTX 2080Ti、16G显存、cuda10.0、cudnn7.6.0,操作系统为Ubuntu16.04；在此平台下,采用Python3.7编程语言对步骤5中的模型进行构建；

步骤7：设置模型训练超参数,模型训练过程中使用Adam优化器进行参数调优,选择作为MSELoss作为损失函数，数据集PeMSD4的学习率设置为0.003，PeMSD8的学习率设置为0.01；

步骤8：将步骤1中经过预处理的实验集交通信息输入到步骤7设置好参数的模型中进行训练并保存训练结果；

步骤9：将步骤1中的验证集数据输入到训练好的步骤8模型中进行模型的性能测试。