[发明专利]一种基于时空图卷积神经网络的交通拥塞传播预测方法

说明书

本发明提供一种基于时空图卷积神经网络的交通拥塞传播预测方法，涉及交通大数据挖掘与分析技术领域。本发明通过获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据，采用数据驱动的方式，引入时空图卷积神经网络，提升目标路段交通速度预测精度。将速度预测模块引入拥塞传播模型框架中，提升交通拥塞预测精度，准确表征交通拥塞传播过程，解决了现有的交通拥塞传播预测方案在空间特征提取不佳所导致的预测精度低、算法运算耗时等问题，预测拥塞发生路段在未来时间段里对其临近交通道路的传播情况。

技术领域

本发明涉及交通大数据挖掘与分析技术领域，尤其涉及一种基于时空图卷积神经网络的交通拥塞传播预测方法。

背景技术

在当今社会中，许多大型城市将交通拥塞视为急需解决的问题之一。当交通拥塞发生在交通路网的一个区域中时，这个拥塞区域会影响附近道路的车流状况，甚至会导致附近子道路产生拥塞。因此，有必要创造出一种有效的模型预先预测拥塞的传播，以预测拥塞源的相邻路段何时在不久的将来受到影响。针对以上问题，本发明提出一种基于时空图卷积神经网络的交通拥塞传播预测方法，具有重要的研究价值和现实意义。

交通拥塞传播预测主要采用模型驱动和数据驱动方法。模型驱动的方法基于数学建模来捕获交通拥塞动态。例如，WP.Fei等在冲击波理论的启发下对交通拥塞进行了建模，H.Nguyen等采用构建交通拥塞传播树方式对拥塞传播建模。但是，使用标准数学或统计方法很难对复杂系统(例如交通网络)的动态行为进行准确建模。而数据驱动的方式可以通过研究大量数据而无需依赖任何标准和固定的统计关系来了解几个影响因素之间的复杂功能关系。S.Basak等提出使用长短期记忆网络来预测交通拥塞传播情况，然而这种方法没能考虑交通速度的空间特征，并且长短期记忆网络迭代训练机制十分的耗时。

CK.Liu等采用车流密度聚类算法识别拥塞区域，并发现拥塞区域之间的影响。Z.Liu等采用网格结构识别拥塞区域，根据网格中车辆密集地区判断拥塞。以上方法未能捕捉交通路网道路之间的空间关联性，未能准确预测路网中交通拥塞情况。XL.Ma等构建深度卷积神经网络预测短期交通流速度，但难以准确捕捉时域中交通信息。YP.Liu等提出了卷积长短期记忆网络用于同时捕获交通速度的时空特征预测道路交通速度，但是这种模型只能提取网格型的交通数据。但是传感器网络依托于路网并非标准网格结构，因此这种预测模型性能不佳。在实际的交通预测场景中，由于数据量巨大，交通路网十分复杂，交通速度在时间空间上的动态变化规律难以捕捉，导致现有的拥塞传播模型预测性能不佳。

发明内容

针对现有技术的不足，本发明提供一种基于时空图卷积神经网络的交通拥塞传播预测方法，采用数据驱动的方式，引入时空图卷积神经网络，提升目标路段交通速度预测精度。将速度预测模块引入拥塞传播模型框架中，提升交通拥塞预测精度，准确表征交通拥塞传播过程。为解决上述技术问题，本发明所采取的技术方案是：

一种基于时空图卷积神经网络的交通拥塞传播预测方法，包括以下步骤：

步骤1：获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据；

步骤1.1：从网络上下载交通数据集；所述交通数据集包含交通路网上速度传感器的位置信息和传感器检测到的交通速度数据；将交通速度数据划分为训练数据集以及验证数据集；

步骤1.2：根据交通数据集中n个传感器在交通路网中的连接关系构建传感器网络的邻接矩阵W_ij＝1的表示如下：

若W_ij＝1，表示第i个传感器和第j个传感器在路网上连接，反之W_ij＝0；

步骤2：选取图卷积神经网络和时间卷积神经网络作为基础模块，构建时空图卷积神经网络交通预测模块；

所述图卷积神经网络获取交通速度数据的空间特征；