本發(fā)明屬于交通預(yù)測，更具體地，本發(fā)明涉及一種基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法。

背景技術(shù)：

1、隨著城市化進程加速和人口持續(xù)增長，城市交通擁堵問題日益嚴(yán)重，給居民的日常出行帶來了巨大不便。準(zhǔn)確預(yù)測和分析城市道路網(wǎng)絡(luò)上的交通流能夠有效輔助交通部門提前部署和引導(dǎo)交通流，從而提高路網(wǎng)運行效率，緩解交通擁堵。

2、交通流預(yù)測通過分析歷史交通狀態(tài)數(shù)據(jù)(包括交通流量、速度、擁堵程度等相關(guān)信息)對未來時段內(nèi)的交通狀態(tài)進行預(yù)估?，F(xiàn)有的交通流預(yù)測方法利用圖卷積網(wǎng)絡(luò)(gcn,graph?convolutional?networks)可以高效地捕捉非歐幾里德相關(guān)性，通過將傳感器之間的距離作為邊的權(quán)重構(gòu)建鄰接矩陣，對空間相關(guān)性進行建模。

3、圖卷積網(wǎng)絡(luò)gcn通過迭代聚合相鄰節(jié)點的特征來學(xué)習(xí)節(jié)點特征表示，其主要關(guān)注鄰近節(jié)點之間的信息，因而忽略了全局相關(guān)性，進而導(dǎo)致模型的預(yù)測精度受限。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，旨在改善上述問題。

2、本發(fā)明是這樣實現(xiàn)的，一種基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，所述方法具體如下：

3、(1)構(gòu)建預(yù)測區(qū)域內(nèi)的無向圖g，基于無向圖g生成預(yù)測區(qū)域的空間鄰接矩陣asp；

4、(2)讀取無向圖g中各節(jié)點的歷史特征序列，基于時空關(guān)聯(lián)計算任意兩個歷史特征序列間的相似性，進而形成的語義鄰接矩陣asp；

5、(3)將空間鄰接矩陣asp與語義鄰接矩陣ase進行融合，形成自適應(yīng)鄰接矩陣a；

6、(4)將自適應(yīng)鄰接矩陣a及所有節(jié)點的歷史特征序列輸入交通特征預(yù)測模型，交通特征預(yù)測模型輸出各節(jié)對應(yīng)路口在未來設(shè)定時長內(nèi)的交通特征。

7、進一步的，空間鄰接矩陣asp中第i行第j列的元素基于如下公式來進行計算：

8、

9、其中，dij表示第i個節(jié)點與第j個節(jié)點對應(yīng)路口在道路網(wǎng)絡(luò)中的實際距離，σ、α均為控制空間鄰接矩陣asp稀疏性設(shè)置的參數(shù)。

10、進一步的，歷史特征序列xi與歷史特征序列xj間的相似性計算公式具體如下：

11、

12、其中，wmn表示歷史特征序列xi中第m個歷史特征與歷史特征序列xj的第n個歷史特征間的權(quán)值，r(m,n)為距離矩陣r中第m行第n列的元素，表示歷史特征序列xi中第m個歷史特征與歷史特征序列xj的第n個歷史特征間的距離，p為設(shè)置的最佳距離。

13、進一步的，權(quán)重wmn的計算公式如下：

14、

15、其中，mc為歷史特征序列的中點位置，g為位于0～1之間的隨機數(shù)。

16、進一步的，語義鄰接矩陣ase中第i行第j列的元素表示第i個節(jié)點的歷史特征序列xi與第j個節(jié)點的歷史特征序列xj的是否相似，元素的計算公式如下：

17、

18、其中，β為控制空間鄰接矩陣ase稀疏性設(shè)置的參數(shù)。

19、進一步的，自適應(yīng)鄰接矩陣a的計算公式具體如下：

20、

21、其中，ea∈rn×d為隨機矩陣，矩陣元素值位于0～1，n為節(jié)點個數(shù)，d是節(jié)點的交通特征維度，softmax為歸一化指數(shù)函數(shù)，eat表示矩陣ea的轉(zhuǎn)置。

22、進一步的，交通特征預(yù)測模型包括依次連接的dagcn模型及gru模型，dagcn模型由多個dagcn單元依次連接而成，gru模型由多個gru單元依次連接而成。

23、進一步的，dagcn單元的特征提取過程具體如下：

24、z＝mlp(xin)；

25、

26、h＝stack(z,h1,...,hk)；

27、

28、其中，mlp為多層感知機，參數(shù)k表示傳播深度的超參數(shù)，其中sk＝hks，s∈rd×1為可訓(xùn)練的向量，σ(·)為sigmoid激活函數(shù)；stack、reshape和squeeze分別表示堆疊，重塑和擠壓操作；softmax為歸一化函數(shù)，第一個dagcn單元的輸入特征xin為所有節(jié)點的歷史特征序列組成歷史特征矩陣x，之后的dagcn單元的輸入特征xin為上一個dagcn單元的輸出xout。

29、進一步的，無向圖g＝(v,e)，其中，v表示節(jié)點的集合，節(jié)點為預(yù)測區(qū)域內(nèi)道路網(wǎng)絡(luò)中的路口，e表示邊集，記錄節(jié)點間的連通性。

30、本發(fā)明提供的基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法具有如下有益技術(shù)效果：

31、(1)基于自適應(yīng)鄰接矩陣a進行節(jié)點的交通特征預(yù)測，融合和了歷史交通數(shù)據(jù)的動態(tài)屬性和節(jié)點間的語義空間關(guān)系，這使得模型能夠更好地理解節(jié)點之間地深層次關(guān)系，例如，地理位置較遠(yuǎn)的節(jié)點也可能具有相似地交通模式。這種動態(tài)調(diào)整的鄰接矩陣可以反應(yīng)實際交通網(wǎng)絡(luò)中的時空變化，從而提高模型的準(zhǔn)確性；

32、(2)設(shè)計了一種深度圖卷積網(wǎng)絡(luò)模型(dagcn模型)，dagcn模型將變換和傳播進行解耦之后，更深的圖卷積網(wǎng)絡(luò)可以用于在更大的感受野上學(xué)習(xí)圖節(jié)點的表示。其次，利用了一種自適應(yīng)調(diào)整機制，可以自適應(yīng)地平衡每個節(jié)點的局部和全局領(lǐng)域的信息，從有助于生成更具有區(qū)分度的表示。

技術(shù)特征：

1.一種基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，所述方法具體如下：

2.如權(quán)利要求1所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，空間鄰接矩陣asp中第i行第j列的元素基于如下公式來進行計算：

3.如權(quán)利要求1所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，歷史特征序列xi與歷史特征序列xj間的相似性計算公式具體如下：

4.如權(quán)利要求3所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，權(quán)重wmn的計算公式如下：

5.如權(quán)利要求3所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，語義鄰接矩陣ase中第i行第j列的元素表示第i個節(jié)點的歷史特征序列xi與第j個節(jié)點的歷史特征序列xj的是否相似，元素的計算公式如下：

6.如權(quán)利要求1所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，自適應(yīng)鄰接矩陣a的計算公式具體如下：

7.如權(quán)利要求1所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，交通特征預(yù)測模型包括依次連接的dagcn模型及gru模型，dagcn模型由多個dagcn單元依次連接而成，gru模型由多個gru單元依次連接而成。

8.如權(quán)利要求7所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，dagcn單元的特征提取過程具體如下：

9.如權(quán)利要求1所述基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，其特征在于，無向圖g＝(v,e)，其中，v表示節(jié)點的集合，節(jié)點為預(yù)測區(qū)域內(nèi)道路網(wǎng)絡(luò)中的路口，e表示邊集，記錄節(jié)點間的連通性。

技術(shù)總結(jié)
本發(fā)明公開一種基于深度圖卷積網(wǎng)絡(luò)的區(qū)域級交通預(yù)測方法，包括：構(gòu)建預(yù)測區(qū)域內(nèi)的無向圖，基于無向圖生成預(yù)測區(qū)域的空間鄰接矩陣；讀取無向圖中各節(jié)點的歷史特征序列，基于時空關(guān)聯(lián)計算任意兩個歷史特征序列間的相似性，形成的語義鄰接矩陣；將空間鄰接矩陣與語義鄰接矩陣進行融合，形成自適應(yīng)鄰接矩陣；將自適應(yīng)鄰接矩陣及所有節(jié)點的歷史特征序列輸入交通特征預(yù)測模型，交通特征預(yù)測模型輸出各節(jié)對應(yīng)路口在未來設(shè)定時長內(nèi)的交通特征?；谧赃m應(yīng)鄰接矩陣進行節(jié)點的交通特征預(yù)測，融合和了歷史交通數(shù)據(jù)的動態(tài)屬性和節(jié)點間的語義空間關(guān)系，這種動態(tài)調(diào)整的鄰接矩陣可以反應(yīng)實際交通網(wǎng)絡(luò)中的時空變化，從而提高模型的準(zhǔn)確性。

技術(shù)研發(fā)人員：陳傳明,金奇,汪文凱,俞慶英,鄧祥,段瑞佳,倪天嬌,鄭孝遙
受保護的技術(shù)使用者：安徽師范大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15