一种基于路网空间异质性的城市交通流预测方法

本技术涉及5g车联网，具体涉及一种基于路网空间异质性的城市交通流预测方法。

背景技术：

1、交通流预测在城市规划中具有重要作用。交通流流预测不仅可以帮助规划者了解未来交通需求的变化趋势，从而制定合理的交通规划方案，还可以帮助规划者预测交通拥堵状况，从而采取相应的措施来缓解拥堵，优化交通流动，提高交通系统的效率。但是由于城市交通系统是复杂多变的，交通流预测是一项具有挑战性的任务。

2、交通流预测有复杂的时间依赖性。交通流量随着时间变化而变化，并呈现出周期性，例如，当前交通流会受到前一刻或者更长时间的交通状况影响。大多数的交通流预测方法都考虑了时间依赖性，例如卡尔曼滤波模型、支持向量回归机模型、部分神经网络模型等。

3、交通流预测还有着复杂的空间依赖性。在城市中，从一条道路角度来看，道路上游的交通状况会传递影响到道路下游的交通状况，而道路下游的交通状态又会通过负反馈影响到上游的交通状况。为了表征空间特征，一些研究引入卷积神经网络进行空间建模，对道路上下游之间的影响关系进行了描述，但是从道路的拓扑结构角度来看，现有的方法少有考虑不同路段之间的连接性和路况信息，例如，郊区和市中心的道路具有不同的交通模式，体现了空间上的异质性。如何将不同路段的不同交通模式结合起来，以实现准确的流量预测，是一个亟待解决的问题。

技术实现思路

1、本发明的目的在于，提供一种基于路网空间异质性的城市交通流预测方法，利用城市道路交通流的时空关联信息进行预测，能够克服现有方法无法充分利用交通流数据的时空特征和周期性特征的缺点；同时将不同路段的不同交通模式结合起来，并对空间特征进行图增强，提高交通流预测的准确性。

2、本发明采取的技术方案为：一种基于路网空间异质性的城市交通流预测方法，包括如下步骤：

3、s1：收集目标区域的交通路网信息及历史交通流数据，获得路网拓扑结构和历史交通流数据集；

4、s2：使用minmax缩放器对历史交通流数据集进行归一化预处理，对于数据缺失部分采用线性插值法进行补全；根据历史交通流数据建立交通特征矩阵 x；对于由 t-t时刻至 t时刻的历史交通流数据建立的交通特征矩阵，可表示为，，并将历史交通流数据集划为训练集和测试集；其中，为交通特征矩阵中的第行数据，表示时刻的交通特征矩阵，表示第 i个路段在时刻的交通量， n表示路段的个数；

5、s3：将获得的路网拓扑结构进行建模，得到表示道路之间连接关系的路网拓扑图 g=（ v， e），表示路网连通性的邻接矩阵 a和映射函数 f，其中， v表示路段集合， e表示两个路段之间连通性的边的集合；

6、s4：将步骤s2得到的交通特征矩阵 x输入一个用于保存交通流上下文信息的时间编码器进行处理，得到路段嵌入矩阵 b；

7、s5：基于一个空间异质性检测模块对步骤s4得到的路段嵌入矩阵 b进行异质性检测，经过流量级数据增强和图拓扑级结构增强将路网拓扑结构进行重构，得到增强后的映射函数；

8、s6：使用深度学习方法搭建神经网络模型，对增强后的映射函数进行建模；所述神经网络模型包含输入层、两层gcn模型和一层gru模型；其中，输入层用于输入增强后的交通特征矩阵与增强后的邻接矩阵，gcn模型用于捕获路段节点之间车流量数据的空间特征，gru模型用于捕获路段节点之间车流量数据的时间特征；

9、s7：使用训练集数据对步骤s6搭建的神经网络模型进行训练，并使用测试集数据进行准确度测试，计算预测值与实际值之间的损失函数，通过反向传播算法对神经网络模型的参数进行优化，使用adam优化器自适应学习率，优化神经网络模型的参数以使模型更加准确；

10、s8：使用训练好的交通流预测模型对实时获取的交通流数据进行预测，得到预测结果。

11、进一步地，所述步骤s3的具体步骤为：

12、s301：将路段的集合表示为 v， v= v1， v2，…， v n，其中， n表示路段的个数，也称节点的个数；边的集合表示为 e， e= e1， e2，…， e n， m表示边的个数；若两个路段之间相连，则标记该连接关系为无向边；若两个路段之间不相连，则没有边的关系；将路段的集合 v和边的集合 e绘制为一张点线图，记为路网拓扑图 g；

13、s302：不考虑路段与自身自连的情况，创建一个不自连的邻接矩阵 a，所述邻接矩阵 a是一个 n× n的矩阵，将邻接矩阵的每个元素初始化为0，邻接矩阵 a中元素为0表示两个路段之间没有边相连；

14、s303：遍历路网拓扑图中的所有边，对于一条无向边连接路段 i和路段 j，将邻接矩阵 a中对应的第 i行第 j列和第 j行第 i列的元素设置为1；完成遍历后，即可获得路网拓扑图 g对应的邻接矩阵 a，并得到映射函数 f。

15、进一步地，所述步骤s4中的时间编码器为tc编码器，所述tc编码器包括门控线性单元glu和一维因果卷积层；所述门控线性单元glu用于非线性激活，包括sigmoid门和线性门，sigmoid门用于控制输入的信息流动，线性门用于将选择的信息传递到下一层；所述一维因果卷积是层用于处理时间序列数据；

16、路段嵌入矩阵b表示为，其中，表示 t时刻的路段嵌入矩阵， t时刻的路段嵌入矩阵的第 i列数据表示第 i个路段 v i在 t时刻处的嵌入， t out表示tc编码器经过卷积运算后输出的嵌入序列长度，表示 t时刻的交通特征矩阵。

17、进一步地，所述步骤s5的具体步骤为：

18、s501：对于第 i个路段 v i，其嵌入序列在 t个时间步长内从生成的整体嵌入为：

19、；

20、；

21、其中， u i表示第 i个路段 v i基于派生的第个时刻的聚合权值在不同时间步长的嵌入序列上的整体嵌入，为第 i个路段 v i在第个时刻处的嵌入，表示的转置矩阵，表示可学习的变换参数向量；

22、s502：在整体嵌入的基础上，使用皮尔逊相关系数估计两个路段之间异质性程度，以反映其流量分布随时间的差异如下，所述皮尔逊相关系数的计算公式为：

23、；

24、其中，表示第 i个路段 v i和第 j个路段 v j的皮尔逊相关系数，又称异质性程度，表示协方差，表示第 i个路段 v i的整体嵌入 u i的标准方差，表示第 j个路段 v j的整体嵌入 u j的标准方差；的取值范围为-1至1，表明第 i个路段 v i和第 j个路段 v j之间的流量模式为负相关，表明第 i个路段 v i和第 j个路段 v j之间的流量模式为正相关，表明第 i个路段 v i和第 j个路段 v j之间的流量模式完全无关，越接近1表明第 i个路段 v i和第 j个路段 v j之间的流量模式相关程度越高，异质性程度越低；

25、s503：以掩膜概率作为增强算子，所述增强算子用于表达每个路段的交通模式依赖关系，通过掩膜概率对交通特征矩阵进行流量级数据增强；若当前时刻为，基于从伯努利分布中导出的第 i个路段 v i在第个时刻的掩码概率来屏蔽第 i个路段 v i的在第个时刻的处不太相关的交通量，以抵抗噪声扰动；的数值越高，表明第 i个路段 v i在第个时刻的交通量与第 i个路段 v i整体流量规律的相关性越低，更容易被屏蔽；完成流量级数据增强后得到增强后的交通特征矩阵；

26、s504：在路网拓扑图 g上使用掩码概率进行图拓扑级结构增强，以消除具有低相互关联交通模式的区域连接，得到增强后的边的集合和增强后的邻接矩阵；若第 i个路段 v i和第 j个路段 v j之间的流量模式为正相关，则基于伯努利分布得出掩码概率，并对路网拓扑图 g进行增强；若掩码概率大于等于设定的屏蔽阈值则表示第 i个路段 v i和第 j个路段 v j存在边的关系，若第 i个路段 v i和第 j个路段 v j本身没有边的关系则在邻接矩阵 a中加上边的关系；若掩码概率小于设定的屏蔽阈值则表示第 i个路段 v i和第 j个路段 v j不存在边的关系，若第 i个路段 v i和第 j个路段 v j本身有边的关系则在邻接矩阵 a中屏蔽边的关系；若第 i个路段 v i和第 j个路段 v j之间的流量模式为负相关，则直接屏蔽第 i个路段 v i和第 j个路段 v j之间的边；依据增强后的交通特征矩阵、增强后的边的集合和增强后的邻接矩阵得到增强后的映射函数。

27、进一步地，所述两层gcn模型中每层gcn模型都包括 t个gcn处理单元，两层gcn模型的gcn处理单元一一对应，每一个采样时刻增强后的交通特征矩阵对应两个gcn处理单元，两层gcn处理单元的输出表示为 h t，则两层gcn模型的输出 h= h t- t，…， h t-1， h t；将两层gcn模型的输出作为输入，输入至gru模型中，gru模型捕获时间特征后输出新的节点，并表示 h’，即gru模型的输出为 h’，将gru处理单元的输出表示为，则gru模型的整体输出表示为。

28、进一步地，所述步骤s7中，计算预测值与实际值之间的损失函数时，采用均方误差作为损失函数 loss，损失函数 loss的计算公式为：

29、；

30、其中，表示 t时刻的真实值，表示表示 t时刻的预测值， l reg表示l2正则化，是控制正则化率的超参数；

31、同时，采用均方根误差 rmse作为性能评估指标，均方根误差 rmse的计算公式为：

32、；

33、其中，表示时刻的真实值，表示时刻的预测值。

34、本发明的有益技术效果在于：利用城市道路交通流的时空关联信息和周期性信息进行预测，结合不同路段地不同交通模式的特点，提高了交通流预测的准确性和可靠性；相较于现有方法，本发明更充分地利用了时空特征以及不同路段之间的连接性和路况信息，有效解决了现有方法因未充分利用地理位置而导致的不同交通模式问题。

技术特征：

1.一种基于路网空间异质性的城市交通流预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于路网空间异质性的城市交通流预测方法，其特征在于，所述步骤s3的具体步骤为：

3.根据权利要求2所述的一种基于路网空间异质性的城市交通流预测方法，其特征在于，所述步骤s4中的时间编码器为tc编码器，所述tc编码器包括门控线性单元glu和一维因果卷积层；所述门控线性单元glu用于非线性激活，包括sigmoid门和线性门，sigmoid门用于控制输入的信息流动，线性门用于将选择的信息传递到下一层；所述一维因果卷积是层用于处理时间序列数据；

4.根据权利要求3所述的一种基于路网空间异质性的城市交通流预测方法，其特征在于，所述步骤s5的具体步骤为：

5.根据权利要求4所述的一种基于路网空间异质性的城市交通流预测方法，其特征在于，所述两层gcn模型中每层gcn模型都包括t个gcn处理单元，两层gcn模型的gcn处理单元一一对应，每一个采样时刻增强后的交通特征矩阵对应两个gcn处理单元，两层gcn处理单元的输出表示为ht，则两层gcn模型的输出h = ht-t，…，ht-1，ht；将两层gcn模型的输出作为输入，输入至gru模型中，gru模型捕获时间特征后输出新的节点，并表示h’，即gru模型的输出为h’，将gru处理单元的输出表示为，则gru模型的整体输出表示为。

6.根据权利要求5所述的一种基于路网空间异质性的城市交通流预测方法，其特征在于，所述步骤s7中，计算预测值与实际值之间的损失函数时，采用均方误差作为损失函数loss，损失函数loss的计算公式为：

技术总结
本申请涉及一种基于路网空间异质性的城市交通流预测方法，它包括如下步骤：获取交通拓扑结构和历史交通流数据集并构建交通特征矩阵、邻接矩阵和映射函数；采用空间异质性检测模块对交通特征矩阵、邻接矩阵和映射函数进行流量级数据增强和图拓扑级结构增强后搭建神经网络模型并进行训练，使用训练好的神经网络模型进行交通流量预测。本发明利用城市道路交通流的时空关联信息进行预测，能够克服现有方法无法充分利用交通流数据的时空特征和周期性特征的缺点；同时将不同路段的不同交通模式结合起来，并对空间特征进行图增强，提高交通流预测的准确性。

技术研发人员：李轩,何沐阳,苏立,严利鑫,周天清,熊汉卿
受保护的技术使用者：华东交通大学
技术研发日：
技术公布日：2024/9/23