申请/专利权人：北京工商大学

申请日：2022-09-20

公开（公告）日：2024-04-23

公开（公告）号：CN115565370B

主分类号：G08G1/01

分类号：G08G1/01;G06N3/042;G06N3/0464;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2023.01.20#实质审查的生效;2023.01.03#公开

摘要：本发明公布了一种局部时空图卷积交通流量预测方法及系统，对图卷积网络模型结构进行改进，在交通数据的时间维度添加边，在相邻两个时间点的节点之间连边，构建局部时空图，将构造的局部时空图表示为邻接矩阵；构建局部时空图卷积网络模型，用于捕获局部时空图时空数据中的时空关联性，实现局部时空图卷积交通流量预测。局部时空图卷积交通流量预测系统包括地铁实时流量数据模块、数据预处理模块和交通流量预测模型模块；还可包括地铁满载率的实时分析模块。

主权项：1.一种局部时空图卷积交通流量预测方法，对图卷积网络模型结构进行改进，在交通数据的时间维度添加边，在相邻两个时间点的节点之间连边，构建局部时空图，将构造的局部时空图表示为邻接矩阵；构建局部时空图卷积网络模型，用于捕获局部时空图时空数据中的时空关联性，实现局部时空图卷积交通流量预测；包括如下步骤：步骤S1：进行数据预处理，构建局部时空图；对原始交通流量数据集进行数据处理，得到交通站点的个数、交通站点之间连通线的条数、历史交通流量的时长即时间点数、进站或出站方向特征；在交通道路网的时间维度上进行连边，将交通站点作为局部时空图的节点，交通站点之间连通线作为局部时空图的边；即用边将相邻两个时刻的节点相连接，从而将局部时间信息与空间信息相结合，构成同时含有局部时间特征、局部时空特征和空间特征的局部时空图结构；局部时空图包括：时序局部时空图、空间局部时空图和全连接局部时空图；局部时空图中的任何一个节点，均可以在两跳内对其时空邻居进行信息传播；步骤S2：将步骤S1构建的局部时空图表示为邻接矩阵形式；包括：步骤S21：将交通流量在不同时序上的交通道路图表示为一个图G＝V,E，其中，V为节点集合，即交通站点集合；E为边集合；交通道路图的邻接矩阵A中的元素为1或0；步骤S22：构建局部时空图的邻接矩阵A’；构建的局部时空图的节点数为2N，其中包括前一时刻的节点Vt和后一时刻的节点Vt+1；N表示交通站点的数量；局部时空图的邻接矩阵包括两部分：当前时刻的邻接矩阵At-1与后一时刻的邻接矩阵At，即交通道路网的标准邻接矩阵A；局部时空图在两个时刻之间相连的边；时序局部时空图的邻接矩阵A’表示为分块矩阵的形式：I为单位矩阵；空间局部时空图的邻接矩阵A’表示为分块矩阵的形式：全连接局部时空图的邻接矩阵A’表示为分块矩阵的形式：步骤S3：构建局部时空图卷积网络模型，用于挖掘局部时空图的时空关联性，预测未来交通流量，包括：步骤S31：将得到的数据和邻接矩阵通过时域卷积模块进行卷积；构建的局部时空图卷积网络模型采用瓶颈结构，在第一时域卷积模块和第二时域卷积模块中间插入一层空域卷积模块，最后通过全连接层输出预测结果；两个时域卷积模块结构均包括一维卷积神经网络层CNN和门控线性单元GLU，其中，CNN用来捕获时空数据中的时间信息，GLU用来选择保留的时间信息；步骤S32：通过多个图卷积神经网络GCN堆叠构建空域卷积模块，对第一时域卷积模块的结果，采用GCN基于谱域的方法进行卷积，得到空域卷积模块结果；步骤S33：将空域卷积模块结果输入到第二时域卷积模块，得到交通流量数据的时空特征；步骤S34：将步骤S33得到的结果输入到局部时空图卷积网络模型的全连接层，得到最终的预测结果X，表示为X＝{X0,X1,......XN}，其中N表示N个交通站点；XN表示站点N未来交通流量预测，XN的维度为预测的时间点个数。

全文数据：

权利要求：

百度查询： 北京工商大学 一种局部时空图卷积交通流量预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD