一种基于时空门控超图卷积网络的交通预测系统及方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905629A(43)申请公布日2023.04.04(21)申请号202211392924.1G06Q10/04(2023.01)(22)申请日2022.11.08G06Q50/30(2012.01)G06N3/0442(2023.01)(71)申请人武汉大学G06N3/0464(2023.01)地址430072湖北省武汉市武昌区珞珈山G06N3/084(2023.01)街道八一路299号G06N3/048(2023.01)(72)发明人吴黎兵曹书琴张瑞张壮壮王敏(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222专利代理师许莲英(51)Int.Cl.G06F16/901(2019.01)G06F16/29(2019.01)G06F18/23213(2023.01)G06F18/2413(2023.01)权利要求书7页说明书14页附图1页(54)发明名称一种基于时空门控超图卷积网络的交通预测系统及方法(57)摘要本发明提出一种基于时空门控超图卷积网络的交通预测系统及方法。本发明方法构建交通超图以建模高阶空间相关性；将多个历史时刻各道路节点交通流通过滑动窗口划分方法，得到多组各道路节点交通流样本和真实交通流；结合交通超图构建时空门控超图卷积网络交通预测模型，将每组样本输入至预测模型进行预测得到预测交通流，结合真实交通流构建损失函数，通过Adam优化训练得到优化后时空门控超图卷积网络交通预测模型；中心服务器通过多个交通流传感器采集多个时刻各道路节点交通流，将采集的交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻各道路节点交通流。本发明充分挖掘高阶空间相关性和不同类型交通数据间的相关性。CN115905629ACN115905629A权利要求书1/7页1.一种基于时空门控超图卷积网络的交通预测系统，其特征在于，包括：中心服务器、多个交通流传感器；将多个交通流传感器依次部署于城市中多个道路节点；所述中心服务器与所述多个交通流传感器依次无线连接；所述交通流传感器用于采集多个时刻的道路节点的交通流，并无线传输至所述中心服务器；所述中心服务器用于构建交通超图；将多个历史时刻各道路节点交通流通过滑动窗口划分方法得到多组各道路节点交通流样本和真实交通流；结合交通超图构建时空门控超图卷积网络交通预测模型，结合多组各道路节点交通流样本和真实交通流优化训练得到优化后时空门控超图卷积网络交通预测模型；中心服务器将多个时刻的道路节点的交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻的道路节点的交通流。2.一种利用权利要求1所述的基于时空门控超图卷积网络的交通预测系统进行基于时空门控超图卷积网络的交通预测方法，其特征在于，包括以下步骤：步骤1：根据道路节点之间的连通性构建地理交通图；步骤2：构建交通超图以建模多个节点之间的高阶空间相关性；步骤3：将多个历史时间步每个道路节点的交通流数据通过滑动窗口划分方法，得到多组道路节点交通流样本，并构建每组道路节点交通流样本的真实交通流数据；步骤4：结合地理交通图和交通超图构建时空门控超图卷积网络交通预测模型，将每组道路节点交通流样本依次输入至时空门控超图卷积网络交通预测模型进行预测，得到每组道路节点交通流样本的预测交通流数据，结合每组道路节点交通流样本的真实交通流数据构建时空门控超图卷积网络损失函数模型，通过Adam算法优化训练得到优化后时空门控超图卷积网络交通预测模型；步骤5：中心服务器通过所述多个交通流传感器实时采集多个时刻的各道路节点交通流，将实时采集的多个时刻的各道路节点交通流通过优化后时空门控超图卷积网络交通预测模型预测，得到未来多个时刻的各道路节点交通流。3.根据权利要求2所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：步骤1所述根据道路节点之间的连通性构建地理交通图，具体如下：将每个交通流传感器定义为地理交通图中每个节点；将城市中道路节点之间的连通性定义为地理交通图中任意两个节点之间的邻接关系；所述地理交通图表示为：G＝(V,A)，V＝{v1,v2,…,vN}；其中，G表示地理交通图，V表示地理交通图的节点集合，N为地理交通图的节点集合的N×NN×N节点数量，vi表示地理交通图的节点集合中第i个节点，A表示邻接矩阵，A∈R，R表示N行N列的二维矩阵，若节点vi与vj相连通，则A[i,j]＝1，若节点vi与vj之间不连通，则A[i,j]＝0。4.根据权利要求3所述的基于时空门控超图卷积网络的交通预测方法，其特征在于：步骤2所述交通超图表示为：2CN115905629A权利要求书2/7页Gh＝(V,ξ)，V＝{v1,v2,…,vN}，ξ＝{e1,e2,…,eM}；其