利用动态时空图训练卷积神经网络的交通流预测方法

1.本发明属于控制技术领域，更进一步涉及智能交通领域中的一种利用动态时空图训练卷积神经网络的交通流预测方法。本发明可以通过待预测城市的历史交通流数据对该城市的当前的交通流进行预测。


背景技术：

2.智能交通系统(its)是一种实时、准确、高效的智能化交通网络管理系统，它有效地集成了先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术，是全方位解决交通拥堵和保障交通网络运输安全的有效手段。构建its中的交通流诱导子系统，是解决城市交通拥堵和提高路网通行效率的最有效方式之一，而its要实现实时的交通控制和诱导，就必须要有及时、准确的交通流预测为其提供支持，因此交通流预测已经成为智能交通系统的研究热点。预测未来的交通流量，不仅可以方便出行者选择最优的出行路线，还可以为均衡交通流、优化交通管理方案、改进交通控制等方面提供基础依据。这对于缓解交通拥挤和避免资源的浪费有着重要的意义和应用价值。
3.杭州电子科技大学在其申请的专利文献“一种基于3d卷积神经网络的短时交通流预测方法”(专利申请号201910688693.0，公开号cn110517482a)中公开了一种基于3d卷积神经网络的短时交通流预测方法。该方法通过将某城市区域划分为32
×
32个区域，采集每个区域的交通流数据；基于采集到的交通流数据，训练3d卷积神经网络模型并对短期交通流进行预测，3d卷积神经网络在传统卷积神经网络的基础上解决了无法有效处理时间特征的缺点，使预测性能得到有效提升。但是，该方法仍然存在的不足之处是，虽然按照经纬度划分的区域划分方式减少了交通流数据量，但是该方法将诸如公园、学校等具有类型功能属性的区域人为分割，破坏了区域的功能属性，降低了交通流的预测精度。
4.华南理工大学在其申请的专利文献“基于遗传算法优化lstm神经网络的交通流预测方法”(专利申请号201810825636.8，公开号cn109243172a)中公开了一种基于遗传算法优化lstm神经网络的交通流预测方法。该方法采用遗传算法对lstm神经网络预测模型涉及到的参数进行优化时，以预测误差最小为目标函数，获取参数搜索空间的最优解，进行参数组合寻优，形成复合ga
‑
lstm模型，减少了计算量，提高了预测精度。但是，该方法仍然存在的不足之处是，lstm神经网络虽然能对时间序列建模，但其中的全连接算子会破坏区域节点之间的空间关系，而交通流是区域之间的动态交互，其与区域的功能属性和空间关系高度相关，破坏区域节点之间的空间关系会降低交通流的预测精度。


技术实现要素：

5.本发明的目的在于针对上述现有技术的不足，提出一种利用动态时空图训练卷积神经网络的交通流预测方法，以解决区域划分过程中区域功能属性被破坏的问题以及现有交通流预测方法，因忽略交通流数据构成的时空图的结构的动态性导致预测结果精度较低的问题。
6.实现本发明目的的思路是：利用相同功能属性区域的交通流的相似性重划分区域，保全区域的功能属性，对重划分后的区域构建可表示不同时刻交通流的动态时空图，利用动态时空图对构建的卷积神经网络进行训练。卷积神经网络中的图卷积子模块可同时捕捉边和节点的信息，带有残差连接结构的图注意力机制子模块利用注意力对信息的筛选捕捉动态时空图的时空相关性，全局注意力融合模块可捕捉动态时空图序列的时间相关性，提高了网络的预测结果精度。
7.为实现上述目的，本发明具体实现步骤包括如下：
8.(1)构建连接时空图内部卷积模块：
9.搭建一个连接时空图内部卷积模块，其结构依次为：输入层，图卷积子模块，带有残差连接结构的图注意力机制子模块和全连接层；其中，所述图卷积子模块的结构依次为：卷积输入层，第一隐藏层，第二隐藏层，卷积输出层；所述带有残差连接结构的图注意力机制子模块的结构依次为：注意力输入层，第一隐藏层，第二隐藏层和注意力输出层；所述残差连接结构的输入端与注意力输入层的输出端连接，所述残差连接结构的输出端与注意力输出层的输入端连接；
10.设置连接时空图内部卷积模块输入层的神经元个数等于动态时空图的节点个数，激活函数为leakyrelu；设置连接时空图内部卷积中的每个隐藏层的神经元个数均为16；设置卷积输入层的神经元个数为2，其激活函数为leakyrelu；卷积输出层的神经元个数设置为16，其激活函数为leakyrelu；注意力输入层的神经元个数设置为2，其激活函数为leakyrelu；注意力输出层的神经元个数设置为16，其激活函数为leakyrelu；全连接层的神经元个数设置为16，其激活函数为leakyrelu；
11.(2)构建全局注意力融合模块：
12.搭建一个全局注意力融合模块，其结构依次为：平均池化层，第一全连接层和第二全连接层；将两个全连接层的神经元个数均设置为16，第一全连接层的激活函数设置为leakyrelu，第二全连接层的激活函数设置为sigmoid；
13.(3)构建卷积神经网络：
14.(3a)搭建一个由三路分支并联组成的卷积神经网络，其中，第一分支由2n个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第二分支由3n个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第三分支由4n个连接时空图内部卷积模块和1个全局注意力融合模块串联组成，n为在[1,3]范围内任意取的一个正整数；
[0015]
(3b)将三路分支并联后再依次与加权和层、输出层串联组成卷积神经网络；设置网络输出层的神经元个数为196，激活函数为leakyrelu；
[0016]
(4)预处理待预测城市交通流的历史数据：
[0017]
(4a)利用网格法，将待预测交通流的城市区域按照经纬度划分成14
×
14个小区域；
[0018]
(4b)收集待预测城市至少5000辆车辆一个月交通流的gps轨迹数据；
[0019]
(4c)将gps轨迹数据每隔30分钟进行切片，对每个时间片段内同一小区域中的gps轨迹数据的具有相同车辆id值的车辆id数进行去重，统计每个时间片段内不同小区域中的gps轨迹数据的相同车辆id数量，将该统计结果作为小区域之间的交通流量值，将小区域之间的交通流分为流入交通流和流出交通流，对小区域之间的流入交通流和流出交通流进行
采样，并将采样数据作为小区域之间的交通流的特征向量；
[0020]
(4d)用最小最大标准化公式对采样数据集进行标准化；
[0021]
(5)重划分按经纬度划分的区域；
[0022]
(5a)按照下式，计算按经纬度划分的两两小区域流入交通流之间的相似度：
[0023][0024]
其中，s
in
表示按经纬度划分的第q个小区域和第p个小区域的流入交通流的相似度,表示第p个小区域的流入交通流的特征向量，表示第q个小区域的流入交通流的特征向量，dist<
·
>表示欧式距离；
[0025]
(5b)按照下式，计算按经纬度划分的两两小区域流出交通流之间的相似度：
[0026][0027]
其中，s
out
表示按经纬度划分的第q个小区域和第p个小区域的流出交通流的相似度，表示第p个小区域的流出交通流的特征向量，表示第q个小区域的流出交通流的特征向量；
[0028]
(5c)按照下式，计算按经纬度划分的两两小区域交通流之间的相似度：
[0029][0030]
其中，表示按经纬度划分的第q个小区域和第p个小区域的交通流的相似度，λ表示超参数；
[0031]
(5d)遍历待预测城市按照经纬度划分的14
×
14个小区域，计算每个小区域与其邻接区域之间的交通流的相似度；
[0032]
(5e)遍历待预测城市按照经纬度划分的14
×
14个小区域，将未重划分区域与其超过区域之间的交通流的相似度阈值的邻接区域进行合并，直至不存在未重划分区域；
[0033]
(6)根据重划分后的区域构建动态时空图：
[0034]
(6a)将重划分后的小区域作为节点，重划分小区域之间的交通流作为有向边构建不同时刻的动态时空图，其节点权为重划分小区域之间的交通流值；
[0035]
(6b)以隔时、隔日、隔周三种分隔模式，对不同时刻的动态时空图进行采样，将每种分隔模式的动态时空图依次堆叠，形成隔时、隔日、隔周三类动态时空图序列；
[0036]
(7)训练卷积神经网络：
[0037]
将隔时动态时空图序列输入到卷积神经网络的第一分支，将隔日动态时空图序列输入到卷积神经网络的第二分支，将隔周动态时空图序列输入到卷积神经网络的第三分支，使用adam梯度优化算法更新迭代卷积神经网络的参数，直至huberloss损失函数收敛为止，得到训练好的卷积神经网络；
[0038]
(8)预测城市的交通流：
[0039]
(8a)使用与步骤(4)相同的方法，对待预测的交通流数据进行预处理，
[0040]
(8b)使用与步骤(6)相同的方法，构建预处理后待预测的交通流数据动态时空图；
[0041]
(8c)将构建的动态时空图输入到训练好的卷积神经网络中，输出节点权表示交通
流的待预测交通流城市的预测动态时空图。
[0042]
本发明与现有技术相比具有以下优点：
[0043]
第一，本发明通过区域重划分方法对待预测交通流城市按照经纬度划分的区域进行了重划分，克服了现有技术的区域划分方法忽略相同功能属性的区域的交通流具有相似性而破坏区域的功能属性导致预测结果精度较低的问题，使得本发明的区域重划分方法利用相同功能属性的区域的交通流具有相似性合并了相同功能属性的区域，从而更多保留了区域的功能属性，并提高了预测交通流的准确性。
[0044]
第二，由于本发明构建卷积神经网络并利用由交通流数据构成的动态时空图训练了该卷积神经网络，克服了现有技术的交通流预测方法忽略交通流与空间关系高度相关且是区域之间的动态交互而采用全连接算子破坏区域之间的空间关系导致预测结果精度较低的问题，使得本发明的卷积神经网络的连接时空图内部卷积模块采用图卷积和注意力更好地保留了动态时空图的结构信息，从而提高了预测交通流的准确性。
附图说明
[0045]
图1为本发明的流程图；
[0046]
图2为本发明的对一个时间片段内同一小区域中的gps轨迹数据的车辆id进行去重的示意图；
[0047]
图3为本发明的仿真图。
具体实施方式
[0048]
下面结合附图，对本发明做进一步的描述。
[0049]
参照附图1，对本发明的具体步骤做进一步的描述。
[0050]
步骤1，构建连接时空图内部卷积模块。
[0051]
搭建一个连接时空图内部卷积模块，其结构依次为：输入层，图卷积子模块，带有残差连接结构的图注意力机制子模块和全连接层；其中，所述图卷积子模块的结构依次为：卷积输入层，第一隐藏层，第二隐藏层，卷积输出层；所述带有残差连接结构的图注意力机制子模块的结构依次为：注意力输入层，第一隐藏层，第二隐藏层和注意力输出层；所述残差连接结构的输入端与注意力输入层的输出端连接，所述残差连接结构的输出端与注意力输出层的输入端连接。
[0052]
设置连接时空图内部卷积模块输入层的神经元个数等于动态时空图的节点个数，激活函数为leakyrelu；设置连接时空图内部卷积中的每个隐藏层的神经元个数均为16；设置卷积输入层的神经元个数为2，其激活函数为leakyrelu；卷积输出层的神经元个数设置为16，其激活函数为leakyrelu；注意力输入层的神经元个数设置为2，其激活函数为leakyrelu；注意力输出层的神经元个数设置为16，其激活函数为leakyrelu；全连接层的神经元个数设置为16，其激活函数为leakyrelu。
[0053]
步骤2，构建全局注意力融合模块。
[0054]
搭建一个全局注意力融合模块，其结构依次为：平均池化层，第一全连接层和第二全连接层；将两个全连接层的神经元个数均设置为16，第一全连接层的激活函数设置为leakyrelu，第二全连接层的激活函数设置为sigmoid。
[0055]
步骤3，构建卷积神经网络。
[0056]
搭建一个由三路分支并联组成的卷积神经网络，其中，第一分支由2n个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第二分支由3n个连接时空图内部卷积模块和1个全局注意力融合模块串联组成；第三分支由4n个连接时空图内部卷积模块和1个全局注意力融合模块串联组成，n为在[1,3]范围内任意取的一个正整数。
[0057]
将三路分支并联后再依次与加权和层、输出层串联组成卷积神经网络；设置网络输出层的神经元个数为196，激活函数为leakyrelu。
[0058]
步骤4，预处理待预测城市交通流的历史数据。
[0059]
利用网格法，将待预测交通流的城市区域按照经纬度划分成14
×
14个小区域；收集待预测城市至少5000辆车辆一个月交通流的gps轨迹数据；将gps轨迹数据每隔30分钟进行切片，对每个时间片段内同一小区域中的gps轨迹数据的具有相同车辆id值的车辆id数进行去重。
[0060]
下面参照图2，对gps轨迹数据的去重处理过程进行详细描述。
[0061]
图2中的虚线方框表示将西安市二环内区域按照经纬度划分的六个小区域。将滴滴快专车平台在西安市二环区域内的订单司机轨迹数据集按照每隔30分钟进行切片，得到对应的时间片段。本发明的实例选取2016年十月一日14：00至14：30的时间片段中的两辆专车的gps轨迹，得到如图2中的两条黑色线条，其分别表示2016年十月一日14：00至14：30滴滴快专车平台在西安市二环区域内的订单司机轨迹数据集中的两辆专车的gps轨迹，每辆车都有其唯一对应的车辆id值。在图2中黑色线条上的箭头表示行驶方向，从小区域1出发经过小区域2到小区域3的黑色直线为第一辆专车的gps轨迹，从小区域5出发到小区域2的黑色折线为第二辆专车的gps轨迹。对这两条gps轨迹每隔4秒采集一次gps轨迹数据，得到图2中黑色线条上的黑圆点对应的轨迹点。
[0062]
由图2可见，黑色线条落入小区域1中的轨迹点有两个，说明在小区域1中gps轨迹数据的车辆id数为2。黑色线条落入小区域2中的轨迹点有七个，说明gps轨迹数据的车辆id数为7。但是在此实施例中14：00至14：30的时间片段内经过小区域1的gps轨迹只有1条，说明在此段时间内经过小区域1的车辆数为1，故在此段时间内小区域1中的不同车辆id值的个数为1。在此实施例中14：00至14：30的时间片段内经过小区域2的gps轨迹有2条，说明在此段时间内经过小区域2的车辆数为2，故在此段时间内小区域2中的不同车辆id值的个数为2。统计轨迹点的数目实际统计的是车辆id数，但是每个车辆id有相同值也有不同值，而统计车辆数目实际统计的是不同车辆id值的个数，车辆id数与车辆数之间的差距是重复统计的具有相同车辆id值的车辆id数，因此需要对此时间片段内同一小区域中的gps轨迹数据的具有相同车辆id值的车辆id数进行去重，去重后，此时间片段内同一小区域中的gps轨迹数据的具有相同车辆id值的车辆id数为1。在此实施例中，去重后，小区域1中的gps轨迹数据的车辆id数为1，小区域2中的gps轨迹数据的车辆id数为2，分别表示经过小区域1的车辆数目为1，经过小区域2的车辆数目为2，与本实施例的实际情况相符。
[0063]
统计每个时间片段内不同小区域中的gps轨迹数据的相同车辆id数量，将该统计结果作为小区域之间的交通流量值，将小区域之间的交通流分为流入交通流和流出交通流，对小区域之间的流入交通流和流出交通流进行采样，并将采样数据作为小区域之间的交通流的特征向量；用最小最大标准化公式对采样数据集进行标准化；
[0064]
所述最小最大标准化公式如下：
[0065][0066]
其中，v’t
表示采样数据集中的第t个值的标准化值，v
t
表示采样数据集中的第t个值，v
min
表示采样数据集中的最小值，v
max
表示采样数据集中的最大值。
[0067]
步骤5，重划分按经纬度划分的区域。
[0068]
按照下式，计算按经纬度划分的两两小区域流入交通流之间的相似度：
[0069][0070]
其中，s
in
表示按经纬度划分的第q个区域和第p个区域的流入交通流的相似度,表示第p个区域的流入交通流的特征向量，表示第q个区域的流入交通流的特征向量，dist<
·
>表示欧式距离。
[0071]
按照下式，计算按经纬度划分的两两小区域流出交通流之间的相似度：
[0072][0073]
其中，s
out
表示按经纬度划分的第q个区域和第p个区域的流出交通流的相似度，表示第p个区域的流出交通流的特征向量，表示第q个区域的流出交通流的特征向量。
[0074]
按照下式，计算按经纬度划分的两两小区域交通流之间的相似度：
[0075][0076]
其中，表示按经纬度划分的第q个区域和第p个区域的交通流的相似度，λ是超参数。
[0077]
遍历待预测交通流城市按照经纬度划分的14
×
14个区域，计算每个区域与其邻接区域之间的交通流的相似度。
[0078]
遍历待预测交通流城市按照经纬度划分的14
×
14个区域，将未重划分区域与其超过区域之间的交通流的相似度阈值的邻接区域进行合并，直至不存在未重划分区域。
[0079]
步骤6，根据重划分后的区域构建动态时空图。
[0080]
将重划分后的区域作为节点，重划分区域之间的交通流作为有向边构建不同时刻的动态时空图，其边权为重划分区域之间的交通流值。
[0081]
以隔时、隔日、隔周三种分隔模式，对不同时刻的动态时空图进行采样，将每种分隔模式的动态时空图依次堆叠，形成隔时、隔日、隔周三类动态时空图序列，其表示如下：
[0082][0083][0084][0085]
其中，表示隔时动态时空图序列，表示t
‑
1时刻的动态时空图，n表
示动态时空图的节点个数，f表示动态时空图的特征数，其分别表示t
‑
1时刻的流入交通流和t
‑
1时刻的流出交通流,l
c
表示隔时分隔模式的采样个数，表示隔日动态时空图序列，n
p
表示隔日分隔模式的间隔长度，l
p
表示隔日分隔模式的采样个数，表示隔周动态时空图序列，n
r
表示隔周分隔模式的间隔长度，l
r
表示隔周分隔模式的采样个数。
[0086]
步骤7，训练卷积神经网络。
[0087]
将隔时动态时空图序列输入到卷积神经网络的第一分支，将隔日动态时空图序列输入到卷积神经网络的第二分支，将隔周动态时空图序列输入到卷积神经网络的第三分支，使用adam梯度优化算法更新迭代卷积神经网络的参数，直至huberloss损失函数收敛为止，得到训练好的卷积神经网络。在本发明的仿真实验中，使用adam梯度优化算法训练时空图卷积网络，学习率设置为0.01，下降率设置为0.1。
[0088]
所述的卷积神经网络的huberloss损失函数的步骤如下：
[0089]
第1步，按照下式，计算网络节点的注意力系数：
[0090][0091]
其中，α
uv
表示第u个网络节点与其邻接的第v个网络节点的注意力系数，exp(
·
)表示以自然常数e为底的指数函数，σ(
·
)表示leakyrelu激活函数，α
t
表示网络注意力系数矩阵的转置，表示与节点特征向量相乘的特征变换矩阵，其初值设为全1，f
l
表示第l张动态时空图的特征个数，h
u
表示节点u的特征向量，||表示连接操作，h
v
表示节点v的特征向量，表示与边特征向量相乘的特征变换矩阵，其初值设为全1，e
uv
表示第u个网络节点与其邻接的第v个节点之边的特征向量，∑(
·
)表示求和运算，n(u)表示第u个网络节点的邻接节点个数，h
k
表示第k个网络节点的特征向量，e
uk
表示第u个网络节点与第k个网络节点之边的特征向量。
[0092]
第2步，按照下式，对动态时空图序列中的每张动态时空图的每个节点进行聚合运算：
[0093][0094]
其中，表示第l张动态时空图的第u个网络节点聚合所有邻接节点的特征向量，表示第l
‑
1张动态时空图的第u个网络节点的特征向量。
[0095]
第3步，按照下式，利用带偏置值的空域卷积更新节点的特征向量：
[0096][0097]
其中，示第l张动态时空图的第u个网络节点的特征向量，n(k)表示第u个网络节点的邻接节点个数，w
h
表示与第l
‑
1张动态时空图的第u个网络节点的特征向量相乘的特征变换矩阵，b
l
表示第l张动态时空图的偏置值。
[0098]
第4步，按照下式，利用残差连接结构，减轻过平滑问题：
[0099][0100]
其中，表示用于维度转换的特征变换矩阵。
[0101]
第5步，按照下式，计算压缩更新节点特征向量后的全局信息：
[0102][0103]
其中，z
c
表示压缩更新节点特征向量后的全局信息序列中的第c个元素，f
c
表示动态时空图序列中的第c个动态时空图。
[0104]
第6步，按照下式，计算动态时空图序列的贡献率序列：
[0105]
s＝ρ(w1σ(w2z))
[0106]
其中，s表示动态时空图序列的贡献率序列，ρ(
·
)表示sigmoid激活函数，特征变换矩阵，其初值设为全1，r表示缩放因子，l表示动态时空图序列数，表示特征变换矩阵。
[0107]
第7步，按照下式，计算卷积神经网络的分支输出动态时空图：
[0108][0109]
其中，o表示分支输出动态时空图，s
i
表示贡献率序列中第i个贡献率，表示动态时空图序列中第i个的动态时空图。
[0110]
所述的卷积神经网络的第一分支输出动态时空图o
c
，卷积神经网络的第二分支动态时空图o
p
、卷积神经网络的第三分支动态时空图o
r
均通过以上步骤求得。
[0111]
第8步，按照下式，计算输出动态时空图：
[0112]
o
e
＝w
c
⊙
o
c
+w
p
⊙
o
p
+w
r
⊙
o
r
[0113]
其中，o
e
为输出动态时空图，w
c
，w
p
，w
r
均为可学习的参数矩阵，初值设为全1。
[0114]
第9步，按照下式，计算卷积神经网络的huberloss损失函数：
[0115][0116]
其中，l(
·
)表示huberloss损失函数，o
t
表示卷积神经网络的t时刻的预测动态时空图，h
t
表示t时刻的动态时空图，*表示乘法操作，δ表示huberloss学习参数。
[0117]
步骤7，预测城市的交通流：
[0118]
使用与步骤4和步骤6相同的方法，对待预测的交通流数据进行预处理，并构建预处理后待预测的交通流数据动态时空图。
[0119]
将构建的动态时空图输入到训练好的卷积神经网络中，输出节点权表示交通流的待预测交通流城市的预测动态时空图。
[0120]
下面结合仿真实验对本发明的效果做进一步的说明。
[0121]
1.仿真实验条件：
[0122]
本发明的仿真实验的硬件平台是：cpu为intel(r)xeon(r)silver 4210r，主频为2.4ghz，内存为8gb，gpu为rtx 2080ti，显存为12gb。
[0123]
本发明的仿真实验的软件平台是：ubuntu 18.04，64位操作系统，python 3.7。
[0124]
本发明仿真实验使用了两个数据集，一个数据集采集自滴滴出行“盖亚”数据开放计划提供的2016年10月至11月滴滴快专车平台在成都市二环区域65平方公里内的订单司机轨迹数据，简称成都数据集。另一个数据集来自于2016年10月至11月滴滴快专车平台在西安市二环区域内的订单司机轨迹数据，简称西安数据集。
[0125]
2.仿真内容与仿真结果分析：
[0126]
本发明的仿真实验是采用本发明的方法和两个现有技术(混合注意力时空图卷积astgcn交通流预测方法、卷积长短期记忆网络convlstm交通流预测方法)分别对本发明仿真实验条件中选取的两个数据集中十月至十一月的gps轨迹数据进行预处理，取两个数据集中十月一日至十一月十日的预处理后的gps轨迹数据组成训练数据集，取两个数据集中十一月十一日至十一月三十日的预处理后的gps轨迹数据组成测试数据集。利用训练数据集中的成都数据集对成都的区域进行重划分，利用训练数据集中的西安数据集对西安的区域进行重划分，根据重划分后的成都和西安的区域分别构建对应的动态时空图，利用动态时空图训练卷积神经网络。利用重划分后的区域和测试数据集中预处理的gps轨迹数据分别构建成都和西安的动态时空图输入到训练好的卷积神经网络中进行交通流预测，分别输出节点权表示交通流的成都和西安的预测动态时空图。
[0127]
在仿真实验中，采用的两个现有技术是指：
[0128]
现有技术混合注意力时空图卷积astgcn交通流预测方法是指，郭晟楠等人在“attention based spatial
‑
temporal graph convolutional networks for traffic flow forecasting[j].proceedings of the aaai conference on artificial intelligence,2019,33:922
‑
929.”中提出的交通流预测方法，简称混合注意力时空图卷积astgcn交通流预测方法。
[0129]
现有技术卷积长短期记忆网络convlstm交通流预测方法是指，刘一鹏等人在“short
‑
term traffic flow prediction with conv
‑
lstm[c].2017 9th international conference on wireless communications and signal processing(wcsp).ieee,2017.”中提出的交通流预测方法，简称卷积长短期记忆网络convlstm交通流预测方法
[0130]
为了衡量本发明的仿真性能，利用下述的对称平均绝对百分比误差公式，分别计算三种不同方法仿真结果的对称平均绝对百分比误差。
[0131][0132]
其中，smape表示对称平均绝对百分比误差，m表示十一月份交通流数据预处理后构建的动态时空图序列的长度，表示十一月份预测动态时空图序列的第i个动态时空图，y
i
表示十一月份动态时空图序列的第i个动态时空图。
[0133]
将三种不同方法仿真结果的对称平均绝对百分比误差列表，如表1所示，其中，flowgcn表示采用本发明方法的仿真结果的对称平均绝对百分比误差，astgcn表示采用第一个现有技术的方法的仿真结果的对称平均绝对百分比误差，convlstm表示采用第二个现
有技术的方法的仿真结果的对称平均绝对百分比误差。
[0134]
表1各方法仿真性能对比表
[0135]
smape％flowgcnastgcnconvlstm成都3.474.854.75西安3.385.146.58
[0136]
对称平均绝对百分比误差的值越小，说明该方法的性能越好。从表1可以看出，本发明的方法的对称平均绝对百分比误差的值要比第一个现有技术和第二个现有技术的值小很多，说明本发明的方法的性能更佳。
[0137]
下面结合图3，对本发明仿真的预测交通流进行详细描述。图3(a)是十一月十一日18：00
‑‑
18:30的重划分后的西安市的历史交通流的示意图。图3(b)是利用本发明方法通过仿真得到的十一月十一日18：00
‑‑
18:30西安市的预测交通流的示意图。图3中的小格表示重划分后的区域，小格的灰度等级大小表示历史交通流的流量大小，灰度等级越小表示车流量越大。