一种基于深度学习的图神经网络交通流预测方法

本发明涉及深度学习领域，利用深度学习的方法应用在交通流预测问题上，具体为一种基于注意力机制的图神经网络交通流预测方法。

背景技术：

1、近些年，随着大数据分析技术的蓬勃发展，各行各业的数据都呈爆炸式增长。车辆轨迹、车辆流量、道路传感器等交通数据相较于之前也是几何倍的增加，如何处理好各种交通数据已经成为构建智能交通系统中最受关注的任务之一。交通流预测是一个被广泛研究的问题，准确及时的交通流预测不仅可以缓解交通堵塞等问题，也能节约各种资源。交通流数据同时包含时间相关性和空间相关性，因此，如何有效挖掘数据间的时空关系充满挑战。随着深度学习的发展，越来越多的研究者将深度学习引入到了交通预测问题中。rnn(recurrent neural network)及其变lstm(gru)的出现使时间序列预测精度得到了很大的提升，通过增加隐藏状态和门机制，对信息进行有效的丢弃与保留使模型具有了记忆功能，从而实现对非线性长序列数据的处理。一些研究者将交通网络建模为网格，并使用卷积神经网络(cnn)学习不同网格之间的空间相互作用，以此来捕获空间相关性。随着研究的深入，研究者们发现交通流网络是一个良好的几何空间，定义为图更加准确，因此，出现了很多基于图卷积神经网络的交通预测方法。

2、经过实际的应用，已经证明引入深度学习方法的预测精度相较于统计学和简单机器学习方法的预测精度有了显著的提升。由此可见，深度学习对交通预测问题有很大的帮助。但仍有两个重要问题被忽视了。现今大部分方法是分别使用两个独立的组件来捕获时间依赖关系和空间依赖关系。第二个问题则是忽视了次要信息对预测结果的补充作用。本发明针对上述两个问题，通过构建的融合特征注意力模块、信息聚合模块和多信息结合模块，实现了对交通流信息的时空同步提取，同时也考虑了其他交通信息对交通流的影响，结果证明，本发明能够进行准确的交通流预测。

技术实现思路

1、为了提高交通流的预测精度，本发明提出一种基于深度学习的图神经网络交通流预测方法。通过融合特征注意力模块、信息聚合模块和多信息结合模块，在充分考虑其他交通信息对交通流影响的同时，实现了对交通流信息的时空同步提取。

2、为了验证方法的可行性，本发明的技术方案为：

3、步骤1：获取公开的交通数据集pemsd4和pemsd8并预处理，分为实验集和验证集，两个数据集中都包含交通流、交通占有率和交通速度三种交通信息；

4、步骤2：构建融合特征注意力模块，通过函数计算出输入信息的影响因子大小，强化目标特征信息，抑制无用特征信息；

5、步骤3：构建信息聚合模块，通过gru网络和图卷积实现对目标历史信息时空依赖性的同步提取；

6、步骤4：构建多信息结合模块，将步骤3中的目标信息和步骤2中的其他信息通过concat(·)函数结合起来，再经过图卷积运算得出彼此间的空间关系；

7、步骤5：以为深度学习框架，实现对以上步骤中的模块进行组合搭建；

8、步骤6：实验平台环境设置,gpu型号为nvidia rtx 2080ti、16g显存、cuda10.0、cudnn7.6.0,操作系统为ubuntu16.04；在此平台下,采用python3.7编程语言对步骤5中的模型进行构建；

9、步骤7：设置模型训练超参数,模型训练过程中使用adam优化器进行参数调优,选择作为作为损失函数，数据集pemsd4的学习率设置为0.003，pemsd8的学习率设置为0.01；

10、步骤8：将步骤1中经过预处理的实验集交通信息输入到步骤7设置好参数的模型中进行训练并保存训练结果；

11、步骤9：将步骤1中的验证集数据输入到训练好的步骤8模型中进行模型的性能测试。

技术特征：

1.一种基于深度学习的图神经网络交通流预测方法，其特征在于，具体步骤如下：

技术总结
本发明提出了一种基于深度学习的图神经网络交通流预测方法。该方法由融合了不同深度学习方法的三个模块：融合特征注意力模块、信息聚合模块和多信息结合模块组成。融合特征注意力模块通过注意力机制和Softmax函数提取不同交通信息间的影响因子，将交通流信息与其他各种交通信息在时间维度上结合，充分考虑了不同交通信息间的时间周期性；信息聚合模块将交通流信息输入GRU网络中提取历史时间信息，同时用图卷积实现时空依赖性的同步提取；多信息结合模块将主次信息用CONCAT(·)函数相加后进行图卷积运算，挖掘主次要信息间的隐藏关系。本发明实现了一个高效的交通流预测方法，能够快速准确的预测交通流信息。

技术研发人员：程小辉,何宇豪,陆秋
受保护的技术使用者：桂林理工大学
技术研发日：
技术公布日：2024/1/12