【技术实现步骤摘要】
一种基于嵌套时序分解时空图卷积网络的交通流预测方法
[0001]本专利技术属于时间序列预测领域,具体指代一种嵌套时序分解时空图卷积网络的交通流预测方法。
技术介绍
[0002]随着智能交通系统(ITS)的发展,交通流分析、预测是智能交通系统(ITS)也将成为其一个非常重要的部分。低频预测数据可用于宏观的公共交通规划、车辆路径选择等,且对于优化交通通行效率十分有效。而高频预测数据则能用于推测车辆未来工况信息,对于单车的驾驶行为选择和能量管理有重要作用。
[0003]由于交通流的连续性与传播性,交通流对于时间与空间同时具有强烈的依赖,单个节点的交通流信息极易受到相邻节点的影响,就算非相邻节点,也会因为交通事件的传播而再一定事件后造成影响,单纯的时序预测已经很难满足现在交通流预测的需求。且交通流是一个受社会力强影响的时间序列,在部分时间尺度自相关性较差,对预测效果影响较大,且这种对自相关性的影响因为人类社会活动的多尺度周期性特装,同样具有多尺度特性。
[0004]因此急需一种可以捕获多尺度特装并结合时间与空间信息的交通流预测方法。
技术实现思路
[0005]本专利技术旨在提供一种基于嵌套时序分解时空图卷积网络的交通流预测方法。以解决上述技术问题。使用时序分解算法对特定的弱自相关时间尺度进行分解,以提高单个时间序列内各时点变量的相互关联性。使用引入新型时空图卷积模块的时空图卷积网络,同步捕捉各个节点的时间、空间和时空同步相关性。具体步骤如下:
[0006]步骤1:数据处理;
[ ...
【技术保护点】
【技术特征摘要】
1.一种基于嵌套时序分解时空图卷积网络的交通流预测方法步骤1:数据处理,获取原始交通流信息,进行清洗和插值处理;步骤2:交通流网络GRAPH图构建;步骤3:嵌套时序分解,提取多尺度时序信息;步骤4:多尺度时间序列传入时空图卷积模块;步骤5:时空图卷积模块构建时空图卷积层;步骤6:使用数据训练网络,并对未来交通流进行预测。2.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于,通过路端传感器,或者车载设备回传信息,聚合而成交通流速度和流量序列,进行清洗,并使用规则与线性插值补全缺失数据。3.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于。神经网络的目标是根据前n个时间间隔的历史数据,预测未来m个时间间隔的客流量。基于N个交通节点的观测数据,我们模型的输入数据可以表示为矩阵X:其中X
T
‑
n
表示时间戳T前第n个时间间隔的客流量矩阵,x
i,j
对应第i到j路口站点的客流量数据。其中N
ij
是在特定的时间跨度内从i站到j站的乘客数量。如果两路口不直接相邻,令N
ij
=0。我们使用G=(V,E,A,D)表示空间网络,其中|V|=N为顶点集,N为顶点个数,E为边集。A为网络G的邻接矩阵,D为网络G的距离矩阵,空间网络G表示空间维度上节点之间的关系,网络结构不随时间变化。同时对于各个节点构建交通流特征图,用以表征某时某刻的交通流事件。有两个节点连通,则邻接矩阵中对应的值为1,局域化时空图的邻接矩阵可以表示为:两个节点间的距离,根据实际距离按照一定比例,表示为:4.根据权力要求1所述的一种基于嵌套时序分解时空图卷积网络的交通流预测方法其特征在于,使用NSTL(嵌套周期趋势分解)将交通流序列按照不同的时间粒度,分解为多时间尺度序列。内部循环通过以下步骤实现数据分解:
step1:去趋势,用t时刻的时间序列数据Yt减去内循环第K
‑
1次结束时的趋势分量T
t
(k),即Y
t
‑
T
t
(k),取0为T
t
(k)的初始值;step2:子序列平滑,使用LOESS对全部子序列进行回归操作且基于LOESS选择的周期参数向前和向后同时各延展一个周期,平滑结果组成临时周期分量,记作TS
t
(k+1);step3:周期子序列的低通量过滤,对step2得到的TS
t
(k+1)进行滑动平均,滑动平均的周期取值作为LOESS周期参数的值,继续使用LOESS对获得的回归结果再次进行回归,以提取周期子序列的低通量,所得的果序列记作L
t
(k+1);step4:提取周期分量S
t
(k+1),S
t
(k+1)=TS
t
(k+1)
‑
L
t
(k+1);step5:去除周期分量Y
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。