买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华东交通大学;萍乡市湘旺软件开发有限公司

摘要：本申请涉及一种基于路网空间异质性的城市交通流预测方法，它包括如下步骤：获取交通拓扑结构和历史交通流数据集并构建交通特征矩阵、邻接矩阵和映射函数；采用空间异质性检测模块对交通特征矩阵、邻接矩阵和映射函数进行流量级数据增强和图拓扑级结构增强后搭建神经网络模型并进行训练，使用训练好的神经网络模型进行交通流量预测。本发明利用城市道路交通流的时空关联信息进行预测，能够克服现有方法无法充分利用交通流数据的时空特征和周期性特征的缺点；同时将不同路段的不同交通模式结合起来，并对空间特征进行图增强，提高交通流预测的准确性。

主权项：1.一种基于路网空间异质性的城市交通流预测方法，其特征在于，包括如下步骤：S1：收集目标区域的交通路网信息及历史交通流数据，获得路网拓扑结构和历史交通流数据集；S2：使用MinMax缩放器对历史交通流数据集进行归一化预处理，对于数据缺失部分采用线性插值法进行补全；根据历史交通流数据建立交通特征矩阵X；对于由t-T时刻至t时刻的历史交通流数据建立的交通特征矩阵，可表示为，，并将历史交通流数据集划为训练集和测试集；其中，为交通特征矩阵中的第行数据，表示时刻的交通特征矩阵，表示第i个路段在时刻的交通量，n表示路段的个数；S3：将获得的路网拓扑结构进行建模，得到表示道路之间连接关系的路网拓扑图G=（V，E），表示路网连通性的邻接矩阵A和映射函数f，其中，V表示路段集合，E表示两个路段之间连通性的边的集合；S4：将步骤S2得到的交通特征矩阵X输入一个用于保存交通流上下文信息的时间编码器进行处理，得到路段嵌入矩阵B；S5：基于一个空间异质性检测模块对步骤S4得到的路段嵌入矩阵B进行异质性检测，经过流量级数据增强和图拓扑级结构增强将路网拓扑结构进行重构，得到增强后的映射函数；S6：使用深度学习方法搭建神经网络模型，对增强后的映射函数进行建模；所述神经网络模型包含输入层、两层GCN模型和一层GRU模型；其中，输入层用于输入增强后的交通特征矩阵与增强后的邻接矩阵，GCN模型用于捕获路段节点之间车流量数据的空间特征，GRU模型用于捕获路段节点之间车流量数据的时间特征；S7：使用训练集数据对步骤S6搭建的神经网络模型进行训练，并使用测试集数据进行准确度测试，计算预测值与实际值之间的损失函数，通过反向传播算法对神经网络模型的参数进行优化，使用Adam优化器自适应学习率，优化神经网络模型的参数以使模型更加准确；S8：使用训练好的交通流预测模型对实时获取的交通流数据进行预测，得到预测结果。

全文数据：

权利要求：

百度查询： 华东交通大学 萍乡市湘旺软件开发有限公司 一种基于路网空间异质性的城市交通流预测方法