基于时空融合的短时车速预测

技术特征：
1.一种基于时空融合的短时车速预测，其特征在于，包括以下步骤：步骤1：对gcn进行数学建模gcn能够处理任意图结构数据，可分为基于频谱方法和基于空间方法，选用的是基于频谱方法，在频谱图卷积层中，最能反映图得结构性质的就是图卷积拉普拉斯矩阵l，其公式如式(1)所示，其中，d为度矩阵，a为邻接矩阵，i
n
为单位矩阵，区别与经典卷积算子的卷积操作，图卷积是利用定义在傅里叶域中对角的线性算子来实现卷积操作，其公式如式(2)所示，g
θ
*x＝ug
θ
u
t
x
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，g
θ
为卷积核，u是由l的特征向量组成，对于图结构较大的情况，可采用切比雪洛夫多项式近似求解，因此，图卷积的层间传播公式如(3)，其中，为邻接矩阵与单位矩阵之和，为的度矩阵，h
(l)
为第l层的特征矩阵，w
(l)
为第l层的权重矩阵，σ为激活函数，步骤2：对gcn-bilstm进行数学建模本发明经过gcn网络来捕捉车速空间特征，得到车速序列的空间特征向量，再将空间特征向量输入到bilstm网络中，挖掘时间特征，bilstm在lstm的基础上进一步地改进，由前向lstm和后向lstm组成，bilstm不仅能够过往状态的记忆性，且具备对未来状态依赖性，bilstm结构图如图2所示，序列数据通过输入层进入隐藏层分别进行正向、反向计算，最终输出结果由输出层按照一定的权重融合正向lstm输出结果和反向lstm输出结果得到，bilstm隐藏输出计算公式如式(4)-(6)所示，(6)所示，(6)所示，其中，和为q时刻的前向和后向隐藏层状态，lstm为隐藏运算过程，y
q
代表q时刻输入的时空关联向量，h
q
为q时刻bilstm隐藏层状态向量，α，β分别代表前向和反向隐藏层输出权重，步骤3：对vmd-gcn-bilstm进行数学建模变分模态分解解决了经验模态分解(emd)中存在的端点效应和模态分量混叠的问题，具有可以确定模态分解的个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，与emd相比采用了非递归的分解模式，通过构建变分问题使得分解结果稳定，
步骤4：设置超参数vmd-gcn-bilstm模型的主体是vmd处理分解信号，分解后的信号输入2个拼接的gcn层、2个bilstm层和1个全连接层，2层gcn通道主要是用来提取车速的空间特征，而加入的biltm层用来提取车速的时间特征，首先，由于每天会出现上下班高峰期，原始车速数据存在奇异值，为了避免奇异样本数据导致不良影响以及加快梯度下降求最优解的速度，在信号分解前采取将数据限定在一定范围内，即归一化处理，归一化公式如式(7)其中x是原始数据，x
min
是原始数据中最小值，x
max
是原始数据中最大值，其次，将归一化的车速数据投入分解模块，通过vmd算法将数据分解成多个imf分量，得到不同频率下的时间序列，减少了噪声对后续模型预测性能的影响，接下来的训练部分，采用两层的gcn捕捉车速的空间特征学习，利用两层的bilstm挖掘时间特征，最后，经过全连接层得到每个子序列的预测值，再将预测分量求和输出的预测结果，步骤5：用其他时间序列预测方法与本发明比较对本发明方法进行训练，得到本发明的三个性能指标平均绝对误差(mae)、均方根误差(rmse)和决定系数(r2-score)等各种指标，并在同一数据集同一计算机下对其他时间序列预测方法进行比较。2.根据权利要求1所述的基于时空融合的短时车速预测，其特征在于，vmd分解具体包括以下步骤：(1)：首先通过式(8)-(9)构建变分约束问题(9)构建变分约束问题其中k为分解的模态个数，{u
k
}、{ω
k
}分别为分解后第k个模态的分量和中心频率，δ(t)为狄拉克函数，(2)：通过式(10)转变约束变分问题，其中α为二次惩罚因子，λ为拉格朗日乘法算子，(3)：搜寻增广lagrange函数的鞍点，交替寻优迭代后的{u
k
}、{ω
k
}和λ，表达式为式(11)-(13)，
其中式中γ表示噪声容忍度，分别对应u
i
(t)、f(t)和λ(t)的傅里叶变换。

技术总结
本发明公开了一种基于时空融合的短时车速预测，包括：车速数据预处理；将车速数据集输入预构建的VMD-GCN-BiLSTM模型中进行短时车速预测；其中，所述VMD-GCN-BiLSTM模型的构建过程包括：对BiLSTM进行数学建模：在RNN网络的基础上LSTM网络加入依次连接的遗忘门、输入门和输出门；通过前向LSTM网络和后向LSTM网络构建BiLSTM网络模型；对BiLSTM网络模型进行双向训练；本发明能够克服单一模型存在的缺陷，同时与现有的组合模型相比，预测精度也进一步的得到提升。本发明可以准确的预测短时车速，为交通部门提供了有利的参考价值。交通部门提供了有利的参考价值。交通部门提供了有利的参考价值。


技术研发人员：卢海鹏 张凯 张龄允 丁昱杰 刘洪 魏明 孙志颖
受保护的技术使用者：南京信息工程大学
技术研发日：2022.07.23
技术公布日：2022/12/19