一种基于PSO-STGCN图卷积网络的短期交通流预测方法及系统

本申请涉及智能交通，特别是涉及一种基于pso-stgcn图卷积网络的短期交通流预测方法及系统。

背景技术：

1、随着城市化进程的加速，城市交通问题日益严重。交通流预测是交通管理和控制的重要手段之一，对于缓解交通拥堵，提高交通效率具有重要意义。然而，由于交通流数据具有复杂性和不确定性，传统的交通流预测模型往往无法准确预测交通流。

2、传统的交通流预测方法主要可以分为三类：统计学方法、机器学习方法和深度学习方法。统计学方法如自回归移动平均模型(arima)等，虽然简单易用，但由于其线性假设，很难捕捉到交通流数据的非线性特征。机器学习方法如支持向量机(svm)和决策树等，虽然能够处理非线性问题，但需要手动选择特征，且对于大规模交通流数据的处理效果有限。

3、近年来，深度学习方法在交通流预测领域取得了显著的成果。卷积神经网络(cnn)和循环神经网络(rnn)等深度学习模型在处理交通流数据时，可以自动学习特征，无需手动选择。然而，这些模型往往忽略了交通流数据的空间特征，导致预测效果不尽如人意。最新提出的空间时间图卷积网络(stgcn)模型，该模型通过同时处理交通流数据的空间和时间特征，取得了较好的预测效果。然而，stgcn模型的参数调整对预测性能影响较大，传统的参数调整方法往往需要大量的计算资源和时间。

技术实现思路

1、有鉴于此，本发明提出一种基于pso-stgcn图卷积网络的短期交通流预测方法及系统，将粒子群算法(pso)与stgcn模型相结合，克服了手动设置模型参数的缺点，使粒子群算法能够捕获stgcn模型的最优参数，对交通流量预测具有更显著的影响。

2、为此，本发明采用以下技术方案：

3、本发明公开了一种基于pso-stgcn图卷积网络的短期交通流预测方法，所述方法包括：

4、s1、获取多个时刻的历史交通速度数据，并对所述数据进行预处理，得到训练集、测试集和验证集；

5、s2、根据交通流矩阵，构建空间时间图卷积网络stgcn模型；所述stgcn模型包括输入层、空间卷积层、时间卷积层、全连接层和输出层；所述输入层接收交通流矩阵，所述空间卷积层负责提取交通流数据的空间特征，所述时间卷积层负责提取交通流数据的时间特征，所述全连接层对特征进行整合，所述输出层输出交通流预测结果；

6、s3、采用粒子群优化pso算法，对所述stgcn模型的参数进行优化；

7、s4、利用所述训练集对优化后的stgcn模型进行训练；

8、s5、利用训练好的stgcn模型进行交通流预测，得到预测结果。

9、进一步地，利用所述训练集对优化后的stgcn模型进行训练，包括：通过梯度下降法更新模型参数，直至模型收敛。

10、进一步地，所述stgcn模型的参数，包括：图卷积核大小k、时间卷积核大小kt和初始学习率。

11、进一步地，采用粒子群优化pso算法，对所述stgcn模型的参数进行优化，包括：

12、设置pso算法种群大小、空间维度、最大迭代次数，并初始化stgcn模型的参数；

13、将pso算法粒子编码为stgcn模型的参数；

14、在搜索过程中随机生成初始种群，初始化粒子群，设置粒子位置和速度；

15、根据适应度函数mse评估粒子群的性能，更新粒子位置和速度；适应度函数被定义为预测值和实际值之间的差，并且适应度值用于更新局部和全局最优值；

16、重复以上步骤，直至更新粒子速度和位置直至满足收敛条件；将从pso算法得到的参数作为模型初始超参数。

17、本发明还公开了一种基于pso-stgcn图卷积网络的短期交通流预测系统，所述系统包括：

18、数据处理模块，获取多个时刻的历史交通速度数据，并对所述数据进行预处理，得到训练集、测试集和验证集；

19、模型建立模块，根据交通流矩阵，构建空间时间图卷积网络stgcn模型；所述stgcn模型包括输入层、空间卷积层、时间卷积层、全连接层和输出层；所述输入层接收交通流矩阵，所述空间卷积层负责提取交通流数据的空间特征，所述时间卷积层负责提取交通流数据的时间特征，所述全连接层对特征进行整合，所述输出层输出交通流预测结果；

20、参数优化模块，采用粒子群优化pso算法，对所述stgcn模型的参数进行优化；

21、模型训练模块，利用所述训练集对优化后的stgcn模型进行训练；

22、模型预测模块，利用训练好的stgcn模型进行交通流预测，得到预测结果。

23、进一步地，模型训练模块具体用于：通过梯度下降法更新模型参数，直至模型收敛。

24、进一步地，所述stgcn模型的参数，包括：图卷积核大小k、时间卷积核大小kt和初始学习率。

25、进一步地，参数优化模块具体用于：

26、设置pso算法种群大小、空间维度、最大迭代次数，并初始化stgcn模型的参数；将pso算法粒子编码为stgcn模型的参数；在搜索过程中随机生成初始种群，初始化粒子群，设置粒子位置和速度；根据适应度函数mse评估粒子群的性能，更新粒子位置和速度；适应度函数被定义为预测值和实际值之间的差，并且适应度值用于更新局部和全局最优值；重复以上步骤，直至更新粒子速度和位置直至满足收敛条件；将从pso算法得到的参数作为模型初始超参数。

27、本发明的优点和积极效果：

28、本发明提供了一种基于粒子群优化(pso)和空间时间图卷积网络(stgcn)的交通流预测方法及系统，通过结合粒子群优化算法和空间时间图卷积网络，提高了交通流预测的准确性。此外，将pso和stgcn相结合，对道路交通数据的特征进行了有效的建模。pso还可以通过找到平衡模型复杂性和预测准确性的最优超参数集来帮助防止stgcn模型的过拟合。

技术特征：

1.一种基于pso-stgcn图卷积网络的短期交通流预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于pso-stgcn图卷积网络的短期交通流预测方法，其特征在于，利用所述训练集对优化后的stgcn模型进行训练，包括：通过梯度下降法更新模型参数，直至模型收敛。

3.根据权利要求1所述的基于pso-stgcn图卷积网络的短期交通流预测方法，其特征在于，所述stgcn模型的参数，包括：图卷积核大小k、时间卷积核大小kt和初始学习率。

4.根据权利要求3所述的基于pso-stgcn图卷积网络的短期交通流预测方法，其特征在于，采用粒子群优化pso算法，对所述stgcn模型的参数进行优化，包括：

5.一种基于pso-stgcn图卷积网络的短期交通流预测系统，其特征在于，所述系统包括：

6.根据权利要求5所述的基于pso-stgcn图卷积网络的短期交通流预测系统，其特征在于，模型训练模块具体用于：通过梯度下降法更新模型参数，直至模型收敛。

7.根据权利要求5所述的基于pso-stgcn图卷积网络的短期交通流预测系统，其特征在于，所述stgcn模型的参数，包括：图卷积核大小k、时间卷积核大小kt和初始学习率。

8.根据权利要求7所述的基于pso-stgcn图卷积网络的短期交通流预测系统，其特征在于，参数优化模块具体用于：

技术总结本发明公开了一种基于PSO‑STGCN图卷积网络的短期交通流预测方法及系统，涉及智能交通技术领域，方法包括：获取多个时刻的历史交通速度数据，并对所述数据进行预处理，得到训练集、测试集和验证集；根据交通流矩阵，构建空间时间图卷积网络STGCN模型；采用粒子群优化PSO算法，对所述STGCN模型的参数进行优化；利用所述训练集对优化后的STGCN模型进行训练；利用训练好的STGCN模型进行交通流预测，得到预测结果。本发明将PSO与STGCN模型相结合，克服了手动设置模型参数的缺点，使粒子群算法能够捕获STGCN模型的最优参数，对交通流量预测具有更显著的影响。技术研发人员：王演,朱峰,安永泰,杨跃,程诚,陈炯燚,李佳颖受保护的技术使用者：大连海事大学技术研发日：技术公布日：2024/7/18