基于时空元图学习的交通流量预测方法

本发明涉及交通流量预测，尤其涉及一种基于时空元图学习的交通流量预测方法。

背景技术：

1、近年来，全球各个国家都在大力发展智能交通系统its。智能交通系统在交通管理和控制领域中起到了不可或缺的作用，它显著提升了交通安全水平，有效缓解了交通拥堵问题，并显著提高了交通运行效率。交通流量预测是智能交通系统的关键部分，路网交通流量的精确预测为智能交通系统提供了关键信息，特别是在交通繁忙的城市公路中，准确的预测可以帮助交通管理部门合理引导和控制车流量分布，另一方面也有助于司机规划路线、从而避免拥堵，实现城市交通系统效率的提高。

2、交通流量是指在单位时间内通过某交通路段的车辆数量。它是衡量交通状况的重要指标，对城市交通管理和规划具有重要意义。交通流量的组成包括车辆的种类和数量，不同种类的车辆对交通流量的贡献不同。交通流量的测量可以通过交通计数器、地磁车辆检测器、摄像头等设备进行，这些设备可以实时监测车辆的通过情况，并记录车辆的数量和速度等信息。交通流量在一天之内呈现出明显的周期性变化，高峰时段（如上下班时间）交通流量较大，非高峰时段交通流量较小。此外，节假日和特殊事件（如大型活动、交通事故等）也会对交通流量产生影响。

3、丰富的历史交通数据是进行交通预测的前提，而传感器技术的发展为采集这些数据提供了便利。交通流量预测是通过分析传感器采集的交通流量和速度等数据来预测未来交通状况的方法。由于交通系统的数字化，我们可以利用基于人工智能和机器学习的数据驱动方法来实现更精确的预测。

4、为了提升对交通流量分布的精准预测能力，学术界已经提出了众多预测策略。当前，这些策略主要分为两大类别：一类是以统计学理论为基础的预测模型，另一类则依托于机器学习算法的预测模型。

5、基于统计的预测方法：统计方法主要包括自回归综合移动平均模型arima、历史平均模型ha、指数平滑模型es和卡尔曼滤波模型kf。这些模型在分析时间序列数据和预测未来交通流量方面具有重要作用。然而，这些模型的假设条件较为严格，一旦受到随机干扰，模型的预测精度可能会降低。此外，这些模型也无法完全反映交通状况的非线性特征，因此在使用时具有一定的局限性。

6、基于机器学习的预测方法：在交通流预测中，机器学习方法的应用非常广泛。这些方法主要分为两大类：传统的机器学习方法和深度学习方法。

7、传统的机器学习方法：

8、传统的机器学习方法包括支持向量回归模型svr、k-最近邻模型knn、贝叶斯模型、模糊逻辑模型等。svr模型采用回归在线支持向量机这一监督机器学习方法，能够预测典型和非典型情况下的短期交通流。knn模型则以最近邻的值作为输入参数，结合多个区间的预测范围来优化参数，进而预测交通流量。贝叶斯模型通过搜索流形邻域来提高预测精度，并提出了基于自适应邻域选择扩展策略的交通状态预测方法。模糊逻辑模型则使用模糊方法对输入数据进行聚类，以确定输入输出关系。这些传统机器学习方法具有较强的非线性映射能力，对数据的要求不如统计方法严格，因此能够更好地适应交通流量的不确定性，提高预测效果。然而，由于观测点的空间结构是非结构化的，这些方法仅从时间维度进行分析，因此提高预测精度的效果存在局限性。

9、深度学习方法：

10、近年来，随着深度神经网络模型的快速发展，其在交通流量预测方面的应用潜力得到了充分挖掘。深度学习模型，相较于传统的机器学习方法，展现出了更强的数据处理能力，特别是在提取交通数据的复杂时空特征方面。在当前的研究中，深度学习算法已经成为了交通流量预测的主流技术，并取得了显著的成效。

11、由于交通道路的数据信息在时间和空间上都是动态相关的。因此，为了做出准确的预测，研究者们将道路网络中传感器数据建模为多变量时间序列mts，以捕捉任务数据的空间相关性和时间自相关性，这两种相关性自然地可以用图和序列来表示，因此，主流模型采用了基于图卷积网络gcn和基于循环神经网络rnn的架构来处理这些数据。

12、随着图卷积网络gcn的快速发展，交通流量预测也成为了研究的热点越来越受到关注。gw-net通过训练邻接矩阵作为自由变量，生成自适应图，为这一领域带来了新的视角。mtgnn、agcrn、gts等模型将图结构学习的方法应用于交通流量预测领域。

13、综上所述，现有的交通流量预测方法仍然存在一些问题局限性。首先，传统的交通流量预测方法主要基于历史数据，难以捕捉到实时交通状况的变化。这些方法往往需要大量的数据和复杂的模型，计算成本较高。其次，现有的交通流量预测方法大多关注单一的交通参数（如车辆数量或速度），而忽视了其他可能影响交通流量的因素（如天气、道路状况等）。这导致预测结果的准确性和可靠性受到一定程度的影响。此外，传统的交通流量预测方法在处理时空数据方面存在一定的局限性，由于道路的交通状况在空间上（地方道路、公路、立交）不同、在时间上（非高峰和高峰时间）不同，交通数据（交通速度和流量）具有潜在的时空异质性，这使得预测模型的适应性和泛化能力受到限制。最后，现有的交通流量预测方法往往需要事先知道交通网络的结构信息，而在实际应用中，交通网络的结构可能会发生变化（如道路施工、交通管制等），导致交通数据产生非平稳性，这使得交通流量预测更具挑战性。

技术实现思路

1、本发明的目的就在于为了解决上述问题设计了一种基于时空元图学习的交通流量预测方法。

2、本发明通过以下技术方案来实现上述目的：

3、基于时空元图学习的交通流量预测方法，包括：

4、s1、构建初始流量预测模型，初始流量预测模型包括元图学习器、编码器和解码器，元图学习器包括超级网络、元节点库、全连接层和增强表示层，编码器从输入到输出依次包括α个第一时空图网络stg，α个时间序列按照时间顺序分别输入α个第一时空图网络stg，解码器从输入到输出依次包括α个第二时空图网络stg；编码器用于提取时空特征，超级网络用于生成节点嵌入，并基于元节点进行调整，元节点库以多个节点的形式存储时间序列，全连接层用于将时空特征投影到一个本地查询向量，增强表示层用于将根据本地查询向量来增强时空特征的表示，解码器用于将输入时间序列的时空特征和时空特征的增强特征拼接起来，并解码，以预测未来时间步的交通流量；超级网络的输出作为编码器的输入，编码器的输出作为全连接层的输入，全连接层的输出作为增强表示层的输入，增强表示层的输出和编码器的输出均作为解码器的输入,其中，和d分别代表元节点库内存项的数量和维度，ℝ表示全体实数的集合；

5、s2、获取训练集，并划分为训练数据、验证数据和测试数据；

6、s3、训练数据、验证数据和测试数据分别导入型训练器、模型验证器、模型测试器，对初始流量预测模型进行训练优化，得到优化后的流量预测模型；

7、s4、获取给定的多步观测数据；

8、s5、利用优化后的流量预测模型预测多步观测数据接下来的多步预测结果。

9、本发明的有益效果在于：模块化设计：采用模块化设计，将元图学习器与时空图网络相结合，简化了模型结构，降低了计算复杂度，相较于现有技术更为高效；时空图网络：时空图网络使得模型能够捕捉交通网络中的空间和时间相关性，从而实现准确的交通模式学习，相较于现有技术更为准确；元图学习机制：本方法元图学习机制，能够自动学习节点级别的原型，以适应不同路段和时段的交通模式，相较于现有技术更为有效。