考虑数据缺失的图卷积递归神经网络道路交通流预测方法

本发明涉及智能交通，特别是一种考虑数据缺失的图卷积递归神经网络道路交通流预测方法。

背景技术：

1、预测未来的交通状态对于开发智能交通系统和智慧城市至关重要，该系统促使提高交通效率并减少燃料消耗。然而，与其他时间序列预测问题不同，交通状态预测因其大数据采集和高维度而充满挑战。此外，交通预测揭示了显著的空间(如邻近区域)和时间(如季节效应)相关性，进一步增加了预测的复杂性。受益于近期蓬勃发展的人工智能，深度学习(dl)模型与神经网络(nn)被应用于该问题的研究。

2、基于图神经网络(gnn)与循环神经网络(rnn)集成的模型通常用于建模非结构化交通序列和空间相关性。例如，扩散卷积递归神经网络(dcrnn)首次提出将交通的空间依赖性建模为有向图上的扩散过程，然后采用门控循环单元(grus)来建模时间依赖性，并结合序列到序列(seq2seq)架构进行多步预测。基于谱图卷积的纯卷积结构，有研究提出一种时空图卷积网络(stgcn)模型同时提取交通流的空间和时间特征。此外，最近的研究引入了结合图卷积网络(gcn)的时空注意力机制，以捕捉动态的空间和时间相关性。

3、然而，由于检测失败或错误，交通数据的完整性在某些情况下无法得到保证，这显著限制了交通预测的性能。因此，相关研究集中在迁移学习和生成对抗网络(gan)上，以解决数据缺失问题。例如，一项研究探讨了一种结合迁移学习技术的深度学习模型，用于在训练数据不足的情况下进行短期交通预测。此外，另一个结合迁移学习的图神经网络(teepee)被引入，通过学习其他城市的丰富数据来预测数据稀疏的道路网络交通。尽管如此，大多数基于迁移学习的研究集中在单一路段或整个道路网络的数据缺失问题上，很少考虑整个网络内部路段的数据缺失问题。此外，gan与并行数据一起被提出以增强交通数据插补，并对算法的训练困难进行了某些修改。例如，一种新的gan框架学习了有效相邻链路的数据，其中时空相关性由图嵌入和深度游走表示，同时，wasserstein gan被部署以生成缺失的交通状态数据。然而，gan的性能在很大程度上依赖于目标路段的空间相关性，并且受到真实数据分布的限制。

4、综上，现有的方法存在以下缺陷：

5、1、已有交通状态预测方法很少考虑缺失数据，且现有数据补全方法很少考虑路网之间的空间连接关系：现有的交通状态预测方法在应对数据缺失问题时存在明显不足。传统方法大多假设数据是完整的，而在实际应用中，传感器故障、通信中断等因素常常导致交通数据的缺失。这些缺失的数据若不能有效补全，将严重影响预测模型的准确性。此外，当前的一些数据补全方法往往忽视了路网中各节点之间的空间连接关系，只注重局部的数据信息处理，未能充分利用道路之间的拓扑结构和空间相关性。这种忽视空间关系的方法可能导致补全数据的质量不高，进而影响交通状态预测的精度。

6、2、已有交通状态预测方法难以捕捉道路交通状态的时空特征数据：交通状态预测的一个核心挑战在于有效捕捉道路交通状态的时空特征。传统的预测方法通常难以同时考虑时间和空间的复杂交互关系，而这些关系在交通流量中是至关重要的。时间维度上，交通流量具有明显的周期性和趋势性，受天气、节假日等外部因素影响显著。空间维度上，交通状态在相邻路段之间存在高度相关性，一段道路的交通状况会直接影响到其周围的道路。现有方法在处理这些复杂的时空特征时往往力不从心，无法准确建模和预测动态变化的交通状态。深度学习和图神经网络等新兴技术虽然在一定程度上改善了这一问题，但在具体应用中仍面临许多挑战，如模型的复杂性、训练数据的需求量以及对计算资源的高要求等。

技术实现思路

1、为解决现有技术中存在的问题，本发明的目的是提供一种考虑数据缺失的图卷积递归神经网络道路交通流预测方法，本发明能够处理由于稀疏传感器部署、数据丢失和硬件故障等因素导致的数据缺失问题，同时能够有效捕捉交通数据的时空相关性，有效提升了交通状态预测的准确性和可靠性。

2、为实现上述目的，本发明采用的技术方案是：一种考虑数据缺失的图卷积递归神经网络道路交通流预测方法，包括以下步骤：

3、步骤1、数据采集及预处理：根据实验设计对数据进行缺失处理、数据集划分、归一化处理及构建探测器图，获得道路网络上的历史交通数据特征；

4、步骤2、构建基于高斯混合模型的节点特征：在第一层神经网络的输入中，将输入的节点特征用高斯混合模型表示，用于将缺失处理机制与预测机制融为一体；

5、步骤3、设计考虑数据丢失的图卷积层：对于输入含缺失数据的神经网络层，将构建的基于高斯混合模型的节点特征融合在图卷积网络中从而构建图卷积层；

6、步骤4、建立时空动力学模型并对其进行优化：交通数据的时间相关性由循环神经网络变体门控循环单元捕捉，利用基于递归神经网络的seq2seq架构，将变体门控循环单元的多层感知器层由图卷积层代替以捕捉空间相关性，由此构建考虑数据丢失的图形卷积门控递归单元，编码器和解码器均由图形卷积门控递归单元组成；同时，在图卷积网络上附加一个节点参数学习模块；

7、步骤5、对未来交通状态进行预测：在训练过程中，将历史时间序列数据输入编码器，并使用其最终状态初始化解码器；然后，解码器基于地面观测生成预测；

8、步骤6、根据步骤1-步骤5建立模型，利用随机梯度下降算法，通过训练不断优化模型超参数，得到交通状态预测方案。

9、作为本发明的进一步改进，在步骤1中，对数据进行缺失处理具体如下：

10、原始数据缺失值通过线性插值来填充；选择时间和交通流作为交通状态预测的输入特征，假设可以获得道路网络中所有节点的时间特征，，根据缺失率参数，移除部分节点数据，通过均匀概率来随机选择丢失数据的节点。

11、作为本发明的进一步改进，在步骤1中，对数据集划分和归一化处理具体如下：

12、按照时间顺序将数据集分为训练集、验证集和测试集，并应用z-score方法对数据集进行归一化。

13、作为本发明的进一步改进，在步骤1中，构建探测器图具体如下：

14、通过计算检测器之间的道路网络距离，并建立节点的加权邻接矩阵a以表示探测器图：

15、

16、式中，边an,n'的权重由dn,n'决定；dn,n'表示探测器n与n'之间的道路网络距离；∈是距离的标准偏差，δ是阈值。

17、作为本发明的进一步改进，所述步骤2具体如下：

18、假设节点的特征数据xn∈rc来自c维概率分布，选择混合高斯模型为概率分布模型，则有：

19、

20、

21、

22、式中，i是分量数，pi是带约束的混合参数，且∑ipi＝1，μ[i]和∑[k]分别表示高斯分量的均值和协方差矩阵，是(c，c′)项的协方差矩阵；为每个分量引入均值矩阵和方差矩阵

23、

24、

25、式中，和表示具有完整数据的节点的平均值和方差，节点特征的数据被公式化为：

26、

27、作为本发明的进一步改进，在步骤3中，使用广义神经元激活函数，通过神经网络处理高斯混合模型的参数，由此构建考虑数据缺失的图卷积网络，具体如下：

28、首先计算第一隐藏层中神经元的预期激活，并保持网络结构的其余部分不变；假设输入数据，激活函数的广义响应表示为：

29、xn，c～n(μ，∑2)relu

30、

31、

32、

33、假设模型输入遵循高斯混合模型表示的节点特征，并且给定聚合矩阵l和权重矩阵w，则有：

34、

35、

36、

37、式中，⊙是逐元素乘法；

38、采用节点参数学习模块来增强图卷积层，权重矩阵w表示为：

39、

40、式中，是节点嵌入矩阵，d是嵌入维数(d＜＜n)；是权重池；

41、则和重写为：

42、

43、

44、图卷积层利用第一图形卷积层中的期望激活函数来处理遵循高斯混合模型的节点数据，并保持另一层不变。

45、作为本发明的进一步改进，在步骤4中，考虑数据丢失的图形卷积门控递归单元计算如下：

46、

47、

48、

49、

50、式中，x(t)，h(t)表示t时刻的输入和输出，r(t)，u(t)分别是t时刻的复位门和更新门，表示定义的图形卷积，θr，θu，θc是相应滤波器的参数。

51、作为本发明的进一步改进，还包括：根据已有评价指标对模型效果进行评价。

52、传统的研究均是将预测与补全分开进行研究的，本发明旨在将缺失数据处理和交通预测结合在一个单一的神经网络中。已有学者提出创新的归纳图神经克里金(1gnnk)模型，该模型专注于重建网络中未采样传感器的数据，通过引入扩散图卷积网络(dgcns)，它能够精准地表征空间和方向依赖性的随机特性。此外，为了处理多样化的数据重建任务和预测交通状态，另有研究团队开发了时空感知数据恢复网络(star)，star不仅具备捕捉长时间模式的能力，通过其残差门控时间卷积网络，还融入了基于自适应记忆的注意模型，以学习并强化空间相关性。然而，这些归纳方法虽然在局部子图数据上取得了显著成果，但在网络全局视角上往往忽视了整体的相关性。为了克服这一局限性，本发明致力于开发一种新型的含缺失数据插补技术，并将其与先进的深度学习交通预测模型紧密结合。通过这一创新性的集成方案，旨在构建一个能够同时处理缺失数据和交通预测任务的综合性神经网络，从而进一步提升预测精度和数据恢复效率。

53、本发明致力于解决交通状态预测中普遍存在的数据缺失问题，这是城市交通控制和管理中关键的挑战之一。由于稀疏传感器部署、数据丢失和硬件故障等因素，路网中的节点中往往出现缺失数据，给交通预测带来了不确定性和局限性；为了应对这一问题，本发明利用图卷积递归神经网络以有效地处理缺失数据并进行精确的交通状态预测。该方法不仅集成了缺失数据的处理机制，还结合了图形学习的优势，能够在单个神经网络框架内进行全面的数据整合和分析。

54、本发明的有益效果是：

55、1、本发明提出gcnmd能够处理具有缺失数据的交通流量预测的方法：缺失数据通过高斯混合模型表示，第一个gcnmd层使用期望激活函数，而其余的网络结构保持不变。这种方法将缺失节点数据的处理和图的时空关系学习集成到单一神经网络架构中。

56、2、本发明提出道路交通流预测模型：为了更好地捕捉缺失数据情况下的各个节点特征，本发明在gcnmd上附加了节点参数学习模块。同时，本发明使用了简单但强大的rnn变体——门控循环单元(gru)，结合序列到序列(seq2seq)模型，来捕捉交通状态的时空关系并进行灵活的多步预测。

57、3、本发明提升交通状态预测精度，实验表明所提出模型在mae和rmse指标上显著优于其他模型。

58、4、通过改进的交通预测方法，本发明有助于交通管理部门更准确地预判交通流量变化，提前采取措施缓解交通拥堵，提高道路利用效率。不仅可以减少车辆等待时间和燃料消耗，还能降低碳排放，促进可持续城市交通的发展。