CN114511154A - 一种基于时空复杂图卷积网络的交通流预测方法 - Google Patents

Abstract

本发明公开了一种基于时空复杂图卷积网络的交通流预测方法，包括：采集高速公路上所安置传感器的交通流数据，进行数据预处理以降低复杂度和冗余度；根据传感器的位置及交通流数据生成道路图及其特征矩阵；根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵融合得到新的节点关系矩阵；构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成；训练时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。本发明在对道路交通流进行时空特征提取前，建立三种关系矩阵来提取不同节点之间的关系，提高了对道路不同节点的关联特征提取能力，进而提高道路交通流的预测精度。

Description

一种基于时空复杂图卷积网络的交通流预测方法

技术领域

本发明属于智能交通和深度学习领域，具体为一种基于时空复杂图卷积网络的交通流预测方法。

背景技术

随着经济的快速发展，人民生活水平的日益提高，私家车进入越来越多的家庭，这也间接导致了道路上的车辆更加拥挤，从而影响人们的出行体验。如何提高人们的出行效率是智能交通系统的重要研究内容，而交通流预测作为智能交通系统的重要组成部分之一，具有重要的研究意义。目前，交通流预测已经受到越来越多人的关注，实时准确的交通流预测可以为管理部门提供未来时刻的交通流情况，帮助制定科学合理的交通诱导方案和交通管理策略。因此，如何提高交通流预测模型的精度至关重要。

目前，由于深度学习的强大特征表现能力和学习能力，使用深度学习方法来预测大规模道路的交通流已经成为主流。这其中，图卷积网络及其变体被广泛用于非欧几里得结构交通数据的预测。这些模型使用单一或简单的邻接矩阵变种来挖掘道路上不同节点之间的关系，虽然实现了节点之间部分特征的挖掘，但忽略节点的外部特征和关联特征，导致此类模型无法有效捕获交通数据的动态演变，存在一定局限性。

发明内容

发明目的：针对上述问题，本发明引入一种基于时空复杂图卷积网络的交通流预测方法。该方法针对传统图卷积网络及其改进模型在处理道路节点数据时，缺乏节点之间外部特征和关联特征的提取。为此本发明充分挖掘道路位置、数据关联和天气数据的基础上，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵；利用图卷积算子结合残差单元构建空间特征提取组件，捕获道路的空间特征；利用3D-CNN结合LSTM构建时间特征提取能力，捕获道路的时间特征。将空间特征和时间特征进行加权融合，得到道路的最终预测值。本发明通过对道路节点的多特征挖掘，实现对交通数据时空特征的有效提取。

技术方案：一种基于时空复杂图卷积网络的交通流预测方法，包括以下步骤：

步骤1)采集高速公路上所安置传感器的交通流数据，并将交通流数据按照固定格式存储至大数据集群，对原始的交通流数据进行数据预处理以降低复杂度和冗余度；

步骤2)根据传感器的位置及预处理后的交通流数据生成道路图及其特征矩阵；

步骤3)根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵；

步骤4)构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成；

步骤5)训练步骤4)构建的时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。

进一步，所述步骤1中，高速公路上在不同道路节点布置了n个传感器，所述传感器用于采集所处位置的交通流信息和天气信息，并将数据实时传输至大数据集群；将大数据集群接收的每一组数据标记为D_k＝{time_k,lon_k,lat_k,flow_k,weather_k}，time_k,lon_k,lat_k,flow_k,weather_k分别代表第k的传感器的记录时间、传感器位置经度、传感器位置纬度、交通流量和天气状况；对于数据异常采用3σ原则处理，剔除不符合的数据；对于部分数据缺失较少的数据，采用前一天或者相邻时间段的数据进行填充；数据修复完成后，需要对数据进行标准化处理，通过公式x^*＝(x-Mean)/Std，其中Mean和Std分别是交通数据的平均值和标准差；数据预处理完成后，将数据集进行拆分，按照固定比例划分为训练集和测试集。

使用PEMS作为数据集，PEMS-BAY是加州交通部门采集的高速交通数据，有325个传感器搜集了六个月的数据(2017.1.1～2017.6.31)。数据的时间间隔为5分钟。

进一步，所述步骤2中，根据传感器的位置及交通流数据生成道路图及其特征矩阵；使用加权图G＝(V,A,X)来描述道路的节点关系，将每个传感器视为一个节点，V＝{v₁,v₂,…,v_k,…,v_n+代表不同的节点，n表示传感器节点的数量，A为描述不同节点关系的关系矩阵；X为每个节点的特征，X_k＝{x₁,x₂,…,x_m+，X_k为第k个传感器的特征，x_m表示第m时刻下的交通流数据，构建道路图矩阵如下：

其中，矩阵的行为列为特征数，行为节点数，可知该矩阵的维度为[n,m]。

进一步，所述步骤3中，与传统邻接矩阵只考虑节点是否互通不同，本发明根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵A。具体步骤如下：

步骤3-1：构建距离矩阵A_D，具体步骤如下：

步骤3-1-1：统计所有传感器的位置信息，得到每个节点的经纬度数据Point_k＝(lon_k,lat_k)，使用公式Haversine公式计算不同节点的距离关系：

其中，

R为地球半径，取平均值为6371km，Δλ＝|lon_j-lon_i|；d为第i个节点和第j个节点之间的直线距离；

由此可计算出直线距离矩阵D₁；

步骤3-1-2：然而，只是用直线距离来度量节点之间的关系缺乏合理性，部分节点存在无连接却相互距离很近的情况，为了避免上述问题。对传统的邻接矩阵进行改进，将邻接矩阵改为可达矩阵D₂。只要不同节点之间存在相连情况(可以是直接相连，也可以是间接相连)，就说明存在可达关系，将可达关系定义为

其中N为两个节点之间节点数，依次计算所有节点的可达矩阵D₂。

步骤3-1-3：计算完成后，得到关于节点的两个矩阵，分别是直线距离矩阵D₁和可达矩阵D₂，D₂除以D₁可得距离矩阵A_D。

步骤3-2：构建数据关联矩阵A_C，利用皮尔逊相关系数作为不同节点关联度的评价指标，将皮尔逊相关系数方法定义为

其中x_i和y_i分别为两个节点的第i个特征，

和

分别为两个节点总体特征的平均值，Std_x和Std_y为所选特征的标准差；根据皮尔逊相关系数指标的计算得到不同节点之间的关联性；整理可得到数据关联矩阵A_C；

步骤3-3：构建舒适度矩阵A_O，具体步骤如下：

步骤3-3-1：考虑天气的变换会对人们的出行产生影响，故建立舒适度矩阵来反应当前人们的出行意愿。将f_comfort(i,j)∈[0,1]，当前环境的天气越好，f_comfort就越趋近于1，反之，则趋近于0。将人们对不同天气的舒适度值定义如表1所示：

表1不同天气对应的舒适度值

步骤3-3-2：根据f_comfort(i,j)∈[0,1]计算所有节点之间的舒适度值，并生成舒适度矩阵A_O。

步骤3-4：将上述步骤得到的三种矩阵进行融合得到新的节点关系矩阵A，其中，A＝A_D*A_C*A_O。

进一步，所述步骤4中，构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成，具体步骤如下：

步骤4-1：构造空间特征提取组件，具体步骤如下：

步骤4-1-1：确定空间特征提取组件的基本架构，采用图卷积架构作为空间特征提取的主要模块；利用图卷积算子挖掘路网不同节点之间的特征关联；定义图卷积算子为：

其中H^l和H^l+1分别是图卷积算子提取前后的道路特征值，W^l为图卷积操作的计算权重，

D为路网矩阵的度矩阵，f_A是激活函数；

步骤4-1-2：利用图卷积算子得到路网的空间特征的初步提取后，为了更好的提取矩阵局部微小的变化，引入残差单元，将残差操作定义为：R^l+1＝R^l+F(R^l,Z)，其中，R^l+1和R^l分别是残差单元的输出和输入，Z是残差单元中可学习参数的集合，F是残差映射。

步骤4-1-3：设置空间特征提取组件的输出激活函数为ReLu函数，得到最后的空间特征输出X_S。

步骤4-2：构造时间特征提取组件，具体步骤如下：

步骤4-2-1：确定时间特征提取组件的基本架构，与2D-CNN提取二维的矩阵特征数据不同，3D-CNN在提取二维特征数据的基础上，增加了对时间维度的特征提取能力，因此时间提取组件中引入3D卷积提取矩阵的动态特征信息。将3D卷积才做定义为：

其中，

和

分别是3D卷积的输出和输入，

是待学习的参数。

步骤4-2-2：3D-CNN虽然相比2D-CNN有效提高了时间维度的特征提取能力，但是相比于专业提取时序模型的时间序列模型而言，3D-CNN提取的时间维度时间周期较短，缺乏有效长期特征提取能力，为了把握重要的时间特征能力，引入LSTM作为长期时间维度特征提取组件，弥补3D-CNN的不足。将LSTM前向计算操作定义为：

其中，

和

分别是LSTM前向单元的输出和输入，f_LSTM是LSTM前向计算过程，

是LSTM前向计算过程中的待学习参数。

步骤4-2-3：设计时间特征提取组件的输出激活函数为Sigmoid函数，得到最后的时间特征输出X_T。

步骤4-3：构造时空复杂图卷积网络，具体步骤如下：

步骤4-3-1：确定时空复杂图卷积网络的总体架构；

步骤4-3-2：将空间特征提取组件的输出X_S和时间特征提取组件的输出X_T进行加权融合，将操作定义为：X_Fusion＝f_A(W₁*X_S+W₂*X_T)，其中W₁和W₂分别是空间特征和时间特征所占的比重。

进一步，所述步骤5中，训练步骤4)构建的时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。具体步骤如下：

步骤5-1：初始化时空复杂图卷积网络的网络权重，确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量；

步骤5-2：利用训练集训练时空复杂图卷积网络；

步骤5-3：将道路数据输入网络中，得到模型的预测值。

步骤5-4：根据训练批次，利用反向传播算法训练模型，更新模型的权重值。

步骤5-5：训练完成后，利用测试集测试模型的预测精度。

有益效果：本发明的交通流预测方法，该方法针对传统图卷积网络及其改进模型在处理道路节点数据时，缺乏节点之间外部特征和关联特征的提取。分别针对性的提出距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵，更好的反应不同节点的关系，提高了模型对交通流的节点特征提取能力，提高了训练精度。

本发明针对传统图卷积网络及其改进模型在处理道路节点数据时，缺乏节点之间外部特征和关联特征的提取。为此本发明充分挖掘道路位置、数据关联和天气数据的基础上，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵；利用图卷积算子结合残差单元构建空间特征提取组件，捕获道路的空间特征；利用3D-CNN结合LSTM构建时间特征提取能力，捕获道路的时间特征。将空间特征和时间特征进行加权融合，得到道路的最终预测值。本发明通过对道路节点的多特征挖掘，实现对交通数据时空特征的有效提取。

附图说明

图1为本发明的一种基于时空复杂图卷积网络的交通流预测方法步骤示意图；

图2为本发明的一种基于时空复杂图卷积网络的交通流预测方法流程图；

图3为本发明的一种基于时空复杂图卷积网络的交通流预测方法模型结构图；

图4为本发明的一种基于时空复杂图卷积网络的交通流预测方法模型训练迭代图；

图5为本发明的一种基于时空复杂图卷积网络的交通流预测方法测试集真实数据和预测数据对比图。

具体实施方式

下面将结合说明书附图对本发明的技术方法做进一步的详细说明。

如图1-3所示，一种基于时空复杂图卷积网络的交通流预测方法，包括如下步骤：

步骤1)采集高速公路上所安置传感器的交通流数据，并将数据按照固定格式存储至大数据集群，对原始数据进行数据预处理以降低复杂度和冗余度；

所述步骤1中，高速公路上在不同道路节点布置了n个传感器，所述传感器用于采集所处位置的交通流信息和天气信息，并将数据实时传输至大数据集群；将大数据集群接收的每一组数据标记为D_k＝{time_k,lon_k,lat_k,flow_k,weather_k}，time_k,lon_k,lat_k,flow_k,weather_k分别代表第k的传感器的记录时间、传感器位置经度、传感器位置纬度、交通流量和天气状况；对于数据异常采用3σ原则处理，剔除不符合的数据；对于部分数据缺失较少的数据，采用前一天或者相邻时间段的数据进行填充；数据修复完成后，需要对数据进行标准化处理，通过公式x^*＝(x-Mean)/Std，其中Mean和Std分别是交通数据的平均值和标准差；数据预处理完成后，将数据集进行拆分，按照固定比例划分为训练集和测试集。

使用PEMS作为数据集，PEMS-BAY是加州交通部门采集的高速交通数据，有325个传感器搜集了六个月的数据(2017.1.1～2017.6.31)。数据的时间间隔为5分钟。

步骤2)根据传感器的位置及交通流数据生成道路图及其特征矩阵；

所述步骤2中，根据传感器的位置及交通流数据生成道路图及其特征矩阵；使用加权图G＝(V,A,X)来描述道路的节点关系，将每个传感器视为一个节点，V＝{v₁,v₂,…,v_k,…,v_n}代表不同的节点，n表示传感器节点的数量，A为描述不同节点关系的关系矩阵；X为每个节点的特征，X_k＝{x₁,x₂,…,x_m}，X_k为第k个传感器的特征，x_m表示第m时刻下的交通流数据，构建道路图矩阵如下：

其中，矩阵的行为列为特征数，行为节点数，可知该矩阵的维度为[n,m]。

步骤3)根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵；

所述步骤3中，与传统邻接矩阵只考虑节点是否互通不同，本发明根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵A。具体步骤如下：

步骤3-1：构建距离矩阵A_D，具体步骤如下：

步骤3-1-1：统计所有传感器的位置信息，得到每个节点的经纬度数据Point_k＝(lon_k,lat_k)，使用公式Haversine公式计算不同节点的距离关系：

其中，

R为地球半径，取平均值为6371km，Δλ＝|lon_j-lon_i|；d为第i个节点和第j个节点之间的直线距离；

由此可计算出直线距离矩阵D₁；

步骤3-1-2：然而，只是用直线距离来度量节点之间的关系缺乏合理性，部分节点存在无连接却相互距离很近的情况，为了避免上述问题。对传统的邻接矩阵进行改进，将邻接矩阵改为可达矩阵D₂。只要不同节点之间存在相连情况(可以是直接相连，也可以是间接相连)，就说明存在可达关系，将可达关系定义为

其中N为两个节点之间节点数，依次计算所有节点的可达矩阵D₂。

步骤3-1-3：计算完成后，得到关于节点的两个矩阵，分别是直线距离矩阵D₁和可达矩阵D₂，D₂除以D₁可得距离矩阵A_D。

步骤3-2：构建数据关联矩阵A_C，利用皮尔逊相关系数作为不同节点关联度的评价指标，将皮尔逊相关系数方法定义为

其中x_i和y_i分别为两个节点的第i个特征，

和

分别为两个节点总体特征的平均值，Std_x和Std_y为所选特征的标准差；根据皮尔逊相关系数指标的计算得到不同节点之间的关联性；整理可得到数据关联矩阵A_C；

步骤3-3：构建舒适度矩阵A_O，具体步骤如下：

步骤3-3-1：考虑天气的变换会对人们的出行产生影响，故建立舒适度矩阵来反应当前人们的出行意愿。将f_comfort(i,j)∈,0,1]，当前环境的天气越好，f_comfort就越趋近于1，反之，则趋近于0。将人们对不同天气的舒适度值定义如表1所示：

表1不同天气对应的舒适度值

步骤3-3-2：根据f_comfort(i,j)∈[0,1]计算所有节点之间的舒适度值，并生成舒适度矩阵A_O。

步骤3-4：将上述步骤得到的三种矩阵进行融合得到新的节点关系矩阵A，其中，A＝A_D*A_C*A_O。

步骤4)构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成；

所述步骤4中，构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成，具体步骤如下：

步骤4-1：构造空间特征提取组件，具体步骤如下：

步骤4-1-1：确定空间特征提取组件的基本架构，采用图卷积架构作为空间特征提取的主要模块；利用图卷积算子挖掘路网不同节点之间的特征关联；定义图卷积算子为：

其中H^l和H^l+1分别是图卷积算子提取前后的道路特征值，W^l为图卷积操作的计算权重，

D为路网矩阵的度矩阵，f_A是激活函数；

步骤4-1-2：利用图卷积算子得到路网的空间特征的初步提取后，为了更好的提取矩阵局部微小的变化，引入残差单元，将残差操作定义为：R^l+1＝R^l+F(R^l,Z)，其中，R^l+1和R^l分别是残差单元的输出和输入，Z是残差单元中可学习参数的集合，F是残差映射。

步骤4-1-3：设置空间特征提取组件的输出激活函数为ReLu函数，得到最后的空间特征输出X_S。

步骤4-2：构造时间特征提取组件，具体步骤如下：

步骤4-2-1：确定时间特征提取组件的基本架构，与2D-CNN提取二维的矩阵特征数据不同，3D-CNN在提取二维特征数据的基础上，增加了对时间维度的特征提取能力，因此时间提取组件中引入3D卷积提取矩阵的动态特征信息。将3D卷积才做定义为：

其中，

和

分别是3D卷积的输出和输入，

是待学习的参数。

步骤4-2-2：3D-CNN虽然相比2D-CNN有效提高了时间维度的特征提取能力，但是相比于专业提取时序模型的时间序列模型而言，3D-CNN提取的时间维度时间周期较短，缺乏有效长期特征提取能力，为了把握重要的时间特征能力，引入LSTM作为长期时间维度特征提取组件，弥补3D-CNN的不足。将LSTM前向计算操作定义为：

其中，

和

分别是LSTM前向单元的输出和输入，f_LSTM是LSTM前向计算过程，

是LSTM前向计算过程中的待学习参数。

步骤4-2-3：设计时间特征提取组件的输出激活函数为Sigmoid函数，得到最后的时间特征输出X_T。

步骤4-3：构造时空复杂图卷积网络，具体步骤如下：

步骤4-3-1：确定时空复杂图卷积网络的总体架构；

步骤4-3-2：将空间特征提取组件的输出X_S和时间特征提取组件的输出X_T进行加权融合，将操作定义为：X_Fusion＝f_A(W₁*X_S+W₂*X_T)，其中W₁和W₂分别是空间特征和时间特征所占的比重。

步骤5)训练步骤4)构建的时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。

所述步骤5中，训练步骤4)构建的时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。具体步骤如下：

步骤5-1：初始化时空复杂图卷积网络的网络权重，确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量；

步骤5-2：利用训练集训练时空复杂图卷积网络；

步骤5-3：将道路数据输入网络中，得到模型的预测值。

步骤5-4：根据训练批次，利用反向传播算法训练模型，迭代如图4所示，更新模型的权重值。

步骤5-5：训练完成后，利用测试集测试模型的预测精度，得到结果如图5所示。

本发明针对传统图卷积网络及其改进模型在处理道路节点数据时，缺乏节点之间外部特征和关联特征的提取。为此本发明充分挖掘道路位置、数据关联和天气数据的基础上，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵；利用图卷积算子结合残差单元构建空间特征提取组件，捕获道路的空间特征；利用3D-CNN结合LSTM构建时间特征提取能力，捕获道路的时间特征。将空间特征和时间特征进行加权融合，得到道路的最终预测值。本发明通过对道路节点的多特征挖掘，进一步提高路网交通流预测模型的精度。

以上所述仅为本发明在高速数据集下较好的实施方式，本发明保护范围并不以上述实施方式为限制，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修改和其他修饰变化，皆应纳入权利要求书记载的保护范围。

Claims (6)

1.一种基于时空复杂图卷积网络的交通流预测方法，其特征在于，包括以下步骤：

步骤1)采集高速公路上所安置传感器的交通流数据，并将交通流数据按照固定格式存储至大数据集群，对原始的交通流数据进行数据预处理以降低复杂度和冗余度；

步骤2)根据传感器的位置及预处理后的交通流数据生成道路图及其特征矩阵；

步骤3)根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵；

步骤4)构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成；

步骤5)训练步骤4)构建的时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流。

2.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法，其特征在于：所述步骤1)中，高速公路上在不同道路节点布置了n个传感器，所述传感器用于采集所处位置的交通流信息和天气信息，并将数据实时传输至大数据集群；将大数据集群接收的每一组数据标记为D_k＝{time_k,lon_k,lat_k,flow_k,weather_k}，time_k,lon_k,lat_k,flow_k,weather_k分别代表第k的传感器的记录时间、传感器位置经度、传感器位置纬度、交通流量和天气状况；对于数据异常采用3σ原则处理，剔除不符合的数据；对于部分数据缺失较少的数据，采用前一天或者相邻时间段的数据进行填充；数据修复完成后，需要对数据进行标准化处理，通过公式x^*＝(x-Mean)/Std，其中Mean和Std分别是交通数据的平均值和标准差；数据预处理完成后，将数据集进行拆分，按照固定比例划分为训练集和测试集。

3.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法，其特征在于：所述步骤2)中，根据传感器的位置及交通流数据生成道路图及其特征矩阵；使用加权图G＝(V,A,X)来描述道路的节点关系，将每个传感器视为一个节点，V＝{v₁,v₂,…,v_k,…,v_n}代表不同的节点，n表示传感器节点的数量，A为描述不同节点关系的关系矩阵；X为每个节点的特征，X_k＝{x₁,x₂,…,x_m}，X_k为第k个传感器的特征，x_m表示第m时刻下的交通流数据，构建道路图矩阵如下：

其中，矩阵的行为列为特征数，行为节点数，可知该矩阵的维度为[n,m]。

4.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法，其特征在于：所述步骤3)中，根据不同传感器的位置、数据关联和天气数据，分别构建距离矩阵，数据关联矩阵和舒适度矩阵，将三种矩阵进行融合得到新的节点关系矩阵A，具体步骤如下：

步骤3-1：构建距离矩阵A_D，具体步骤如下：

步骤3-1-1：统计所有传感器的位置信息，得到每个节点的经纬度数据Point_k＝(lon_k,lat_k)，使用公式Haversine公式计算不同节点的距离关系：

其中，

R为地球半径，取平均值为6371km，Δλ＝|lon_j-lon_i|；d为第i个节点和第j个节点之间的直线距离；

由此可计算出直线距离矩阵D₁；

步骤3-1-2：只要不同节点之间存在相连情况，相连情况包括直接相连和间接相连，就说明存在可达关系，将可达关系定义为

其中N为两个节点之间节点数，依次计算所有节点的可达矩阵D₂；

步骤3-1-3：计算完成后，得到关于节点的两个矩阵，分别是直线距离矩阵D₁和可达矩阵D₂，D₂除以D₁可得距离矩阵A_D；

步骤3-2：构建数据关联矩阵A_C，利用皮尔逊相关系数作为不同节点关联度的评价指标，将皮尔逊相关系数方法定义为

其中x_i和y_i分别为两个节点的第i个特征，

和

分别为两个节点总体特征的平均值，Std_x和Std_y为所选特征的标准差；根据皮尔逊相关系数指标的计算得到不同节点之间的关联性；整理可得到数据关联矩阵A_C；

步骤3-3：构建舒适度矩阵A_O，具体步骤如下：

步骤3-3-1：建立舒适度矩阵来反应当前人们的出行意愿；将f_comfort(i,j)∈[0,1]，当前环境的天气越好，f_comfort就越趋近于1，反之，则趋近于0；将人们对不同天气的舒适度值定义如表1所示：

表1不同天气对应的舒适度值

步骤3-3-2：根据f_comfort(i,j)∈[0,1]计算所有节点之间的舒适度值，并生成舒适度矩阵A_O；

步骤3-4：将上述步骤得到的三种矩阵进行融合得到新的节点关系矩阵A，其中，A＝A_D*A_C*A_O。

5.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法，其特征在于：所述步骤4)中，构建时空复杂图卷积网络，该网络由空间特征提取组件和时间特征提取组件组成，具体步骤如下：

步骤4-1：构造空间特征提取组件，具体步骤如下：

步骤4-1-1：确定空间特征提取组件的基本架构，采用图卷积架构作为空间特征提取的主要模块；利用图卷积算子挖掘路网不同节点之间的特征关联；定义图卷积算子为：

其中H^l和H^l+1分别是图卷积算子提取前后的道路特征值，W^l为图卷积操作的计算权重，

D为路网矩阵的度矩阵，f_A是激活函数；

步骤4-1-2：利用图卷积算子得到路网的空间特征的初步提取后，引入残差单元，将残差操作定义为：R^l+1＝R^l+F(R^l,Z)，其中，R^l+1和R^l分别是残差单元的输出和输入，Z是残差单元中可学习参数的集合，F是残差映射；

步骤4-1-3：设置空间特征提取组件的输出激活函数为ReLu函数，得到最后的空间特征输出X_S；

步骤4-2：构造时间特征提取组件，具体步骤如下：

步骤4-2-1：确定时间特征提取组件的基本架构，在时间提取组件中引入3D卷积提取矩阵的动态特征信息；将3D卷积定义为：

其中，

和

分别是3D卷积的输出和输入，

是待学习的参数；

步骤4-2-2：引入LSTM作为长期时间维度特征提取组件，将LSTM前向计算操作定义为：

其中，

和

分别是LSTM前向单元的输出和输入，f_LSTM是LSTM前向计算过程，

是LSTM前向计算过程中的待学习参数；

步骤4-2-3：设计时间特征提取组件的输出激活函数为Sigmoid函数，得到最后的时间特征输出X_T；

步骤4-3：构造时空复杂图卷积网络，具体步骤如下：

步骤4-3-1：确定时空复杂图卷积网络的总体架构；

步骤4-3-2：将空间特征提取组件的输出X_S和时间特征提取组件的输出X_T进行加权融合，将操作定义为：X_Fusion＝f_A(W₁*X_S+W₂*X_T)，其中W₁和W₂分别是空间特征和时间特征所占的比重。

6.根据权利要求1所述的一种基于时空复杂图卷积网络的交通流预测方法，其特征在于：所述步骤5)中，训练步骤4)构建的时空复杂图卷积网络，并用训练好的模型预测下一时刻的交通流；具体步骤如下：

步骤5-1：初始化时空复杂图卷积网络的网络权重，确定输入维度、输出维度、隐藏层层数、卷积核维度、步长、训练批次和残差单元数量；

步骤5-2：利用训练集训练时空复杂图卷积网络；

步骤5-3：将道路数据输入网络中，得到模型的预测值；

步骤5-4：根据训练批次，利用反向传播算法训练模型，更新模型的权重值；

步骤5-5：训练完成后，利用测试集测试模型的预测精度。

Images