本發明屬于智慧交通，尤其涉及圖神經網絡的交通流量預測方法

背景技術：

1、隨著我國經濟快速發展和城市化進程加快，機動車登記量和保有量持續增長。這一增長導致了諸如道路擁堵、環境污染和交通事故頻發等問題，影響了人們的日常出行，并對城市交通管理提出了巨大挑戰。在此背景下，智能交通系統(its)應運而生，通過信息技術、數據分析和自動化控制，實時監控和優化交通流，提升城市交通效率和道路利用率。交通流量預測是智能交通系統的核心內容之一，它通過分析歷史交通數據，預測未來某一時刻的交通狀況。準確的交通流量預測能夠為交通管理部門提供可靠決策支持，幫助合理配置和調度交通資源。交通管理者可以根據流量預測結果提前規劃道路與交通管控，緩解擁堵。導航系統也可以依據預測結果提供合理的路線規劃，避免交通堵塞和事故路段，從而提高出行效率。此外，精準的交通流量預測對城市交通的可持續發展也具有重要意義。它不僅提升道路利用效率，減少能源消耗和排放，還能在突發事件(如交通事故、惡劣天氣等)發生時，及時進行應急調度和路線優化，減少事故發生和交通干擾。隨著人工智能、物聯網、大數據等技術的迅速發展，交通流量預測逐步從傳統統計方法向基于深度學習、機器學習等智能化算法轉型，預測精度不斷提升。未來，隨著交通數據的積累與技術的進步，交通流量預測將變得更加精準，為城市交通管理和決策提供有力支持，推動智能交通系統的進一步發展，優化城市交通結構，提高交通效率，改善居民出行體驗，最終促進智慧城市和可持續交通系統的建設。

2、包括基于經典統計的預測模型和數據驅動的預測模型。前者主要利用有限數據對交通流進行參數回歸和優化，后者則利用智能計算方法挖掘歷史數據的演變趨勢。其中，深度學習模型如lstm、gru和cnn等被廣泛應用于交通預測中。盡管這些模型已經取得了一定的成功，但考慮到交通系統的復雜性和動態性，未來的研究仍需要在提高預測準確性、實時性和魯棒性方面持續努力。

3、以上的研究中都在心率分類領域取得了較好的效果，但仍然存在一些問題：

4、1.處理交通流的時空相關性時，采用固定的解耦思想，缺乏對交通系統歷史數據動態變化的適應性，導致預測精度受限。

5、2.傳統的時空圖卷積通常采用時空卷積和空間卷積疊加的方式來提取時間依賴性和空間依賴性，但交通流量是具有周期性的數據，因此無法很好地提取交通數據的頻率特性，影響了預測準確性。

6、3.現有研究在處理交通流的時間依賴性時無法充分捕捉交通流中的長期依賴關系，尤其是在處理具有復雜動態特性的交通數據時，限制了交通預測模型的性能。

技術實現思路

1、為克服相關技術中存在的問題，本發明公開實施例提供了基于圖神經網絡的交通流量預測方法。

2、所述技術方案如下：基于圖神經網絡的交通流量預測方法，包括：

3、s1，對原始數據集進行自適應解耦，利用數據驅動的方法，將原始數據分為擴散信號和固有信號。

4、s2，基于自適應解耦模塊解耦的數據，構建時頻域雙向變換網絡，利用頻域捕捉交通信息中的頻率特性，將傅里葉變換結合圖神經網絡，對擴散信號進行預測，并進行線性變換生成預測的隱藏狀態。

5、s3，將擴散信號從原始信號中剝離，生成交通信息中的固有信號，針對固有信號采用多尺度遞歸神經網絡的模型進行預測，可以對信號進行長時序的預測。

6、在步驟s1中，所述的解耦框架首先將原始信號通過線性變換映射到潛空間，并在潛空間內將信號分為擴散信號和固信號，其中擴散信號表示捕獲其他傳感器擴散的車輛，固有信號表式獨立于其他傳感器的車輛。

7、在步驟s1中，所建立的自適應解耦模型的具體步驟為：

8、第一步，建立自適應解耦單元，將原始信號賦予權重作為擴散信號輸入。

9、第二步，將擴散信號的后向傳播從原始數據中剝離，作為固有信號的輸入，第三步，將固有信號的后向傳播再次剝離，作為下一層模型的輸入。

10、在第一步中，所述的自適應學習單元的表達式為：

11、

12、xdif＝l⊙xl

13、式中，σ表示激活函數，w1和w2是可學習的權重矩陣，||表示向量拼接操作，x為自適應矩陣。xdif作為擴散模型的輸入

14、在第二步中，所述的固有信號的表達式為：

15、

16、式中，xl表示第l層的輸入，其中x0＝x。表示擴散信號，xinh表示固有信號，σ表示激活函數。

17、在第三步中，所述的模型下一層的輸入的表達式為：

18、

19、式中，xl+1表示模型下一層的輸入信號，保留了在上層中不能分解的殘留信號。

20、在步驟s2中，所建立的傅里葉圖卷積模型的具體步驟為：構建局部特征矩陣、構建局部擴散矩陣、構建自適應擴散矩陣、搭建傅里葉圖卷積網絡。

21、所述的構建局部特征矩陣的表達式為：

22、

23、其中，wk為可學習的權重參數矩陣，σ表示relu激活函數，引入非線性映射可以增強模型的表達能力。是節點t時刻的擴散信號特征。

24、所述的構建局部擴散矩陣的表達式為：

25、

26、其中，pk(k＝1,…，ks)是一個k階轉移矩陣，表示節點之間擴散的影響，in是單位矩陣，確保節點自身不參與擴散計算，交通信息有兩個傳播方向：前向傳播pf＝a/rowsum(a)，后向傳播pb＝at/rowsum(at)。因此(plocal)k[i,j]表示局部時空范圍內節點j對節點i的影響。

27、所述的構建自適應擴散矩陣表達式為：

28、papt＝softmax(σ(ed(eu)t))

29、其中，papt用于對pf和pb遺漏的部分進行補充。

30、所描述的搭建傅里葉圖卷積網絡的表達式為：

31、

32、其中，f和f-1表示傅里葉變換和傅里葉逆變換，分別表示前向傳播矩陣、后向傳播矩陣和自適應矩陣，通過傅里葉變換將節點信號引入頻域后，在頻域提取特征。

33、在步驟s3中，所建立的傅里葉圖卷積模型的具體步驟為：構建多尺度遞歸神經網絡、引入位置編碼、引入多頭注意力分配權重。

34、所述的構建多尺度遞歸神經網絡的表達式為：

35、zt＝σ(wz·[ht-1,xt]+bz)

36、rt＝σ(wr·[ht-1,xt]+br)

37、

38、h1＝gru1(x)

39、h2＝gru2(h1)

40、其中，σsigmoid激活函數，*表示元素乘，wz,wr,w和bz,br,b是可學習的權重矩陣和偏置向量。在多尺度遞歸神經網絡中，第二層的gru以第一層的輸出作為輸入。

41、所述的引入位置編碼表達式為：

42、

43、x′＝x+pe

44、其中，pos是位置，i是維度索引，d是特征維度。編碼后的矩陣pe與輸入數據相加。

45、所述的引入多頭注意力分配權重表達式為：

46、q＝x′wq,k＝x′wk,v＝x′wv

47、

48、multihead(q,k,v)＝concat(head1,...,headh)wo

49、其中，wq,wk,wv,wo是權重矩陣，dk是鍵向量的維度，h是注意力頭的數量。以上公式用于計算注意力得分，然后將結果拼接并進行投影。

50、本發明的另一目的在于提供一種基于圖神經網絡的交通流量預測系統，該系統實施所述的預測圖神經網絡的交通流量預測方法，該系統包括：

51、自適應解耦模塊：對原始數據集進行自適應解耦，利用數據驅動的方法，將原始數據分為擴散信號和固有信號。

52、時頻域雙向圖卷積模塊：基于自適應解耦模塊解耦的數據，構建時頻域雙向變換網絡，利用頻域捕捉交通信息中的頻率特性，將傅里葉變換結合圖神經網絡，對擴散信號進行預測，并進行線性變換生成預測的隱藏狀態。

53、多尺度遞歸神經網絡模塊：將擴散信號從原始信號中剝離，生成交通信息中的固有信號，針對固有信號采用多尺度遞歸神經網絡的模型進行預測，可以對信號進行長時序的預測。

54、綜上所述的所有技術方案，本發明所具備的有益效果為：

55、當前研究在交通流量預測中面臨幾個關鍵問題，尤其是在如何有效捕捉時空數據中的復雜模式和多維特征。傳統方法在處理長時序數據和空間拓撲信息時，通常難以充分挖掘信號的擴散特性和固有規律，導致預測精度較低，特別是在處理大規模交通流量數據時，難以適應復雜的流量波動模式。針對這些挑戰，本文提出了一種創新的交通流量預測方法，基于自適應解耦模塊、時頻域雙向圖卷積模塊和多尺度遞歸神經網絡模塊。該方法能夠有效地解耦和融合時空信號，提升預測的準確性。自適應解耦模塊：該模塊通過數據驅動的方法，將原始數據解耦為擴散信號和固有信號。這一解耦過程能夠更清晰地區分交通流量中的局部波動和長期趨勢，為后續的預測模塊提供更加精確的輸入。時頻域雙向圖卷積模塊：在解耦后的數據上，采用時頻域雙向變換網絡，通過傅里葉變換捕捉信號中的頻域特性，并結合圖神經網絡建模空間相關性。該模塊不僅能夠精準預測擴散信號，還能提高模型對交通網絡拓撲結構的理解，進而提升預測精度。多尺度遞歸神經網絡模塊：該模塊針對固有信號進行建模，采用多尺度遞歸神經網絡對長期趨勢進行預測，能夠有效捕捉長時序的依賴關系，從而提供更加精確的長期預測結果。實驗結果表明，本文方法在pems-bay和metr-la數據集上的表現優異，能夠顯著提高預測精度。具體指標為：在pems-bay數據集上，rmse值為2.62/3.53/4.32，mae為1.26/1.56/1.89，mape為2.60/3.50/4.40；在metr-la數據集上，rmse值為4.97/5.96/7.03，mae為2.58/2.91/3.36，mape為6.60/7.99/9.678。相比于傳統方法，本文提出的算法在時空數據建模和長時序預測方面具有明顯優勢。

56、實驗表明，與其他主流交通流量預測算法相比，本發明提出的方法，具有更低的預測誤差以及更高的、準確率。通過引入自適應解耦模塊、時頻域雙向圖卷積模塊和多尺度遞歸神經網絡模塊，本發明能夠有效提升交通流量預測的精度，為智能交通系統提供更準確的預測支持，幫助交通管理者做出更加精準的決策，優化交通流動。特別是在應對復雜的時空數據和長時序預測任務時，該方法能夠顯著提高預測的穩定性和可靠性，保證下游任務(如交通擁堵預測、交通管理調度等)中數據的有效性，從而提高系統整體效率。

57、與傳統的交通流量預測方法相比，本文提出的模型通過對數據進行自適應解耦、時頻域變換、以及多尺度時序建模，顯著提高了對交通流量的長時序預測能力。在pems-bay和metr-la數據集上的實驗結果表明，該算法在填補缺失數據的同時，能有效提升預測精度。具體表現為：在pems-bay數據集上，rmse值為2.62/3.53/4.32，mae為1.26/1.56/1.89，mape為2.60/3.50/4.40；在metr-la數據集上，rmse值為4.97/5.96/7.03，mae為2.58/2.91/3.36，mape為6.60/7.99/9.678。這些結果表明，與現有技術相比，本發明能夠有效減少預測誤差，并且提供更加可靠的預測結果。

58、傳統的交通流量預測方法主要依賴于傳統的時間序列建模和空間建模技術，但這些方法往往忽視了交通數據中的多尺度時空特性，導致預測結果精度較低。現有的一些方法，如基于自回歸模型和移動平均法的統計模型，在處理大規模數據集時性能較差，且難以有效建模交通流量的非線性變化趨勢。為了克服這些問題，本文引入了自適應解耦模塊，通過數據驅動的方式將交通流量數據分解為擴散信號和固有信號，為時頻域雙向圖卷積網絡的處理提供了更加精準的輸入。

59、時頻域雙向圖卷積模塊通過傅里葉變換結合圖神經網絡的優勢，能夠有效捕捉到數據中的頻域特性和空間相關性。相比于傳統方法，利用圖卷積網絡更好地建模了交通流量在空間拓撲上的傳播規律，從而顯著提高了模型的預測精度。多尺度遞歸神經網絡模塊則進一步增強了模型的時序建模能力，特別是在長時序預測任務中，能夠有效捕捉到時間上的長期依賴關系。

60、本發明通過引入這些創新模塊，克服了傳統方法在時空數據建模上的不足，大幅提升了交通流量預測的精度和穩定性，為智能交通系統的實時預測和決策提供了有力支持。實驗結果表明，該方法能夠顯著減少預測誤差，提高下游任務的分類準確率，推動智能交通系統的發展，為解決復雜的交通流量預測問題提供了全新的思路。