买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：创辉达设计股份有限公司

摘要：本发明公开了一种基于深度学习的城市交通拥堵预测方法及系统，包括：S1：获取交通路网数据，交通路网数据包括数值型数据、道路方向、道路之间的连接关系；并对其中的数值型数据进行标准化，得到标准化后的数值型数据；S2：通过图神经网络与注意力聚合，对节点特征和边信息建模，再进行特征融合后，得到各个时刻的路网空间特征向量；S3：构建交通拥堵预测网络，对路网时间特征建模并与空间特征融合，输出拥堵程度；S4：设定交通拥堵预测网络的输入、输出以及优化目标；S5：基于自适应学习率优化算法优化交通拥堵预测网络参数；本发明解决了目前智能交通技术领域中，未全面考虑交通拥堵的时空依赖关系导致的拥堵预测准确率不足的问题。

主权项：1.一种基于深度学习的城市交通拥堵预测方法，其特征在于，包括以下步骤：S1：获取交通路网数据，交通路网数据包括数值型数据、道路方向、道路之间的连接关系；并对其中的数值型数据进行标准化，得到标准化后的数值型数据；S2：通过图神经网络与注意力聚合，对节点特征和边信息建模，再进行特征融合后，得到各个时刻的路网空间特征向量；其中节点特征包括标准化后的数值型数据，边信息包括道路方向和道路之间的连接关系；S3：构建交通拥堵预测网络，对路网时间特征建模并与空间特征融合，输出拥堵程度；S4：设定交通拥堵预测网络的输入、输出以及优化目标；S5：基于自适应学习率优化算法优化交通拥堵预测网络参数；所述步骤S1包括：S11：获取交通路网数据，交通路网数据包括数值型数据、道路方向、道路之间的连接关系；所述数值型数据包括各个整点时段车流量、各个整点时段车速、道路宽度、道路长度；S12：计算各项数值型数据的均值和标准差；S13：对各项数值型数据进行Z-score标准化，计算方式为： ；其中，为标准化后的数值型数据，为输入的数值型数据，μ为均值，d为标准差；所述步骤S2包括：S21：将节点特征和边信息输入图神经网络，节点特征包括标准化后的数值型数据，边信息包括道路之间的连接关系和道路方向，节点特征与边信息共同构成空间特征，图神经网络的计算方式为：；其中，为节点i在第层的空间特征，B为图神经网络的层数，为sigmoid激活函数，为节点i的邻居节点集合，为权重矩阵，为节点j在第B层的空间特征，为节点i在第B层的特征向量，i、j为图神经网络的节点；S22：通过注意力聚合计算各个节点之间的权重关系，计算方式为： ； ； ；其中，为节点i相对于节点j注意力分数，为注意力权重矩阵，和分别是为节点i和节点j的特征向量，为拼接操作，为节点i相对于节点j的注意力权重，n为节点个数，k为计数索引，为节点i的聚合特征；S23：对每个节点的聚合特征进行平均池化和最大池化并拼接，计算方式为： ； ； ；其中，是平均池化向量，为最大池化向量，为路网空间特征向量；S24：分别计算多个时刻的节点聚合特征，并进行平均池化和最大池化并拼接，得到多个时刻的图神经网络输出，记为，即，其中t表示时刻，为各个时刻的路网空间特征；所述步骤S3包括：S31：基于GRU构建交通拥堵预测网络，对路网时间特征建模，计算方式为： ；其中，为时刻t的输入，为GRU在t时刻的隐藏状态，为GRU网络操作；S32：将多个时刻的图神经网络的输出作为GRU的输入，即，输出交通路网中每条道路的拥堵特征向量；S33：将拥堵特征向量输入到Softmax分类器中进行拥堵程度分类，按照[0,20%,[20%,50%,[50%,70%,[70%,100%分为无拥堵、轻度拥堵、中度拥堵和严重拥堵共4种拥堵程度类别，Softmax分类器由全连接层和Softmax函数构成，全连接层的计算方式为：；其中，FC为全连接层的计算结果；为参数矩阵；b为偏置项；Softmax函数的计算方式为： ；其中，为输出向量中各个类别的取值概率，g为拥堵程度类别；为输出向量的第p个元素，为输出向量的第q个元素，exp为自然常数；所述步骤S4包括：S41：交通拥堵预测网络的输入为各个时刻的路网空间特征，输出为各路段的拥堵程度类别；S42：交通拥堵预测网络的优化目标由两部分构成，其中第一部分优化目标为优化交通拥堵预测网络建模路网空间拓扑特征的能力： ；其中，为图神经网络的损失函数，K为样本数量；G为类别数量，为节点i属于类别g的标签，为模型预测的节点i属于类别g的概率；第二部分优化目标为优化交通拥堵预测网络建模时间依赖关系的能力： ；其中，为GRU的损失函数，T为序列长度，为模型在时刻t的预测值，为实际观测值；最终的优化目标表示为： ；其中，为总损失函数；所述步骤S5包括：S51：基于自适应学习率优化算法优化交通拥堵预测网络参数，计算方式为： ；其中，为模型在第a+1步迭代时的参数，为Adam优化器操作，为模型在第a步迭代时的参数，为学习率，为一阶矩估计，为二阶矩估计，a为迭代步数；S52：完成交通拥堵预测网络参数的训练后，输入待预测路段的路网空间特征，交通拥堵预测网络输出预测出的各路段的拥堵程度类别。

全文数据：

权利要求：

百度查询： 创辉达设计股份有限公司 一种基于深度学习的城市交通拥堵预测方法及系统