(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210915226.9 (22)申请日 2022.08.01 (65)同一申请的已公布的文献号 申请公布号 CN 114971093 A (43)申请公布日 2022.08.30 (73)专利权人 中南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 谌恺祺　邓敏　石岩　雷凯媛　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 李崇章 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) G08G 1/01(2006.01) 审查员 田静 (54)发明名称 城市道路交通流属性预测方法、 系统、 设备 及介质 (57)摘要 本公开实施例中提供了一种城市道路交通 流属性预测方法、 系统、 设备及介质， 属于 数据处 理技术领域， 具体包括： 采集城市路网数据、 车辆 GPS数据和路段的交通流数据； 通过马尔可夫链 的方式进行空间依赖性的建模； 改造传统谱图卷 积结构， 使其在以 为边权重的带权有向图 上 学习与拟合交通流的空间依 赖性特征； 通过构建 交通流关键帧序列进行时间依赖性的建模； 构建 一个包含隐藏层、 聚合层与输出层的交通流属性 预测模型； 更新交通流属性预测模 型中的可学习 参数直至交通流属性预测模型在验证集中具有 最低的预测误差； 将步骤7中更新的交通流属性 预测模型对目标场景中的交通流属性进行预测。 通过本公开的方案， 提高了预测精准度和鲁棒 性。 权利要求书4页 说明书16页 附图3页 CN 114971093 B 2022.11.25 CN 114971093 B 1.一种城市道路交通 流属性预测方法， 其特 征在于， 包括： 步骤1， 采集城市路网数据、 车辆GP S数据和路段的交通 流数据； 步骤2， 将城市路 网构建为一个带权的有向图结构 ， 其中 为节 点集， 表示城市中 条路段的集合， 为权重矩阵， 表示两两路段于路网 中的相关性强弱， 以及， 表示交通流于路网中的空间依赖性关系， 为交通流属性 矩阵， 表示交通 流在 个时间戳内于 条路段上的属性信息； 步骤3， 将路网中的每一条路段 作为一个状态， 其整个路 网结构 形成一个 状态空间， 并通过马尔可 夫链的方式进行空间依赖性的建模； 步骤4， 改造传统谱图卷积结构， 使其在以 为边权重的带权有向 图 上学习与拟合 交 通流的空间依赖性特 征； 所述步骤4具体包括： 步骤4.1， 对权重矩阵 进行特征分解， 通过如下公式得到 最大特征值 所对 应的特征向量 ： ； 步骤4 .2， 定义矩阵 为对角矩阵， 其对角线的元素由特征向量 所构成， 即 ； 步骤4.3， 计算带权有向图 的拉普拉斯矩阵 ： ； 步骤4.4， 将拉  普拉斯矩阵 进行对称化， 形成对称拉普拉斯矩阵 ： ； 步骤4.5， 基于 ， 定义加权有向图 上的卷积算子为 ， 其卷积算子作用在交通 流属性矩阵 某一时间切片 上的卷积操作为 ， 其中， 为对称拉普拉斯矩阵 特征向量所构成的矩阵， 为哈达玛积， 为卷积计算符， 为 卷积算子中可 学习的参数； 步骤4.6， 利用切比雪夫多 项式简化 为： ； 步骤4.7， 基于步骤4.6中的带权有向图 上的卷积公式， 计算在交通流属性矩阵 上的 卷积操作： 其中， 表示卷积层的网络参数， 而 与 分别表示卷积层输入特征权　利　要　求　书 1/4 页 2 CN 114971093 B 2的维度与输出 特征的维度； 步骤5， 基于对交通流 时空过程的趋势性与周期性的先验认知， 通过构建交通流关键帧 序列进行时间依赖性的建模； 所述步骤5具体包括： 步骤5.1， 对于 交通流的周期性特征， 针对预测时刻 ， 选取 前 个周期中对应时刻 的交通流属性组成周期性帧序列 ， 即 ， 其中 表示一 个周期中所包 含的时间戳个数； 步骤5.2， 对于交通流的趋势性特征， 针对预测时刻 ， 选取 前 个时刻的交通流属 性组成趋势性帧序列 ， 即 ； 步骤6， 在完成空间依赖性及时间依赖性的建模后， 利用步骤4定义的带权有向图 上的 卷积操作 ， 构建一个包 含隐藏层、 聚合层与输出层的交通 流属性预测模型； 所述步骤6具体包括： 步骤6.1， 在隐藏层中对周期性帧序列 与趋势性帧序列 分别采用两个卷积 与 进行学习， 分别得到相对应的隐藏层特征 与 ， 公式 如下： 其中 与 分别为学习周期性卷积 与学习趋势性卷积 中的可学习参数； 步骤6.2， 在聚合层中将趋势性相关的隐藏层特征 与周期性相关的隐藏层 特征 在特征维度上进行拼接， 形成一个矩阵 ； 步骤6.3， 将矩阵 在特征维度上进行打乱， 形成 ； 步骤6.4， 通过一个卷积 对 进行深入的特 征抽取， 形成 : ； 步骤6.5， 通过一个全连接网络， 将 的特征维度压缩为1维， 形成 ， 为模型 对于 时刻， 条路段的交通 流属性预测结果的交通 流属性预测模型： 其中 为全连接网络的可 学习参数； 步骤7， 通过在训练集上计算真实交通流属性值 与交通流属性预测模型预测的交通权　利　要　求　书 2/4 页 3 CN 114971093 B 3