1.基于图卷积和门控循环单元的交通速度预测方法,包括如下步骤:(1)数据采集;采集原始的历史交通数据,生成5分钟时间间隔的平均数据,形成历史的交通流量和交通速度数据;
(2)数据处理;数据处理主要包含异常数据识别、缺失值填补与数据归一化;对于直接采集得到的原始数据,通常包含缺失值、异常数据和噪声数据等,为提高预测精度,需要对缺失值进行填补,对异常数据和噪声数据进行处理;采用Z-Score方法对数据进行归一化处理,使得原始数据的均值为0,方差为1;
(3)交通速度预测;包括交通速度预测模型的设计、数据集的生成、预测模型的训练和未来交通速度的预测;交通速度预测模型采用编码器-解码器框架,由多个门控循环单元和图卷积网络组成,其中,门控循环单元对输入的历史交通速度数据进行时间性分析,图卷积网络进行空间性分析;考虑交通流量与交通速度之间的相关性以及交通流量数据的准确性,模型采用了注意力机制,在时间层面实现了交通流量和交通速度的数据融合,设计了应用于图卷积操作的复合邻接矩阵,综合分析了静态和动态的空间相关性,在空间层面实现了交通流量和交通速度的数据融合;完成预测模型的设计后,拆分基于步骤(2)所得的交通数据,生成训练数据集、验证数据集和测试数据集,训练交通速度预测模型;完成预测模型的训练后,根据实时采集的交通数据,预测未来时间段的交通速度;
模型包括多个门控循环单元,每个门控循环单元的计算为:
h
其中,门控循环单元的输入内容为(x
模型的编码器层采用了注意力机制,用于计算不同历史时刻交通流量数据的影响程度,注意力机制的内部状态变化为:其中,注意力机制的输入
模型利用交通流量生成的影响因子与门控循环单元得到的隐状态相结合,可得到上下文向量作为编码器层的输出,具体为:模型采用图卷积网络来提取交通数据的空间关系,通过切比雪夫多项式来实现图卷积过程,图卷积的切比雪夫多项式表达形式为:其中,图卷积的输入x为编码器的输出h
模型设计了复合邻接矩阵,应用于模型的图卷积操作;相对于传统的邻接矩阵,复合邻接矩阵融合了静态邻接矩阵和动态邻接矩阵,实现了路段之间空间关系的综合分析,在空间层次上实现了交通流量和交通速度的数据融合;具体如下:其中,
模型解码器层的内部状态变化为:
h
其中,对于每个门控循环单元的输入内容(d
模型预测输出层的内部状态变化为:
其中,W,b分别为线性函数的权重和偏置项;当预测未来交通速度时,模型采用Adam优化器进行训练,使用梯度下降算法更新参数;模型的损失函数采用均方误差,具体如下:其中,
(4)误差分析;根据步骤(3)获得的未来交通速度预测值,根据三种不同误差评估指标(MAE/MAPE/RMSE)进行分析,其计算方法如下:其中,N为样本个数,
(5)结果展示;通过折线图、柱状图等对步骤(3)获得的未来交通速度预测值和步骤(4)误差分析的结果进行可视化展示,使得用户可以直观地分析交通速度预测结果。
2.如权利要求1所述的基于图卷积和门控循环单元的交通速度预测方法,其特征在于:步骤(2)的公式(5),参数设置为σ
3.如权利要求1所述的基于图卷积和门控循环单元的交通速度预测方法,其特征在于:步骤(2)中,按6:2:2的比例拆分,生成训练数据集、验证数据集和测试数据集。
4.实施权利要求1所述的基于图卷积和门控循环单元的交通速度预测方法的系统,其特征在于:包括依次连接的数据采集模块、数据处理模块、交通速度预测模块、误差分析模块、结果展示模块。