1.一种融合空气质量与车流量数据的短时交通流预测方法,其特征在于,包括以下步骤:步骤S1,收集历史车流量数据和历史空气质量数据,获得历史车流量数据集和历史空气质量数据集;
步骤S2,使用MinMax缩放器对历史车流量数据集和历史空气质量数据集进行归一化预处理,保证数据的准确性和完整性,并采用平均值法处理数据集中的缺失值;然后根据处理后的数据集构建特征矩阵X,将历史车流量数据和空气质量数据结合起来, ,其中,x是历史车流量序列,Q是历史空气质量序列;并将处理后的历史车流量数据集和历史空气质量数据集分别划分为训练集和测试集;
步骤S3,根据街道节点绘制空气质量关联拓扑图G,用于获取空间特征,并创建对应的空气质量关联矩阵A;
步骤S4,根据空气质量关联拓扑图G和特征矩阵X,构造映射函数 ,然后计算下一个T时段的交通信息,计算公式为:,
其中,m为历史时间序列的长度,T为需要预测的时间序列的长度,t为当前采样时刻;
步骤S5,使用深度学习方法搭建神经网络模型,对映射函数 进行建模;神经网络模型包含输入层、两层GCN模型、一层LSTM模型、一个注意力机制Attention和一层全连接层;其中,输入层用于输入包含实时获取的车流量数据与空气质量数据信息的特征矩阵X,GCN模型用于捕获街道节点之间车流量数据与空气质量数据的空间特征,LSTM模型用于捕获时间特征,注意力机制Attention用于对LSTM模型的输出进行加权求和,帮助LSTM模型更加聚焦于关键的输入信息,全连接层用于输出预测结果;
步骤S6,使用训练集数据对步骤S5搭建的神经网络模型进行训练,并使用测试集数据进行准确度测试,计算预测值与实际值之间的损失函数,通过反向传播算法对神经网络模型的参数进行优化,使用ADAM不断自适应学习率,优化神经网络模型的参数以使模型更加准确;
步骤S7,使用训练好的神经网络模型对实时获取的车流量数据与空气质量数据信息进行预测,输出预测结果。
2.根据权利要求1所述的融合空气质量与车流量数据的短时交通流预测方法,其特征在于,步骤S3中,根据街道节点绘制空气质量关联拓扑图G,用于获取空间特征,并创建对应的空气质量关联矩阵A的具体步骤为:步骤S31,将街道标记为街道节点,若两街道间直接连通,视为两街道间的空气质量相互关联,则将空气质量相互关联的两街道间的连接关系标记为一条无向边;若两街道间不直接连通,视为两街道间的空气质量不相互关联,则将空气质量不相互关联的两街道间的连接关系标记为没有边相连;将各街道间的连接关系绘制成一张无向点线图;
步骤S32,创建一个空气质量关联矩阵,所述空气质量关联矩阵是一个n × n的邻接矩阵,其中n是街道节点的数量,将邻接矩阵的每个元素初始化为0,邻接矩阵中元素为0表示两个街道节点之间没有边相连;
步骤S33,遍历步骤S31中获取的无向点线图中的所有边,对于每条边连接的两个街道节点,如街道节点i和街道节点j,将邻接矩阵中对应的第i行第j列和第j行第i列的元素设置为1,表示街道节点i和街道节点j之间存在一条无向边;遍历完成后即可获得街道节点对应的空气质量关联矩阵A。
3.根据权利要求1所述的融合空气质量与车流量数据的短时交通流预测方法,其特征在于,单层GCN模型表示为:,
其中, 是添加自连接的矩阵,A表示空气质量关联矩阵, 是单位矩阵,是度矩阵, , 表示层的输出, 包含层的参数, 表示sigmoid函数;
两层GCN模型表示为:
,
其中, 表示对空气质量关联矩阵A的预处理步骤, 表示从
输入到隐藏层的权重矩阵,R表示实数集,P为特征矩阵X的长度,H为隐藏单元数,表示从隐藏层到输出层的权重矩阵; 表示需要预测的时间序列的长度T的输出,N×T表示矩阵的维度, 表示为N行T列的实数矩阵,矩阵行数N等于街道节点的个数,矩阵列数T即为预测的时间序列的长度; 代表重构线性单元。
4.根据权利要求3所述的融合空气质量与车流量数据的短时交通流预测方法,其特征在于,两层GCN模型中都包含多个GCN处理单元,两层GCN模型的GCN处理单元一一对应,其中,每一个采样时刻的特征矩阵 对应两个GCN处理单元,GCN处理单元的输出表示为 ,即 ;将GCN模型第二层的输出 作为输入,输入至LSTM模型中,LSTM模型捕获时间特征后输出新的节点表示 ,即LSTM模型的输出为 ,使用表示LSTM模型的整体输出,则GCN+LSTM的节点更新公式为:;同理,LSTM模型中包含多个LSTM处理单元,每两个GCN处理单元对应一个LSTM处理单元,将LSTM处理单元的输出表示为 ,则LSTM模型的整体输出表示为:。
5.根据权利要求4所述的融合空气质量与车流量数据的短时交通流预测方法,其特征在于,LSTM模型的计算方式为:,
,
,
,
,
其中, 为输入门, 为遗忘门, 为细胞状态, 为输出门, 为当前采样时刻t对应的LSTM处理单元的输出, 为当前采样时刻t对应的LSTM处理单元的输入;
表示sigmoid函数, 表示输入门的权重矩阵, 表示遗忘门的权重矩阵, 表示输出门的权重矩阵; 表示输入门的偏置参数, 表示遗忘门的偏置参数, 表示输出门的偏置参数, 表示候选细胞状态。
6.根据权利要求5所述的融合空气质量与车流量数据的短时交通流预测方法,其特征在于,步骤S5中,通过注意力机制Attention对LSTM模型的输出进行加权求和的计算方法为,若LSTM处理单元的输出为 ,则加权求和后的表示为 ,其中 表示当前采样时刻t的权重;
使用Bahdanau Attention的方法来计算当前采样时刻t的权重 ,给定LSTM处理单元的输出 和一个查询向量q,则当前采样时刻t的权重 的计算公式为:,
其中, , 、 、 、 都是需要学习的参数;
、 是为了计算注意力权重分母部分而存在的临时值, 的计算公式与 的一样,即, , 为k时刻LSTM处理单元的输出;将加权求和后的表示C作为注意力机制Attention的输出,输入到接下来的全连接层中进行预测,输出预测结果。
7.根据权利要求1所述的融合空气质量与车流量数据的短时交通流预测方法,其特征在于,步骤S6中,计算预测值与实际值之间的损失函数时,采用均方误差作为损失函数,损失函数的计算公式表示为:,
其中,s是样本数, 是第 个样本的实际值, 是模型对第 个样本的预测值。