一种基于鲸鱼寻优时空图神经网络的交通速度预测方法及系统

本发明涉及智慧交通，更具体的说是涉及一种基于鲸鱼寻优时空图神经网络的交通速度预测方法及系统。

背景技术：

1、在现代智慧交通快速发展的背景下，交通速度预测作为核心支撑技术，对提升路网运行效率、优化交通信号控制策略以及辅助自动驾驶车辆路径规划具有不可替代的重要意义。

2、然而智慧交通系统的运行产生了大量的交通流数据，这些交通流数据多以时序序列形式存在且具有空间上的分布，如果仅仅依靠传统的统计学方法，很难捕捉到各个路网节点之间交通速度的关系。深度学习的发展为解决这一问题提供了新的思路，能够为交通速度预测提供良好的技术支撑。

3、因此，如何提出一种基于鲸鱼寻优时空图神经网络的交通速度预测方法及系统，提升交通速度预测精度与模型泛化性能，是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于鲸鱼寻优时空图神经网络的交通速度预测方法及系统，有效融合时空特征并进行超参数寻优，提升交通速度预测精度与模型泛化性能。

2、为了实现上述目的，本发明采用如下技术方案：

3、一方面，本发明公开一种基于鲸鱼寻优时空图神经网络的交通速度预测方法，包括以下步骤：

4、获取路网节点历史交通速度时序数据与路网节点间有向距离数据，并对所述交通速度时序数据进行归一化预处理；

5、基于预处理后的交通速度时序数据构造时间序列样本，基于所述有向距离数据生成距离邻接矩阵；根据时间序列样本与距离邻接矩阵构建训练集、验证集与测试集；

6、将所述训练集输入时空图神经网络开展训练，提取并融合交通流时间演化特征与路网空间依赖特征；

7、训练过程中利用验证集计算预测误差指标，采用鲸鱼优化算法对时空图神经网络的超参数迭代寻优，得到最优参数；

8、将所述测试集输入搭载最优参数的时空图神经网络，输出路网节点未来时段交通速度预测结果。

9、优选的，采用z-score标准化方式对所述交通速度时序数据进行归一化预处理。

10、优选的，采用滑动窗口切片方法，基于预处理后的交通速度时序数据构造所述时间序列样本；

11、采用高斯核距离权重函数计算路网节点间关联权重，并设置权重阈值对距离邻接矩阵进行稀疏剪枝，公式如下：

12、

13、式中，为节点和节点之间的最短路径距离，为控制距离衰减范围的尺度参数。

14、优选的，所述时空图神经网络由多个时空融合块级联构成，

15、各时空融合块依次对输入数据进行如下处理：

16、先通过门控时间卷积提取各路网节点的交通流时间演化特征，再通过图卷积操作建模节点在路网拓扑结构下的路网空间依赖特征，随后通过非线性激活与通道变换将所述时间演化特征与空间依赖特征进行协同融合，最后由全连接输出层将融合后的高阶时空表征映射为未来若干时间步的速度预测值。

17、优选的，每个训练批次完成后，利用验证集计算平均绝对百分比误差，评估当前时空图神经网络的拟合效果，并采用鲸鱼优化算法对时空图神经网络超参数进行寻优；

18、重复上述训练、评估与寻优过程直至达到预设的最大迭代次数，以最终优化后的超参数作为最优参数。

19、另一方面，本发明还公开一种基于鲸鱼寻优时空图神经网络的交通速度预测系统，包括：

20、数据处理模块，用于获取路网节点历史交通速度时序数据与路网节点间有向距离数据，并对所述交通速度时序数据进行归一化预处理；

21、数据集构建模块，用于基于预处理后的交通速度时序数据构造时间序列样本，基于所述有向距离数据生成距离邻接矩阵；根据时间序列样本与距离邻接矩阵构建训练集、验证集与测试集；

22、网络训练模块，用于将所述训练集输入时空图神经网络开展训练，提取并融合交通流时间演化特征与路网空间依赖特征；

23、优化调参模块，用于训练过程中利用验证集计算预测误差指标，采用鲸鱼优化算法对时空图神经网络的超参数迭代寻优，得到最优参数；

24、速度预测输出模块，用于将所述测试集输入搭载最优参数的时空图神经网络，输出路网节点未来时段交通速度预测结果。

25、经由上述的技术方案可知，本发明公开提供了一种基于鲸鱼寻优时空图神经网络的交通速度预测方法及系统，与现有技术相比具有以下有益效果：

26、相对于传统交通速度预测模型，本发明通过动态计算路网节点间的权重值突破了对固定拓扑结构的依赖，同时采用门控时间卷积与图卷积相结合的方式，实现时空特征融合，能有效捕捉交通流的时间演化与空间关联特性，在长时序预测中显著提升预测精度并减少误差累积，为交通管理提供更可靠的支撑。

27、相较于传统依靠经验与手动调试的参数设置方式，本发明引入鲸鱼优化算法实现超参数自动寻优，解决了人工调参效率低、易陷入局部最优的缺陷，大幅提升模型训练效率，同时增强模型在不同城市路网场景下的泛化性与鲁棒性，更便于实际工程部署与落地应用。

1.一种基于鲸鱼寻优时空图神经网络的交通速度预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于鲸鱼寻优时空图神经网络的交通速度预测方法，其特征在于，采用z-score标准化方式对所述交通速度时序数据进行归一化预处理。

3.根据权利要求1所述的一种基于鲸鱼寻优时空图神经网络的交通速度预测方法，其特征在于，采用滑动窗口切片方法，基于预处理后的交通速度时序数据构造所述时间序列样本；

4.根据权利要求1所述的一种基于鲸鱼寻优时空图神经网络的交通速度预测方法，其特征在于，所述时空图神经网络由多个时空融合块级联构成，

5.根据权利要求1所述的一种基于鲸鱼寻优时空图神经网络的交通速度预测方法，其特征在于，每个训练批次完成后，利用验证集计算平均绝对百分比误差，评估当前时空图神经网络的拟合效果，并采用鲸鱼优化算法对时空图神经网络超参数进行寻优；

6.一种基于鲸鱼寻优时空图神经网络的交通速度预测系统，其特征在于，包括：