基于特征融合的交通流预测方法与流程

技术特征：

1.一种基于特征融合的交通流预测方法，其特征在于，包括如下步骤：

步骤s1:获取历史交通数据，并进行时空相关性分析；

步骤s2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取；

步骤s3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；

步骤s4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；

步骤s5:将实时交通数据通过步骤s1-s2处理后，输入最优的预测模型，得到预测的交通流量。

2.根据权利要求1所述的基于特征融合的交通流预测方法，其特征在于，所述时空相关性包括周相关性、日相关性、邻近时间相关性和空间相关性。

3.根据权利要求1所述的基于特征融合的交通流预测方法，其特征在于，所述步骤s2具体为：

通过利用图卷积神经网络来挖掘相邻节点之间的数据相关性；

在空间相关性提取之后，再利用卷积神经网络来堆叠每个节点的相邻时刻信息来更新每个节点的信息。

4.根据权利要求1所述的基于特征融合的交通流预测方法，其特征在于，所述图卷积如下所示；

gθ*gx＝gθ(l)x＝gθ(uλu^t)x＝ugθ(λ)u^tx,

式中，*g表示图卷积操作，gθ为卷积核，x为交通流序列；l为拉普拉斯矩阵a是邻接矩阵，d为邻接矩阵的度。

5.根据权利要求1所述的基于特征融合的交通流预测方法，其特征在于，所述基于卷积的特征融合模型首先将两组数据通过级联拼接在一起，然后逐列地进行卷积。

6.根据权利要求1所述的基于特征融合的交通流预测方法，其特征在于，所述基于低秩多模态的特征融合模型通过张量融合方法将多输入转换为高维张量，并将融合后的张量通过线性变换产生向量表示，且对权重张量进行分解成m组模态的特定因子，表达式如下：

其中h为融合后的向量，b是偏置，为权重张量的特定因子，其中xf 1，xo 1是由输入xf，xo扩展一维得到的。

7.根据权利要求1所述的基于特征融合的交通流预测方法，其特征在于，所述步骤s4具体为：

采用均方误差为损失函数，计算框架输出的预测值和实际交通流数据之间的特征

使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用rmsprop不断自适应学习率，使结构达到最优解。

8.根据权利要求7所述的基于特征融合的交通流预测方法，其特征在于，所述rmsprop根据之前的梯度变化的情况来更新学习率，rmsprop算法使用变量meansquare(w，t)来保存第t次更新学习率时每个权值前一段时间的梯度平方的平均值，根据这个变量来自适应学习率，不断优化参数，使结构达到最优解。

9.根据权利要求7所述的基于特征融合的交通流预测方法，其特征在于，所述均方误差函数，具体为：

所述rmsprop，具体为：

为变量w在t时刻的梯度值。

技术总结
本发明涉及一种基于特征融合的交通流预测方法，包括如下步骤：步骤S1:获取历史交通数据，并进行时空相关性分析；步骤S2:根据得到的时空相关性，利用图卷积神经网络与卷积神经网络分别进行空时特征提取;步骤S3:构建基于卷积的特征融合模型和基于低秩多模态的特征融合模型,并对交通数据的时空特征，预测交通流量；步骤S4:根据真实交通流量对比预测交通流量调整模型的参数，降低损失，优化模型,得到最优的预测模型；步骤S5:将实时交通数据通过步骤S1‑S2处理后，输入最优的预测模型，得到预测的交通流量。本发明有效提升了模型在交通数据异常情况下预测性能的鲁棒性和在正常情况下的预测精度。

技术研发人员：冯心欣;郑强;张海涛;郑海峰
受保护的技术使用者：福州大学
技术研发日：2021.05.08
技术公布日：2021.08.10