一种无人驾驶用交通流量预测的图层级卷积神经网络模型的制作方法

技术特征：
1.一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：包括以下步骤：s1、建立路网图，抽象为节点和边的连接关系，并构建邻接矩阵；s2、将每个节点上的流量作为此节点的信号；s3、利用图的邻接矩阵，拉普拉斯矩阵针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；s4、构建聚类池化和反池化模块，提取路网中的层级信息，以寻找相似结构的流量特征；s5、谱图卷积模块和池化模块一起构成gru单元，实现对流量时间特征的提取；s6、利用encoder-decoder结构完成seq2seq的流量预测，encoder和decoder中的神经元都是由gru单元构成。2.根据权利要求1所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在步骤s1中，所述根据路网图构建邻接矩阵的步骤具体包括以下步骤：将观测计算车流量的检测站或交叉路口作为图的节点；交叉口或检测站之间有道路连通则在图上也有边连接；邻接矩阵的权重通过两个交叉口或监测站之间的实际距离计算，其中wij表示vi和vj两个传感器之间的权重，dist()表示观测站之间的距离，σ是距离的标准差。3.根据权利要求1所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在步骤2中，统计一段时间，如5min或0.5h时间内，经过道路上每个节点的车辆数，将其作为此节点的信号。4.根据权利要求1所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在步骤s3中，建立谱图卷积模块，提取路网的空间结构影响的步骤如下；根据邻接矩阵，计算拉普拉斯矩阵，对流量信号进行卷积操作，g
θ
＊x＝ug
θ
u
t
x，图的傅立叶基u(rn*n)是正则化的图拉普拉斯矩阵的特征向量矩阵，g
θ
是l的特征值的函数，即g
θ
(λ)；由于拉普拉斯矩阵的特征值分解较为复杂，因此利用契比雪夫多项式t(x)＝2xt
k-1
(x)-t
k-2
(x)来近似卷积过程，其中t0(x)＝1，t1(x)＝x；构建的卷积模块是：5.根据权利要求1所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在步骤s4中，所述构建聚类池化和反池化模块的具体包括以下步骤：聚类池化操作pooling在encoder阶段，需要构建一个神经网络学习一个节点转换矩阵，将经过卷积操作的n个节点信息，分配到m个节点上；反池化操作unpooling在decoder阶段，利用一个节点转换矩阵，将经过卷积的m个节点，还原会原来的n个节点；在pooling阶段的神经网络结构具体包括以下步骤：根据邻接矩阵建立图模型；
将图模型进行非线性转换，如relu方法；经过非线性转换的结果再放入softmax方法中，求得当前层n个节点分配到下一层m个节点的概率。6.根据权利要求5所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在pooling阶段的神经网络结构中的第一步的图模型采用一般的图神经网络或图卷积神经网络。7.根据权利要求5所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在unpooling阶段的转换矩阵是对应的pooling阶段的转换矩阵的另一维度的概率计算，即在另一维度上使用softmax方法。8.根据权利要求1所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在步骤s5中，所述谱图卷积模块和池化模块一起构成gru单元具体包括以下步骤：流量信号输入谱图卷积模块，得到的输出作为池化模块的输入；池化或反池化阶段的输出作为整个gru单元的输入；将池化或反池化阶段的输出作为gru单元的输入主要是为了替换gru单元中的简单乘法，而将其转换为卷积池化的乘法。9.根据权利要求1所述的一种无人驾驶用交通流量预测的图层级卷积神经网络模型，其特征在于：在步骤s6中，所述利用encoder-decoder结构完成seq2seq的流量预测，具体包括以下步骤：encoder部分进行输入序列的处理，每个神经元包括两个gru单元，进行卷积和池化操作；decoder部分的每个神经元中也包括两个gru单元，这里的gru单元中进行的是卷积和反池化操作；encoder部分的隐藏层结果将作为一个decoder部分的一个输入；最终decoder部分的输出作为预测序列的输出。

技术总结
本发明公开了一种无人驾驶用交通流量预测的图层级卷积神经网络模型，该模型包括以下步骤：S1、建立路网图，抽象为节点和边的连接关系，并构建邻接矩阵；S2、将每个节点上的流量作为此节点的信号；S3、利用图的邻接矩阵，拉普拉斯矩阵针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；S4、构建聚类池化和反池化模块，提取路网中的层级信息，以寻找相似结构的流量特征；S5、谱图卷积模块和池化模块一起构成GRU单元，实现对流量时间特征的提取；S6、利用encoder-decoder结构完成seq2seq的流量预测，encoder和decoder中的神经元都是有GRU单元构成。本发明能有效挖掘提取路网图中的流量信息，同时可以处理大图，对内存的要求降低，提高效率。提高效率。提高效率。


技术研发人员：郑竹安 张坤 魏金呈 石小龙 熊新
受保护的技术使用者：盐城工学院
技术研发日：2021.11.02
技术公布日：2022/2/8