聚合多尺度时空相似信息的城市交通流预测方法

1.本公开实施例涉及数据处理技术领域，尤其涉及一种聚合多尺度时空相似信息的城市交通流预测方法。


背景技术：

2.目前，随着我国城市化进程的加速与流动人口的增多，城市居民出行行为愈发频繁，对城市交通系统健康有序的发展带来了巨大的挑战。为有效缓解日益严峻的交通压力，实现城市交通高时效、精细化的管理与优化，大数据时代下以人工智能方法为驱动的新型交通信息分析及管理引擎的建设需求应运而生。针对该现实需求，在国家信息化发展建设战略的驱动下，智能交通系统(intelligent transportation system,简称its)在各大城市进行了实施与部署，通过有效集成先进的计算机信息、通讯传输、传感控制等技术，实现大范围、全方位的综合交通管理。然而，智能交通系统的有效运行需要实时、精确、全覆盖的交通流状态信息作为知识支撑，进而，交通流预测技术成为了智能交通系统建设的核心内容与重要保障。交通流预测效果好坏直接影响着拥堵探测、路径规划等下游任务的结果。鲁棒、精准的交通流预测模型是智能交通系统建设的迫切需求。
3.交通流预测是基于历史交通流数据，对道路未来时刻交通状况(速度、流量、密度等)进行精确估计的过程。交通流预测的关键在于如何有效地对交通流复杂、非线性的时间依赖性和空间依赖性进行建模。由于交通系统是在人、车、路、环境等多种因素交互作用下复杂多变的动态系统，使得交通流的时间、空间依赖性表现出多尺度的特点。交通流的空间依赖特征既直接体现在上下游相邻路段间简单的一阶邻域相似性，又包括隐含在局部路网拓扑结构中潜在的更深层次的高阶相似性。交通流的时间依赖特征包含时序变化趋势、整体周期性规律、局部时刻平稳性规律等多尺度特征。因此，如何有效地挖掘和聚合多尺度、多视图下的交通流时空相似信息，对于实现精准、有效的交通流预测具有重要意义。
4.现有数据驱动的交通流预测方法主要有统计分析、机器学习和深度学习三种方法，但是基于统计分析的方法原理简单，计算效率高，但大多基于线性假设，且只能建模交通流的时间相关性，对数据有着较为严格的先验要求，不能有效处理复杂、非线性的真实交通状况。大多数机器学习方法的精度仍依赖于前期特征工程的结果，需要较强的人为经验支持，且无法融合交通流的多尺度时空信息。在大规模城市路网的交通流预测中具有较为明显的精度瓶颈。深度学习对于时空相关性大多是从单一、低阶的角度进行考虑，而较少涉及道路拓扑结构与时序规律中潜在的高阶相似性。如何有效、准确地将交通流的多阶时空相似关系编码为图结构，是多图模块设计是需要考虑的一大问题
5.可见，亟需一种高效精准且适应性强的聚合多尺度时空相似信息的城市交通流预测方法。


技术实现要素：

6.有鉴于此，本公开实施例提供一种聚合多尺度时空相似信息的城市交通流预测方
法，至少部分解决现有技术中存在预测效率、精准度和适应性较差的问题。
7.本公开实施例提供了一种聚合多尺度时空相似信息的城市交通流预测方法，包括：
8.步骤1，获取路网数据及其对应的交通流速度数据；
9.步骤2，根据所述路网数据和交通流数据构建拓扑邻接图、二阶相似图和交通模式相似图；
10.步骤3，对所述交通流速度数据对应的时间段进行编码，得到绝对时间位置编码；
11.步骤4，将所述交通流速度数据、所述拓扑邻接图、所述二阶相似图、所述交通模式相似图和所述绝对时间位置编码输入聚合多尺度时空相似信息的交通流预测模型，得到预测交通流速度；
12.步骤5，根据所述预测交通流速度和所述交通流速度数据，迭代训练所述交通流预测模型中的可学习参数，直到误差满足预设条件，得到目标预测模型。
13.根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
14.步骤2.1，根据所述路网数据中全部路段的集合和路段间的拓扑连接性，建立所述拓扑邻接图并利用所述拓扑邻接图的邻接矩阵表示路段的一阶邻近关系；
15.步骤2.2，依次遍历所述路网数据中任意两个路段间的共享邻域的相似度，形成所述二阶相似图；
16.步骤2.3，依次遍历所述路网数据和所述交通流速度数据中任意两个路段的交通模式的相似度，形成所述交通模式相似图。
17.根据本公开实施例的一种具体实现方式，所述步骤3中编码的方式为偶数位奇数位其中d为编码向量的总维度。
18.根据本公开实施例的一种具体实现方式，所述交通流预测模型包括多图卷积网络和门控递归单元。
19.根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
20.步骤4.1，根据所述交通流速度数据，通过所述多图卷积网络耦合所述拓扑邻接图、所述二阶相似图和所述交通模式相似图中的多尺度时空相似信息，学习交通流非线性空间依赖特征；
21.步骤4.2，将所述多图卷积网络的输出与对应的绝对时间位置编码融合，得到输入时间序列；
22.步骤4.3，将所述输入时间序列通过门控递归单元学习非线性的时间依赖特征，得到输出序列；
23.步骤4.4，通过可学习的网络参数预测未来多个时段的交通流速度，形成所述预测交通流速度。
24.根据本公开实施例的一种具体实现方式，所述步骤4.1具体包括：
25.步骤4.1.1，将所述交通流速度数据中的部分输入数据分别通过所述拓扑邻接图、所述二阶相似图和所述交通模式相似图对应的图卷积层，得到三个单图卷积结果；
26.步骤4.1.2，将全部所述单图卷积结果融合，得到多图卷积结果。
27.根据本公开实施例的一种具体实现方式，步骤4.3具体包括：
28.步骤4.3.1，将第个t时间段的所述门控递归单元的输入通过可学习的网络参数计算第个t时间段的门控递归单元的输出结果公式如下：
[0029][0030][0031][0032][0033]
步骤4.3.2，按照从t-m到t循环迭代步骤4.3.1，得到所述输出序列
[0034]
根据本公开实施例的一种具体实现方式，所述步骤5具体包括：
[0035]
步骤5.1，使用均方误差作为损失函数，计算所述预测交通流速度和所述交通流速度数据之间的误差；
[0036]
步骤5.2，将所述误差反向传播至所述交通流预测模型的各可学习参数；
[0037]
步骤5.3，利用adam优化器根据所述误差调整更新各可学习参数；
[0038]
步骤5.4，迭代步骤5.1)至5.3)，直到所述损失函数的值达到最小，停止迭代，保存各可学习参数，得到所述目标预测模型。
[0039]
本公开实施例中的聚合多尺度时空相似信息的城市交通流预测方案，包括：步骤1，获取路网数据及其对应的交通流速度数据；步骤2，根据所述路网数据和所述交通流数据构建拓扑邻接图、二阶相似图和交通模式相似图；步骤3，对所述交通流速度数据对应的时间段进行编码，得到绝对时间位置编码；步骤4，将所述交通流速度数据、所述拓扑邻接图、所述二阶相似图、所述交通模式相似图和所述绝对时间位置编码输入聚合多尺度时空相似信息的交通流预测模型，得到预测交通流速度；步骤5，根据所述预测交通流速度和所述交通流速度数据，迭代训练所述交通流预测模型中的可学习参数，直到误差满足预设条件，得到目标预测模型。
[0040]
本公开实施例的有益效果为：通过本公开的方案，空间上考虑道路网络的一阶邻域相似性和二阶邻域相似性，时间上考虑交通流时间序列的局部时刻平稳性规律和整体周期性变化规律，采用基于邻近相似性、二阶相似性和交通模式相似性的多图卷积模块以及门控递归单元构建预测模型的整体框架，并适应性嵌入绝对时刻位置编码，实现更加细致的多尺度时空相似信息耦合，从而提高了预测精度，实现更好的预测效果。
附图说明
[0041]
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0042]
图1为本公开实施例提供的一种聚合多尺度时空相似信息的城市交通流预测方法的流程示意图；
[0043]
图2为本公开实施例提供的另一种聚合多尺度时空相似信息的城市交通流预测方法的流程示意图；
[0044]
图3为本公开实施例提供的一种详细网络结构构成示意图；
[0045]
图4为本公开实施例提供的一种聚合多尺度时空相似信息的城市交通流预测方法在实际数据集中15分钟预测时长下与其他方法预测结果可视化对比的结果示意图。
具体实施方式
[0046]
下面结合附图对本公开实施例进行详细描述。
[0047]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0048]
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0049]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0050]
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
[0051]
随着我国城市化进程的加速与流动人口的增多，城市居民出行行为愈发频繁，对城市交通系统健康有序的发展带来了巨大的挑战。为有效缓解日益严峻的交通压力，实现城市交通高时效、精细化的管理与优化，大数据时代下以人工智能方法为驱动的新型交通信息分析及管理引擎的建设需求应运而生。针对该现实需求，在国家信息化发展建设战略的驱动下，智能交通系统(intelligent transportation system,its)在各大城市进行了实施与部署，通过有效集成先进的计算机信息、通讯传输、传感控制等技术，实现大范围、全方位的综合交通管理。然而，智能交通系统的有效运行需要实时、精确、全覆盖的交通流状态信息作为知识支撑，进而，交通流预测技术成为了智能交通系统建设的核心内容与重要保障。交通流预测效果好坏直接影响着拥堵探测、路径规划等下游任务的结果。鲁棒、精准
的交通流预测模型是智能交通系统建设的迫切需求。
[0052]
交通流预测是基于历史交通流数据，对道路未来时刻交通状况(速度、流量、密度等)进行精确估计的过程。交通流预测的关键在于如何有效地对交通流复杂、非线性的时间依赖性和空间依赖性进行建模。由于交通系统是在人、车、路、环境等多种因素交互作用下复杂多变的动态系统，使得交通流的时间、空间依赖性表现出多尺度的特点。交通流的空间依赖特征既直接体现在上下游相邻路段间简单的一阶邻域相似性，又包括隐含在局部路网拓扑结构中潜在的更深层次的高阶相似性。交通流的时间依赖特征包含时序变化趋势、整体周期性规律、局部时刻平稳性规律等多尺度特征。因此，如何有效地挖掘和聚合多尺度、多视图下的交通流时空相似信息，对于实现精准、有效的交通流预测具有重要意义。
[0053]
大数据时代下，随着地感线圈、监控探头、浮动车gps等交通传感器技术的快速发展，基于数据驱动的交通流预测方法得到了广泛的应用。现有数据驱动的交通流预测方法主要有统计分析、机器学习和深度学习三种方法。
[0054]
现有基于深度学习的城市交通流预测方法主要存在以下几方面的问题：
[0055]
1、现有交通流预测过程中，在解决复杂空间依赖性建模方面，仅考虑拓扑空间的简单一阶邻域相似信息，而忽视了高阶局部路网结构相似信息，难以全面的描述交通流的多尺度空间相关与分异规律；
[0056]
2、现有交通流预测过程中，在解决非线性时间依赖性建模方面，仅学习其交通属性的时序变化规律，而忽视了时间序列整体周期性变化规律与局部时刻平稳性规律，难以准确描述交通流的多尺度时变模式；
[0057]
3、现有交通流预测模型设计过程中，仅从时间特征学习与空间特征学习的层面进行数据与信息过程的耦合，难以更加细致的耦合时间与空间特征学习中的多尺度信息过程。
[0058]
本公开实施例提供一种聚合多尺度时空相似信息的城市交通流预测方法，所述方法可以应用于城市交通管理系统的交通流预测过程。
[0059]
参见图1，为本公开实施例提供的一种聚合多尺度时空相似信息的城市交通流预测方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：
[0060]
步骤1，获取路网数据及其对应的交通流速度数据；
[0061]
例如，结合深圳市中心城区部分路段(共174条)构成的路网数据与2012年3月1日至2012年3月31日的出租车gps轨迹数据作为具体发明实施的实际数据集，对本发明的实施过程进行说明。
[0062]
可以对浮动车gps轨迹数据进行预处理工作。滤除速度异常值、重复值等错误数据。进行地图匹配，将gps点投影至对应路段上。以15分钟为间隔，每日共划分为96个时间段。以单位时间内经过目标路段的浮动车瞬时速度的平均值作为路段的交通流速度，进而得到所述交通流速度数据。
[0063]
将交通流速度数据集按照一定比例划分为训练集ts和测试集es，训练集ts用于模型的训练学习，测试集用于模型超参数的调整和模型精度的评价。
[0064]
步骤2，根据所述路网数据和所述交通流数据构建拓扑邻接图、二阶相似图和交通模式相似图；
[0065]
可选的，所述步骤2具体包括：
[0066]
步骤2.1，根据所述路网数据中全部路段的集合和路段间的拓扑连接性，建立所述拓扑邻接图并利用所述拓扑邻接图的邻接矩阵表示路段的一阶邻近关系；
[0067]
步骤2.2，依次遍历所述路网数据中任意两个路段间的共享邻域的相似度，形成所述二阶相似图；
[0068]
步骤2.3，依次遍历所述路网数据和所述交通流速度数据中任意两个路段的交通模式的相似度，形成所述交通模式相似图。
[0069]
具体实施时，可以根据深圳市中心城区部分路段(共174条)构成路网的路网数据，构建拓扑邻接图g
t
、二阶相似图gs和交通模式相似图g
p
，主要包括以下步骤：
[0070]
2.1)构建拓扑邻接图g
t
＝(v,e
t
)，表示空间上的一阶邻域相似性。g
t
为无向图，其中结点集v＝{v(1),v(2),
…
,v(n)}为所有路段的集合，边集e
t
＝{e
t
(1),e
t
(2),
…
,e
t
(n)}表示路段间的拓扑邻接性。该图的邻接矩阵a
t
∈rn×n表示路段的一阶邻近关系，若路段v(i)和v(j)之间相互连接，则a
t
(i,j)＝1，反之为0。
[0071]
2.2)构建二阶相似图gs＝(v,es),表示空间上的二阶邻域相似性，即两个路段共享邻域是否相似。若两个路段拥有相似的邻居结点，则这两个路段间的交通流相似性越大。其中，边集es表示路段间共享邻域的相似性。该图的邻接矩阵as的权值其中nk为路段v(i)和v(j)邻域的并集中所有路段的数量；a
t
(i,k)和a
t
(j,k)相乘若为1，则表示路段v(k)是路段v(i)和v(j)的共享邻居结点；n
p
为路段v(k)的邻居结点的数量，为路段v(k)的度，相当于对权值归一化处理。
[0072]
2.3)构建交通模式相似图g
p
＝(v,e
p
)，表示时间上的整体周期性变化规律，即两个路段是否具有相似的交通模式。其中，e
p
表示路段间交通模式的相似性。交通模式的相似性通过历史时间序列的相似性来衡量。首先，以一周(7天)的历史数据的平均值构成每条路段一天内交通流速度变化的时间序列s
t
＝[s1,s2,
…
,sn]，si为第i个时间段历史交通流速度均值。然后，计算两个路段v(i)和v(j)间的历史时间序列s
t
i和s
t
j的一阶时间相关系数该值越接近1，则表示两条时间序列具有同时上升或同时下降的趋势，该值越接近-1，则表示两条时间序列上升和下降的趋势恰好相反。该图的邻接矩阵a
p
的权值
[0073]
步骤3，对所述交通流速度数据对应的时间段进行编码，得到绝对时间位置编码；
[0074]
可选的，所述步骤3中编码的方式为偶数位奇数位其中d为编码向量的总维度。
[0075]
具体实施时，可以预先设计一种绝对时刻位置编码方式，即对具体每天每个时间段(共96个时间段)进行编码，表示时间上的局部时刻平稳性规律。由于交通流具有日周期
性，在每天相同的时刻会有着类似的交通流特征。某一时间段t的编码pe
t
的具体编码方式为：偶数位奇数位其中d为编码向量的总维度。
[0076]
步骤4，将所述交通流速度数据、所述拓扑邻接图、所述二阶相似图、所述交通模式相似图和所述绝对时间位置编码输入聚合多尺度时空相似信息的交通流预测模型，得到预测交通流速度；
[0077]
可选的，所述交通流预测模型包括多图卷积网络和门控递归单元。
[0078]
进一步的，所述步骤4具体包括：
[0079]
步骤4.1，根据所述交通流速度数据，通过所述多图卷积网络耦合所述拓扑邻接图、所述二阶相似图和所述交通模式相似图中的多尺度时空相似信息，学习交通流非线性空间依赖特征；
[0080]
步骤4.2，将所述多图卷积网络的输出与对应的绝对时间位置编码融合，得到输入时间序列；
[0081]
步骤4.3，将所述输入时间序列通过门控递归单元学习非线性的时间依赖特征，得到输出序列；
[0082]
步骤4.4，通过可学习的网络参数预测未来多个时段的交通流速度，形成所述预测交通流速度。
[0083]
可选的，所述步骤4.1具体包括：
[0084]
步骤4.1.1，将所述交通流速度数据中的部分输入数据分别通过所述拓扑邻接图、所述二阶相似图和所述交通模式相似图对应的图卷积层，得到三个单图卷积结果；
[0085]
步骤4.1.2，将全部所述单图卷积结果融合，得到多图卷积结果。
[0086]
可选的，步骤4.3具体包括：
[0087]
步骤4.3.1，将第个t时间段的所述门控递归单元的输入通过可学习的网络参数计算第个t时间段的门控递归单元的输出结果公式如下：
[0088][0089][0090][0091][0092]
步骤4.3.2，按照从t-m到t循环迭代步骤4.3.1，得到所述输出序列
[0093]
具体实施时，设计一个聚合多尺度时空相似信息的交通流预测模型，模型以多图卷积mgcn和门控递归单元gru作为整体框架，详细结构如图3所示。本发明的交通流预测问题定义为：根据过去m个时间段的历史交通流速度数据x＝[x
t-m
,
…
,x
t-1
,x
t
]和多图结构g
t
、gs
和g
p
，求出未来n个时间段的交通流速度y＝[y
t 1
,y
t 1
,
…
,y
t n
]。主要包括以下步骤：
[0094]
4.1)通过多图卷积mgcn，耦合多尺度时空相似信息，学习交通流非线性空间依赖特征，主要包括以下步骤：
[0095]
4.1.1)对于给定的输入数据x和单个图的邻接矩阵a，通过一个单层gcn，实现卷积操作，公式如下：
[0096][0097][0098]
其中，对于式(1)，i为单位矩阵；为的度矩阵，为一个对角矩阵，对角线上元素对于式(2)，wm为可学习的网络参数，σ(
·
)为激活函数。
[0099]
4.1.2)将输入数据按照步骤4.1.1)分别通过拓扑邻接图、二阶相似图和交通模式相似图三个gcn层，即根据和以及可学习的网络参数以及可学习的网络参数和得到单图卷积结果f(x,a
t
)、f(x,as)和f(x,a
p
)。
[0100]
4.1.3)将三个结果加权融合在一起，得到最终的多图卷积结果hm。公式如下：
[0101][0102]
4.2)将mgcn输出结果与对应的绝对时间位置编码相加，实现特征融合，补充绝对时间特征。以第t个时间段的mgcn输出结果为例，公式如下：
[0103][0104]
4.3)将输入时间序列通过门控递归单元gru学习非线性的时间依赖特征，主要包括以下步骤：
[0105]
4.3.1)以第个t时间段的gru输入为例，通过可学习的网络参数为例，通过可学习的网络参数计算第个t时间段的gru输出结果公式如下：
[0106][0107][0108][0109][0110]
4.3.2)按照从t-m到t循环迭代步骤4.3.1)，得到输出序列
[0111]
4.4)通过可学习的网络参数wo和bo，得到未来n个时间段的交通流速度的预测结果
[0112]
步骤5，根据所述预测交通流速度和所述交通流速度数据，迭代训练所述交通流预测模型中的可学习参数，直到误差满足预设条件，得到目标预测模型。
[0113]
在上述实施例的基础上，所述步骤5具体包括：
[0114]
步骤5.1，使用均方误差作为损失函数，计算所述预测交通流速度和所述交通流速度数据之间的误差；
[0115]
步骤5.2，将所述误差反向传播至所述交通流预测模型的各可学习参数；
[0116]
步骤5.3，利用adam优化器根据所述误差调整更新各可学习参数；
[0117]
步骤5.4，迭代步骤5.1)至5.3)，直到所述损失函数的值达到最小，停止迭代，保存各可学习参数，得到所述目标预测模型。
[0118]
具体实施时，根据训练集ts计算交通流速度预测值与真实值y之间的误差，不断训练优化上述步骤中所述交通流预测模型的可学习参数训练优化上述步骤中所述交通流预测模型的可学习参数wo、bo，直到误差满足要求时保存模型参数，得到训练好的预测模型。主要包括以下步骤：
[0119]
5.1)使用均方误差作为损失函数计算预测值与真实值y之间的误差。
[0120]
5.2)将误差反向传播至模型的各可学习参数。
[0121]
5.3)利用adam优化器根据误差调整更新各可学习参数。
[0122]
5.4)迭代步骤5.1)至5.3)，即进行反复训练，直到测试集es的损失函数的值达到最小，停止迭代，保存各可学习参数，得到最终的预测模型。
[0123]
具体的，还可以运用多种现有的交通流预测方法与本方法进行对比分析，以验证本发明的有效性。对比方法包括：
①
历史平均模型(ha)；
②
支持向量回归模型(svr)；
③
门控递归单元模型(gru)；
④
t-gcn模型。主要包括以下步骤：
[0124]
6.1)评价模型的预测性能的指标包括：
①
均方根误差(rmse)；
②
平均绝对误差(mae)；
③
准确率(accuracy)；
④
决定系数(r2)；
⑤
解释方差得分(var)。各指标计算公式如下：
[0125][0126][0127][0128][0129][0130]
其中，y代表交通流速度的真实值；代表交通流速度的预测值；n代表总样本数量；代表y的平均值。rmse、mae的值越小，accuracy、r2、var的值越大，模型的精度越高。
[0131]
6.2)表1展示了本方法与其他对比方法的预测精度结果对比。
[0132][0133][0134]
表1
[0135]
从本发明与其他方法的预测精度对比表中可以得出，本方法在不同预测时长下各评价指标精度都优于其他对比方法。
[0136]
6.3)图4展示了本发明方法与其他方法在15分钟预测时长下预测结果可视化对比。从图4可以看出，本发明得到的预测结果能够较好保持日周期性特征，不易受噪声等极端值影响。
[0137]
6.4)由表1和图4的内容可以说明，本发明方法能够实现最好的交通流速度预测效果，提升预测精度，在交通管理、出行诱导等方面有很好的应用前景。
[0138]
本实施例提供的聚合多尺度时空相似信息的城市交通流预测方法，通过空间上考虑道路网络的一阶邻域相似性和二阶邻域相似性，时间上考虑交通流时间序列的局部时刻
平稳性规律和整体周期性变化规律，采用基于邻近相似性、二阶相似性和交通模式相似性的多图卷积模块以及门控递归单元构建预测模型的整体框架，并适应性嵌入绝对时刻位置编码，实现更加细致的多尺度时空相似信息耦合，从而提高了预测精度，实现更好的预测效果。
[0139]
通过本实施例提供的聚合多尺度时空相似信息的城市交通流预测方法解决的技术问题：
[0140]
1、对于空间依赖性建模，在基于将路网一阶邻域相似信息表示为传统拓扑邻接图的基础上，根据道路的共享邻域情况，引入局部路网结构的二阶邻域相似信息，表示为二阶邻域相似图结构。
[0141]
2、对于时间依赖性建模，在基于深度循环神经网络学习交通流时间序列的时序变化趋势的基础上，引入交通流时序整体周期性规律和局部时刻平稳性规律，表示为交通模式相似图和绝对时刻位置编码。
[0142]
3、针对交通流的复杂时空依赖性特征，采用图卷积与门控递归单元构建预测模型的整体框架，在此基础上，引入基于邻近相似性、二阶相似性和交通模式相似性的多图卷积模块和适应性嵌入绝对时刻位置编码，实现多尺度、多视角的时空相似信息耦合。
[0143]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
[0144]
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。