一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法

1.本发明涉及人工智能技术领域，尤其涉及一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及基于该模型的交通流预测方法。


背景技术：

2.准确的交通流预测信息可以为交通管理、引导、控制和优化提供依据。例如，前瞻性的交通信息可以帮助司机规划最佳的行车路线，减少交通拥堵时间，从而提高他们的生活质量。交通流预测因具有广阔的应用前景而受到人们越来越多的关注，成为智能交通系统的关键技术之一。
3.现有方法大多是在细粒度交通图上挖掘时空相关性，其路段的流量变化与该节点所属区域的趋势基本一致，但是细粒度图中路段的流量变化不稳定，对交通流波动产生了较大的负面影响，因而影响了预测精度。


技术实现要素：

4.本发明提出了一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法，用以解决或者至少部分解决现有方法对交通流的预测精度不高的技术问题。
5.为了解决上述技术问题，本发明第一方面提供了一种基于时空多尺度图卷积网络的交通流预测模型的构建方法，包括：
6.s1：定义道路网络结构，用图结构表示道路网络结构，并将道路上传感器收集的交通数据视为图上的图信号；
7.s2：将交通流预测问题建模为图问题，即学习一个函数，将已知的历史图信号映射到未来的图信号；
8.s3：构建一种多尺度图，包括细粒度交通图和粗粒度交通图；
9.s4：基于道路网络结构的定义、建模中的函数以及构建的多尺度图构建基于时空多尺度图卷积网络的交通流预测模型，该模型基于编码器-解码器架构，并在细粒度交通图和粗粒度交通图上挖掘时空相关性，细粒度交通图g上的编码器和解码器与粗粒度交通图gc上的编码器和解码器共享相同的结构，g中编码器的输出与gc中编码器的输出相连接，g中解码器的输出与gc中解码器的输出相连接，每个编码器和每个解码器包括挖掘时间相关性的时间注意力机制和挖掘空间相关性的自适应动态图卷积网络，其中，自适应动态图卷积网络包括自适应图卷积网络、动态图卷积网络和门控融合模块，自适应图卷积网络用于提取空间区域静态不变特征，动态图卷积网络用于提取动态空间相关性，门控融合模块用于自适应融合空间区域静态不变特征和动态空间相关性，模型还包括跨尺度融合模块，用于将粗粒度交通图特征转换为细粒度交通图特征；
10.s5：采用获取的数据集对构建的基于时空多尺度图卷积网络的交通流预测模型进
行训练，将预测值与实际值之间的平均绝对误差作为损失函数，并用adam 优化器对模型进行训练，得到训练好的基于时空多尺度图卷积网络的交通流预测模型。
11.在一种实施方式中，步骤s1包括：
12.将道路网络结构定义为交通图g：g＝(v’,e,a)，其中，v’＝{v1,v2,
…
,vn}为收集交通数据的道路传感器节点集合，n为节点个数，e为节点之间的边集，a ∈rn×n为邻接矩阵，如果vi与vj相连，则a[i,j]＝1，否则为0，n个道路传感器在第t个时间步收集到的交通数据作为交通图g上的一个图信号，表示为x
t
∈ rn×c，c为收集的交通特征的个数。
[0013]
在一种实施方式中，步骤s2中，函数f，将已知的th时间步长的历史图信号映射到未来的tf时间步长的图信号为：其中，θ是一个可训练参数，训练参数，分别为th 1、th tf时间步的图信号，x1、分别为第一个时间步和 th时间步长的图信号，g为交通图。
[0014]
在一种实施方式中，步骤s3中，细粒度交通图采用权利要求2所述的方法构建得到，粗粒度交通图gc的构建过程包括：
[0015]
采用动态时间规整算法计算道路节点交通流序列之间的相似性，并基于相似性得到dtw距离；
[0016]
然后根据dtw距离定义一个相似矩阵as：其中和分别表示节点vi和vj的交通流序列；
[0017]
对as的拉普拉斯矩阵执行谱聚类算法，得到细粒度节点到区域的映射，每个区域为gc中的一个节点，gc中每个区域的交通流数据是该区域中所有细粒度节点的平均交通流，gc上的图信号表示为其中nr为区域的总数，和分别为第1个时间步、第2时间步和th时间步的图信号，tf表示需要预测多少时间步长的未来图信号，c表示每个节点收集的特征数量。
[0018]
在一种实施方式中，步骤s4的模型中，挖掘时间相关性的时间注意力机制为多头注意，其采用h组映射矩阵将q、k、v映射到h个不同的子空间中，然后执行注意力函数，得到h个不同的值，最后，将这些值拼接起来并对它们进行进一步的映射以获得最终的值，计算公式如下：
[0019]
mhattention(q,k,v)＝concat(head1,
…
,headh)wo，
[0020][0021]
其中，q、k、v分别表示查询、键和值，attention(
·
)为注意力函数，headi为第i个注意力头执行注意力函数后得到的值，head1…
headh分别为第1个和第h 个注意力头执行注意力函数后得到的值，concat表示拼接操作，mhattention(
·
) 为多头注意力函数，w
iq
,和wo是可学习的参数矩阵。
[0022]
在一种实施方式中，步骤s4的模型中，自适应图卷积网络agcn的处理过程为：其中，θk为多项式系数，切比雪夫多项式通过递归公式得到，递归公式为：t0(arm)＝ 1，t1(arm)＝arm，tk(arm)＝2(arm)t
k-1
(arm)-t
k-2
(arm)，conv
tk
表示沿时间维度的卷积操作，核大小为tk，arm为自适应关系矩
阵，arm＝ softmax(relu(ne
·
ne
t
))，ne∈rn×d，d表示节点嵌入维度，采用relu激活函数对arm进行稀疏化，采用softmax函数对arm进行归一化。
[0023]
在一种实施方式中，步骤s4的模型中，动态图卷积网络dgcn的处理过程为：dam为动态邻接矩阵，用以表示边的动态权值，示边的动态权值，为图的归一化拉普拉斯矩阵，
⊙
为按元素乘，acm∈rn×n为注意力系数矩阵，即acm[i,j]＝a
ij
， a
ij
为注意系数，表示节点vj对vi的重要性，θk为多项式系数，切比雪夫多项式通过递归公式得到，递归公式为：t0(dam)＝1，t1(dam)＝dam，tk(dam)＝ 2(dam)t
k-1
(dam)-t
k-2
(dam)，表示沿时间维度的卷积操作，核大小为tk。
[0024]
在一种实施方式中，步骤s4的模型中，门控融合模块用于自适应地融合自适应图卷积网络agcn和动态图卷积网络dgcn提取的信息，用和分别表示agcn和dgcn的输出，ha和hd通过以下方式进行融合：hf＝z
⊙
ha (1-z)
⊙
hd，z＝σ(haw
z1
hdw
z2
bz)，其中hf为gf的输出，z是一个门，自适应地控制agcn和dgcn提取的信息流，σ(
·
)为激活函数，w
z1
∈rd×d、w
z2
∈rd×d和bz∈rd是可学习的参数，d为输出维度，n为节点个数，th表示已知的历史图信号的时间步长数。
[0025]
在一种实施方式中，步骤s4的模型中，跨尺度融合模块的邻接矩阵从数据中推断得出，nr表示粗粒度图中的节点个数，使用a
fc
将粗粒度特征和细粒度特征进行融合：x
′
fh
＝x
fh
||a
fc
x
chwfc
，其中，其中，为细粒度交通图上的图信号，x
ch
表示细粒度交通图上的图信号，w
fc
是可学习的参数矩阵，x
′
fh
为融合后的特征。
[0026]
基于同样的发明构思，本发明第二方面提供了一种交通流预测方法，采用第一方面所构建的交通流预测模型对待预测交通数据进行预测，得到预测结果。
[0027]
本技术实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
[0028]
本发明与现有技术相比具有如下优点和有益效果：
[0029]
(1)与其他交通流预测模型不同的是，本发明定义了一个包含细粒度交通图和粗粒度交通图的多尺度图，分别表示路段和区域，然后在多尺度图上挖掘时空相关性，并通过跨尺度融合层融合细粒度交通图和粗粒度交通图上的特征，以减轻细粒度交通图中交通流波动的负面影响。
[0030]
(2)同时挖掘静态和动态的空间特征。自适应图卷积网络用于提取空间区域静态不变特征，动态图卷积网络用于提取动态空间相关性，门控融合模块用于自适应融合空间区域静态不变特征和动态空间相关性。
附图说明
[0031]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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他的附图。
[0032]
图1为本发明实施例中基于时空多尺度图卷积网络的交通流预测模型框架图；
[0033]
图2为本发明实施例中交通流预测问题建模的示意图。
具体实施方式
[0034]
本技术发明人通过大量的研究与实践发现：道路网络通常具有层次结构，如路段和区域，分别对应于细粒度交通图和粗粒度交通图。现有方法大多是在细粒度交通图上挖掘时空相关性。然而粗粒度交通图中区域的流量变化比细粒度交通图中的路段更稳定，且细粒度交通图中路段的流量变化与该节点所属区域的趋势基本一致，所以粗粒度交通图中的特征可以指导细粒度交通图中的特征学习。因此，如何充分利用粗粒度交通图中的特征，以减轻细粒度交通图中交通流波动的负面影响是一个关键问题。其次，道路之间的空间相关性很复杂。例如，除了距离邻近性之外，空间区域的许多静态不变特征(车道数量、道路材料、车道宽度、速度限制)等都会影响道路交通流。此外，道路之间的空间相关性是动态变化的。如何挖掘空间区域的静态不变特征和动态的空间相关性是另一个关键问题。本发明的目标就是解决这些关键问题。
[0035]
为了解决上述关键问题，本发明的主要构思如下：
[0036]
给定一个细粒度交通图，首先通过谱聚类生成一个粗粒度交通图；然后分别提取细粒度和粗粒度交通图的时空相关性，更重要的是，本发明充分挖掘了空间相关性，包括区域的静态不变特征和动态的空间相关性；其次，为了缓解细粒度交通图中交通流波动的负面影响，采用一种跨尺度融合来实现细粒度交通图和粗粒度交通图之间的信息扩散；最后，在两个真实世界的交通数据集上进行实验，选择最优参数，确定最终的结果。本发明改进了现有的交通流预测模型，使得模型可以利用粗粒度交通图中的特征，缓解细粒度交通图中交通流波动的负面影响，一定程度上提高了预测精度。
[0037]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0038]
本发明实施例提供了一种基于时空多尺度图卷积网络的交通流预测模型的构建方法，包括：
[0039]
s1：定义道路网络结构，用图结构表示道路网络结构，并将道路上传感器收集的交通数据视为图上的图信号；
[0040]
s2：将交通流预测问题建模为图问题，即学习一个函数，将已知的历史图信号映射到未来的图信号；
[0041]
s3：构建一种多尺度图，包括细粒度交通图和粗粒度交通图；
[0042]
s4：基于道路网络结构的定义、建模中的函数以及构建的多尺度图构建基于时空多尺度图卷积网络的交通流预测模型，该模型基于编码器-解码器架构，并在细粒度交通图和粗粒度交通图上挖掘时空相关性，细粒度交通图g上的编码器和解码器与粗粒度交通图gc上的编码器和解码器共享相同的结构，g中编码器的输出与gc中编码器的输出相连接，g中解码器的输出与gc中解码器的输出相连接，每个编码器和每个解码器包括挖掘时间相关性的时间注意力机制和挖掘空间相关性的自适应动态图卷积网络，其中，自适应动态图卷积
网络包括自适应图卷积网络、动态图卷积网络和门控融合模块，自适应图卷积网络用于提取空间区域静态不变特征，动态图卷积网络用于提取动态空间相关性，门控融合模块用于自适应融合空间区域静态不变特征和动态空间相关性，模型还包括跨尺度融合模块，用于将粗粒度交通图特征转换为细粒度交通图特征；
[0043]
s5：采用获取的数据集对构建的基于时空多尺度图卷积网络的交通流预测模型进行训练，将预测值与实际值之间的平均绝对误差作为损失函数，并用adam 优化器对模型进行训练，得到训练好的基于时空多尺度图卷积网络的交通流预测模型。
[0044]
本发明的目的是提供一种交通流预测模型，通过利用粗粒度交通图中的区域信息以减轻细粒度交通图中交通流波动的负面影响，并充分挖掘空间区域的静态不变特征和动态的空间相关性，从而提高预测模型的精度。
[0045]
步骤s4中构建一种基于时空多尺度图卷积网络的交通流预测模型。具体框架如图1所示，编码器和解码器主要由时间注意力机制(temporal attentionmechanism，tam)和自适应动态图卷积网络(adaptive graph convolutionalnetwork，adgcn)组成。tam和adgcn分别挖掘时间相关性和空间相关性。 adgcn包括提取空间区域静态不变特征的自适应图卷积网络(adaptive graphconvolutional network,agcn)、挖掘动态空间相关性的动态图卷积网络 (dynamic graph convolution network,dgcn)和自适应融合agcn和dgcn 提取的信息的门控融合(gated fusion,gf)。此外，利用跨尺度融合(cross-scalefusion,cf)实现g和gc之间的信息扩散。
[0046]
本发明构建的交通流预测模型中，细粒度交通图g上的编码器和解码器与粗粒度交通图gc上的编码器和解码器共享相同的结构，g中编码器和解码器的输出是与gc上提取到的特征相连接的，从而使g上的特征可以与gc上的特征交互。此外，编码器和解码器都由挖掘时间相关性的时间注意力机制和挖掘空间相关性的自适应动态图卷积网络组成。同时采用一种跨尺度融合模块将粗粒度交通图特征转换为细粒度交通图特征，以易于融合粗粒度特征和细粒度特征。
[0047]
具体实施过程中，步骤s5：在加利福尼亚两个不同地区收集的真实世界的交通数据集pemsd04和pemsd08上进行实验，采用预测值与实际值之间的平均绝对误差作为损失函数，并用adam优化器对模型进行训练，选择相对最优的参数，确定最终结果，即得到训练好的模型。本发明使用两种真实世界的交通数据集对提出的模型进行实验和验证，从平均绝对误差、平均绝对误差百分比和均方根误差三个指标来验证模型的优势。
[0048]
在一种实施方式中，步骤s1包括：
[0049]
将道路网络结构定义为交通图g：g＝(v’,e,a)，其中，v’＝{v1,v2,
…
,vn}为收集交通数据的道路传感器节点集合，n为节点个数，e为节点之间的边集，a ∈rn×n为邻接矩阵，如果vi与vj相连，则a[i,j]＝1，否则为0，n个道路传感器在第t个时间步收集到的交通数据作为交通图g上的一个图信号，表示为x
t
∈ rn×c，c为收集的交通特征的个数。
[0050]
在一种实施方式中，步骤s2中，函数f，将已知的th时间步长的历史图信号映射到未来的tf时间步长的图信号为：其中，θ是一个可训练参数，数，分别为th 1、th tf时间步的图信号，x1、分别为第一个时间步和 th时间步长的图信号，g为交通图。
[0051]
请参见图2，为本发明实施例中交通流预测问题建模的示意图。
[0052]
具体实施过程中，将和分别缩写为分别缩写为和
[0053]
在一种实施方式中，步骤s3中，细粒度交通图采用步骤s1所述的方法构建得到，粗粒度交通图gc的构建过程包括：
[0054]
采用动态时间规整算法计算道路节点交通流序列之间的相似性，并基于相似性得到dtw距离；
[0055]
然后根据dtw距离定义一个相似矩阵as其中和分别表示节点vi和vj的交通流序列；
[0056]
对as的拉普拉斯矩阵执行谱聚类算法，得到细粒度节点到区域的映射，每个区域为gc中的一个节点，gc中每个区域的交通流数据是该区域中所有细粒度节点的平均交通流，gc上的图信号表示为其中nr为区域的总数，和分别为第1个时间步、第2时间步和th时间步的图信号，tf表示需要预测多少时间步长的未来图信号，c表示每个节点收集的特征数量。
[0057]
具体实施过程中，细粒度交通图是根据道路的自然结构构建的，即步骤s1 所述的交通图g，粗粒度交通图gc是利用谱聚类算法基于细粒度交通图生成的。
[0058]
具体来说，给定两个节点的交通流序列x＝[x1,x2,
…
,xm]和y＝[y1,y2,
…
, yn]，xm表示节点在第m个时间步收集的交通数据，yn表示节点在第n个时间步收集的交通数据，则子序列xs＝[x1,x2,
…
,xi](1≤i≤m)和子序列ys＝[y1,y2,
…
, yj](1≤j≤n)之间的最短距离(short distance,sd)定义为sd(i,j)＝ dist(xi,yj) min(sd(i-1,j),sd(i,j-1),sd(i-1,j-1))，其中，dist(xi,yj)＝ |x
i-yj|。因此x和y之间的dtw距离为dtw(x,y)＝sd(m,n)。然后根据dtw 距离定义一个相似矩阵as：其中和分别表示节点 vi和vj的交通流序列。
[0059]
具体地，基于细粒度交通图确定粗粒度交通图gc上的边ec。例如，如果节点va属于区域ci，节点vb属于区域cj，且细粒度交通图中节点va与节点vb相连，则区域ci与区域cj相连，即ac[i,j]＝1，其中ac为gc的邻接矩阵。
[0060]
在一种实施方式中，挖掘时间相关性的时间注意力机制为多头注意，其采用 h组映射矩阵将q、k、v映射到h个不同的子空间中，然后执行注意力函数，得到h个不同的值，最后，将这些值拼接起来并对它们进行进一步的映射以获得最终的值，计算公式如下：
[0061]
mhattention(q,k,v)＝concat(head1,
…
,headh)wo，
[0062][0063]
其中，q、k、v分别表示查询、键和值，attention(
·
)为注意力函数，headi为第i个注意力头执行注意力函数后得到的值，head1…
headh分别为第1个和第h 个注意力头执行注意力函数后得到的值，concat表示拼接操作，mhattention(
·
) 为多头注意力函数，w
iq
,和wo是可学习的参数矩阵。
[0064]
具体来说，采用时间注意力机制挖掘时间相关性，为获取丰富的信息，采用多头注
意。作为优选，为充分利用序列的顺序信息，在编码器和解码器底部的时间注意力机制的输入中添加时间嵌入(temporal embedding,te)：te
(t,2i)
＝ sin(t/10000
2i/d
)，te
(t,2i 1)
＝cos(t/10000
2i/d
)，其中t为位置，d为时间嵌入维数。
[0065]
在一种实施方式中，步骤s4的模型中，自适应图卷积网络的处理过程为：其中，θk为多项式系数，切比雪夫多项式通过递归公式得到，递归公式为：t0(arm)＝ 1，t1(arm)＝arm，tk(arm)＝2(arm)t
k-1
(arm)-t
k-2
(arm)，表示沿时间维度的卷积操作，核大小为tk，arm为自适应关系矩阵，arm＝ softmax(relu(ne
·
ne
t
))，ne∈rn×d，d表示节点嵌入维度，采用relu激活函数对arm进行稀疏化，采用softmax函数对arm进行归一化。
[0066]
具体来说，自适应图卷积网络通过学习节点嵌入(node embedding，ne) 自适应地提取节点的静态不变特征，然后设计基于节点嵌入相似性的自适应关系矩阵，此外，值得注意的是agcn将chebnet gcn中的线性投影替换为沿时间维度的卷积操作，以灵活地探索局部时间相关性。
[0067]
在一种实施方式中，步骤s4的模型中，动态图卷积网络的处理过程为：dam为动态邻接矩阵，用以表示边的动态权值，表示边的动态权值，为图的归一化拉普拉斯矩阵，
⊙
为按元素乘，acm∈rn×n为注意力系数矩阵，即acm[i,j]＝a
ij
，a
ij
为注意系数，表示节点vj对vi的重要性，θk为多项式系数，切比雪夫多项式通过递归公式得到，递归公式为：t0(dam)＝1，t1(dam)＝dam，tk(dam)＝ 2(dam)t
k-1
(dam)-t
k-2
(dam)，表示沿时间维度的卷积操作，核大小为tk。
[0068]
具体来说，动态图卷积网络采用注意系数动态调整节点间的边权值，如给定一组节点特征，f＝{f1,f2,
…
,fn}，其中fi∈rd，n为节点数，d为输入特征数。最初，f由一个具有共享参数w∈rd′×d的线性映射进行变换。然后节点vi和vj之间的注意系数通过共享注意力机制a：rd′
×
rd′
→
r计算得到，即： e
ij
＝a(wfi,wfj)，再用softmax函数对所有j选项的系数进行归一化：其中nei为节点vi的邻居节点集合，注意系数a
ij
表示节点vj对vi的重要性。
[0069]
在一种实施方式中，步骤s4的模型中，门控融合模块用于自适应地融合自适应图卷积网络agcn和动态图卷积网络dgcn提取的信息，用和分别表示agcn和dgcn的输出，ha和hd通过以下方式进行融合：hf＝z
⊙
ha (1-z)
⊙
hd，z＝σ(haw
z1
hdw
z2
bz)，其中hf为门控融合模块的输出，z是一个门，自适应地控制agcn和dgcn提取的信息流，σ(
·
) 为激活函数，w
z1
∈rd×d、w
z2
∈rd×d和bz∈rd是可学习的参数，d为输出维度。
[0070]
在一种实施方式中，步骤s4的模型中，跨尺度融合模块的邻接矩阵从数据中推断得出，nr表示粗粒度图中的节点个数，使用a
fc
将粗粒度特征和细粒度特征进行融合：x
′
fh
＝x
fh
||a
fc
x
chwfc
，其中，其中，为细粒度交通图上的图信号，w
fc
是可学习的参数矩阵， x
′
fh
为融合后的特征。
[0071]
具体来说，cf利用跨尺度图(cross-scale graph,cg)将特征从粗粒度尺度转换为细粒度尺度。本实施例从数据中推断出cg的邻接矩阵nr表示粗粒度图中的节点个数。具体实施过程中，给定细粒度节点vi的特征和粗粒度节点vj的特征用和对它们进行变换以挖掘局部时间相关性，其中convf和convc是沿时间维度的两个不同的卷积运算，和分别表示对细粒度节点vi的特征和粗粒度节点vj的特征进行卷积操作之后的结果。二部图中节点vi和vj之间边的权值由下式推断：
[0072][0073][0074][0075][0076][0077]
其中ff(
·
)、gf(
·
)、fc(
·
)、gc(
·
)为mlps，||为拼接操作。和将所有节点的相对特征聚合到节点vi和vj上，以利用全局相对特征增强节点特征，和分别表示聚合后的结果。是和拼接后经过mlps后得到的结果，是和拼接后经过mlps后得到的结果。需要注意二部图是在线学习的，它可以有效地提取不同输入的独特模式。
[0078]
本发明提供一种基于时空多尺度图卷积网络的交通流预测模型，该模型构建了一种多尺度图(包括细粒度和粗粒度交通图)，然后提取粗粒度和细粒度交通图中的时空相关性，最后利用跨尺度融合实现细粒度交通图和粗粒度交通图之间的信息扩散。
[0079]
实施例二
[0080]
基于与实施例一同样的发明构思，本实施例提供了一种交通流预测方法，采用实施例一所构建的交通流预测模型对待预测交通数据进行预测，得到预测结果。
[0081]
通过实施例一构建了基于时空多尺度图卷积网络的交通流预测模型，本实施例是利用实施例一构建的模型进行具体的应用，来进行交通流的预测。
[0082]
具体地，对于待预测交通数据，首先根据道路网结构的定义生成一个细粒度交通图，并通过谱聚类生成一个粗粒度交通图；然后在细粒度交通图和粗粒度交通图上挖掘时空相关性，通过模型还充分挖掘了空间相关性，包括区域的静态不变特征和动态的空间相关性；再采用一种跨尺度融合来实现细粒度交通图和粗粒度交通图之间的信息扩散；最终得到预测结果。
[0083]
与现有技术相比较，本发明的有益效果在于：
[0084]
构建了一种多尺度交通图，本发明不是基于预定义的道路拓扑图去定义粗粒度的交通图，而是采用动态时间规整算法计算细粒度交通图中道路节点交通流序列之间的相似
性，得到相似矩阵as，并对as的拉普拉斯矩阵执行谱聚类算法，得到粗粒度的交通图，然后为了减轻细粒度交通图中交通流波动的负面影响，利用跨尺度融合来实现细粒度交通图和粗粒度交通图之间的信息扩散，值得注意的是跨尺度融合聚合了所有节点的相对特征，即利用全局相对特征增强节点特征；另外本发明充分挖掘了空间相关性，包括空间区域的静态不变特征和动态的空间相关性，并提出了一种门控融合以自适应的融合静态和动态的空间相关性。
[0085]
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。