本技术公开一种基于多图时空卷积和动态度量融合的交通流预测方法,包括以下步骤:收集交通道路网络信息,构建数据集;构造交通流预测网络,包含MGC模块、DMF模块;MGC模块包含:距离特征时空相关性特征模块Dis,核相关性模块ICNC,拥堵相关性模块TCC,因果相似性模块DG。在ICNC、TCC、DG模块中分别提出了三种新的基于多源基本信息的时空相关矩阵。DMF模块包含残差连接,卷积神经网络,图卷积和注意力机制,用于评估不同特征中每个节点的重要性,并计算出重要性分数,加权融合几种时空特征。MGC‑DMF在设计上更加注重多图的多样性和真实性,以及融合方式的可解释性和平衡性,以此促进交通流预测模型性能的进一步提高。
背景技术
交通流预测技术是推动城市交通发展与管理的关键技术。通过对历史交通数据的收集与深入分析,先进的预测模型能够对未来的交通特征做出精确预测。这些预测结果适用于不同的应用场景,如警力资源的合理调配、道路建设规划、车流量控制,从而显著提高交通基础设施的运作效率。然而,由于交通网络的复杂性和数据的时序性质,加之数据采集硬件的限制,如何有效地发现、提取并合理的融合显式与潜在的时空特征,成为交通流预测领域当前面临的主要挑战。
在交通流预测的研究中,当前的趋势是丰富潜在时空相关性的种类和深度,以此让模型更好的模拟出道路实际状况。但却逐渐忽略道路基础特征的重要性,这种偏向可能导致模型在预测过程中失去对交通流本质的理解。道路的基础特征,如道路宽度、道路车辆数量、拥堵程度等,这些特征直接影响着车辆的通行能力和交通流的分布特性。并且,过分依赖潜在的时空相关性而忽略这些基础特征,可能会导致模型面对新的道路条件或者突发事件时缺乏适应性和鲁棒性,适当的利用基础特征可以减轻这种状况。因此,交通流预测研究现阶段的首要目标不仅是挖掘交通道路网络中潜在的时空相关性特征。同时,道路基础特征需要被合理的应用到模型的预测过程中去。并且,不同于传统研究通过基本运算进行融合图卷积,需要提出一种合理的融合机制,动态的在训练过程评估不同时空特征的权重,再进行融合与进一步提取。
实现思路