CN113112792A - 一种基于语义信息的多模块交通密集度预测方法 - Google Patents

Abstract

本发明属于交通密集度预测技术领域，涉及一种基于语义信息的多模块交通密集度预测方法。该方法包括：对采集的交通密集度数据进行预处理，进行相关问题定义，并构建多模块交通密集度预测模型的输入；构建基于语义信息的多模块交通密集度预测模型，包括近期模块、周周期模块和模块融合组件，其中：近期和周周期模块分别用于提取交通密集度的近期和周周期的时空和语义特性；模块融合组件用于将近期和周周期两个模块的输出融合进行交通密集度预测；训练与优化多模块交通密集度预测模型；基于多模块交通密集度预测模型进行交通密集度预测。本发明能有效地捕捉交通密集度动态时空特征和语义相关性，具有预测速度快、预测精度高等优点。

Description

一种基于语义信息的多模块交通密集度预测方法

技术领域

本发明属于交通密集度预测技术领域，涉及一种基于语义信息的多模块交通密集度预测方法。

背景技术

近年来，许多国家致力于发展智能交通***(ITS)以进行有效的交通流量管理。交通密集度预测是ITS不可或缺的一部分，尤其是在交通流量大、车速快的高速路段。由于高速公路相对封闭，一旦发生拥堵，将严重影响通行能力。交通密集度是反映交通状况的基本指标，如果可以事先进行准确地预测，那么交通管理机构将能够更合理地引导车辆以增强行驶公路网的效率。公路交通密集度预测是一个典型的时空数据预测问题，显然，在邻近地点和时间段进行的观测不是独立的，而是相互动态关联的。因此，解决这些问题的关键是有效地提取数据的时空相关性。除此之外，交通数据还具有很强的语义相关性，如何探索非线性和复杂的交通数据，以发现其固有的模式，并做出准确的交通密集度预测是一个非常具有挑战性的问题。

随着交通运输行业的发展，越来越多的监控相机、传感器等设备被部署在公路上，这些设备累积了大量具有地理信息的交通时间序列数据，为交通预测提供了坚实的数据基础。早期使用的时间序列分析模型在实践中难以处理不稳定和非线性的数据，后来，研究人员们使用传统机器学习方法来进行建模，但仍难以同时考虑高维交通数据的时空相关性。此外，这种方法严重依赖特征工程，需要相应领域专家的大量经验作为基础。

近年来，许多研究人员使用深度学习的方法处理高维的时空数据，图卷积神经网络(GCN)用于描述基于图形的数据的空间相关性，递归神经网络用于描述数据间的时间相关性。然而这些方法仍然难以同时建模交通数据的时空特征和语义相关性。

发明内容

针对现在技术的不足，本发明提供一种基于语义信息的多模块交通密集度预测方法，用于预测交通网络上每个位置的交通密集度。

本发明采用如下技术方案实现：

一种基于语义信息的多模块交通密集度预测方法，包括：

对采集的交通密集度数据进行预处理，进行相关问题定义，并构建多模块交通密集度预测模型的输入；

构建基于语义信息的多模块交通密集度预测模型，包括近期模块、周周期模块和模块融合组件，其中：近期和周周期模块分别用于提取交通密集度的近期和周周期的时空和语义特性；模块融合组件用于将近期和周周期两个模块的输出融合进行交通密集度预测；

训练与优化多模块交通密集度预测模型；

基于多模块交通密集度预测模型进行交通密集度预测。

优选地，数据预处理包括：

使用阈值分析法找到交通流的异常数据；

使用拉格朗日插值法填充交通量数据的缺失值；

使用最小-最大归一化方法将交通速度值缩放到范围[0，1]。

优选地，交通密集度预测模型输入用特征矩阵X∈R^N×P表示；其中：N表示路网节点的个数，P表示路网节点属性特征的数量；根据特征矩阵X构建近期和周周期模块的输入X_h和X_w，其中：X_h为目标时段之前以小时为单位的时间序列，X_w为目标时段之前以周为单位的时间序列。优选地，多模块交通密集度预测模型的近期和周周期模块是两个独立的、具有相同结构的模块。

优选地，近期和周周期模块分别包括一个图卷积网络组件和一个长短时记忆网络组件；在图卷积网络组件中，根据道路的拓扑结构和语义相关性分别构建图，并输入到两个不同的图卷积网络中，接下来将两个图卷积网络输出结果融合后引入长短时记忆组件来提取时空和语义的关联特征；最后将近期和周周期两个模块的输出融合进行交通密集度预测。

优选地，交通数据的空间相关性通过构建路网的拓扑结构表示，语义相关性通过道路间的历史交通状况相似性表示；对于每条道路，选取每周的平均交通状况组成一个时间序列来表示道路的历史交通状况；构建拓扑图和语义图，分别输入到不同的图卷积网络中进行特征提取。

优选地，拓扑图和语义图的邻接矩阵分别用T和Y表示：

其中：N表示道路总数；T中元素T_ij表示道路i和道路j之间道路数的倒数。

其中：N表示道路总数；Y中元素Y_ij表示道路i和道路j之间历史平均交通状况的相似度，相似度使用动态时间规整算法获取。

优选地，动态时间规整算法基于动态规划的思想衡量两个长度不一致时间序列的相似度；假定有两个时间序列Q＝{q₁,q₂,…,q_n}和C＝{c₁,c₂,…,c_m}，长度分别为n和m，则动态时间规整算法计算Q和C的相似度过程如下：

Step1：构建大小为n×m的矩阵D，矩阵元素d_ij＝dist(q_i,c_j)，其中dist表示距离计算函数，通常采用欧氏距离。

Step2：在矩阵D中搜索d₁₁到d_nm的最短路径，通常使用动态规划法。

Step3：将矩阵D中从d₁₁到d_nm的最短路径作为Q和C序列的相似度。

优选地，使用基于参数矩阵的融合方法将两个图卷积网络输出结果融合。

优选地，模块融合组件将近期和周周期两个模块的输出融合，融合后的最终交通密集度预测结果为：

其中：W_h、W_w是学习参数，反映时间维度分量对交通密集度预测目标的影响程度；

分别表示近期和周周期模块的输出；⊙表示乘法。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明构建近期和周周期两种模块，每个模块中使用LSTM获取相邻时段的时间依赖，同时考虑到道路之间的空间和语义相关性，从不同角度构建图并输入相应的GCN中进行特征挖掘，能充分获取交通密集度的时间相关性和语义相关性。

(2)本发明将深度学习技术应用到交通密集度预测任务，用来获取城市路网未来时间的交通密集度情况，提出了一种新的基于语义信息的多模块交通密集度预测模型。该模型可以直接在原有的基于图的交通网络上处理交通数据，有效的捕捉交通密集度动态时空特征和语义相关性，具有预测速度快、预测精度高等优点。

附图说明

图1为一个实施例中多模块交通密集度预测模型的主要结构；

图2为一个实施例中动态时间规整算法路径搜索方向。

具体实施方式

下面结合实施例及附图对本发明作进一步详细地描述，但本发明的实施方式不限于此。

交通数据往往具有很强的时空相关性，时间相关性主要体现在时序性和周期性上，空间相关性主要体现在相邻道路间的交通状况相互影响。而除了时空相关性外，交通数据还具有很强的语义相关性，例如即使不同商业区之间的距离较远，但它们周围的道路往往具有相似的交通状况。

考虑到交通数据的时间相关性主要体现在时序性和周期性上，时序性即当前时刻的交通状况受到前一段时间(以小时为单位)影响。对于周期性，相邻两周同一时间的交通状况基本相同，而相邻两天间的交通状况可能有很大不同(比如周五和周六)。考虑到交通数据语义相关性重点关注道路间的历史交通状况，使用动态时间规整算法挖掘交通流之间的历史交通状况相似性，构建图并使用图卷积网络进行语义相关性挖掘。

基于上述分析，本发明的交通密集度预测模型考虑到时序性和周期性，分别对交通密集度的近期和周周期两种时间属性进行建模，每个模块包括一个图卷积网络(GCN)组件和一个长短时记忆网络(LSTM)组件。在图卷积网络组件中，会根据道路的拓扑结构和语义相关性分别构建图，并输入到不同的图卷积网络中，接下来将多个图卷积计算结果引入长短时记忆单元来提取时空和语义的关联特征，最后将近期和周周期两个模块的输出融合进行交通密集度预测，充分发掘交通密集度的时间、空间和语义特性。

一种基于语义信息的多模块交通密集度预测方法，包括：数据设计、模型设计与训练及交通密集度预测步骤。数据设计步骤主要采集交通密集度数据，对采集到的原始交通数据进行预处理，进行相关定义并为每一交通网络构建出具有最近时间和周周期时间属性的输入；模型设计步骤中，建立基于语义信息的多模块交通密集度预测模型，该预测模型包括两个独立的、具有相同结构的模块，分别对交通密集度的近期和周周期时间属性进行建模。

具体步骤包括：

S1、数据预处理与构建交通密集度预测模型的输入：对采集的交通密集度数据进行预处理，进行相关问题的定义，并构建交通密集度预测模型的输入。

步骤S1包括以下三个部分：

1)数据预处理：首先，使用阈值分析法找到交通流的异常数据。然后，使用拉格朗日插值法来填充交通量数据的缺失值，最后，在输入模型之前，使用最小-最大归一化方法将交通速度值缩放到范围[0，1]。

评估时，将预测的交通密集度重新调整到正常水平，以便与地面真实值进行比较。

拉格朗日插值法数学依据是对于平面上已知n个点可以找到一个n-1次多项式y＝a₀+a₁x+a₂x²+…+a_n-1x^n-1，使得此多项式曲线经过这n个点。具体步骤如下：

Step1：求已知的过n个点的n-1次多项式函数：

y＝a₀+a₁x+a₂x²+…+a_n-1x^n-1

其中：a₀～a_n-1均为多项式系数。

将n个点的坐标(x₁,y₁)、(x₂,y₂)、…、(x_n,y_n)带入多项式函数，得：

y₁＝a₀+a₁x₁+a₂x₁ ²+…+a_n-1x₁ ^n-1

y₂＝a₀+a₁x₂+a₂x₂ ²+…+a_n-1x₂ ^n-1

…

y_n＝a₀+a₁x_n+a₂x_n ²+…+a_n-1x_n ^n-1

解出拉格朗日插值多项式：

Step2：将缺失的数据对应的x代入插值多项式中得到缺失近似值L(x)。

2)进行相关定义：

a、交通密集度：交通密集度是指在某一时刻，单位道路长度上所存在的机动车数量。它反映了道路上车辆的密集程度，计算公式如下：

其中，K表示交通密集度，N为观测道路上的机动车总量，L为观测道路的总长度。

b、交通网络：将城市交通网络定义为一个无向图G＝(V,E,A)，路网中共有N个节点；V是一个有限集合，为路网节点的集合，|V|＝N；E为节点边集，表示节点之间的连通性；A∈R^N×N表示无向图G的邻接矩阵。

3)构建模型输入：模型输入用特征矩阵X∈R^N×P表示。其中：N表示路网节点的个数，P表示路网节点属性特征的数量(历史时间序列的长度)。X_t∈R^N×i表示时间片i时每条道路上的交通密集度。根据特征矩阵X构建近期和周周期模块的输入X_h和X_w，其中X_h为目标时段之前以小时为单位的时间序列，X_w为目标时段之前以周为单位的时间序列。S2、模型的设计步骤：设计基于语义信息的多模块交通密集度预测模型，其主要结构如图1所示，该预测模型包括两个独立的、具有相同结构的模块，分别对交通密集度的近期和周周期时间属性进行建模，每个模块包括一个图卷积网络组件和一个长短时记忆网络组件。在图卷积网络组件中，会根据道路的拓扑结构和语义相关性分别构建图，并输入到不同的图卷积网络中，接下来将多个图卷积网络输出结果融合后引入长短时记忆网络来提取时空和语义的关联特征，最后通过模块融合组件(全连接层)将近期和周周期两个模块的输出融合进行交通密集度预测，充分发掘交通密集度的时间、空间和语义特性。

具体地，基于语义信息的多模块交通密集度预测模型的结构包含以下几部分：

1)图卷积网络组件：交通网络本质上是一个图结构，每个节点的特征可以看作是图上的信号。因此，为了充分利用交通网络的拓扑性质，在每个时间片上都采用基于谱图理论的图卷积直接对信号进行处理。谱图方法将图转化为代数形式来分析图的拓扑属性，如图结构中的连通性。在谱图分析中，一个图用它对应的拉普拉斯矩阵来表示。通过分析拉普拉斯矩阵及其特征值，可以得到图结构的性质。图的拉普拉斯矩阵定义为L＝D-A，其规范化形式为

其中A是邻接矩阵，I_N是单位矩阵，度矩阵D是对角阵，对角元素D_ii＝∑_jA_ij，矩阵的特征值分解为L＝UΛU^T，其中Λ＝diag([λ₀,…,λ_N-1])，U是傅里叶基。

以t时刻的车流为例，输入信号

该信号的图傅里叶变换为

根据拉普拉斯算子矩阵的性质，U是一个正交矩阵，所以相应的傅里叶反变换是

图卷积用在傅里叶域中对角化的线性算子来代替经典的卷积算子来实现卷积运算。基于此，图G上的信号x被图卷积核g_θ滤波如下所示：

g_θ*Gx＝g_θ(L)x＝g_θ(UΛU^T)x＝Ug_θ(Λ)U^Tx

其中，*G是一个图卷积操作，g_θ表示图卷积核。由于图信号的卷积运算等于这些信号通过傅里叶变换转换到谱域的乘积，上述公式可以理解为分别将g_θ和x傅里叶变换到谱域，然后乘以它们的转换结果，最后做傅里叶反变换得到卷积操作的最终结果。

在一个优选的实施例中，交通数据的空间相关性通过构建路网的拓扑结构表示，语义相关性通过道路间的历史交通状况相似性表示。对于每条道路，选取每周的平均交通状况组成一个时间序列来表示该道路的历史交通状况。基于上述分析构建两个图即拓扑图和语义图，并分别输入到各自的图卷积网络中进行特征提取，拓扑图和语义图的邻接矩阵分别用T和Y表示：

其中：N表示道路总数；T中元素T_ij表示道路i和道路j之间道路数的倒数。

其中：N表示道路总数；Y中元素Y_ij表示道路i和道路j之间历史平均交通状况的相似度，该相似度使用动态时间规整算法获取。

动态时间规整算法基于动态规划的思想，可以衡量两个长度不一致时间序列的相似度，假定有两个时间序列Q＝{q₁,q₂,…,q_n}和C＝{c₁,c₂,…,c_m}，长度分别为n和m，则动态时间规整算法计算Q和C的相似度过程如下：

Step1：构建大小为n×m的矩阵D，矩阵元素d_ij＝dist(q_i,c_j)，其中dist表示距离计算函数，通常采用欧氏距离。

Step2：在矩阵D中搜索d₁₁到d_nm的最短路径，通常使用动态规划法，在d_ij位置，路径搜索方向如图2所示，即从起点d₁₁向终点d_nm逐步搜索。

Step3：将矩阵D中从d₁₁到d_nm的最短路径作为Q和C序列的相似度。

两张图输入到各自GCN中，形成两个特征矩阵，表示为H_t和H_y。接下来，使用基于参数矩阵的融合方法对H_t和H_y进行融合：

Y＝W_t*H_t+W_y*H_y

其中：W_t和W_y为可学习参数。

2)长短时记忆网络组件：在图形卷积操作已经在空间维度上捕获了图形上每个节点的相邻信息之后，使用长短时记忆网络合并相邻时间片处的信息来更新节点的信号。LSTM中引入3个门，即输入门、遗忘门和输出门，以及与隐藏状态形状相同的记忆细胞，从而记录额外的信息。

长短期记忆的门的输入X_t均为当前时间步输入与上一时间步隐藏状态H_t-1，输出由激活函数为sigmoid函数的全连接层计算得到。具体来说，假设隐藏单元个数为h，给定时间步t的小批量输入X_t∈R^n×d(样本数为n，输入个数为d)和上一时间步隐藏状态H_t-1∈R^n×h。时间步t的输入门I_t∈R^n×h，遗忘门F_t∈R^n×h和输出门O_t∈R^n×h分别计算如下：

I_t＝σ(X_tW_xi+H_t-1W_hi+b_i)

F_t＝σ(X_tW_xf+H_t-1W_hf+b_f)

O_t＝σ(X_tW_xo+H_t-1W_ho+b_o)

其中：W_xi、W_xf、W_xo∈R^d×h和W_hi、W_hf、W_ho∈R^h×h表示权重参数；b_i、b_f、b_o∈R^1×h表示偏差参数。

接下来，长短期记忆需要计算候选记忆细胞

它的计算与上面介绍的3个门类似，但使用值域在[-1,1]的tanh函数作为激活函数，具体来说，时间步t的候选记忆细胞

的计算为：

其中：W_xc∈R^d×h和W_hc∈R^h×h表示权重参数；b_c∈R^1×h表示偏差参数。当前时间步记忆细胞C_t的计算组合了上一时间步记忆细胞和当前时间步候选记忆细胞的信息，并通过遗忘门和输入门来控制信息的流动：

有了记忆细胞以后，接下来还可以通过输出门来控制从记忆细胞到隐藏状态H_t的信息的流动：

H_t＝O_t*tanh(C_t)

在时间步t，输出层的输出O和多层感知机中的计算类似：

O＝H_tW_hq+b_q

其中：W_hq表示权重参数，b_q表示偏差参数。

3)模块融合组件：用于集成近期和周周期两个时间属性模块的输出。可以观察到，某些区域的交通流量在早晚有明显的高峰期，因此周周期模块的输出更为关键。然而，在其他一些地方没有明显的交通周期模式，因此周周期模块的输出影响较小。因此，当不同模块的输出被融合时，两个模块对于每个节点的影响权重是不同的，并且它们应该从历史数据中学习。所以融合后的最终预测结果为：

其中W_h，W_w是学习参数，反映时间维度分量对预测目标的影响程度，

分别表示近期和周周期模块的输出，⊙表示乘法。

S3、模型训练步骤：基于真实的交通数据集进行训练，将数据集编码成近期和周周期两种时间属性的序列段，将两种时间属性的序列段分别输入到近期和周周期两个模块，最后基于参数矩阵进一步合并两个模块的输出。为了优化训练效率，最近和周周期模块中均采用残差学习框架。

对预测模型的训练涉及到评估指标，采用基于RMSE和MAE来评估预测模型的性能。

其中：

和X_i分别表示模型的预测值和真实值，n是所有预测值的数量。

S4、基于语义信息的多模块交通密集度预测模型进行交通密集度预测。

在一个优选地实施例中，还包括：

S5、对步骤S4中模型预测结果分别使用以下基线模型的预测结果与S4的预测模型结果进行比较，评价与改进预测模型。

1)HA：指的是历史平均模型，它把交通速度看成是一个严格的周期过程，用前几个周期的平均值作为预测。它将周期设定为一周，从而预测前几周同一时间的平均交通速度。

2)ARIMA：它将观察到的时间序列拟合到一个参数模型中，以预测未来的交通数据。

3)VAR：VAR是一个更高级的时间序列模型，它可以捕获所有交通密集度序列之间的成对关系。

4)LSTM：长短期记忆网络，一种特殊的RNN模型。

5)GRU：门控循环神经网络。

6)STGCN：基于空间方法的时空图卷积模型。

下面通过一个具体实例对本发明作进一步详细说明：

开发环境：本实施例采用TensorFlow框架和Pycharm开发环境，其中：TensorFlow框架是基于python语言的开发架构，能够方便快捷地搭建合理的深度学***台交互能力。TensorFlow提供了深度学习架构中的众多封装函数和各类图像处理函数的接口，包括了OpenCV相关的图像处理函数。TensorFlow框架同时能够使用GPU对模型进行训练和验证，提高了计算的效率。

在Windows平台或者Linux平台下的Pycharm开发环境成开发环境(IDE)，是目前深度学习网路设计与开发的首选之一。Pycharm为客户提供了新的模板、设计工具以及测试和调试工具，同时能够为客户提供直接调用远程服务器的接口。

一种基于语义信息的多模块交通密集度预测方法，主要包括：基于语义信息的多模块交通密集度预测模型训练和模型运用两个阶段。在模型训练阶段：首先，对现有交通流数据集进行处理，通过设计统一信息编码机制，生成符合模型训练的数据集；然后，利用具有高算力的云端服务器对模型进行训练，并调参，直至模型收敛；在模型运用阶段：首先，对获取到的交通流数据进行编码；接着，调用训练好的基于语义信息的多模块交通密集度预测模型，将编码好的数据分别输入到模型的模块中，进行未来一段时间的交通密集度预测。具体步骤包括：

S1、对于原始交通流数据，需要进行预处理操作。预处理包括异常值检测、缺失值修复、归一化。预处理完成的数据分别构造模型中近期和周周期两个时间属性模块的输入。

S2、基于语义信息的多模块交通密集度预测模型包括两个独立的、具有相同结构的组成部分，分别对交通流的近期和周周期时间属性进行建模。主要参数设置如下：

1)图卷积网络卷积核设置为64，并且通过控制时间卷积的步长来调整数据的时间跨度。

2)将预测时常设置为未来一小时，近期模块输入序列时长为过去两小时，周周期模块输入序列时长为过去两周。

S3、模型的训练是在高性能的GPU上进行的，在加利福尼亚州的两个高速公路交通数据集上验证模型。具体的训练参数设计如下：可以使用Adam优化器，其参数batch size设置为64；学习率的设置为0.0001；训练的epoch设置为1000；训练的batch设置依据数据的训练样本而定。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围。

Claims (10)

1.一种基于语义信息的多模块交通密集度预测方法，其特征在于，包括：

对采集的交通密集度数据进行预处理，进行相关问题定义，并构建多模块交通密集度预测模型的输入；

构建基于语义信息的多模块交通密集度预测模型，包括近期模块、周周期模块和模块融合组件，其中：近期和周周期模块分别用于提取交通密集度的近期和周周期的时空和语义特性；模块融合组件用于将近期和周周期两个模块的输出融合进行交通密集度预测；

训练与优化多模块交通密集度预测模型；

基于多模块交通密集度预测模型进行交通密集度预测。

2.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，数据预处理包括：

使用阈值分析法找到交通流的异常数据；

使用拉格朗日插值法填充交通量数据的缺失值；

使用最小-最大归一化方法将交通速度值缩放到范围[0，1]。

3.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，交通密集度预测模型输入用特征矩阵X∈R^N×P表示；其中：N表示路网节点的个数，P表示路网节点属性特征的数量；根据特征矩阵X构建近期和周周期模块的输入X_h和X_w，其中：X_h为目标时段之前以小时为单位的时间序列；X_w为目标时段之前以周为单位的时间序列。

4.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，多模块交通密集度预测模型的近期和周周期模块是两个独立的、具有相同结构的模块。

5.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，近期和周周期模块分别包括一个图卷积网络组件和一个长短时记忆网络组件；在图卷积网络组件中，根据道路的拓扑结构和语义相关性分别构建图，并输入到两个不同的图卷积网络中，接下来将两个图卷积网络输出结果融合后引入长短时记忆组件来提取时空和语义的关联特征；最后将近期和周周期两个模块的输出融合进行交通密集度预测。

6.根据权利要求5所述的多模块交通密集度预测方法，其特征在于，交通数据的空间相关性通过构建路网的拓扑结构表示，语义相关性通过道路间的历史交通状况相似性表示；对于每条道路，选取每周的平均交通状况组成一个时间序列来表示道路的历史交通状况；构建拓扑图和语义图，分别输入到不同的图卷积网络中进行特征提取。

7.根据权利要求6所述的多模块交通密集度预测方法，其特征在于，拓扑图和语义图的邻接矩阵分别用T和Y表示：

其中：N表示道路总数；T中元素T_ij表示道路i和道路j之间道路数的倒数；

其中：N表示道路总数；Y中元素Y_ij表示道路i和道路j之间历史平均交通状况的相似度，相似度使用动态时间规整算法获取。

8.根据权利要求7所述的多模块交通密集度预测方法，其特征在于，动态时间规整算法基于动态规划的思想衡量两个长度不一致时间序列的相似度；假定有两个时间序列Q＝{q₁,q₂,…,q_n}和C＝[c₁,c₂,…,c_m}，长度分别为n和m，则动态时间规整算法计算Q和C的相似度过程如下：

Step1：构建大小为n×m的矩阵D，矩阵元素d_ij＝dist(q_i,c_j)，其中dist表示距离计算函数，通常采用欧氏距离；

Step2：在矩阵D中搜索d₁₁到d_nm的最短路径，通常使用动态规划法；

Step3：将矩阵D中从d₁₁到d_nm的最短路径作为Q和C序列的相似度。

9.根据权利要求5所述的多模块交通密集度预测方法，其特征在于，使用基于参数矩阵的融合方法将两个图卷积网络输出结果融合。

10.根据权利要求1所述的多模块交通密集度预测方法，其特征在于，模块融合组件将近期和周周期两个模块的输出融合，融合后的最终交通密集度预测结果为：

其中：W_h、W_w是学习参数，反映时间维度分量对交通密集度预测目标的影响程度；

分别表示近期和周周期模块的输出；⊙表示乘法。

Images