CN117037461A - 一种基于多权重图三维卷积的路网交通拥堵预测方法 - Google Patents

Abstract

本发明公开了一种基于多权重图三维卷积的路网交通拥堵预测方法，该方法使用的模型包括图三维卷积模块和事故模块事故影响模块。在图三维模块中，首先使用权重图卷积提取考虑多种静态外部因素(兴趣点和道路结构属性)的空间异质性影响下的交通拥堵空间关联性，再使用三维卷积考虑多种静态外部因素的时间异质性影响下的交通拥堵时间关联性。事故模块事故影响模块使用简单神经网络，不仅根据事故本身的特征(事故类型、严重程度等)、事故发生地点和从事故发生到预测时间步长的时间长度，提取了事故影响在不同时间和路段上的交通拥堵的不同影响，即时空异质性影响。为避免稀疏的事故数据造成模型过拟合，事故模块事故影响模块被单独构建，独立与图三维模块之外，且在邻近历史时间段内路网上有事故发生时才被使用。

Description

一种基于多权重图三维卷积的路网交通拥堵预测方法

技术领域

本发明涉及一种基于多权重图三维卷积的路网交通拥堵预测方法，属于技术领域。

背景技术

随着经济、社会的发展，我国机动车拥有量激增，道路拥堵情况日益严重，而依靠群众报警、交警巡逻等发现交通拥堵的时效性差，缺乏对未来的预判。交通瓶颈预测可以被用于提前制定交通管理和控制方案，如何进行精确的预测路网交通拥堵已经成为缓解或避免交通拥堵的重要解决方案。不同路段的交通流之间存在相互影响，且对于同一路段而言，下一时间段的交通流受到上一时间段交通流的影响，这两者共同反映了交通流的时空关联性。由于交通流存在时空关联性，因此，基于交通流得到的交通拥堵也存在时空关联性。除各时段、各路段的交通拥堵造成的内部影响外，路网交通拥堵也受道路本身及周边环境因素(例如，兴趣点、道路结构属性、交通事故等)的影响，即外部因素的影响。不同外部因素对交通拥堵的影响存在显著差异，且同种外部因素在不同的空间、时间上对交通拥堵的影响也存在显著差异，这两者共同导致了外部因素影响的时空异质性。

聚焦于路网交通预测的交通拥堵时空关联性提取已经经历了多年的研究，相似的方法也被应用于交通流时空关联性提取。主要集中于通过仅使用拥堵指数数据交通状态(速度、密度、流量等)数据进行时空关联性提取，考虑的外部因素种类单一且其对时空关联性的时空异质性影响常被忽略或未被完整考虑。

其中，文章《LSTM variants meet graph neural networks for road speedprediction》中的GLSTM模型将提取空间关联性的GCN模型的输出输入至提取时间关联性的LSTM模型，实现了时空关联性的提取；专利《深度交通拥堵预测方法》中将GLSTM中的LSTM模型替换为GRU模型进行时空关联性的提取；文章《GMAN:A graph multi-attention networkfor traffic prediction》中的GMAN模型通过分别在时间和空间上使用注意力机制进行时空关联性的提取。但这些模型方法都忽略了外部因素时空异质性的影响。文章《Spatial-Temporal Synchronous Graph Convolutional Networks:A New Framework forSpatial-Temporal Network Data Forecasting》中的STSGCN模型使用固定的时间步长切分历史时间序列，并对每个时间步长单独建模。虽然避免了外部因素时间异质性的影响，但大大增加了计算量。少数方法在提取时空关联性时引入了外部因素的时空异质性影响。文章《Traffic speed prediction with missing data based on TGCN》中的TGCN模型将兴趣点、道路结构等多个外部因素的数据融合为一个权重，虽然考虑了多种外部因素，但无法反映不同因素的不同时空异质性影响。文章《Short-term prediction of traffic flowunder incident conditions using graph convolutional recurrent neural networkand traffic simulation》中的XDCRNN引入了交通事故影响，但由于该方法仅考虑事故的发生情况而忽略事故特征，难以提取获得可靠的事故影响；文章《Deep graphconvolutional networks for incident-driven traffic speed prediction》中的DIGC-Net模型，使用GCN-LSTM进行忽略事故影响的交通流状态预测，使用深度学习网络(由输入层与全连接层组成)根据详细事故特征信息来提取潜在的事故影响情况，其次，将两者结合，得到考虑事故影响的交通流状态预测结果。但该模型在提取事故影响时未区分事故时间段和无事故时间段，事故数据的稀疏性易使模型过拟合。

目前交通预测研究已经应用各种方法来探索路网交通拥堵时空关联性的提取方法，现有方法的主要缺点包括：

1.目前大部分研究没有研究考虑种类全面的路网外部因素对交通拥堵时空关联性的影响，或考虑的外部因素种类单一。

2.目前大部分还研究没有同时考虑甚至没有考虑外部因素对交通拥堵时空关联性的时间异质性和空间异质性影响性。事实上，外部因素对交通拥堵的影响随着时间而变化，且在不同路段上，同一外部因素的时变模式之间存在差异；此外，不同外部因素影响的时空异质性之间存在明显的差异。

3.目前大部分研究挖掘交通事故影响时，直接使用稀疏的事故数据，易使模型过拟合而无法准确地挖掘事故影响。

发明内容

针对这些问题，本发明提出一种基于多权重图三维卷积交通拥堵预测的方法。该方法使用的模型包括图三维卷积模块和事故模块。在图三维模块中，首先使用权重图卷积提取考虑多种静态外部因素(兴趣点和道路结构属性)的空间异质性影响下的交通拥堵空间关联性，再使用三维卷积考虑多种静态外部因素的时间异质性影响下的交通拥堵时间关联性。事故模块使用简单神经网络，不仅根据事故本身的特征(事故类型、严重程度等)、事故发生地点和从事故发生到预测时间步长的时间长度，提取了事故影响在不同时间和路段上的交通拥堵的不同影响，即时空异质性影响。为避免稀疏的事故数据造成模型过拟合，事故模块被单独构建，独立与图三维模块之外，且在邻近历史时间段内路网上有事故发生时才被使用。

本发明为解决上述技术问题采用以下技术方案：

一种基于多权重图三维卷积的路网交通拥堵状态预测方法，包括以下步骤：

S1.以路段为节点、交叉口为边，将路网定义为一个无向图G＝(V,E,A)，其中V为路网的节点集，|V|＝N，E为路网图的边集，A为路网图的邻接矩阵，N为节点数；

S2.收集路网交通状态预测所需数据，包括交通速度数据，兴趣点POI数据、道路结构属性数据和交通事故数据；并根据交通速度数据和交通事故数据，分别构建历史拥堵指数数据库和历史交通事故数据库；

S3.将步骤S2获得的历史拥堵指数数据库、POI数据和道路结构属性数据作为输入，使用图三维模块提取考虑兴趣点和道路结构属性时空异质性影响的路网交通拥堵时空关联性，得到忽略交通事故影响的路网拥堵指数预测值；

S4.在设定最近历史时间段内有交通事故发生时，使用基于深度学习网络构建的事故影响模块提取交通事故对路网交通拥堵的时空异质性影响，得到考虑交通事故影响的路网拥堵指数预测值；其中，步骤S2获得的历史交通事故数据库和步骤S3获得忽略交通事故影响的路网拥堵指数预测值作为事故影响模块的输入。

进一步地，所述步骤S2中历史拥堵指数数据库和交通事故数据库的构造步骤如下：

S21.将收集到的交通速度数据按设定时长集计，得到交通速度集计数据；

S22.根据路段i的交通速度集计数据，分别计算路段i在工作日和休息日的24小时中各个时间步长的交通速度平均值，并将最大的交通速度平均值作为路段i的自由流速度FFS_i：

其中，和/>分别为工作日和休息日的24小时中各个时间步长的交通速度平均值的最大值，n_w和n_h分别为工作日和休息日的天数，q为24小时所包含的时间步长数，/>和/>分别为路段i第n_w个工作日和第n_h个休息日第q个时间步长上的速度值；

S23.计算各路段的拥堵指数：

其中，为路段i在时间步长τ内的拥堵指数，/>为路段i在时间步长τ内的实际通行速度；若/>则/>

S24.使用最大最小标准化方法对各路段的拥堵指数据进行标准化处理；

S25.当前时间步长及未来P-1个时间步长组成预测时间段，当前时间步长之前的H个时间步长组成最近历史时间段，过去HM(HM代表历史周的数量)个周中与预测时间段具有相同属性的时间段组成周周期历史时间段；其中，相同属性指的是处于一周中的相同日期、一天中的相同时间；

S26.将S24中标准化处理后的拥堵指数数据划分为最近历史时间段的历史拥堵指数数据和周周期时间段的历史拥堵指数数据，构建历史拥堵指数数据库。

进一步地，所述步骤S2中历史交通事故数据库的构造步骤如下：

交通事故数据包括事故时间、地点、天气状态、严重程度、事故类型以及涉及的车辆类型，根据天气状态、严重程度、事故类型和涉及的车辆类型进行独热编码，使用交通事故数据的独热编码，构建历史交通事故数据库。

进一步地，所述步骤S3的具体步骤为：

S31.计算路网的1～k阶邻接矩阵，其中，1阶邻接矩阵A^′为：

A′＝I+A

其中，I为单位矩阵；A′认为路段i自身也是与路段i相连的邻近路段，当路段i和路段j直接相连时，A′_ij＝A′_ji＝1，否则A′_ij＝A′_ji＝0；A′_ij、A′_ji分别为A′中第i行第j列、第j行第i列元素；

k阶邻接矩阵A^k为：

其中，当路段i和路段j间的最短路径由小于k个边组成时，否则/>A′_ij、/>分别为A^k中第i行第j列、第j行第i列元素；a为1阶邻接矩阵A′已经被连乘的次数；

S32.使用权重图卷积提取考虑外部因素空间异质性影响的路网交通拥堵空间关联性：

(1)根据获取的POI数据和道路结构属性数据，使用高斯公式计算得到以节点数N为行、列长度的POI、道路种类和道路长度权重系数矩阵：

其中，为路段i和路段j之间的第m类POI权重系数，/>和/>为路段i和路段j附近100米范围内第m类兴趣点的个数，var(sim^POI,m)为第m类兴趣点相似性系数sim^POI,m的方差；

其中，RT_ij为路段i和路段j之间的道路种类权重系数，T_i和T_i为路段i和路段j的道路种类信息，var(sim^RT)为路网上道路种类相似度系数sim^RT的方差；

其中，Dist_ij为路段i和路段j之间的距离权重系数，d_ij为路段i和路段j之间的距离，var(d)为路网上路段间距离d的方差；

(2)根据多阶邻接矩阵以及POI、道路种类和道路长度权重系数矩阵，计算得到多阶权重邻接矩阵，公式如下：

W^k＝[A^k⊙POI¹,…,A^k⊙POI⁶,A^k⊙RT,A^kDist](k＝1,2,…)

W＝[W¹,W²,…,W^k]

其中，W为多阶权重邻接矩阵，W^k为k阶权重邻接矩阵，⊙为点乘操作；

(3)以多阶权重邻接矩阵为输入，进行权重图卷积操作，公式如下：

其中，为权重图卷积的输出，W_MHW为W的可学习参数矩阵，⊙为点乘操作，/>为叉乘操作；

S33.使用三维卷积提取考虑外部因素时间异质性影响的交通拥堵时间关联性：

(1)确定三维卷积层的数量L和三维卷积的卷积核大小；

(2)将权重图卷积的输出作为输入，进行三维卷积操作，公式如下：

其中，为第l层三维卷积层的输出结果，*为三维卷积操作，/>为第l层三维卷积层的可学习参数矩阵，/>为第l层三维卷积层的偏差参数矩阵，f()为激活函数ReLU()；

S34.使用全连接层输出忽略事故影响下的路网拥堵指数预测值，公式如下：

其中，为预测时间段内的忽略事故影响下的拥堵指数预测数据，FC()为全连接层，flatten()为展平层。

进一步地，所述步骤S4中事故影响模块的具体步骤如下：

S41.根据事故数据分析事故影响：

I_t＝FC(flatten(Inc′_t))

其中，I_t为最近历史时间段上的交通事故特征，Inc′_t为最近历史时间段的路网交通事故独热编码；

S42.根据事故发生路段及从事故发生到各时间步长的时间长度，分析事故的时空异质性影响：

其中，为考虑事故影响的拥堵指数预测数据，W_inc为可学习参数矩阵。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1.本发明提出的多阶权重图三维卷积模型在提取交通拥堵时空关联性时，考虑的种类更丰富的对交通拥堵存在影响的外部因素，使模型对路网环境的刻画贴近实际，模型具有更高的泛化性；

2.本发明考虑了外部因素对交通拥堵时空关联性的时空异质性影响，使模型更加准确地刻画交通拥堵的动态变化，具有更高的交通拥堵预测准确性；

3.本发明仅在最近历史时间段内发生事故时使用事故影响模块，避免了稀疏的事故数据造成模型过拟合，提高了预测准确性。

附图说明

图1是本发明的方法流程图；

图2是不同预测时长下的MAE/MAPE/RMSE-k关系图；

图3是不同预测时间长度下的交通拥堵预测图，其中(a)是预测时间长度＝10分钟，(b)是预测时间长度＝20分钟，(c)是预测时间长度＝30分钟，(d)是预测时间长度＝40分钟。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明提供一种基于多权重图三维卷积的路网交通拥堵预测方法。对于路网的交通流存在时空关联性：时间关联性为交通流在出行者出行周期的影响下形成的交通流时间变化模式；空间关联性为路段交通流会受到相邻路段交通流的影响。交通拥堵出现与否的判断指标是INRIX拥堵指数，该指数以各路段的期望通行速度和实际通行速度之比为基础，反映路段拥堵程度。路段交通流存在时空关联性，因此，基于路段交通流速度计算的路网交通拥堵之间同样存在时空关联性。影响未来交通拥堵的除了相邻路段、相邻时间的交通拥堵状况外，还有路网环境中存在的许多外部因素(如道路结构等)，这些外部因素会对交通拥堵的时空关联性有的时空异质性影响：不同时间(高峰期、平峰期)不同地点(市中心、郊区)下发生的相似交通事故对交通拥堵造成的影响存在显著差异。

本发明主要解决的技术问题是：

1.在图三维模块中采用权重图卷积和三维卷积，分别挖掘路网交通拥堵的空间关联性和时间关联性；

2.在图三维模块中引入交通拥堵的静态影响因素，如，兴趣点(Point ofInterest,POI)、道路结构属性(道路等级、路段间距)等，挖掘其路网交通拥堵时空关联性造成的时空异质性影响，提升模型对复杂路网交通环境的适应性；

3.事故影响模块使用全连接层对事故信息进行降维，挖掘交通事故对交通拥堵时空关联性的时空异质性影响；仅当路网在最近历史时间段内有事故发生时使用该模块，避免了稀疏的路网事故数据造成模型过拟合。

如图1所示，提供了一种基于多权重图三维卷积的路网交通拥堵状态预测方法，包括以下步骤：

S1.以路段为节点，以交叉口为边，将路网定义为一个无向图G＝(V,E,A)，其中V为路网图的节点集，|V|＝N，E为路网图的边集，A为路网图的邻接矩阵，N为路网图节点数，即路网的路段数；

S2.收集路网交通状态预测所需数据，包括交通速度数据，兴趣点POI数据、道路结构属性数据和交通事故数据；并根据交通速度数据和交通事故数据分别构建历史拥堵指数数据库和历史交通事故数据库；

S3.将步骤S2获得的历史拥堵指数数据库、POI数据和道路结构属性数据作为输入，使用图三维模块提取考虑兴趣点和道路结构属性时空异质性影响的路网交通拥堵时空关联性，得到忽略交通事故影响的路网拥堵指数预测值；

S4.将步骤S2获得的历史交通事故数据库和步骤S3获得忽略交通事故影响的路网拥堵指数预测值作为事故影响模块的输入，当且仅当在最近历史时间段内有交通事故发生时，使用基于深度学习网络构建的事故影响模块提取交通事故对路网交通拥堵的时空异质性影响，得到考虑交通事故影响的路网拥堵指数预测值；若在最近历史时间段内无事故发生，则不使用该模块。

在一个实施例中，所述步骤S2中历史拥堵指数数据库和交通事故数据库的构造步骤如下：

S21.将收集到的交通速度数据按设定时长集计，得到交通速度集计数据；

S22.根据路段i的交通速度集计数据，以十分钟为一个时间步长，分别计算路段i在工作日和休息日的24小时中各个时间步长的交通速度平均值，并将最大的交通速度平均值作为路段i的自由流速度FFS_i：

其中，和/>分别为工作日和休息日的24小时中各个时间步长的交通速度平均值的最大值，n_w和n_h分别为工作日和休息日的天数，q为24小时所包含的时间步长数，/>和/>分别为路段i第n_w个工作日和第n_h个休息日第q个时间步长上的速度值；

S23.计算各路段的拥堵指数：

其中，为路段i在任一时间步长τ上的拥堵指数，/>为路段i在时间步长τ上的实际通行速度；若/>则/>

S24.使用最大最小标准化方法对各路段的拥堵指数数据进行标准化处理；

S25.当前时间步长及未来P-1个时间步长(t,t+1,…,t+P-1)组成预测时间段，当前时间之前的H个时间步长(t-H,t-H+1,…,t-1)组成最近时间段，过去HW个周中与预测时间段具有相同属性(处于一周中的相同日期、一天中的相同时间)的时间段[(t-1×q,t-1×q+1,…,t-1×q+(P-1)),(t-1×q,...,t-HW×q+1,…,t-HW×q+(P-1))]组成周周期历史时间段；

S26.将标准化处理后的拥堵指数数据划分为最近时间段的历史拥堵指数数据和周周期时间段的历史拥堵指数数据，构建历史拥堵指数数据库：

根据步骤S24中获取的标准化拥堵指数数据，以时刻t为当前时刻，使用代表路网所有路段在最近历史时间段的拥堵指数数据，其中，/>

周周期历史时间段[(t-1×q,t-1×q+1,…,t-1×q+(P-1)),(t-1×q,...,t-HN×q+1,…,t-HM×q+(P-1))]由过去HM个周中与预测时间段具有相同属性的时间段构成，其中，q代表一天包含的时间步长数，使用 代表路网所有路段在周周期历史时间段的拥堵指数数据；

S27.收集到的交通事故数据包括事故时间、地点、天气状态(阴、晴、雨、雪、冰雹等)、严重程度(简易程序事故、财产损失事故、伤事故人和亡人事故)、事故类型(撞固定物、撞非固定物、侧翻、失火等)、涉及的车辆类型(机动车、非机动车、行人等)。首先以十分钟为时间步长进行时间划分并将各路段上各起交通事故的数据与交通事故发生时间点所在的时间步长相匹配，其次对匹配的交通事故文本类数据(天气状态、严重程度、事故类型和涉及的车辆类型)进行独热编码，最后使用事故数据的独热编码构建历史交通事故数据库。

在一个实施例中，所述步骤S3的具体步骤为：

S31.计算路网的1～k阶邻接矩阵，公式如下：

A′＝I+A

其中，单位矩阵I与路网邻接矩阵A相加得到1阶路网邻接矩阵A′，该邻接矩阵认为路段i自身也是与路段i相连的邻近路段。当路段i和路段j直接相连时，A′_ij＝A′_ji＝1，否则A′_ij＝A′_ji＝0；

其中，A^k指k阶邻接矩阵，当路段i和路段j间的最短路径由小于k个边组成时，否则/>其中，k的取值与各路段交通拥堵在预测时间长度下的空间影响范围相关，因此最优k值随预测时间长度变化。a指1阶邻接矩阵已经被连乘的次数。

S32.使用权重图卷积提取考虑外部因素(如道理结构属性、POI及交通事故)空间异质性影响的路网交通拥堵空间关联性：

(1)根据获取的POI数据和道路结构属性数据，使用高斯公式计算得到6类兴趣点、道路种类和道路长度的权重系数矩阵POI¹，POI²，……POI⁶，RT，Dist，这些权重系数矩阵均以节点数N为行、列长度。计算公式如下：

其中，为路段i和路段j之间的第m类POI权重系数，/>和/>为路段i和路段j附近100米范围内第m类兴趣点的个数，var(sim^POI,m)为第m类兴趣点相似性系数sim^POI,m的方差，m＝1,2,3,4,5,6分别为教育、居住、餐饮、购物、工业和交通枢纽；

其中，RT_ij为路段i和路段j之间的道路种类权重系数，T_i和T_j为路段i和路段j的道路种类信息(主干路、次干路和集散道路分别用1,2,3表示，道路是否在桥梁上分别用1,0表示)，var(sim^RT)为路网上道路种类相似度系数sim^RT的方差。

其中，Dist_ij为路段i和路段j之间的距离权重系数，d_ij为路段i和路段j之间的距离(千米)，var(d)为路网上路段间距离d的方差。

(2)根据1～k阶邻接矩阵和以上外部因素的权重系数矩阵，计算得到多阶权重邻接矩阵，公式如下：

W^k＝[A^k⊙POI¹,…,A^k⊙POI⁶,A^k⊙RT,A^kDist](k＝1,2,…)

W＝[W¹,W²,…,W^k]

其中，W为多阶权重邻接矩阵，W^k为k阶权重邻接矩阵，⊙为点乘操作；W中的权重邻接矩阵的最高阶数k需要通过实验确定，如图2所示。

(3)以多阶权重邻接矩阵为输入，进行权重图卷积操作，公式如下：

其中，为权重图卷积的输出，W_MHW为W的可学习参数矩阵，X_t为最近历史时间段上的路网交通拥堵指数数据，⊙为点乘操作，/>为叉乘操作。

S33.使用三维卷积提取考虑外部因素时间异质性影响的交通拥堵时间关联性：

(1)确定三维卷积层的数量L和三维卷积的卷积核大小；

(2)将权重图卷积的输出作为输入，进行三维卷积操作，公式如下：

其中，为第l层三维卷积层的输出结果，*为三维卷积操作，/>为第l层三维卷积层的可学习参数矩阵，/>为第l层三维卷积层的偏差参数矩阵，f()为激活函数ReLU()；

S34.使用全连接层输出忽略事故影响下的路网拥堵指数预测值，公式如下：

其中，为未来时间段(t,t+1,…,t+P-1)上的忽略事故影响下的拥堵指数预测数据，FC()为全连接层，flatten()为展平层。

在一个实施例中，所述步骤S4中事故影响模块的具体步骤如下：

S41.判断当前时间的最近历史时间上是否有事故发生，若无事故发生，则跳过该模块，否则，根据如下步骤分析事故影响；

S42.使用全连接层对稀疏的事故数据独热编码进行降维处理：

I_t＝FC(flatten(Inc′_t))

其中，I_t为最近历史时间段上的交通事故特征，Inc′_t为最近历史时间段的路网交通事故独热编码；

S43.根据事故发生路段及从事故发生到各预测时间步长的时间长度分析事故的时空异质性影响：

其中，为考虑事故影响的拥堵指数预测数据，W_inc为可学习参数矩阵。

本发明提供了基于多权重图三维卷积的路网交通拥堵预测方法，在图三维模块中采用权重图卷积和三维卷积，分别挖掘路网交通拥堵的空间关联性和时间关联性；在图三维模块中引入交通拥堵的静态影响因素，如，兴趣点、道路结构属性(道路等级、路段间距)等，挖掘其路网交通拥堵时空关联性造成的时空异质性影响，提升模型对复杂路网交通环境的适应性；事故影响模块使用全连接层对事故信息进行降维，挖掘交通事故对交通拥堵时空关联性的时空异质性影响；仅当路网在最近历史时间段内有事故发生时使用该模块，避免了稀疏的路网事故数据造成模型过拟合。

在一个实施例中，多权重图三维卷积模型的预测精度度量标准如下：

用于度量该模型预测精度的标准分别是：绝对平均误差(Mean Absolute Error，MAE)，绝对平均百分比误差(Mean Absolute Percentage Error，MAPE)，平方根平均误差(Root Mean Squared Error，RMSE)。

计算公式如下：

其中，N为路网图节点数，P为预测时间步长数，和/>分别是路段i在时间步长τ上的实际速度和预测速度。

在一个实施例中，多权重图三维卷积模型的超参数如表1所示：

表1模型超参数表

模型预测精度与感受野范围k之间关系的分析结果如图2所示：当预测时长为10分钟(P＝1)时，预测效果随k值的增大而下降；当预测时长为10、20、30分钟(P＝1，2，3)时，预测精度均在k＝3时达到峰值。这说明，预测时长越长，特定路段越可能收到距离更远的路段的影响，这意味着最优感受野将会更大，反之亦然。因此，最优感受野应根据预测时长来进行选择。

在一个实施例中，交通拥堵预测效果如表2所示：

表2不同预测时间长度下的交通拥堵预测效果

为进一步直观表现预测时间长度对于精度的影响，图3对比了同一路段在的同一天内的真实数据与不同预测时长下的预测数据。

从对应分析结果可以看出，随着预测时间长度的增加，交通拥堵预测精度越低，预测值与真实值之间的偏差越大。这意味着预测难度随着预测时间长度的增长而增长。总体而言，模型能够捕捉到路网交通拥堵的动态变化并进行合理预测。

本发明在提取交通拥堵时空关联性时，全面地考虑了对其存在影响的外部因素——POI、道路结构属性和交通事故，这些数据可以很好地还原出路网的道路交通环境；使用权重图卷积及三维卷积的复合框架，同时考虑了外部因素时间异质性及空间异质性对交通拥堵时空关联性的影响：其中，应用权重图卷积提取外部因素空间异质性影响下的交通拥堵空间关联性，应用三维卷积提取外部因素时间异质性影响下的交通拥堵时间关联性；在事故模块中，使用全连接层将事故数据从高维空间映射到低维空间，并结合可学习参数矩阵，共同挖掘交通等对交通拥堵时空关联性的时空异质性影响。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.基于多权重图三维卷积的路网交通拥堵状态预测方法，其特征在于，包括以下步骤：

S1.以路段为节点、交叉口为边，将路网定义为一个无向图G＝(V,E,A)，其中V为路网的节点集，|V|＝N，E为路网图的边集，A为路网图的邻接矩阵，N为节点数；

S2.收集路网交通状态预测所需数据，包括交通速度数据，兴趣点POI数据、道路结构属性数据和交通事故数据；并根据交通速度数据和交通事故数据，分别构建历史拥堵指数数据库和历史交通事故数据库；

S3.将步骤S2获得的历史拥堵指数数据库、POI数据和道路结构属性数据作为输入，使用图三维模块提取考虑兴趣点和道路结构属性时空异质性影响的路网交通拥堵时空关联性，得到忽略交通事故影响的路网拥堵指数预测值；

S4.在设定最近历史时间段内有交通事故发生时，使用基于深度学习网络构建的事故影响模块提取交通事故对路网交通拥堵的时空异质性影响，得到考虑交通事故影响的路网拥堵指数预测值；其中，步骤S2获得的历史交通事故数据库和步骤S3获得忽略交通事故影响的路网拥堵指数预测值作为事故影响模块的输入。

2.根据权利要求1所述的基于多权重图三维卷积的路网交通拥堵状态预测方法，其特征在于，所述步骤S2中历史拥堵指数数据库和交通事故数据库的构造步骤如下：

S21.将收集到的交通速度数据按设定时长集计，得到交通速度集计数据；

S22.根据路段i的交通速度集计数据，分别计算路段i在工作日和休息日的24小时中各个时间步长的交通速度平均值，并将最大的交通速度平均值作为路段i的自由流速度FFS_i：

其中，和/>分别为工作日和休息日的24小时中各个时间步长的交通速度平均值的最大值，n_w和n_h分别为工作日和休息日的天数，q为24小时所包含的时间步长数，/>和/>分别为路段i第n_w个工作日和第n_h个休息日第q个时间步长上的速度值；

S23.计算各路段的拥堵指数：

其中，为路段i在时间步长τ内的拥堵指数，/>为路段i在时间步长τ内的实际通行速度；若/>则/>

S24.使用最大最小标准化方法对各路段的拥堵指数据进行标准化处理；

S25.当前时间步长及未来P-1个时间步长组成预测时间段，当前时间步长之前的H个时间步长组成最近历史时间段，过去HM个周中与预测时间段具有相同属性的时间段组成周周期历史时间段；其中，相同属性指的是处于一周中的相同日期、一天中的相同时间；其中，HM代表一个历史周的数量；

S26.将S24中标准化处理后的拥堵指数数据划分为最近历史时间段的历史拥堵指数数据和周周期时间段的历史拥堵指数数据，构建历史拥堵指数数据库。

3.根据权利要求1所述的基于多权重图三维卷积的路网交通拥堵状态预测方法，其特征在于，所述步骤S2中历史交通事故数据库的构造步骤如下：

交通事故数据包括事故时间、地点、天气状态、严重程度、事故类型以及涉及的车辆类型，根据天气状态、严重程度、事故类型和涉及的车辆类型进行独热编码，使用交通事故数据的独热编码，构建历史交通事故数据库。

4.根据权利要求1所述的基于多权重图三维卷积的路网交通拥堵状态预测方法，其特征在于，所述步骤S3的具体步骤为：

S31.计算路网的1～k阶邻接矩阵，其中，1阶邻接矩阵A′为：

A′＝I+A

其中，I为单位矩阵；A′认为路段i自身也是与路段i相连的邻近路段，当路段i和路段j直接相连时，A′_ij＝A′_ji＝1，否则A′_ij＝A′_ji＝0；A′_ij、A′_ji分别为A′中第i行第j列、第j行第i列元素；

k阶邻接矩阵A^k为：

其中，当路段i和路段j间的最短路径由小于k个边组成时，否则/>A′_ij、分别为A^k中第i行第j列、第j行第i列元素；a为1阶邻接矩阵A′已经被连乘的次数；

S32.使用权重图卷积提取考虑外部因素空间异质性影响的路网交通拥堵空间关联性：

(1)根据获取的POI数据和道路结构属性数据，使用高斯公式计算得到以节点数N为行、列长度的POI、道路种类和道路长度权重系数矩阵：

其中，为路段i和路段j之间的第m类POI权重系数，/>和/>为路段i和路段j附近100米范围内第m类兴趣点的个数，var(sim^POI,m)为第m类兴趣点相似性系数sim^POI,m的方差；

其中，RT_ij为路段i和路段j之间的道路种类权重系数，T_i和T_i为路段i和路段j的道路种类信息，var(sim^RT)为路网上道路种类相似度系数sim^RT的方差；

其中，Dist_ij为路段i和路段j之间的距离权重系数，d_ij为路段i和路段j之间的距离，var(d)为路网上路段间距离d的方差；

(2)根据1～k阶邻接矩阵以及POI、道路种类和道路长度权重系数矩阵，计算得到多阶权重邻接矩阵，公式如下：

W^k＝[A^k⊙POI¹,…,A^k⊙POI⁶,A^k⊙RT,A^kDist],k＝1,2,…

W＝[W¹,W²,…,W^k]

其中，W为多阶权重邻接矩阵，W^k为k阶权重邻接矩阵，⊙为点乘操作；

(3)以多阶权重邻接矩阵为输入，进行权重图卷积操作，公式如下：

其中，为权重图卷积的输出，W_MHW为W的可学习参数矩阵，⊙为点乘操作，/>为叉乘操作；

S33.使用三维卷积提取考虑外部因素时间异质性影响的交通拥堵时间关联性：

(1)确定三维卷积层的数量L和三维卷积的卷积核大小；

(2)将权重图卷积的输出作为输入，进行三维卷积操作，公式如下：

其中，l＝1,2,…,L，GC_t ^l为第l层三维卷积层的输出结果，*为三维卷积操作，为第l层三维卷积层的可学习参数矩阵，/>为第l层三维卷积层的偏差参数矩阵，f()为激活函数ReLU()；

S34.使用全连接层输出忽略事故影响下的路网拥堵指数预测值，公式如下：

其中，为预测时间段内的忽略事故影响下的拥堵指数预测数据，FC()为全连接层，flatten()为展平层。

5.根据权利要求1所述的基于多权重图三维卷积的路网交通拥堵状态预测方法，其特征在于，所述步骤S4中事故影响模块的具体步骤如下：

S41.根据事故数据分析事故影响：

I_t＝FC(flatten(Inc′_t))

其中，I_t为最近历史时间段上的交通事故特征，Inc′_t为最近历史时间段的路网交通事故独热编码；

S42.根据事故发生路段及从事故发生到各时间步长的时间长度，分析事故的时空异质性影响：

其中，为考虑事故影响的拥堵指数预测数据，W_inc为可学习参数矩阵。