一種基于融合特征的GraphSAGE交通路網數據預測的方法，首先對路網歷史交通流數據進行相關性系數計算，構建路網相關性矩陣，并根據路網節點之間的相關性大小重新定義節點之間的連通狀態，得到基于時間相關性的拓補路網；然后利用GraphSAGE分別對原始交通路網與重構后的拓補路網進行路網特征信息提取，并融合兩個不同路網提取的路網時空特征信息，對路網未來的交通狀態進行預測。本發明融合兩個不同路網提取的路網時空特征信息，對路網未來的交通狀態進行預測，提高了對交通路網狀態數據預測的精度。

技術領域

本發明涉及一種基于融合特征的GraphSAGE交通路網數據預測的的方法，本發明屬于智能交通領域。

背景技術

隨著現代化城市的飛速發展，人口與交通工具數量的迅速激增，使得城市交通道路擁堵的問題日益嚴峻，給人們和社會帶來了不少的困擾，所以，為了使得道路交通具有較強的流通性，更好地調節交通狀態，實現對未來交通狀態數據的預測有著至關重要的意義。

現階段的道路交通預測方法主要有：圖卷積神經網絡，降噪自編碼器，支持向量機，反饋神經網絡等，但是，上述大多數方法是直推式學習，不能直接泛化到未知道路。

發明內容

為了克服已有技術的不足，本發明提出一種基于融合特征的GraphSAGE交通路網數據預測的方法，該方法融合兩個不同路網提取的路網時空特征信息，對路網未來的交通狀態進行預測，提高了對交通路網狀態數據預測的精度。

本發明解決其技術問題所采用的技術方案是：

一種基于融合特征的GraphSAGE交通路網數據預測的方法，包括以下步驟：

1)構建基于時間相關性的拓補網絡：根據路網歷史交通狀態數據，計算不同路網節點之間的相關性系數，并且根據不同節點之間的相關性系數大小重新定義節點之間的連通關系，構建基于時間相關性的邏輯相關路網；

2)基于GraphSAGE提取路網時空特征并進行特征融合：采用GraphSAGE分別對原始路網與重構后的基于時間相關性的邏輯相關路網進行時空特征提取，并將提取的不同特征進行特征融合；

3)定義網絡模型損失函數，并以最小化損失函數為目的不斷訓練調整模型參數，最終實現對路網交通狀態預測：定義模型損失函數，并采用反向傳播算法，不斷迭代訓練以降低損失函數，最終保存最優的模型參數，實現基于路網歷史交通狀態數據預測路網未來交通狀態數據。

本發明的技術構思為：首先對路網歷史交通流數據進行相關性系數計算，構建路網相關性矩陣，并根據路網節點之間的相關性大小重新定義節點之間的連通狀態，得到基于時間相關性的拓補路網；然后利用GraphSAGE分別對原始交通路網與重構后的拓補路網進行路網特征信息提取，并融合兩個不同路網提取的路網時空特征信息，對路網未來的交通狀態進行預測。交通路網狀態的預測在智能交通領域有著至關重要的作用，本發明實現了交通流狀態的時空特征提取，并提高了交通路網狀態預測的精度。

本發明的有益效果主要表現在：(1)采用GraphSAGE圖聚合算法充分挖掘了路網的時空特征。(2)將原始路網與重構的拓補路網分別進行時空特征提取并進行特征融合，有效提高了交通路網的預測精度。

附圖說明

圖1是GraphSAGE網絡模型結構圖。

圖2是基于融合特征的GraphSAGE交通路網模型預測結果(2017年3月10日)。

具體實施方式

下面結合附圖對本發明作進一步描述。

參照圖1和圖2，一種基于融合特征的GraphSAGE交通路網數據預測的方法，包括以下步驟：

1)構建基于時間相關性的拓補網絡，過程如下：

1.1)構建交通原始路網