交通流预测：基于时空图的发散卷积循环神经网络方法

"本发明涉及一种基于时空图的发散卷积循环神经网络的交通流预测方法，旨在利用交通网络的空间特征和时间序列数据，构建一个精确的预测模型，以实现对交通流量的实时预测。该方法首先构建路网的有向加权图，然后通过图形发散卷积循环神经网络进行深度学习，从而捕捉到空间依赖关系和时间依赖关系，提高预测的准确性。" 在交通管理领域，准确预测交通流量对于优化交通系统、减少拥堵和提高道路效率至关重要。传统的交通流预测方法通常依赖于统计模型或简单的线性回归，但这些方法往往无法充分考虑交通网络的复杂性和动态变化。本发明提出的基于时空图的发散卷积循环神经网络（Dilated Convolutional Recurrent Neural Network, DCRNN）方法，结合了图神经网络和循环神经网络的优势，以解决这一问题。 首先，根据交通网络的空间特征，如路网结构、车道信息等，构建了一个有向加权图。每个节点代表交通网络中的一个特定位置，如交叉口或路段，边则反映了节点间的相邻关系和行驶方向。权重邻接矩阵用于量化这些关系，其中权重可能基于历史交通流量、道路长度或其它相关因素。 接下来，采用图形发散卷积（Dilated Convolution）来处理图数据，这种卷积操作能有效扩展模型的感知范围，捕捉更广泛的局部和全局空间依赖。循环神经网络（RNN）部分则负责处理时间序列数据，捕捉流量随时间变化的模式，如早晚高峰期的规律。 在训练过程中，DCRNN模型通过学习有向加权图上的空间依赖关系和交通流序列数据的时间依赖关系，不断优化其参数。最后，得到的模型可以对未来的交通流量进行实时预测，从而为交通管理部门提供决策支持，例如调整信号灯控制策略、预测拥堵区域等。 该发明的特点在于结合了图神经网络和循环神经网络的特性，能够有效地处理复杂交通网络的数据，并且具有较高的预测精度和拟合程度。这种方法适用于大规模交通网络的流量预测，对于城市交通规划和管理具有重要的实践意义。