(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110373408.3 (22)申请日 2021.04.07 (65)同一申请的已公布的文献号 申请公布号 CN 112989539 A (43)申请公布日 2021.06.18 (73)专利权人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 王伟烽　潘哲逸　张伟楠　 (74)专利代理 机构 上海旭诚知识产权代理有限 公司 312 20 专利代理师 郑立 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06Q 10/04(2012.01)G06Q 50/30(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 110491129 A,2019.1 1.22 CN 111325968 A,2020.0 6.23 CN 110969854 A,2020.04.07 陈喜群等.基于图卷积网络的路网短时交通 流预测研究. 《交通 运输系统工程与信息》 .2020, (第04期), 审查员 赵盼 (54)发明名称 一种基于交叉路口转移计算的交通预测方 法 (57)摘要 本发明公开了一种基于交叉路口转移计算 的交通预测方法， 涉及交通预测领域， 通过包含 了路段和路口的地理信息以及路网的拓扑数据 的路网属性图学习转移矩阵， 根据交通历史数 据， 通过堆叠的包含了门控时序卷积网络和交叉 路口转移 图卷积网络的时空特征挖掘模块对未 来的交通进行预测。 本发明将图卷积神经网络应 用到交通预测领域， 提供了一种精 准的交通预测 方法， 不仅能够作为政府部门的决策依据， 帮助 政府实行更科学有效的交通管控， 也可以给市民 提供更充足的路况信息， 帮助驾驶员做出更优的 路径选择。 权利要求书2页 说明书9页 附图3页 CN 112989539 B 2022.08.09 CN 112989539 B 1.一种基于交叉路口转移计算的交通预测方法， 其特 征在于， 包括以下步骤： 步骤1： 将多个时空特征挖掘模块堆叠； 所述 时空特征挖掘模块的直接输出连接到后一 个所述时空特征挖掘模块； 所述时空特征挖掘模块还包括跳跃连接； 全部所述时空特征挖 掘模块的所述跳跃 连接收集到一个全连接网络； 步骤2： 将路网属性图， 以及过去Nin个时间片的交通历史数据输入到第一个所述时空特 征挖掘模块； 所述路网属性图为 其中， 边集合 代表路网中所有路段， 点集合 代 表 路 网 中 所 有 的 交 叉 路 口 ；所 述 交 通 历 史 数 据 为 一 个 张 量 其中Nt是交通数据 的时间片总数， Nr是路网中路段的总数， D是 数据的维度； 步骤3： 所述全连接网络 输出未来Nout个时间片的交通预测结果 其中， 所述 时空特征挖掘模块包括级联的门控时序 卷积网络和交叉路口转移图卷积网 络， 所述门控时序卷积网络对输入数据的时间相关性建模； 所述交叉路口转移图卷积网络 包含一个图卷积神经网络， 所述图卷积网络使用转移矩阵学习器学习到的转移矩阵进 行运 算， 对输入数据中的空间相关性建模， 所述 门控时序卷积网络和所述交叉路口转移图卷积 网络共同完成对 城市交通数据中时空相关性的挖掘。 2.如权利要求1所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述 时空 特征挖掘模块的输入连接至所述门控时序卷积网络， 所述门控时序卷积网络的输出连接至 所述交叉路口转移图卷积网络和所述跳跃连接， 所述交叉路口转移图卷积网络的输出连接 至所述时空特 征挖掘模块的输出。 3.如权利要求2所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述交通 历史数据先经过线性层的编码， 然后输出至所述时空特征挖掘模块， 所述线性层的计算公 式为： 其中 是编码后的隐状态张量， Wl和bl是线性层的参数。 4.如权利要求3所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述门控 时序卷积网络包括两个时序卷积网络， 所述门控时序卷积网络的计算公式为： 其中， Θ1， bt1和Θ2， bt2分别是所述两个时序卷积网络的可训练参数， ⊙是元素间乘法， σ 函数将卷积神经网络输出张量中的元素映射到(0,1)之间， tanh函数将卷积神经网络输出 张量中的元 素映射到( ‑1,1)之间。 5.如权利要求4所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述交叉 路口转移图卷积网络采用幂级数 形式的转移 矩阵。 6.如权利要求5所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述交叉 路口转移图卷积网络在计算之前， 所述转移矩阵学习器生成DA个转移矩阵 传递到所述交叉路口转移图卷积网络中， 其中， 代表其中第i个转 移矩阵， DA代表转移矩阵的个数。权　利　要　求　书 1/2 页 2 CN 112989539 B 27.如权利要求6所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述交叉 路口转移图卷积网络的计算公式为： 其中， K>0是扩散步数， Wnk是可学习参数， 隐状态张量 为所述门控时序卷积网络的输 出。 8.如权利要求7所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述转移 矩阵学习器的学习流 程包括生成边嵌入、 生成节点嵌入、 更新 边嵌入、 计算 转移矩阵。 9.如权利要求8所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述全连 接网络的计算公式为： 其中， WFC1、 bFC1、 WFC2、 bFC2是最终的全连接网络的参数。 10.如权利要求9所述的基于交叉路口转移计算的交通预测方法， 其特征在于， 所述多 个时空特 征挖掘模块 堆叠的个数为9。权　利　要　求　书 2/2 页 3 CN 112989539 B 3