(19)中华 人民共和国 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 202110854976.5 (22)申请日 2021.07.28 (65)同一申请的已公布的文献号 申请公布号 CN 113591380 A (43)申请公布日 2021.11.02 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 苏杰　刘勇　赵汉钦　杨建党　 范金斌　张力　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 傅朝栋　张法高 (51)Int.Cl. G06F 30/27(2020.01)G06N 7/00(2006.01) G06Q 10/04(2012.01) G06Q 50/30(2012.01) G08G 1/01(2006.01) G06F 111/08(2020.01) (56)对比文件 CN 110352432 A,2019.10.18 CN 112991721 A,2021.0 6.18 CN 110705344 A,2020.01.17 CN 107292804 A,2017.10.24 WO 2020063686 A1,2020.04.02 雷少梅等.基于高斯核函数的短时交通 流量 预测. 《中央民族大 学学报(自然科 学版)》 .2013, 胡志刚等.基 于小波支持向量机的电梯交通 流预测模型. 《系统仿真学报》 .20 09,(第19期), 审查员 景京 (54)发明名称 基于图高斯过程的交通流预测方法、 介质及 设备 (57)摘要 本发明公开了一种基于图高斯过程的交通 流预测方法、 介质及设备， 其通过对流量数据进 行流量统计， 并根据设计的预测算法对交通流的 均值和方差进行预测。 本发明方法综合考虑交通 流的时间和空间特征， 通过图聚合高斯过程表征 空间特征， 使用深度卷积高斯过程对多个图聚合 高斯过程进行时间特征表征， 从而构建完整的交 通流模型， 通过训练即可得到道路 交通流量预测 模型； 当模型因外界扰动而引起预测精度不足 时， 可使用所 发明模型校正方法对模 型进行后校 正处理。 结果表明本发明所构建模 型能精确预测 交通流数据， 并能同时预测误差上下置信界， 所 提校正方法可以使模型具有在 线校正的能力， 提 高了预测算法的适应性。 权利要求书3页 说明书11页 附图1页 CN 113591380 B 2022.03.22 CN 113591380 B 1.一种基于图高斯过程的交通 流预测方法， 其特 征在于， 包括以下步骤： S1、 获取待预测 的道路上不同位置传感器采集的与车辆流量相关的结构化交通流数 据， 并将其按照设定间隔步长进行分组形成， 每一组数据中包含该分组对应的间隔时段内 经过各传感器的车辆信息， 最终得到按时间排序的流 量统计数据； S2、 针对待预测的道路构建道路图网络结构， 以每个传感器部署的点位作为图网络结 构的节点， 各节点之间通过边相互连接， 将节点之间在道路上的实际距离做归一化处理后 作为图中节点之间连接的边的权 重； S3、 基于图高斯过程对道路的交通流数据进行建模， 建模时首先使用高斯过程对单个 节点的特征进行建模， 再结合图网络结构的传播特性构建聚合图高斯过程模型， 以刻画 区 域路网的空间特征关系， 然后基于深度卷积高斯过程模型对交通流数据的时间特征进 行建 模， 将多层聚合图高斯过程模型进行串联， 前一个聚合图高斯过程模型 的输出成为后一个 聚合图高斯过程模型 的输入， 以刻画交通流数据的时间序列特征， 最终形成时空图高斯过 程模型； S4、 利用S1中得到的流量统计数据对所述的时空图高斯过程模型进行训练， 得到道路 流量预测模型， 用于进行实际的交通 流预测； S5、 利用后续获取的实际交通流数据对道路流量预测模型的预测精度进行验证， 若未 达到设定的精度指标， 则使用模型校正方法对模型进行后校正处理， 并以校正后的道路流 量预测模型继续进行实际的交通 流预测； 所述S3中， 时空图高斯过程模型的骨架结构是一个T层深度卷积高斯过程， 代表对于T 个连续时间序列的建模， 每一层都是一个聚合图高斯过程模型， 代表对于地理空间的信息 流传播的建模； 在聚合图高斯过程模型中， 交通流数据的空间特征被构建为一个图网络 其中 表示图网络中所有N个节点的集合， 每个节点代表一个捕获道路交通流信息的传感 器， ε表示节点之间相连的边的集合， 表示不同传感器之间欧几里得距离归一化 处理后构建的邻接矩阵； 图网络 中， 具有M个维度的T步时长的数据流数据表示为 xl和yl分别表示第l个时间步的历史交通流数据和当前交 通流数据； 模型训练的目标是学习一个映射函数 以历史交通流数据D*和图网络 为输 入， 预测未来T步时长的交通 流数据， 即： 其中 代表了交通 流预测结果， ψ代 表可学习的参数； 所述聚合图高斯过程模型中， 单个节点的信息流采用如下的似然隐参表示： 其中 表示节点i和节点j之间连边的信息流权重， 表示节点i的自环信息流权重； 表示将一个节点的空间特征建模为高斯过程， 其中μψ(x)为零均 值函数， 核函数kψ(x， x′)为自动相关确定函数； 为对角度矩阵 中的对角元素， Ne(i)代表图网络 上节点i的一度邻居节点； 所述聚合图高斯过程模型中， 任意两个不同节点m和节点 n之间的协方差表示 为：权　利　要　求　书 1/3 页 2 CN 113591380 B 2其中： φ(xi)表示核函数kψ(xi，·)在重生核希尔伯特空间(Reproducing  Kernel  Hilbert Space， RKHS) 上的映射； 表示重生核希尔伯特空间 中的数值内积计算； 所述T层深度卷积高斯过程中， 第l层节点 i的时序卷积模型表示 为， 其中l∈[0， T ‑1]， wt表示t时刻的卷积权 重， g(·)表示卷积函数； 综合面向空间特征的聚合图高斯过程和面向时间特征的深度卷积高斯过程， 最终得到 面向时空特 征的图高斯过程的模型表示 为以下联合概率密度函数： 其中ul＝f(Zl)代表第l层的引诱点(inducing  point)输出结果， Zl＝{Z1， ...， ZN}l表示 第l层的 引诱点集合 ， 表示图 在第l个时间步的时空特征 ； 表示预测结果 和所有T层时空特征及引诱点输出结果的联合概率， 表示预测结果相对于最后一层时空特征 的条件概率， 表示第l层时空特 征相对于引诱 点输出结果的条件概 率， 表示引诱 点输出结果的概 率； 所述时空图高斯过程模型的证据下界优化目标函数为： 其中： 表示第i个节点对数似然的期望值， yi表示第i个节点的交通 流真实值， 表示第T个预测时间步中第i个节点对应的预测函数； 表示分布 和分布 之间的Kullback ‑Leibler散度； 表示均 值为ml方差为Sl的正态分布， 其中ml和Sl均属于待训练的模型参数； 表示ul和Zl‑1 的联合概率密度。 2.如权利要求1所述的基于图高斯过程的交通流预测方法， 其特征在于， 所述S1中， 传 感器采集的结构化交通流数据包括传感器的位置信息、 车辆经过时间、 车牌号和车辆驾驶 方向。 3.如权利要求1所述的基于图高斯过程的交通流预测方法， 其特征在于， 所述S1中， 传 感器采集的结构化交通 流数据通过pandas工具进行统计处 理。 4.如权利要求2所述的基于图高斯过程的交通流预测方法， 其特征在于， 所述S1中， 若 结构化交通流数据存在多个车辆驾驶方向的数据， 则先以车辆驾驶方向为维度对数据进 行权　利　要　求　书 2/3 页 3 CN 113591380 B 3