交通流量预测方法、装置、设备及存储介质

1.本发明涉及人工智能技术领域，尤其涉及到一种交通流量预测方法、装置、设备及存储介质。


背景技术：

2.交通流量预测问题作为一个经典的时间序列预测问题，在近几十年的研究中取得了不少的成果。早先的交通预测问题主要基于排队论和模拟。随着交通数据的爆发性增长，数据驱动的交通预测方法受到了广泛的关注。如经典的时间序列统计模型amira(自回归综合移动平均模型)，但是由于交通时间序列的在单一时刻同时具有图结构的复杂性，这些模型往往在实际数据集上表现欠佳。近年来研究人员正在转向基于gcn的模型。这些工作在图上描述了交通预测问题，并利用中开发的谱图gcn捕捉不同交通序列之间的显著空间相互作用。dcrnn将流量的空间相关性重新表述为扩散过程，并将之前的gcn扩展为有向图。继dcrnn之后，graph wavenet将gcn与扩展因果卷积网络相结合，以节省处理长序列的计算成本，并提出了一种自适应邻接矩阵，作为预定义邻接矩阵的补充，以捕获空间相关性。astgcn、stsgcn进一步添加了更复杂的时空注意机制和gcn，以捕捉动态的时空相关性。最近的工作中，stgode引入神经常微分方程网络部分缓解了传统gcn因堆叠产生的过平滑问题，但却弱化了网络对特征的提取能力。
3.数据采集技术和移动计算的快速发展让我们能够进行大量交通数据的收集，如交通流量、车道占用率等，从而实现了大量的城市分析和相关应用。城市交通预测已成为智慧城市发展的关键任务，因为它可以为城市规划和交通管理提供新的策略，以提高公共交通的效率，并为公共安全应急管理提供预警。
4.然而，由于复杂的时空相关性，预测城市交通非常具有挑战性。这项任务之所以具有挑战性，主要是因为交通网络中存在复杂且长期的时空依赖关系。同一时刻内，由于每个交通节点不同的流量特征，同样连通性的交通网络表现出完全不同的交通特征，如图1。同时每个交通节点不仅仅影响同一时刻的其他节点，还对之后时刻的各个节点产生着不同程度的影响，如图2。在以往研究中神经网络通常在层数更多的情况下表现更好，而gnn从深度上获益甚微。相反，当两层图神经网络级联时，可以获得最好的结果，而在实践中，更多层可能会导致较差的性能。传统gnn被证明存在过度平滑问题，即所有节点表示将在较深的层中收敛到相同的值。这些缺点严重限制了gnn的深度，使其难以获得更深更丰富的空间特征。


技术实现要素：

5.本发明的主要目的在于提供一种交通流量预测方法、装置、设备及存储介质，旨在解决目前交通流量预测长期以来面临着的如下问题：(1)交通网络流量复杂的时间相关性和空间相关性难以建模；(2)现有图神经网络堆叠易产生过平滑问题，即提升感受野和堆叠网络层数之间的矛盾，这便让传统网络难以提取交通网络的时间和空间上的长程依赖。
6.为实现上述目的，本发明提供一种交通流量预测方法，所述方法包括以下步骤：
7.建立交通网络无向图g＝(v，e，a)；其中v是v＝|n|个节点的有限集，e是表示节点之间的连通性的边集，a∈rn×n表示交通网络无向图g的邻接矩阵，交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；
8.将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；
9.其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。
10.可选的，将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，输入动态图常微分网络进行交通流量预测步骤，具体包括：
11.将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，并建立空间邻接矩阵和语义相关邻接矩阵；
12.将空间邻接矩阵和语义相关邻接矩阵分别输入动态图常微分网络进行交通流量预测。
13.可选的，空间邻接矩阵的表达式，具体为：
[0014][0015]
其中d
ij
指节点i与节点j之间的距离，σ1和∈1是用来控制空间邻接矩阵稀疏度的参数。
[0016]
可选的，语义相关邻接矩阵的表达式，具体为：
[0017][0018][0019]
其中dc
t
(i,j)代表时间t时顶点i与顶点j间的动态连通性，∈2是用来控制语义邻接矩阵稀疏度的参数；
[0020][0021]st
(t
jt
,t
kt
)为时间t时顶点i与顶点j的相似性，τ
t
(i,j)为时间t时顶点i与顶点j的交互延迟；
[0022][0023][0024]
[0025]
其中1≤τ
t
(j,k)≤w，*是卷积运算。
[0026]
可选的，所述dgode层由时间膨胀卷积模块和图常微分模块组成；其中：
[0027]
时间膨胀卷积模块的表达式，具体为：
[0028][0029]
其中x∈rn×
t
×f是tcn的输入，h
l
tcn∈rn×
t
×f是tcn第l层的输出，w
l
是第l层的卷积核；
[0030]
图常微分模块的表达式，具体为：
[0031][0032]
其中h
l
∈rn×
t
×f是表示第l层节点隐藏嵌入的时空张量；
×i表示模式i的张量矩阵乘法；a^是正则化的邻接矩阵，u是时间变换矩阵，w是特征变换矩阵，h0是图神经网络的初始输入。
[0033]
可选的，所述graphsage层的表达式，具体为：
[0034][0035]
n(i)表示节点i的直接邻域节点。h
lj
为节点j在第l层的向量表示。
[0036]
可选的，所述graphsage层的聚合方式设置为pooling。
[0037]
此外，为了实现上述目的，本发明还提供了一种交通流量预测装置，所述交通流量预测装置包括：
[0038]
建立模块，用于建立交通网络无向图g＝(v，e，a)；其中v是v＝|n|个节点的有限集，e是表示节点之间的连通性的边集，a∈rn×n表示交通网络无向图g的邻接矩阵，交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；
[0039]
预测模块，用于将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；
[0040]
其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。
[0041]
此外，为了实现上述目的，本发明还提供了一种存储介质，所述存储介质上存储有交通流量预测程序，所述交通流量预测程序被处理器执行时实现上述的交通流量预测方法的步骤。
[0042]
本发明实施例提出的一种交通流量预测方法、装置、设备及存储介质，所述方法包括：建立交通网络无向图g＝(v，e，a)；交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。本发明将改进的stgode网络与graphsage模型结合提出了新的交通流量预测模型dgode，提升其模块堆叠时的性能，提高了对长程时空依赖的捕获能力，并使网络有了更好的抗过平滑性能和更快的收敛速度。
附图说明
[0043]
图1为相同图结构的交通网络的示意图；
[0044]
图2为交通网络时空结构示意图；
[0045]
图3为本发明实施例方案涉及的硬件运行环境的装置结构示意图；
[0046]
图4为本发明交通流量预测方法实施例的流程示意图；
[0047]
图5为本发明交通流量预测模型的整体架构示意图；
[0048]
图6为本发明提出的dgode块的示意图；
[0049]
图7为本发明实施例中一种交通流量预测装置的结构框图。
[0050]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0051]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0052]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0053]
如图3所示，图3是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
[0054]
如图3所示，该装置可以包括：处理器1001，例如cpu，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0055]
本领域技术人员可以理解，图3中示出的装置的结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0056]
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及交通流量预测程序。
[0057]
在图3所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的交通流量预测程序，并执行以下操作：
[0058]
建立交通网络无向图g＝(v，e，a)；其中v是v＝|n|个节点的有限集，e是表示节点之间的连通性的边集，a∈rn×n表示交通网络无向图g的邻接矩阵，交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；
[0059]
将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；
[0060]
其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。
[0061]
本发明应用于装置的具体实施例与下述应用交通流量预测方法的各实施例基本相同，在此不作赘述。
[0062]
本发明实施例提供了一种交通流量预测方法，参照图4，图4为本发明交通流量预测方法实施例的流程示意图。
[0063]
本实施例中，所述交通流量预测方法包括以下步骤：
[0064]
步骤s100，建立交通网络无向图g＝(v，e，a)；其中v是v＝|n|个节点的有限集，e是表示节点之间的连通性的边集，a∈rn×n表示交通网络无向图g的邻接矩阵，交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；
[0065]
步骤s200，将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；
[0066]
其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。
[0067]
本实施例提供了一种交通流量预测方法，通过将改进的stgode网络与graphsage模型结合提出了新的交通流量预测模型dgode，提升其模块堆叠时的性能，提高了对长程时空依赖的捕获能力，并使网络有了更好的抗过平滑性能和更快的收敛速度。
[0068]
为了更清楚的解释本技术，下面提供本技术在实际应用中的具体实例。
[0069]
基于上述提出的技术问题，本实施例在dgode模型设计中做了如下努力。一方面，将空间邻接矩阵和语义邻接矩阵分开建模，空间邻接矩阵用来表示交通网络的连通性，语义邻接矩阵建模时考虑节点间流量的关联关系。这样就避免了单一空间邻接矩阵建模时产生的语义上的模糊性。另一方面，受残差网络的启发，在层之间添加残差连接可以缓解过度平滑问题。此外已经有研究证明了具有残差连接的离散层可以视为常微分方程(ode)的离散化，在此基础上连续图神经网络(cgnn)、时空图常微分网络(stgode)进一步将常微分网络引用与图神经网络上。基于以上研究，本实施例提出dgode模块，提升其模块堆叠时的性能，并使网络有了更好的抗过平滑性能和更快的收敛速度，最终在真实交通流量数据集pems04和pems08上相较基准方法有了更好的预测性能
[0070]
本实施例中，将交通网络定义为无向图g＝(v,e,a)，其中v是v＝|n|个节点的有限集；e是表示节点之间的连通性的边集；a∈rn×n表示图g的邻接矩阵。交通网络g上的每个节点具有相同采样间隔的f个测量数据，即，每个节点在每个时间片上生成长度为f的特征向量。
[0071]
交通预测的目标是根据之前从道路网络上的n个相关传感器观测到的交通流量，预测未来的交通速度。将g上观察到的交通流表示为图信号x∈rn×f，其中f是每个节点的特征数(如车流速度、车道占用率)。假设x(t)表示在时间t观察到的交通网络信号，交通预测问题旨在学习一个函数h(
·
)，该函数将t
′
历史交通网络信号映射到未来的t交通网络信号，给定一个交通网络g：[xt-t+1,xt-t+2,...,xt；g]h(
·
)
→
[xt+1,xt+2,...,xt+t
′
]
[0072]
图5展示了本实施例提出的模型的总体框架，即动态图常微分网络。它主要由四个部分组成：由多个dgode块组成的两个动态图ode(dgode)层、graphsage层、最大池化层和输出层。一个dgode块由一个时间膨胀卷积(tcn)块和一个基于张量的ode解算器组成(图6)，用于同时捕获复杂和长距离的时空关系。将空间邻接矩阵和语义邻接矩阵分别输入到求解器中，以获得不同层次的特征。
[0073]
(1)对于邻接矩阵结构：
[0074]
为充分考虑交通网络数据中空间相关关系和时间相关关系，本实施例的模型使用
了空间邻接矩阵和语义相关邻接矩阵两种邻接矩阵。
[0075]
1.空间邻接矩阵
[0076]
空间邻接矩阵定义如下：
[0077][0078]
其中d
ij
指节点i与节点j之间的距离，σ1和∈1是用来控制空间邻接矩阵稀疏度的参数。
[0079]
2.语义相关邻接矩阵
[0080]
交通网络中，相同功能区节点交通流量模式是存在关联的，图结构完全一致，但节点功能区不同分布造成各节点实际交通流量是不同的，这样单一空间邻接矩阵就不足以表示交通网络。因此本实施例引入语义相关邻接矩阵，将节点流量模式的依赖关系引入模型。语义邻接矩阵定义如下：
[0081][0082][0083]
其中dc
t
(i,j)代表时间t时顶点i与顶点j间的动态连通性，∈2是用来控制语义邻接矩阵稀疏度的参数。具体而言，
[0084][0085]st
(t
jt
,t
kt
)为时间t时顶点i与顶点j的相似性对给定的t
jt
和t
kt
交通流相似性定义如式。τ
t
(i,j)为时间t时顶点i与顶点j的交互延迟，定义如式。
[0086][0087][0088][0089]
其中1≤τ
t
(j,k)≤w,*是卷积运算。
[0090]
(2)对于dgode层：
[0091]
dgode模块结构如图6，由时间膨胀卷积和图常微分神经网络层组成，由于其特性可以多层堆叠，能够捕获时空图数据中空间和时间上的长程依赖。
[0092]
1.tcn block
[0093]
交通序列数据间存在时间上的相关性，本发明思路是通过模块的堆叠来增加模型的感受野，即增加对长期时间相关性的提取。由于基于rnn的模型(如lstm、gru)存在堆叠时
梯度难以收敛、训练开销成倍增加等缺点，本发明采用带有残差结构的时间膨胀卷积(tcn)提取时间维度特征。
[0094][0095]
其中x∈rn×
t
×f是tcn的输入，h
ltcn
∈rn×
t
×f是tcn第l层的输出，w
l
是第l层的卷积核。为了扩大感受野，本实施例将tcn膨胀率设置为d
l
＝2
l-1
。在此过程中，通过对零填充来保持时间序列长度不变。
[0096]
2.graph ode模块
[0097]
以下为图常微分模块的定义，
[0098][0099]
其中，h
l
∈rn×
t
×f是表示第l层节点隐藏嵌入的时空张量。
×i表示模式i的张量矩阵乘法。a^是正则化的邻接矩阵，u是时间变换矩阵，w是特征变换矩阵，h0是图神经网络的初始输入。等式展开如下，
[0100][0101]
以上残差结构的可以表示为连续的常微分网络，本实施例将n替换为连续变量t，并将展开方程视为变量i从0到n上的黎曼和，即
[0102][0103]
当δ
t
＝t+1/n+1,n
→
∞时，上式可以表示为如下积分，
[0104][0105]
对上式两端微分，得到，
[0106][0107]
由上述微分方程易得图常微分网络的通用形式，
[0108][0109]
(3)对于sage层：
[0110]
graphsage作为一种经典的图神经网络，其聚合邻居节点特征运算可以表示为：
[0111][0112]
n(i)表示节点i的直接邻域节点。h
lj
为节点j在第l层的向量表示。本发明中sage层聚合方式设置为pooling。
[0113][0114][0115]
本实施例提出一种交通流量预测方法同时使用空间邻接矩阵和语义邻接矩阵，其中语义邻接矩阵的计算不依赖于交通网络拓扑等先验知识，而是通过相邻交通节点间的关联关系实现建模；提出通过dgode模块堆叠的方式扩大了预测模型的感受野，提高了对长程时空依赖的捕获能力；我们的模型将改进的stgode网络与graphsage模型结合提出了新的交通流量预测模型dgode(动态图常微分网络)，并同基线方法在真实交通数据集预测任务中进行对比中获得更好的预测性能。
[0116]
参照图7，图7为本发明交通流量预测装置实施例的结构框图。
[0117]
如图7所示，本发明实施例提出的交通流量预测装置包括：
[0118]
建立模块301，用于建立交通网络无向图g＝(v，e，a)；其中v是v＝|n|个节点的有限集，e是表示节点之间的连通性的边集，a∈rn×n表示交通网络无向图g的邻接矩阵，交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；
[0119]
预测模块302，用于将交通网络无向图g获取到的交通流表示为图信号x∈rn×f，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；
[0120]
其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。
[0121]
本发明交通流量预测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
[0122]
此外，本发明还提出一种交通流量预测设备，其特征在于，所述交通流量预测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通流量预测程序，其中：所述交通流量预测程序被所述处理器执行时实现本发明各个实施例所述的交通流量预测方法。
[0123]
本技术交通流量预测设备的具体实施方式与上述交通流量预测方法各实施例基本相同，在此不再赘述。
[0124]
此外，本发明还提出一种可读存储介质，所述可读存储介质包括计算机可读存储介质，其上存储有交通流量预测程序。所述可读存储介质可以是图3的终端中的存储器1005，也可以是如rom(read-only memory，只读存储器)/ram(random access memory，随机存取存储器)、磁碟、光盘中的至少一种，所述可读存储介质包括若干指令用以使得一台具有处理器的交通流量预测设备执行本发明各个实施例所述的交通流量预测方法。
[0125]
本技术可读存储介质中交通流量预测程序的具体实施方式与上述交通流量预测方法各实施例基本相同，在此不再赘述。
[0126]
可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第n实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0127]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排
他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0128]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0129]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0130]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种交通流量预测方法，其特征在于，所述方法包括以下步骤：建立交通网络无向图g＝(v，e，a)；其中v是v＝|n|个节点的有限集，e是表示节点之间的连通性的边集，a∈r
n
×
n
表示交通网络无向图g的邻接矩阵，交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；将交通网络无向图g获取到的交通流表示为图信号x∈r
n
×
f
，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。2.如权利要求1所述的交通流量预测方法，其特征在于，将交通网络无向图g获取到的交通流表示为图信号x∈r
n
×
f
，输入动态图常微分网络进行交通流量预测步骤，具体包括：将交通网络无向图g获取到的交通流表示为图信号x∈r
n
×
f
，并建立空间邻接矩阵和语义相关邻接矩阵；将空间邻接矩阵和语义相关邻接矩阵分别输入动态图常微分网络进行交通流量预测。3.如权利要求2所述的交通流量预测方法，其特征在于，空间邻接矩阵的表达式，具体为：其中d
ij
指节点i与节点j之间的距离，σ1和∈1是用来控制空间邻接矩阵稀疏度的参数。4.如权利要求2所述的交通流量预测方法，其特征在于，语义相关邻接矩阵的表达式，具体为：具体为：其中dc
t
(i,j)代表时间t时顶点i与顶点j间的动态连通性，∈2是用来控制语义邻接矩阵稀疏度的参数；s
t
(t
jt
,t
kt
)为时间t时顶点i与顶点j的相似性，τ
t
(i,j)为时间t时顶点i与顶点j的交互延迟；延迟；
其中1≤τ
t
(j,k)≤w，*是卷积运算。5.如权利要求4所述的交通流量预测方法，其特征在于，所述dgode层由时间膨胀卷积模块和图常微分模块组成；其中：时间膨胀卷积模块的表达式，具体为：其中x∈r
n
×
t
×
f
是tcn的输入，h
l
tcn∈r
n
×
t
×
f
是tcn第l层的输出，w
l
是第l层的卷积核；图常微分模块的表达式，具体为：其中h
l
∈r
n
×
t
×
f
是表示第l层节点隐藏嵌入的时空张量；
×
i
表示模式i的张量矩阵乘法；a^是正则化的邻接矩阵，u是时间变换矩阵，w是特征变换矩阵，h0是图神经网络的初始输入。6.如权利要求5所述的交通流量预测方法，其特征在于，所述graphsage层的表达式，具体为：n(i)表示节点i的直接邻域节点。h
lj
为节点j在第l层的向量表示。7.如权利要求6所述的交通流量预测方法，其特征在于，所述graphsage层的聚合方式设置为pooling。8.一种交通流量预测装置，其特征在于，所述交通流量预测装置包括：建立模块，用于建立交通网络无向图g＝(v，e，a)；其中v是v＝|n|个节点的有限集，e是表示节点之间的连通性的边集，a∈r
n
×
n
表示交通网络无向图g的邻接矩阵，交通网络无向图g上的每个节点具有相同采样间隔的f个测量数据；预测模块，用于将交通网络无向图g获取到的交通流表示为图信号x∈r
n
×
f
，输入动态图常微分网络进行交通流量预测，其中f是每个节点的特征数；其中，动态图常微分网络包括由多个dgode块组成的两个dgode层、graphsage层以及最大池化层和输出层。9.一种交通流量预测设备，其特征在于，所述交通流量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的交通流量预测程序，所述交通流量预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的交通流量预测方法的步骤。10.一种存储介质，其特征在于，所述存储介质上存储有交通流量预测程序，所述交通流量预测程序被处理器执行时实现如权利要求1至7中任一项所述的交通流量预测方法的步骤。

技术总结
本发明公开了一种交通流量预测方法、装置、设备及存储介质，所述方法包括：建立交通网络无向图G＝(V，E，A)；交通网络无向图G上的每个节点具有相同采样间隔的F个测量数据；将交通网络无向图G获取到的交通流表示为图信号X∈R


技术研发人员：韩璿 王炜
受保护的技术使用者：云南大学
技术研发日：2023.03.16
技术公布日：2023/7/7