一种基于ETC门架数据的高速公路车辆速度预测方法

一种基于etc门架数据的高速公路车辆速度预测方法
技术领域
1.本发明涉及高速公路交通信息预测技术领域，尤其涉及一种基于etc门架数据的高速公路车辆速度预测方法。


背景技术：

2.高速公路凭借其高容量和低时间成本，成为城市间出行的首选方式。由于社会和经济发展，传统的交通管理技术难以应对日益增加的交通压力，高速公路迫切需要开发一套智能交通系统(intelligent transportation systems，its)。对its交通信息的准确预测，出行者可以在出发前制定合理的出行路线，提高出行的效率,道路管理部门]可以有效地进行交通诱导，缓解交通拥堵等问题。如何更有效的利用etc门架系统所能提供的海量信息，为高速公路运营管理和服务提供支持，是当前高速公路运营管理和服务的难题之一。
3.高速公路交通速度预测是交通管控的一个重要环节，目前的研究多以车辆检测器数据和浮动车数据等为基础进行预测，在取消了省界收费站后，基于etci架系统的速度预测与评估的相关研究相对较少，因此，利用etc门架数据进行速度预测研究的课题较为新颖。采用车辆检测器数据和浮动车数据进行速度预测，其结果存在如下问题。车辆检测器密度低，损坏率高,严重影响了数据的完整性，使最终结果精度较低；浮动车数据存在着检测对象随机性和不全面性等缺点。


技术实现要素：

4.本发明的目的在于提供一种基于etc门架数据的高速公路车辆速度预测方法。
5.本发明采用的技术方案是：
6.一种基于etc门架数据的高速公路车辆速度预测方法，其包括以下步骤：
7.步骤1，构建高速公路路网时空od数据：采集获取etc门架数据，根据高速公路路网拓扑对etc门架数据按交易时间进行排序形成时空od数据集；
8.步骤2，od数据预处理：在对部分轨迹的缺失数据进行插值后得到各区段的车辆行驶时间，并利用车辆通行时间异常值检测算法进行异常检测，以构建区段速度数据集；
9.步骤3，时空特征提取：将区段速度时间序列数据采用多尺度小波分解得到分解后的区段速度，利用图卷积神经网络(graph convolutional networks，gcn)捕捉区段速度的空间特征信息，并利用门控循环单元(gated recurrent unit，gru)捕获区段速度的时间特征信息；
10.步骤4，输出结果：输出每个重构单分支序列的预测值的数值总和，得到考虑时空特征的整体速度预测结果。
11.进一步地，步骤1中根据高速公路路网拓扑obu plate和flag id组中的数据、etc、mtc交易数据迭代，对交易时间进行排序形成时空od数据集。
12.进一步地，步骤2中车辆通行时间离群值检测算法同时利用箱线图的上下限和距离数据统计分布的中心点阈值来进行异常点检测，确定异常通行时间数据过滤的阈值区间
并将在阈值之外的数据剔除，进而在海量的etc门架交易数据中快速滤除异常数据。
13.具体地，通行时间数据过滤的阈值区间如下：
14.t
down
＝max(t
25％-1.5
×
(t
75％-t
25％
),t
mean-2σ)
15.t
up
＝min(t
75％
+1.5
×
(t
75％-t
25％
),t
mean
+2σ)
16.其中，t
25％
表示大于车辆通行时间25％的时间，t
75％
表示大于车辆通行时间75％的时间，为车辆通行时间的平均值，σ表示车辆通行时间的标准差。
17.最终的车辆通行时间有效区间δt∈[t
down
,t
up
]。车辆在某时间段内通过某区段的车辆通行时间在δt范围内，则直接生成该车辆经过该区段的车辆平均速度，最后以15分钟为统计窗口生成该区段速度。
[0018]
进一步地，步骤3中在gcn-gru模型的基础上引入小波变换通过对高速公路交通速度分解与重构，捕捉高速公路交通速度的时空变化趋势；将计算得到的区段速度信号滤除噪声信号，得到相对准确的区段速度数据。
[0019]
进一步地，步骤3中选择sym5小波作为基函数，分解层数设置为3。
[0020]
具体地，步骤3中分解的层数不能太多或太少。如果分解次数层数过多，会降低区段速度序列的变化规律和趋势。如果分解层数过少，不同频率的信号无法有效分离原始段速度信号中的特征。根据对现有的关于时间序列数据降噪的小波变换研究，分解层数设置为3。分解的高频部分使用阈值函数处理每一层中的信号，将分解后的最后一层的低频速度信号与各层阈值处理后的高频速度信号进行重构，得到降噪的路段速度数据。
[0021]
本发明采用以上技术方案，将gcn与gru结合起来，考虑到节点的空间特征以及节点的时间序列特征，可以更好地改进预测结果。
附图说明
[0022]
以下结合附图和具体实施方式对本发明做进一步详细说明；
[0023]
图1为本发明高速公路速度预测框架结构示意图；
[0024]
图2为本发明wstgcn模型结构示意图；
[0025]
图3为原始区段速度分解结果示意图；
[0026]
图4为不同隐藏单元下预测性能的比较示意图；
[0027]
图5为15分钟的可视化结果示意图；
[0028]
图6为不同模型的不同时间的比较示意图。
具体实施方式
[0029]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图对本技术实施例中的技术方案进行清楚、完整地描述。
[0030]
etc门架数据记录了几乎所有高速公路上车辆的行驶信息，与车辆检测器数据和浮动车数据相比，etc门架数据具有更全面可靠，且数据质量更高，覆盖高速公路路网更广的优点。
[0031]
如图1至6之一所示，本发明公开了一种基于etc门架数据的高速公路车辆速度预测方法，其包括以下步骤：
[0032]
步骤1，构建高速公路路网时空od数据：采集获取etc门架数据，根据高速公路路网拓扑对etc门架数据按交易时间进行排序形成时空od数据集；
[0033]
进一步地，步骤1中根据高速公路路网拓扑obu plate和flag id组中的数据、etc、mtc交易数据迭代，对交易时间进行排序形成时空od数据集。
[0034]
步骤2，od数据预处理：在对部分轨迹的缺失数据进行插值后得到各区段的车辆行驶时间，并利用车辆通行时间异常值检测算法进行异常检测，以构建区段速度数据集；
[0035]
进一步地，车辆通行时间离群值检测算法同时利用箱线图的上下限和距离数据统计分布的中心点阈值来进行异常点检测，确定异常通行时间数据过滤的阈值区间并将在阈值之外的数据剔除，进而在海量的etc门架交易数据中快速滤除异常数据。
[0036]
具体地，通行时间数据过滤的阈值区间如下：
[0037]
t
down
＝max(t
25％-1.5
×
(t
75％-t
25％
),t
mean-2σ)
[0038]
t
up
＝min(t
75％
+1.5
×
(t
75％-t
25％
),t
mean
+2σ)
[0039]
其中，t
25％
表示大于车辆通行时间25％的时间，t
75％
表示大于车辆通行时间75％的时间，为车辆通行时间的平均值，σ表示车辆通行时间的标准差。
[0040]
最终的车辆通行时间有效区间δt∈[t
down
,t
up
]。车辆在某时间段内通过某区段的车辆通行时间在δt范围内，则直接生成该车辆经过该区段的车辆平均速度，最后以15分钟为统计窗口生成该区段速度。
[0041]
步骤3，时空特征提取：将区段速度时间序列数据采用多尺度小波分解得到分解后的区段速度，利用图卷积网络(graph convolutional networks，gcn)捕捉区段速度的空间特征信息，并利用门控循环单元(gated recurrent unit，gru)捕获区段速度的时间特征信息；
[0042]
进一步地，步骤3中在gcn-gru模型的基础上引入小波变换通过对高速公路交通速度分解与重构，捕捉高速公路交通速度的时空变化趋势；将计算得到的区段速度信号滤除噪声信号，得到相对准确的区段速度数据。
[0043]
进一步地，步骤3中选择sym5小波作为基函数，分解层数设置为3。
[0044]
具体地，步骤3中分解的层数不能太多或太少。如果分解次数层数过多，会降低区段速度序列的变化规律和趋势。如果分解层数过少，不同频率的信号无法有效分离原始段速度信号中的特征。根据对现有的关于时间序列数据降噪的小波变换研究，分解层数设置为3。分解的高频部分使用阈值函数处理每一层中的信号，将分解后的最后一层的低频速度信号与各层阈值处理后的高频速度信号进行重构，得到降噪的路段速度数据。
[0045]
步骤4，输出结果：输出每个重构单分支序列的预测值的数值总和，得到考虑时空特征的整体速度预测结果。
[0046]
下面就本发明的具体原理做详细说明：
[0047]
如图1所示，高速公路速度预测框架：定义高速公路两个相邻etc门架构成一个高速公路区段qd，简称区段qd＝{q,distance}，q＝《node1,time1,node2,time2》，其中，node1为区段起点，node2为区段终点，distance为区段的实际距离；高速公路研究范围内的所有区段qd组成高速公路路网lw，lw＝{qd1,
…
,qdn}；第i辆车途径某一区段的时间差称为车辆通行时间δti；某个时间段内经过同一区段的车辆平均速度称为区段速度v。
[0048]
本发明基于wstgcn模型预测高速公路路段速度，主要分为四个模块：高速公路路网时空od数据构建模块、od数据预处理模块、时空特征提取模块、输出模块。图1显示了整个高速公路速度预测的框架结构。高速公路路网时空od数据构建模块由高速公路路网拓扑数据、etc门架数据组成。根据高速公路路网拓扑obu plate和flag id组中的数据、etc、mtc交易数据迭代，然后对交易时间进行排序，形成时空od数据集。数据预处理模块包括数据插值模块、车辆通行时间构建模块、车辆通行时间异常检测模块，区段速度生成模块。在对部分轨迹的缺失数据进行插值后，构建各区段的车辆行驶时间，然后利用车辆通行时间异常值检测算法进行异常检测，最后构建区段速度数据集。时空特征提取模块包括小波变换、gcn、gru。将多尺度小波分解应用于区段速度时间序列数据，分解和重构得到单分支重构后的区段速度，其中gcn用于捕捉区段速度的空间特征信息，gru用于捕获区段速度的时间特征信息。最终由输出模块输出每个重构单分支序列的预测值的数值总和，得到考虑时空特征的整体速度预测结果。
[0049]
etc门架数据采集过程中，由于受设备异常、无线串扰、恶劣天气等无法控制的随机因素影响，导致采集到的etc门架数据中主要存在以下三种异常问题。(1)数据冗余：多组数据之间重复。(2)数据缺失：数据未能有效采集的问题出现。比如出入口站日期、时间、车种、车型等字段缺失。(3)数据错误：数据记录与正常行车规则不相符的数据，比如入口站日期晚于出口站日期、出入口编号错误，无法对应实际收费站。这些异常数据极大地降低了etc大数据的挖掘应用价值。为了减小错误数据对建立的预测模型精度的影响，增加预测可靠性，首先会对这类数据进行剔除。
[0050]
将异常的etc门架交易数据剔除后，按照时间先后顺序构建每辆车的行驶轨迹，用高速公路路网的etc门架拓扑集合对每辆车的行车轨迹进行etc门架搜索，遍历车辆行驶轨迹中两个相邻etc门架，查看两个相邻门架拓扑关系是否存在于高速公路路网的etc门架拓扑集合中，如果存在，则直接计算车辆通过该区段的通行时间。如果不存在，以这两个门架进行路段搜索，插补车辆的行驶轨迹，根据搜索结果计算车辆通过该路段的平均速度，将该平均速度作为通过这两个门架之间的所有区段的平均速度，根据插补后的车辆行驶轨迹，可以求出每个区段的通行时间。
[0051]
构建了车辆通行时间数据后，客观上所有的数据都是合理数据。但其中包含部分异常状态下的驾驶行为的etc门架交易数据，比如某一辆车的通行时间明显比同种车型正常情况下的通行时间过大或过小。因此，提出车辆通行时间离群值检测算法对这类数据进行进一步剔除。在etc门架交易数据中，仅有少量车辆的通行时间比正常时间更短，大部分异常数据均为车辆通行时间偏大，并且存在着不均匀的误差区间。仅采用离群信息检测算法，则75％分位数值相对较高，而25％分位数值则较为接近样本平均值，不能完全剔除远低于车辆通行时间样本均值的数据。因此将两种方法进行组合可以很好地解决这个问题。车辆通行时间离群值检测算法的基本思想是同时利用箱线图的上下限和距离数据统计分布的中心点阈值来进行异常点检测，确定异常通行时间数据过滤的阈值区间，并将在这个阈值之外的数据剔除，进而在海量的etc门架交易数据中快速滤除异常数据。
[0052]
t
down
＝max(t
25％-1.5
×
(t
75％-t
25％
),t
mean-2σ)
[0053]
t
up
＝min(t
75％
+1.5
×
(t
75％-t
25％
),t
mean
+2σ)
[0054]
t
25％
表示大于车辆通行时间25％的时间，t
75％
表示大于车辆通行时间75％的时间，
为车辆通行时间的平均值，σ表示车辆通行时间的标准差。最终的车辆通行时间有效区间δt∈[t
down
,t
up
]。车辆在某时间段内通过某区段的车辆通行时间在δt范围内，则直接生成该车辆经过该区段的车辆平均速度，最后以15分钟为统计窗口生成该区段速度。
[0055]
在gcn-gru模型的基础上引入小波变换，通过对高速公路交通速度分解与重构，捕捉高速公路交通速度的时空变化趋势。预测模型结构如图2所示，包含三个部分：(a)小波变换(b)gcn(c)gru。
[0056]
高速公路etc门架数据因其周期性波动而产生大量噪声，而含噪声的数据对于速度预测的结果造成很大影响。在实际交通分析中，已知实际速度信号通常是低频速度信号或相对稳定的速度信号，而噪声信号是更多的高频速度信号。因此，借助小波变换相关理论，将计算得到的区段速度信号滤除噪声信号，得到相对准确的区段速度数据。
[0057]
在高速公路速度预测中，原始路段速度数据由一组非平滑时间序列数据构成。在许多小波变换函数中，sym小波函数是一个线性相位、近似对称的双正交函数。且平滑度更好，计算更简单，在相关方面取得了不错的研究效果。sym5是sym小波族中常用的小波之一。因此，本发明选择sym5小波作为基函数。分解的层数不能太多或太少。如果分解次数层数过多，会降低区段速度序列的变化规律和趋势。如果分解层数过少，不同频率的信号无法有效分离原始段速度信号中的特征。根据对现有的关于时间序列数据降噪的小波变换研究，分解层数设置为3。分解的高频部分使用阈值函数处理每一层中的信号。最后，将分解后的最后一层的低频速度信号与各层阈值处理后的高频速度信号进行重构，得到降噪的路段速度数据。分解结果如图3所示。将分解后区段速度时间序列数据，重构得到单分支重构后的区段速度，利用图卷积网络(graph convolutional networks，gcn)捕捉区段速度的空间特征信息，门控循环单元(gated recurrent unit，gru)用于捕获区段速度的时间特征信息。
[0058]
实验数据准备：
[0059]
表1：etc交易数据部分字段描述
[0060]
序号字段名字段属性示例1tradeid交易号3502*****32562tradetime交易时间2020/6/1 01:00:003gantryid门架编号g00************00104obuplate设备车牌蓝闽a1***55vehclass车辆类型16entime进站时间2020/6/1 00:00:007enstation入口收费站1**18passid行程编号013************5529
[0061]
实验结果分析：本次实验选用sym5小波，分解层数为3层，同时将模型参数学习率设定为0.001，batch size设置为64，training epoch设置为3000。因为预测精度可能会受到不同数量的隐藏单元的影响。所以尝试了不同隐藏单元的数量，并通过比较预测来选择最佳隐藏单元的数量。从[16，32，64，128]中选择隐藏单元的数量并分析预测精度的变化。如图4所示，横轴表示隐藏单元的数量，纵轴表示不同度量的变化。当隐藏单元的数量为64
时，rmse和mae最小。随着隐藏单元数量的增加，预测准确率先增加后减少。其主要原因是，当隐藏单元的数量超过一定程度时，模型的复杂度和计算难度大大增加，导致预测精度降低。因此，在所有实验中，将隐藏单元的数量设置为64。同时在训练过程中选择adam优化器，将其用来计算和更新模型训练与输出的网络参数，使参数接近或达到最优值。
[0062]
实验采用12个历史数据预测未来15分钟、30分钟和45分钟的区段速度。图5(a)(b)(c)(d)分别是从16个区段挑选出的4个区段，利用wstgcn模型预测未来15分钟区段速度的可视化的结果。图中黑色表示预测的区段速度，红色表示真实的区段速度，rmse，mae所标注的数值表示该区段整体的评价指标，橙色柱状与绿色柱状分别表示每三个小时计算的rmse，mae。从图5中可以看出，预测速度与实际速度的变化趋势相似，rmse与mae之间的变化幅度较小，表明该模型能够准确交通速度。从图5(c)(d)可以看出，在交通速度变化复杂的区段，预测精度将会有所降低。从红色矩形的位置中看出，该模型面对突然变化的速度，也能够捕获相似地变化趋势。为了验证wstgcn模型的可靠性，采用8种基线方法去对比。这8种基线方法分别是ha，svr，arima，stdn，lstm，gcn，gru，gcn-gru。
[0063]
表2显示了预测未来15分钟，不同预测模型的评估指标结果。可以看出，wstgcn的所有指标都优于基线方法。与gcn-gru模型相比，wstgcn的rmse比gcn-gru低20.28％，wstgcn的mae比gcn-gru低11.69％。因为gcn-gru模型没有考虑数据的波动性，导致预测精度较低，同时证明了使用wstgcn来提高预测的准确性是可行的。
[0064]
与stdn相比，wstgcn的rmse降低了21.24％，mae降低了12.72％，这表明现实的高速公路路网结构，gcn捕捉的空间相关性优于cnn。与gcn相比，wstgcn的rmse降低了55.68％，mae降低了59.13％，说明只考虑高速公路节点的空间特征，不考虑其特征属性的时间特征，无法得出很好预测结果。与gru和lstm相比，wstgcn的rmse降低20.74％、21.10％，mae降低13.18％、14.01％，这表明忽略节点之间的相关性，在高速公路之间进行路段速度预测时也没有达到很好的预测效果。因此，将gcn与gru结合起来，考虑到节点的空间特征以及节点的时间序列特征，可以更好地改进预测结果。其次，gru的rmse降低了79.91％，并且mae比gcn低53.72％，这是因为gcn只考虑空间高速公路节点特征，不考虑路段时间特征节点特征向量，也表明未来的区段速度更依赖关于历史时间序列的区段速度。与gru相比，ha的rmse，arima和svr分别高出约46.87％、54％和1.19％，与wstgcn相比，ha、arima和svr的rmse分别高出大约57.64％、63.33％和21.22％，其中主要是由于它们对复杂时空数据的非线性拟合能力较差。
[0065]
表2：15分钟速度预测的比较
[0066]
modelrmsemaeaccuracyr2varha5.26822.94060.94570.47640.4764arima6.08584.21990.93640.00250.0011svr2.83281.49030.97080.84890.8489lstm2.82481.48720.97080.84910.8491gcn5.03583.12890.94810.52430.5263gru2.81581.47290.97080.85130.8493stdn2.83351.46520.97090.85180.8518gcn-gru2.79921.44810.97110.85250.8525
wstgcn2.23161.27880.97710.90600.9063
[0067]
然后，进一步讨论了wstgcn和其他模型在不同时间段的预测性能，并用不同的模型预测了未来30分钟、45分钟的区段速度，并比较它们的预测性能。表3和表4比较了不同模型在不同时间间隔对区段速度预测的影响。对于30分钟与45分钟的速度预测，wstgcn与gcn-gru相比，rmse分别降低了18.85％，8.67％。wstgcn与gru相比，rmse分别降低了22.34％，19.21％。wstgcn与gcn相比，rmse分别降低了45.66％，33.19％。表明wstgcn模型长期预测情况下，也能够很好的捕获区段速度的空间特性与时间特性。
[0068]
表3：30分钟速度预测的比较
[0069]
modelrmsemaeaccuracyr2varha5.46183.05030.94370.43790.4379arima6.08584.21990.93640.00250.0011svr4.11622.22210.95750.68210.6821lstm3.75312.19420.95860.71060.7106gcn5.03583.12890.94810.51450.5166gru3.56072.13050.96040.72580.7289stdn3.45161.94820.96380.76840.7692gcn-gru3.40741.81170.96490.78160.7819wstgcn2.76511.59060.97150.85590.8569
[0070]
表4：45分钟速度预测的比较
[0071][0072][0073]
图6显示了不同模型在30分钟和45分钟的评估指标。与其他模型相比，wstgcn的rmse和mae仍然较低。随着预测时间的增加，模型的准确性逐渐减少，但是wstgcn在不同的时间长度下仍然具有较高的准确性。所以，wstgcn具有良好的长期预测能力。
[0074]
本发明采用以上技术方案，将gcn与gru结合起来，考虑到节点的空间特征以及节点的时间序列特征，可以更好地改进预测结果。
[0075]
显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。

技术特征：
1.一种基于etc门架数据的高速公路车辆速度预测方法，其特征在于：其包括以下步骤：步骤1，构建高速公路路网时空od数据：采集获取etc门架数据，根据高速公路路网拓扑对etc门架数据按交易时间进行排序形成时空od数据集；步骤2，od数据预处理：在对部分轨迹的缺失数据进行插值后得到各区段的车辆行驶时间，并利用车辆通行时间异常值检测算法进行异常检测，以构建区段速度数据集；步骤3，时空特征提取：将区段速度时间序列数据采用多尺度小波分解得到分解后的区段速度，利用图卷积神经网络gcn捕捉区段速度的空间特征信息，并利用门控循环单元gru捕获区段速度的时间特征信息；步骤4，输出结果：输出每个重构单分支序列的预测值的数值总和，得到考虑时空特征的整体速度预测结果。2.根据权利要求1所述的一种基于etc门架数据的高速公路车辆速度预测方法，其特征在于：步骤1中根据高速公路路网拓扑obu plate和flag id组中的数据、etc、mtc交易数据迭代，对交易时间进行排序形成时空od数据集。3.根据权利要求1所述的一种基于etc门架数据的高速公路车辆速度预测方法，其特征在于：步骤2中车辆通行时间离群值检测算法同时利用箱线图的上下限和距离数据统计分布的中心点阈值来进行异常点检测，确定异常通行时间数据过滤的阈值区间并将在阈值之外的数据剔除，进而在海量的etc门架交易数据中快速滤除异常数据。4.根据权利要求3所述的一种基于etc门架数据的高速公路车辆速度预测方法，其特征在于：通行时间数据过滤的阈值区间如下：t
down
＝max(t
25％-1.5
×
(t
75％-t
25％
),t
mean-2σ)t
up
＝min(t
75％
+1.5
×
(t
75％-t
25％
),t
mean
+2σ)其中，t
25％
表示大于车辆通行时间25％的时间，t
75％
表示大于车辆通行时间75％的时间，表示大于车辆通行时间75％的时间，为车辆通行时间的平均值，σ表示车辆通行时间的标准差；最终的车辆通行时间有效区间δt∈[t
down
,t
up
]。5.根据权利要求1所述的一种基于etc门架数据的高速公路车辆速度预测方法，其特征在于：步骤3中在gcn-gru模型的基础上引入小波变换通过对高速公路交通速度分解与重构，捕捉高速公路交通速度的时空变化趋势；将计算得到的区段速度信号滤除噪声信号，得到相对准确的区段速度数据。6.根据权利要求1或5所述的一种基于etc门架数据的高速公路车辆速度预测方法，其特征在于：步骤3中选择sym5小波作为基函数，分解层数设置为3。7.根据权利要求6所述的一种基于etc门架数据的高速公路车辆速度预测方法，其特征在于：分解的高频部分使用阈值函数处理每一层中的信号，将分解后的最后一层的低频速度信号与各层阈值处理后的高频速度信号进行重构，得到降噪的路段速度数据。

技术总结
本发明公开一种基于ETC门架数据的高速公路车辆速度预测方法，采集获取ETC门架数据，根据高速公路路网拓扑对ETC门架数据按交易时间进行排序形成时空OD数据集；在对部分轨迹的缺失数据进行插值后得到各区段的车辆行驶时间，并利用车辆通行时间异常值检测算法进行异常检测，以构建区段速度数据集；将区段速度时间序列数据采用多尺度小波分解和重构得到单分支重构后的区段速度，利用图卷积网络GCN捕捉区段速度的空间特征信息，并利用门控循环单元GRU捕获区段速度的时间特征信息；输出每个重构单分支序列的预测值的数值总和，得到考虑时空特征的整体速度预测结果。本发明将GCN与GRU结合起来，考虑到节点的空间特征以及节点的时间序列特征，以更好地改进预测结果。以更好地改进预测结果。以更好地改进预测结果。


技术研发人员：邹复民 任强 邢悦 罗旭 黄世彬 王浩琳 李楠 吴松洋 林子杨
受保护的技术使用者：福建工程学院
技术研发日：2022.12.31
技术公布日：2023/6/27