(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211365516.7 (22)申请日 2022.11.03 (71)申请人 深圳市城市交通 规划设计 研究中心 股份有限公司 地址 518131 广东省深圳市龙华区民治街 道龙塘社区星河传奇花园三期商厦1 栋C座1210 (72)发明人 张晓春　吕锴超　唐铠　屈新明　 朱发玉　刘晓玲　刘美华　 (74)专利代理 机构 哈尔滨市伟晨专利代理事务 所(普通合伙) 23209 专利代理师 李冬爽 (51)Int.Cl. G06F 30/18(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 16/215(2019.01) G06F 16/29(2019.01) G08G 1/01(2006.01) (54)发明名称 一种路段缺失流量推算方法、 电子设备及存 储介质 (57)摘要 本发明提出一种路段缺 失流量推算方法、 电 子设备及存储介质， 属于 路段缺失流量推算技术 领域。 包括以下步骤： S1.根据地理信息构建路网 加权邻接矩阵； S2.对路网内不同路段的信息传 递机制建模； S3.对动态路网进行重构； S4.构建 图神经网络DGCN网络结构； S5.对图神经网络模 型参数进行训练； S6.将待推算时间段和路网节 点构建输入S5所述图神经网络模型中， 输 出推算 结果， 提取缺失流量补全路段。 本发明支持不同 的道路网络和面域文件生 成路网拓扑图， 可在大 规模城市路网中使用， 避免了流量缺失对训练数 据造成的噪点， 同时提高了 路段缺失流量推算的 准确性和推算效率。 解决了 路段缺失流量推算中 的时空模式挖掘不足的技 术问题。 权利要求书3页 说明书10页 附图5页 CN 115422694 A 2022.12.02 CN 115422694 A 1.一种路段缺失流 量推算方法， 其特 征在于， 包括以下步骤： S1.根据地理信息构建路网加权邻接矩阵； S2.对路网内不同路段的信息传递机制建模； S3.对动态路网进行重构； S4.构建图神经网络DGCN网络结构； S5.对图神经网络模型参数进行训练； S6.将待推算时间段和路网节点构建输入S5所述图神经网络模型中， 输出推算结果， 提 取缺失流 量补全路段。 2.根据权利要求1所述的一种路段缺失流 量推算方法， 其特 征在于， S1具体是： S11.将不同方向的路网转 化为单向的路网； S12.保留from_node字段、 to_node字段和权重字段， 按照用户传入的列顺序， 生成边列 表； S13.边节点集合V={V1,V2,V3,V4,V5,V6}和边集合E={E1,E2,E3,E4,E5,E6,E7,E8}对 应的拓扑 连通矩阵A如下： 将连通矩阵的节点 通过下述公式转换为基于距离的路网加权邻接矩阵： 其中， dist(vi,vj)表示从路段vi到路段vj之间的最短到达行驶距离， σ 是距离标准化参 数； 路网加权邻接矩阵： 。 3.根据权利要求2所述的一种路段缺失流量推算方法， 其特征在于， S2具体是： 其中， 表示节点i的2阶邻域对节点i的下一时刻的流量影响， i为对应的节点标号； N(2)为节点的2阶邻域； f(i)为节点状态； βj为权重系数， 刻画不同节点之间的影响程度。 4.根据权利要求3所述的一种路段缺失流 量推算方法， 其特 征在于， S3具体是： S31.排除未观测到流 量的节点， 未观测到流 量的节点 不参与动态路网重构；权　利　要　求　书 1/3 页 2 CN 115422694 A 2S32.从观测到流量的节点中随机选择no+nm个节点， 其中， no表示观测到流量的节点中 不进行流 量遮罩的节点， nm表示观测到流 量的节点中进行流 量遮罩的节点； S34.从S1中的路网加权邻接矩阵抽取no+nm个节点对应的邻接矩阵构成流量推算的动 态邻接矩阵。 5.根据权利要求4所述的一种路段缺失流量推算方法， 其特征在于， S4具体是： 采用两 个并行的图卷积 操作后拼接， 在卷积计算时， 采用切比雪夫多 项式作为图卷积的卷积核 其中， ， L为动态邻接矩阵对应的拉普拉斯矩阵， λmax为L的最大特征值， I 为相同大小的而单位矩阵； βk为网络待学细的超参数； 为切比雪夫多项式； 根据切比 雪夫多项式递推性质计算：  。 6.根据权利要求5所述的一种路段缺失流 量推算方法， 其特 征在于， S5具体是： S51.根据交通路网信息构建一张图G=(V,E)， 节点V： 每条路段， 边E: 路段之间的连接关 系； S52.对n个节点p个时间片的流 量数据生成特 征矩阵X=[X1,X2,…,Xp]； S53.生成加权邻接矩阵W； S54.输入： X∈Rn×p， 表示n条道路在过去时间段[1,p]的流 量数据； S55.生成no和nm随机数， 其中， no表示观测到流量的节点不进行流量遮 罩的节点， nm表示 观测到流 量的节点中进行流 量遮罩的节点； S56.选择一个时间点j和时间片段长度h； S57.从S53所述加权邻接矩阵中随机取样no和nm的子图， 经过取样后， 各特征数据标记 如下： 表示在[j,j+h)时间段的取样的流 量矩阵； 表示取样加权邻接矩阵； 表示0‑1遮罩矩 阵； 表示遮罩后的流 量矩阵； S58.对网络参数进行训练： 作为模型输入， 模型前向传播： ， F为图神经流量推算模型； 损失函数： ； 模型后向传播： Loss Backward。 7.根据权利要求6所述的一种路段缺失流 量推算方法， 其特 征在于， S6具体是： S61.选择一个时间区间；权　利　要　求　书 2/3 页 3 CN 115422694 A 3