一种城市路网的交通流量预测方法及系统

技术领域

本发明涉及智能交通技术领域，特别是涉及一种城市路网的交通流量预测方法及系统。

背景技术

交通流量预测是智能交通系统的重要组成部分，及时准确的交通流量预测有助于实现实时动态的交通灯控制和城市道路规划，缓解巨大的交通拥堵问题，提高公共交通的安全性和便利性。但是由于交通数据的复杂空间和时间依赖性，使得准确实时的交通流量预测一直富有挑战性。

空间依赖性是指交通流量的变化受城市路网的拓扑结构的限制，不仅体现在上游路段的交通状态对下游路段的传递作用，以及下游路段的交通状态对上游路段的回溯影响，而且体现在距离相隔较远的路段之间的交通状态也会相互产生间接的影响。时间依赖性是指交通流量是随时间动态变化的，某一路段上的交通流量逐渐向邻近区域扩散，即上一时刻的交通状态必然会对其下一时刻流量产生很大的影响；另外，随着时间的推移，由于受早晚高峰周期、人们每天的生活规律等因素的影响，交通流量的变化会呈现周期性和趋势性。因此，如何充分利用交通流量的时空相关性是解决预测问题的关键。

在过去的几十年里关于交通预测的研究从未停止过。早期的方法，如自回归综合移动平均(ARIMA)模型、支持向量回归机(SVR)模型、K近邻模型、贝叶斯模型，但这些方法不能有效地刻画复杂的非线性时空依赖性。近年来，通过卷积神经网络(CNN)与递归神经网络(RNN)结合，进行时空交通流量预测，该方法在捕获时空特征方面存在一定的局限性。将融入注意力机制的门控循环单元应用到交通流量预测，可以捕获交通数据的长期动态时间依赖性。通过卷积神经网络(CNN)与RNN或其变体(RNNs)结合的方法，捕捉交通数据的时空特征以预测交通流量，该方法具有一定的局限性。一方面，RNNs主要提取静态的时间相关性，适用于短期的交通预测。考虑到注意机制在依赖关系建模方面的高效率和灵活性，将注意力机制应用于交通预测来捕获时间序列的动态长期依赖性。随着图卷积网络模型(GCN)的发展，基于谱图理论，提出了用于交通预测的时空图卷积神经网络、扩散卷积递归神经网络、数据驱动图滤波的图卷积神经网络、交通图卷积递归神经网络。另一方面，传统的卷积运算只能捕捉规则网格结构的特征，无法处理复杂的城市网络拓扑结构的交通流量数据。随着图卷积网络模型(GCN)的发展，它可以捕获图网络结构的交通流量特征，为上述的问题提供了一个很好的解决方案。有研究学者通过改进图卷积网络，可以提取图中局部特征，但是缺乏灵活性。由于图卷积神经网络不能很好的提取图中的局部空间特征，在基于谱图理论提出的用于交通预测的时空图卷积神经网络、扩散卷积递归神经网络、图卷积递归神经网络这些基于图卷积的模型中，局部特征提取过程缺乏灵活性仍然是一个大问题，因此无法准确预测交通流量。

发明内容

本发明的目的是提供一种城市路网的交通流量预测方法及系统，能够准确预测交通流量。

为实现上述目的，本发明提供了如下方案：

一种城市路网的交通流量预测方法，包括：

建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔；

建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元；

利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量；

将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。

可选的，所述建立训练数据集，具体包括：

对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通；

根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻；

获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列；

根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。

可选的，所述建立图小波注意力门控循环神经网络模型，具体包括：

使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵；

使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。

可选的，所述将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，之前还包括：

对待预测的城市路网建模，得到待预测的城市路网的无向图；

根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵；

获取待预测的城市路网的时间序列向量矩阵。

可选的，所述时间间隔为5分钟。

为实现上述目的，本发明还提供了如下方案：

一种城市路网的交通流量预测系统，包括：

训练数据集建立模块，用于建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔；

图小波注意力门控循环神经网络模型建立模块，用于建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元；

训练和优化模块，用于利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量；

预测模块，用于将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。

可选的，所述训练数据集建立模块，具体包括：

城市路网建模单元，用于对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通；

邻接矩阵生成单元，用于根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻；

时间序列向量矩阵获取单元，用于获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列；

训练数据集建立单元，用于根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。

可选的，所述图小波注意力门控循环神经网络模型建立模块，具体包括：

基于小波变换的图卷积神经网络建立单元，用于使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵；

门控循环神经网络建立单元，用于使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。

可选的，还包括：

城市路网建模模块，用于对待预测的城市路网建模，得到待预测的城市路网的无向图；

邻接矩阵生成模块，用于根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵；

时间序列向量矩阵获取模块，用于获取待预测的城市路网的时间序列向量矩阵。

可选的，所述时间间隔为5分钟。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开的城市路网的交通流量预测方法及系统，一方面，为了能够处理任意图形结构的交通数据并很好地捕获城市道路的局部空间特征，利用基于小波变换的图卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征；另一方面，为了避免图小波卷积只能很好地捕获交通数据的局部空间特征，但忽略时间特征，因此不能够准确预测城市交通流量的问题，将得到的具有局部空间特征的时间序列向量和注意力机制融入到门控循环神经网络，并通过门控循环神经网络中多个门控循环单元之间的信息传递捕捉交通流的长期动态时间特征，从而能够准确预测城市交通流量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明城市路网的交通流量预测方法实施例1的流程图；

图2为本发明城市路网的交通流量预测方法实施例2的概述示意图；

图3为本发明图小波注意力门控循环神经网络模型的结构框架示意图；

图4为本发明城市路网的交通流量预测方法实施例2的流程图；

图5为本发明实施例2的预测结果与真实交通流的可视化分析示意图；

图6为本发明城市路网的交通流量预测系统实施例3的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种城市路网的交通流量预测方法及系统，能够准确预测交通流量。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1：

图1为本发明城市路网的交通流量预测方法实施例1的流程图。参见图1，该城市路网的交通流量预测方法包括：

步骤101：建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔。

该步骤101具体包括：

对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通。

根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；若两所述节点之间连通，则两所述节点相邻，两所述节点对应的邻接矩阵中的元素值为1，若两所述节点之间不连通，则两所述节点不相邻，两所述节点对应的邻接矩阵中的元素值为0；所述邻接矩阵表示路段之间是否相邻。

获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列。

根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。

该步骤101中，所述时间间隔为5分钟。

步骤102：建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元。

该步骤102具体包括：

使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵。

使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。

步骤103：利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量。

步骤104：将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。

该步骤104之前还包括：

对待预测的城市路网建模，得到待预测的城市路网的无向图。

根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵。

获取待预测的城市路网的时间序列向量矩阵。

实施例2：

图2为本发明城市路网的交通流量预测方法实施例2的概述示意图。参见图2，该城市路网的交通流量预测方法基于图小波注意力门控循环神经网络模型进行城市路网的交通流量预测，如图2方法概述：

首先，将城市路网建模为无向图结构，图的节点表示路段，图的边表示交叉口之间的连通性，路段的时间序列为节点的交通流的属性特征。路段的时间序列为某一段路在以5分钟为单位的时间段内的交通流量。

其次，将上述得到的图和历史交通时间序列作为输入，利用图小波注意力门控循环神经网络模型捕捉交通流的长期时间变化特征和复杂空间特征，以及包含交通数据时空特性的隐藏单元的状态。具体的捕捉方法为：将图的邻接矩阵和历史交通时间序列作为输入，通过图小波卷积网络，即基于小波变换的图卷积神经网络，得到具有空间特征的序列，结合融入注意力机制的多个门控循环单元获得交通流长期动态相关性。

然后，将上述得到的隐藏状态输入全连接层，得到所有路段上的预测结果。预测结果即每段路在以5分钟为单位的时间段内的交通流量。

最后，利用不同的评价指标对模型的预测结果与真实值进行对比评估。

进一步地，具体的建模过程如下：

步骤1：构造一个具有结构化的时序无向图G＝(V,E)来描述路网的拓扑结构，其中V是一组节点集，也称为图的顶点集，V＝{v

步骤2：设空间路网G上任意节点都会产生一个时间序列向量X，时间序列向量X即为特征向量，X＝(X

步骤3：定义拉普拉斯矩阵和拉普拉斯矩阵的特征向量。根据邻接矩阵A，将拉普拉斯矩阵定义为L＝D-A，其中D∈R

步骤4：图卷积。将归一化的拉普拉斯矩阵的特征向量U作为一组基，则图G上的信号向量x∈R

其中z为卷积核，⊙是哈达马积，

步骤5：与图的傅立叶变换相似，图小波变换采用一组小波作为基，定义为

步骤6：以图小波为基，将图G上信号向量x的图小波变换定义为

步骤5-6即根据步骤3-4得到图小波卷积的过程，步骤3-6即使用小波变换替换图卷积中傅立叶变换的过程。

步骤7：使用GRU获得历史隐藏层状态h

步骤8：将得到的隐藏状态h

步骤9：构造注意力函数，计算所有的隐藏状态h

步骤10：由原始隐藏状态h

步骤7-10即注意力机制融合门控循环单元的过程。

步骤11：所提出的图小波注意力门控循环神经网络模型的框架如图3所示，模型的输入是对路网建立的无向图和各路段的时间序列。首先将路网流量信息转换为向量(X

步骤12：将获得的具有空间特征的时间序列和注意力机制融入到门控递归单元，并利用单元之间的信息传递来获得时间的动态变化，以捕获长期时空相关性。其中，具有空间特征的时间序列指的是将邻接矩阵和特征向量作为输入，通过图小波卷积网络后的输出。注意力机制是用来更新门控神经网络隐藏层状态的，如步骤8所示。

步骤13：最后通过全连接层得到预测结果。具体计算过程如下所示：

其中u

步骤11-13即将处理后的无向图和各路段的时间序列输入到图小波注意力门控循环神经网络模型中，得到训练和优化后的模型的过程。

图4为本发明城市路网的交通流量预测方法实施例2的流程图。参见图4，该城市路网的交通流量预测方法包括：

(1)数据介绍，数据主要包括两部分，一是描述路段之间空间拓扑关系的邻接矩阵，矩阵中的值表示路段之间的连通关系；二是描述路段上交通流变化的特征矩阵，矩阵的行表示路段，列为路段上时间步长为5分钟的交通流量。

(2)设置参数，手动调整学习率为0.001，批量大小为32，训练迭代次数为1000，设置隐藏单元的数量为64。此外，使用Adam optimizer来优化模型。将步骤(1)中的数据输入如图3所示的交通流预测模型中，得到预测结果。

(3)评价指标，使用y

均方根误差(RMSE)：

平均绝对误差(MAE)：

准确率(Accuracy)：

其中，F表示误差的集合；

决定系数(R

其中，RESM和MAE可以测量预测的误差：数值与预测效果呈负相关；Accuracy能够检测预测的精度：数值与预测效果呈正相关；R

(4)将基于图小波注意力门控递归神经网络(GW-AGRU)模型(GW-AGRU模型)，即该实施例提出的图小波注意力门控循环神经网络模型的性能与以下基线方法进行比较，实验结果如下表：

表1 GW-AGRU模型性能与其他基线方法实验结果比较表

从表1中可以发现，相比于基准模型，GW-AGRU模型具有较高的预测性能。图5展示了2019.08.19一天交通流的可视化结果，其中横轴代表时间，纵轴代表交通流量，从图5中可以看出，使用GW-AGRU模型预测的交通流量与实际交通流量具有相似的变化模式，这有助于交通拥堵等现象的预测，进而说明GW-AGRU模型在实际的交通预测任务中的有效性。

GW-AGRU模型采用图小波作为提取空间特征的关键组成部分，图小波变换既考虑了路网的底层拓扑结构，还考虑了路网的交通状态，能够克服图卷积中不能局部化的问题，提高计算的效率。通过注意力机制对门控循环单元进行改进，首先，为了能够处理任意图形结构的交通数据并捕获城市道路的局部特征，利用图小波卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征。然后，为了捕捉交通流的长期动态时间特征，将得到的具有空间特征的序列和注意力机制融入到门控循环单元，并通过单元之间的信息传递捕获交通流特征的动态变化。最后结合全连接层预测整个路网的交通流量。基于对门控循环神经网络的改进从而能够准确预测交通流量。通过注意力机制对门控循环单元进行改进，不仅捕捉了交通流的时间依赖性，而且弥补了门控循环神经网络的短期预测的缺陷。因此，具有同时捕获交通流的时空特性的能力。通过在真实的数据集上进行实验，GW-AGRU模型获得了较好的预测效果，不仅可以用于交通预测，还能够应用在其他的时空预测方面。

本发明考虑到交通网络的局部图结构和交通数据的动态时空模式，同时采用图小波卷积和注意机制对网络结构的交通数据进行建模，提出一种基于图小波注意力门控递归神经网络(GW-AGRU)模型，捕获城市路网的时空相关性，并预测交通流量。使用基于小波变换的图卷积网络作为提取空间特征的关键组成部分；将注意力机制改进的门控递归单元用于学习交通数据的时序相关性，从而准确的预测城市路网的交通流量。该模型结合图小波卷积和注意力机制对门控循环神经网络进行改进，首先利用图小波卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征。将得到的具有空间特征的序列和注意力机制融入到门控循环单元，并通过单元之间的信息传递捕获交通流特征的动态变化。最后结合全连接层预测整个路网的交通流量。不同于传统注意力机制对GRU的作用方式，传统的方式仅仅考虑两个状态之间的情况，即端到端的链结构，而GW-AGRU是一个树型结构，利用注意力机制自适应地学习该状态与之前所有状态之间的比重，以捕获预测状态与之前状态之间的相关性。

本发明基于现有技术存在未捕获交通数据的长期动态时间相关性，以及局部空间特征提取过程缺乏灵活性的问题，为了能够处理任意图形结构的交通数据并捕获城市道路的局部特征，利用图小波卷积神经网络从每个图节点中学习邻近特征以提取交通流的局部空间特征。虽然图小波卷积能很好的捕获交通数据的空间特征，但忽略时间特征，因此将注意力机制改进的门控递归单元用于学习交通数据的时序相关性，从而实现准确的预测城市路网的交通流量。具体的，为了捕捉交通流的长期动态时间特征，将得到的具有空间特征的序列和注意力机制融入到门控循环单元，并通过单元之间的信息传递捕获交通流特征的动态变化。由于交通流数据具有很强的时空特性，因此首先使用图小波卷积神经网络捕获交通数据的空间特征，再结合融入注意力机制的门控循环神经网络以捕获长期动态时间相关性，最后通过全连接层预测整个路网的交通流量，以实现准确的预测城市路网的交通流量。

实施例3：

图6为本发明城市路网的交通流量预测系统实施例3的结构图。参见图6，该城市路网的交通流量预测系统包括：

训练数据集建立模块601，用于建立训练数据集；所述训练数据集包括邻接矩阵以及时间序列向量矩阵；所述邻接矩阵表示城市路网中各路段之间是否相邻；所述时间序列向量矩阵表示各路段过去每一时间段的交通流量；各所述时间段具有相同的时间间隔。

该训练数据集建立模块601中，所述时间间隔为5分钟。

该训练数据集建立模块601具体包括：

城市路网建模单元，用于对城市路网建模，得到城市路网的无向图；所述无向图表示城市路网的拓扑结构；所述无向图的节点表示路段，所述无向图的边表示路段之间连通。

邻接矩阵生成单元，用于根据所述无向图中各所述节点之间是否连通，生成所述无向图的邻接矩阵；所述邻接矩阵表示路段之间是否相邻。

时间序列向量矩阵获取单元，用于获取城市路网的时间序列向量矩阵；所述时间序列向量矩阵包括各路段过去每一时间段的交通流量；每一路段过去每一时间段的交通流量均按各时间段的时间先后顺序依次排列。

训练数据集建立单元，用于根据所述邻接矩阵和所述时间序列向量矩阵建立训练数据集。

图小波注意力门控循环神经网络模型建立模块602，用于建立图小波注意力门控循环神经网络模型；所述图小波注意力门控循环神经网络模型包括基于小波变换的图卷积神经网络以及与所述基于小波变换的图卷积神经网络连接的门控循环神经网络；所述门控循环神经网络包括与各所述时间段一一对应的融入注意力机制的门控循环单元。

该图小波注意力门控循环神经网络模型建立模块602具体包括：

基于小波变换的图卷积神经网络建立单元，用于使用图小波变换替代图卷积神经网络中的傅立叶变换，建立基于小波变换的图卷积神经网络；所述基于小波变换的图卷积神经网络的输入为所述邻接矩阵以及所述时间序列向量矩阵；所述基于小波变换的图卷积神经网络的输出为具有局部空间特征的时间序列向量矩阵；所述基于小波变换的图卷积神经网络用于提取所述邻接矩阵中的局部空间特征，并将所述局部空间特征与所述时间序列向量矩阵结合，得到具有局部空间特征的时间序列向量矩阵。

门控循环神经网络建立单元，用于使用融入注意力机制的多个门控循环单元以及一个全连接层建立门控循环神经网络；所述门控循环单元的数量与每一路段过去所有时间段的数量等同，且一一对应；多个所述门控循环单元均与所述全连接层连接；所述门控循环神经网络的输入为所述具有局部空间特征的时间序列向量矩阵；所述门控循环神经网络的输出为各路段未来一时间段的交通流量；所述门控循环神经网络用于提取所述具有局部空间特征的时间序列向量矩阵中的长期动态时间特征，根据所述长期动态时间特征和所述局部空间特征预测各路段未来一时间段的交通流量。

训练和优化模块603，用于利用所述训练数据集对所述图小波注意力门控循环神经网络模型进行训练和优化，得到训练和优化后的图小波注意力门控循环神经网络模型；所述训练和优化后的图小波注意力门控循环神经网络模型的输出为各路段未来一时间段的交通流量。

预测模块604，用于将待预测的城市路网的邻接矩阵以及时间序列向量矩阵输入所述训练和优化后的图小波注意力门控循环神经网络模型，得到各路段未来一时间段的交通流量。

该城市路网的交通流量预测系统还包括：

城市路网建模模块，用于对待预测的城市路网建模，得到待预测的城市路网的无向图。

邻接矩阵生成模块，用于根据所述待预测的城市路网的无向图中各所述节点之间是否连通，生成所述待预测的城市路网的无向图的邻接矩阵。

时间序列向量矩阵获取模块，用于获取待预测的城市路网的时间序列向量矩阵。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。