一种基于深度学习模型的复杂交通网络流量预测方法

本发明公开一种基于深度学习模型的复杂交通网络流量预测方法，包括：根据路网的历史交通数据以及根据谱聚类之后的聚类数据，针对这两种交通历史数据构建动态图；将历史序列通过卷积模型嵌入到潜在维度，对两种不同层次的特征静态融合；将两个层次的特征采用STODE‑Block块来捕捉时间和空间的依赖关系，对时间和空间进行连续的统一建模，得到学习之后的特征表示；对区域和节点的特征表示通过动态融合模块进行第二次动态融合，得到最终的特征输出；采用跳跃连接的方式将两次融合结果进行结合，然后通过ReLU激活函数输出最终的预测结果。本发明能实现精准的短时交通流预测，预测精度优于已有的基于ODE的交通流预测模型。