【技术实现步骤摘要】
一种基于神经网络时空注意力机制的实时站点流量预测方法
本专利技术属于智能交通领域，特别涉及基于神经网络时空注意力机制的实时站点流量预测方法。
技术介绍
短时交通流预测是智能交通系统研究和应用中的重要组成部分。为了协助交通管理和控制以提升交通运行效率，包括路径规划、信号灯控制等，以各种各样的数据为输入，有大量的交通流预测方法被提出。在时间序列分析领域，ARIMA(自回归差分移动平均模型，Auto-RegressiveIntegratedMovingAverage)及其变种space-timeARIMA和seasonalARIMA被用于短时交通流预测。除了类ARIMA模型，其他线性模型例如高斯过程(Gaussianprocess)也被提出用于交通流预测(ZhouJ,TungAKH.Smiler:Asemi-lazytimeseriespredictionsystemforsensors.InProceedingsofthe2015ACMInternationalConferenceonManagementofData.2015,1871-1886)。然而，这些方法通常...
【技术保护点】
1.一种基于神经网络时空注意力机制的实时站点流量预测方法，其特征在于，实现步骤如下：(1)将时间窗口中站点和相关站点的历史客流量数据输入编码器中，得到时间窗口中每个时间片的隐状态向量；(2)以步骤(1)的输出、解码器上一步的输出以及额外因素的编码为输入，解码器计算未来下一个时间区间的客流量值。
【技术特征摘要】
1.一种基于神经网络时空注意力机制的实时站点流量预测方法，其特征在于，实现步骤如下：(1)将时间窗口中站点和相关站点的历史客流量数据输入编码器中，得到时间窗口中每个时间片的隐状态向量；(2)以步骤(1)的输出、解码器上一步的输出以及额外因素的编码为输入，解码器计算未来下一个时间区间的客流量值。2.根据权利要求1所述的一种基于神经网络时空注意力机制的实时站点流量预测方法，其特征在于：所述步骤(1)中，编码器的设计包括以下步骤：(11)编码器采用深度LSTM网络结构；(12)以当前时间之前T个时间片作为时间窗口，获取当前时间窗口内的所有站点流量值；(13)对于时间窗口内的每个时间片，对每个站点i，将站点i的相关站点流量输入到空间注意力模块中，得到加权后的相关站点流量值；(14)在每个时间步，LSTM网络以加权后的相关站点流量值和站点i的流量值为输入，输出LSTM单元的隐藏状态。3.根据权利要求1所述的一种基于神经网络时空注意力机制的实时站点流量预测方法，其特征在于：所述步骤(2)中，解码器的设计包括以下步骤：(21)解码器采用深度LSTM网络结构；(22)将步骤(14)中的隐藏状态输入到时间注意力模块中，得到加权后的编码器隐藏状态，隐藏状态加权求和得到上下文向量；(23)对额外因素进行融合，额外因素包含三部分：POI特征，站点ID，时间特征，POI特征是站点周围一定范围内的不同类别的POI数量的密度，时间特征是站点发生某个流量的时间类别信息，包含流量发生在一周中的哪一天、一天中的哪个时间片；站点ID和时间特征是类别型的，需要经过嵌入(embedding)层降维成低维向量，将这三个因素拼接成向量，得到时间步t′的额外因素ext′；(24)将步骤(22)和(23)的输出以及解码器上一步的预测值一起作为解码器当前步的输入，经过LSTM网络运算得到当前步的隐状态；(25)将隐状态和上下文向量做线性变换，得到未来时间区间的预测值；(26)将预测值和真实值之间的平均平方误差作为上述神经网络模型的损失函数，并用Adam优化算法训练该模型。4.根据权利要求2所述的一种基于神经网络时空注意力机制的实时站点流量预测方法，其特征在于：所述步骤(11)中，LSTM网络结构设置为q层，LSTM单元的函数功能为：令编码器在时间片t的输入为其中为站点i在时间片t的乘客流量，为步骤(13)的输出，编码器时间步t的隐藏状态ht由下面的非线性函数计算：fe为LSTM单元的函数表示，其由下式组成：ht＝ot⊙tanh(st)其中是编码器前一个隐状态ht-1和当前输入的拼接，ft、it、ot是LSTM单元中的忘记门(ForgetGate)、输入门(InputGate)、输出门(OutputGate)对应的函数，Wf,Wi,Wo,Ws和bf,bi,bo,bs是要学习的参数，其中Wf,Wi,Wo,Ws是编码器LSTM单元的输入线性变换矩阵，bf,bi,bo,bs是编码器LSTM单元的输入线性变换偏倚。σ是激励函数，被设置为tanh，⊙表示元素相乘。5.根据权利要求...
【专利技术属性】
技术研发人员：金蓓弘，崔艳玲，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。