一种基于注意力机制的交通流量模型训练方法技术

本发明专利技术公开了一种基于注意力机制的交通流量模型训练方法，将预训练和融合模型应用为深度架构模型的构建块，以测量用于预测的交通数据，提出了一个具有多个融合层架构的预训练站模型，该模型考虑了交通网络结构和各个站点的交通状态，以预测网络范围的交通速度。本发明专利技术利用多个融合层从历史数据中捕获空间特征和时间依赖性，所提出的模型可以通过使用掩蔽机制来处理输入数据中的缺失值。在真实数据集中建立实验，与其他经典和最先进的模型进行比较，结果表明，本发明专利技术模型在准确性和鲁棒性方面都优于其他模型。

A traffic flow model training method based on attention mechanism

【技术实现步骤摘要】
一种基于注意力机制的交通流量模型训练方法
本专利技术属于数据分析
，具体涉及一种基于注意力机制的交通流量模型训练方法。
技术介绍
过去十年来经济飞速发展，机动车保有量也急速增长，截止2017年底，全国机动车保有量已超过2亿辆，预计在2020年，机动车保有量将达3亿辆，数量庞大的机动车和通行需求带来了交通拥堵和停车困难等一系列问题。目前道路和交通管理部门主要采取如下几种办法来解决交通拥堵问题：(1)加强道路基础设施建设，如加宽道路、修建新道路等；(2)开发智慧交通系统实施智慧化管理。智慧交通系统是将先进的信息技术、通讯技术、传感技术、控制技术、人工智能和大数据技术等有效率地集成运用于整个交通运输管理体系，而创建起的一种在大范围内及全方位发挥作用的，短时延、高精准度及高效率的综合的运输和管理系统。智能交通系统的科技应用及其广泛，从基本的管理系统，例如汽车导航系统、交通信号控制系统、自动车牌识别技术，到监控系统如安全监控系统，到更高级的创建在集成现有数据和其他信息来源的反馈基础上的应用，如停车诱导系统、公路气象信息系统、道路除冰系统；此本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的交通流量模型训练方法，包括如下步骤：/n(1)在高速公路上布置多个测点，采集一定时长内通过测点断面所有车辆的速度信息，通过数据预处理建立各测点的速度序列；/n(2)根据物理位置关系以及流量趋势关系建立测点的网络拓扑异构图；/n(3)利用graph2vec模型对异构图中的每个节点进行编码，得到每个节点的特征向量；/n(4)通过BERT预训练模型改善每个节点的特征向量；/n(5)将节点的速度序列归一化后与改善后的特征向量拼接组合作为输入向量，进而通过训练LSTM模型以预测节点下一时间片段的车速指标并转换成车流量指标。/n

【技术特征摘要】
1.一种基于注意力机制的交通流量模型训练方法，包括如下步骤：
(1)在高速公路上布置多个测点，采集一定时长内通过测点断面所有车辆的速度信息，通过数据预处理建立各测点的速度序列；
(2)根据物理位置关系以及流量趋势关系建立测点的网络拓扑异构图；
(3)利用graph2vec模型对异构图中的每个节点进行编码，得到每个节点的特征向量；
(4)通过BERT预训练模型改善每个节点的特征向量；
(5)将节点的速度序列归一化后与改善后的特征向量拼接组合作为输入向量，进而通过训练LSTM模型以预测节点下一时间片段的车速指标并转换成车流量指标。


2.根据权利要求1所述的交通流量模型训练方法，其特征在于：所述步骤(1)中的每个测点设置有地磁测速系统，即利用地磁探头和图像处理技术实现对车辆的速度检测。


3.根据权利要求1所述的交通流量模型训练方法，其特征在于：所述步骤(1)中数据预处理的具体实现过程为：对于任一测点，采集完成一定时长内通过该测点断面所有车辆的速度信息，将整个时长分成多个时间片段；对于任一时间片段，将该片段内通过该测点断面所有车辆的速度过滤掉过异常值后从小到大排序并取中位数作为该片段的车速指标，进而将所有片段的车速值依次排列并打上时间标签，从而得到测点的速度序列。


4.根据权利要求1所述的交通流量模型训练方法，其特征在于：所述网络拓扑异构图中的节点即对应各个测点，具有相邻位置关系以及相似流量趋势的节点存在有连接关系。


5.根据权利要求4所述的交通流量模型训练方法，其特征在于：遍历所有两两节点组合：对于任一对组合，利用DTW算法计算该组合两个...

【专利技术属性】
技术研发人员：吴德兴，阮涛，徐雷，金苍宏，俞佳成，
申请(专利权)人：浙江省交通规划设计研究院有限公司，
类型：发明
国别省市：浙江;33