【技术实现步骤摘要】
基于注意力机制的图神经网络交通流量预测方法及系统
本公开涉及智能交通
,特别是涉及基于注意力机制的图神经网络交通流量预测方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本公开相关的
技术介绍
,并不必然构成现有技术。随着网络信息技术等快速发展,人、车、路以及环境等各类与交通系统有关的动静态数据被大量的收集,这些海量的异构数据为交通领域的研究提供了新的手段和数据支撑。交通领域,尤其是智能交通领域已成为当前人工智能技术应用最具典型、最活跃的领域之一,结合人工智能技术和大数据,新一代智能交通系统将以更加高效的方式实现人和物的快速流动,结合物联网和互联网技术的普及,不久的将来,信息实体与客观世界实体都可以全球快速分发,智慧交通将搭建起人类命运共同体的高速交汇通道。在智能交通领域,交通流量预测始终是一个研究热点,根据交通流量的变化趋势判断未来,始终是学术界和工业界研究的热点。目前相关的研究工作可以大致分为两大类,一类是以统计学为根基,通过交通流量自身历史相关和统计特性进行分析研究,主要的代表性模型是ARIMA自回归移动平均模型;另一类是以时序数据递归计算为核心,以神经网络如RNN,LSTM为基础的模型。在实现本公开的过程中,专利技术人发现现有技术中存在以下技术问题:1.基于统计学原理的模型无法捕捉交通流量变化中地理位置信息之间的空间关联性和位置局部特征;2.基于递归计算的循环神经网络RNN或者LSTM计算效率较低,其模型的结构特征必须要求当前模型的输入是前一个时间点的输出,在大规模区 ...
【技术保护点】
1.基于注意力机制的图神经网络交通流量预测方法,其特征是,包括:/n获取待预测的城市交通流量数据;根据道路连接关系构建路网图;/n对待预测的城市交通流量数据进行预处理;/n将路网图和预处理后的结果,输入到预训练的基于注意力机制的神经网络中,最后输出城市交通流量的预测结果。/n
【技术特征摘要】
1.基于注意力机制的图神经网络交通流量预测方法,其特征是,包括:
获取待预测的城市交通流量数据;根据道路连接关系构建路网图;
对待预测的城市交通流量数据进行预处理;
将路网图和预处理后的结果,输入到预训练的基于注意力机制的神经网络中,最后输出城市交通流量的预测结果。
2.如权利要求1所述的方法,其特征是,对待预测的城市交通流量数据进行预处理;具体步骤包括:
S201:根据每个时间点待预测卡口的车流量,按照设定时间间隔进行统计;将t时刻之后的Δt时间段内的车流量作为t时刻的车流量,进而得到以时间为索引的车流量统计表;以卡口ID区分同一时间段内通过不同卡口的车流量数据,得到以卡口为索引的车流量统计表;
S202:异常值处理:设定滑动窗口,以滑动窗口内的平均值分别作为以时间为索引的车流量统计表和以卡口为索引的车流量统计表的缺失数据的填充值;
S203:特征标准化处理:对异常值处理后的以时间为索引的车流量统计表和以卡口为索引的车流量统计表,分别进行时间标准化处理和车流量标准化处理。
3.如权利要求1所述的方法,其特征是,基于注意力机制的神经网络,包括:
依次连接的输入层、时序节点嵌入层、N个串联叠加的注意力机制模块、和逆卷积变换线性输出层;
所述注意力机制模块,包括:依次连接的时序注意力层、第一标准化层、图注意力层、和残差叠加标准化层;
所述时序注意力层的输入端与时序节点嵌入层的输出端连接;
所述残差叠加标准化层的输出端与逆卷积变换线性输出层连接;
所述注意力机制模块,还包括:残差连接子模块,所述残差连接子模块的输入端与时序节点嵌入层的输出端连接,所述残差连接子模块的输出端与残差叠加标准化层的输入端连接。
4.如权利要求3所述的方法,其特征是,所述时序节点嵌入层,用于:对输入数据进行线性映射,输入的数据为车流量数据、时间编码、交叉口节点编码数据流组成的tensor张量,嵌入后的数据同时携带时间长短周期变化特征和图结构关联特征,并转换为固定大小的张量。
5.如权利要求3所述的方法,其特征是,所述时序注意力层,包括:
依次连接的输入层、时序卷积层、第一reshape函数、第一张量乘法函数、softmax函数、第二张量乘法函数、第一张量拼接函数和输出层;
所述时序注意力层,还包括:第二reshape函数、第三reshape函数和残差单元;
所述第二reshape函数层的输入端与输入层的输出端连接;
所述第二reshape函数层的输出端与第二张量乘法函数的输入端连接;
所述第三reshape函数层的输入端与输入层的输出端连接;
所述第三reshape函数层的输出端与第一张量乘法函数的输入端连接;
所述残差单元的输入端与输入层的输出端连接;
所述残差单元的输出端与第一张量拼接函数的输入端连接。
6.如权利要求3所述的方法,其特征是,所述图注意力层,包括多个注意力头部,每个注意力头部关注不同层面的注意力,每个注意力头部内部结构相同,包括:
输入层,用于将输入数据区分为特征张量和邻接矩阵,分别输入到网络中...
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。