一种基于图注意力卷积网络的交通流量预测方法技术

本发明专利技术涉及一种基于图注意力卷积网络的交通流量预测方法，旨在预测中长时间交通车流量，属于城市交通规划及流量预测技术领域。包括：步骤1：对交通流量数据预处理，输出预处理完成后的数据序列；步骤2：基于预处理完成后的数据序列，提取数据序列的空间特征以及时间特征；步骤3、输入经过步骤2两个AGA块的特征提取，经过一层全连接层得到下一时刻预测结果。所述方法未使用无法并行训练的递归结构，模型的所有组件都是卷积结构，可以减少训练时间；所述方法是首次尝试结合基于频谱的图卷积网络和基于空间的卷积网络，分别提取空间特征和时间特征,在时空交通网络上算法表现出众。

A traffic flow prediction method based on graph attention convolution network

【技术实现步骤摘要】
一种基于图注意力卷积网络的交通流量预测方法本专利技术涉及一种基于图注意力卷积网络的交通流量预测方法，旨在预测中长时间交通车流量，属于城市交通规划及流量预测

技术介绍
交通预测问题长期以来一直是一个令人高度关注的问题。根据2018年的一项调查，美国司机在路上花费50.6分钟，平均每天行驶31.5英里。在这种情况下，准确的交通量预测对于人民和政府必须提前计划并缓解拥堵至关重要。路线规划和其他运输服务也严重依赖交通状况预测。通常，交通预测是城市交通控制的基础，在智能交通系统中也起着重要的作用。交通预测的目标是使用历史交通参数，即交通速度，体积和密度，来预测未来的交通参数。流量预测是数据预测的典型时空问题。在空间维度上，不同的节点对同一节点具有不同的相互影响力；在时间维度上，两个节点在不同时间具有不同的相互影响力。随着运输系统的发展，由于大量的摄像头和传感器被广泛使用，因此交通数据变得更易于收集。所有收集交通数据的设备构成了一个庞大的交通信息网络。该网络为交通预测任务提供了坚实的数据基础，吸引了许多研究人员来解决这些问题。流量预测可以分为两种类型，本文档来自技高网...

【技术保护点】
1.一种基于图注意力卷积网络的交通流量预测方法，其特征在于:依托的网络结构包括一个输出层和两个注意力机制-卷积-注意力机制块，简写为AGA块；其中每个AGA块包括两个多头图注意力机制层，简写为MA和一个图形卷积层；AGA块构造为可将图结构时间序列中的空间和时间特征联合起来；当处理更复杂或特定的情况时，可以堆叠或扩展AGA块；每个AGA块包括两个具有相同结构的多注意层以及位于多注意层之间的GCN层；为防止过度拟合问题，每个ACA块均使用归一化层；ACA的输出由以下(1)定义：/nx

【技术特征摘要】
1.一种基于图注意力卷积网络的交通流量预测方法，其特征在于:依托的网络结构包括一个输出层和两个注意力机制-卷积-注意力机制块，简写为AGA块；其中每个AGA块包括两个多头图注意力机制层，简写为MA和一个图形卷积层；AGA块构造为可将图结构时间序列中的空间和时间特征联合起来；当处理更复杂或特定的情况时，可以堆叠或扩展AGA块；每个AGA块包括两个具有相同结构的多注意层以及位于多注意层之间的GCN层；为防止过度拟合问题，每个ACA块均使用归一化层；ACA的输出由以下(1)定义：
xt+1＝ACA(xt)＝attd(ReLU(Θl*Gattu(xt)))(1)
其中，xt是t时刻的交通流量；attd，attu分别是ACA块内的上下多注意机制；Θl是图卷积的谱核；ReLU表示relu激活函数；Θl是第l块ACA块的图卷积核；
所述交通流量预测方法，包括如下步骤：
步骤1：对交通流量数据预处理，输出预处理完成后的数据序列；
步骤2：基于步骤1输出的预处理完成后的数据序列，提取数据序列空间特征；
其中，提取序列空间特征由基于谱的图卷积网络完成，由以下(3)定义：
x*Gθ＝F-1(F(x)⊙F(θ))(3)
其中，x*Gθ是数据序列空间特征；F(x)是图傅里叶变换；F-1(x)是图傅里叶逆变换；θ是图卷积核；⊙是矩阵对应位置相乘；x是输入的数据序列；
步骤3：步骤2：基于步骤1输出的预处理完成后的数据序列，提取数据序列时间特征；
其中，提取数据序列时间特征由图注意力机制完成，由以下(4)定义：
att(xt)＝FC(Th||Td||Tw)(4)

【专利技术属性】
技术研发人员：郑宏，张思凯，刘佳谋，宿红毅，闫波，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11