【技术实现步骤摘要】
一种协同考虑时空相关性及贡献差异的多步交通速度预测方法
本专利技术属于交通时序数据分析和预测研究领域，特别是涉及一种基于时空相关性及外部因素特征和具有双阶段注意力机制的序列网络的交通速度预测方法。
技术介绍
随着机动车数量的增长，交通拥堵问题日益严重，给人们的出行带来了诸多不便，也对环境造成了污染，甚至威胁到了人们的生命安全。交通拥堵带来的直接问题是出行时间增加。另一方面，机动车数量的增加所带来的交通拥堵使得行驶车辆启动、停止次数增加、路上等待时间增加，导致了汽车尾气排放量的增加，造成大气的污染，严重危害着人类健康。与此同时，交通拥堵也是交通事故频发的一大诱因。据统计，20世纪全世界因交通事故而死亡的人数达2585万。早期常用的方法以时间序列方法为主，时间序列模型通过对历史时间序列进行数学建模，然后将其应用于预测未来的时间序列，如ARIMA方法。近二十年来，很多研究将包括支持向量机等统计学习方法应用于时序问题建模。近几年，随着人工智能的发展，一些深度学习方法，如循环神经网络、卷积神经网络等以及宽度学习方法也被...
【技术保护点】
1.一种协同考虑时空相关性和贡献差异的多步交通速度预测方法，其特征在于，该方法包括以下步骤：/n步骤1:建模数据预处理：对原始速度数据根据路段和时间段进行均值化处理，对天气、节假日等外部因素数据进行类别分类。/n步骤2:确定模型的输入变量和外部离散特征向量。/n(2.1)设c为待预测路段的编号，根据地理位置，按照与预测路段的交叉和临近的优先原则选取前k个路段，作为与路段c相关的路段，这些相关路段的速度将作为变量用于预测模型的建立。/n(2.2)m为建模所需要的历史时间窗口的大小。设t
【技术特征摘要】
1.一种协同考虑时空相关性和贡献差异的多步交通速度预测方法，其特征在于，该方法包括以下步骤：
步骤1:建模数据预处理：对原始速度数据根据路段和时间段进行均值化处理，对天气、节假日等外部因素数据进行类别分类。
步骤2:确定模型的输入变量和外部离散特征向量。
(2.1)设c为待预测路段的编号，根据地理位置，按照与预测路段的交叉和临近的优先原则选取前k个路段，作为与路段c相关的路段，这些相关路段的速度将作为变量用于预测模型的建立。
(2.2)m为建模所需要的历史时间窗口的大小。设tp为第一个预测时刻，则模型预测该时刻所需的输入包括该时刻之前的m个时刻，对于历史时刻i，i＝tp-m,tp-m+1,...,tp-1，其对应所需的速度输入向量记为其中k为相关路段的个数。此外还要输入预测时刻所对应的外部离散特征向量dt，包括天气和日期数据。
步骤3:模型的建立和训练。
(3.1)确定相关路段的贡献程度，得到新的输入向量。
编码器网络采用LSTM作为基础单元，历史时间步长为m，与步骤2中的历史时间窗口一致。对于历史时刻i所对应的原始输入向量x，首先计算每个相关路段的得分，如下式所示：
其中，j＝1,2,...,k，k为相关路段数量，hi-1和si-1分别为Encoder中LSTM单元当前时刻的前一时刻的f维隐藏层状态和细胞状态，是所有输入时刻的第j个相关路段速度值所组成的向量，是网络需要学习的参数。
使用类SoftMax对得分进行归一化处理，使其转化成类概率分布的权重系数：
然后将对应路段的速度值与对应的权重相乘，得到该时刻新的输入向量：
(3.2)对编码器网络的LSTM单元进行计算和更新。
将新的输入向量输入到LSTM单元，对于历史时刻i的LSTM单元，其计算和更新方式如下，首先计算遗忘门fi、输入门ai、输出门oi：
其中，是前一个时刻的隐藏层状态hi-1与当前时刻的输入在向量维度上的拼接。σ表示sigmoid函数，Wf，Wa，Wo，bf，ba，bo都是网络要学习的参数。
然后计算更新当前的细胞状态：
其中，Ws，bs是待学习的参数，符号⊙表示对应元素相乘。
计算隐藏层状态如下：
hi＝oi⊙tanh(si)(8)
(3.3)确定不同历史时刻的贡献程度，得到新的输入向量。
解码器网络也是由LSTM单元构成。对于当前的预测时刻t(t＝tp,tp+1...
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。