【技术实现步骤摘要】
基于长短期时空数据多图融合时空注意力的数据预测方法
[0001]本专利技术属于流量预测领域,特别是一种基于长短期时空数据多图融合时空注意力的数据预测方法。
技术介绍
[0002]公共交通客流预测作为智能交通系统的重要组成部分,在城市交通网络规划、公共交通调度和城市管理以及人们的日常生活中发挥着重要作用。例如,交通客流预测不仅能为旅客提供位置推荐、导航等智能交通服务,也可以为交通管理者提供车辆调度依据。此外,自动收费系统(AFC)收集了大量的乘客出行信息,为公共交通客流预测提供了数据驱动。
[0003]然而,站点间复杂的时间和空间依赖性使得实时准确的交通客流预测变得更加困难。空间上,不同的站点位于城市不同功能区,客流模式受城市功能用地的影响;相邻或距离较近的站点之间存在客流交互现象;同时站点间的空间相关性随着时间的推移也会发生改变,仅考虑空间静态相关性不足以对空间进行理想建模。在时间依赖性方面,城市交通枢纽(如地铁车站)的客流随时间动态变化,呈现周期性和趋势,同时受天气、温度等因素的影响。这些挑战使得准确的进行交通客流预测变得更为困难。
[0004]传统的交通流预测模型可以分为统计模型和浅层机器学习模型。统计模型包括基于自回归移动平均模型(ARIMA),历史平均(HA)和卡尔曼滤波模型。然而,统计模型通常依赖于线性假设,不能反映交通流的非线性特征。浅层机器学习方法可以从交通数据和外部因素中学习非线性规律,如,k近邻模型和贝叶斯模型。然而,浅层机器学习方法依赖于特征工程,对于复杂规律和复杂因素的预测任务, ...
【技术保护点】
【技术特征摘要】
1.一种基于长短期时空数据多图融合时空注意力的数据预测方法,其特征在于,所述方法包括以下步骤:步骤1,获取站点交通流量的时空数据,并按预设时间间隔划分为时隙进行流量统计;步骤2,构建图节点,并基于图节点构造站点间距离图、城市功能区图、站点邻接图;每个图节点代表一个站点;步骤3,对步骤2中的三个图进行多图融合卷积运算;步骤4,利用多图融合卷积运算替换GRU中的矩阵乘法构建GRU变体MFCRNN;步骤5,计算各站点间过去K个时隙的客流模式相似度,基于空间注意机制捕获站点间的空间动态相关性;步骤6,结合GRU变体MFCRNN和空间注意力机制构造AMFCRNN算子;步骤7,采用编解码结构实现客流多步预测,其中解码器为AMFCRNN算子。2.根据权利要求1所述的基于长短期时空数据多图融合时空注意力的数据预测方法,其特征在于,步骤1中所述交通流量时空数据包括:刷卡数据、天气信息、站点经纬度信息,及城市兴趣点相关信息,包括兴趣点名称、所在经纬度、兴趣点类型。3.根据权利要求1或2所述的基于长短期时空数据多图融合时空注意力的数据预测方法,其特征在于,步骤2中所述构建图节点,具体为:提取站点的天气、日期信息,之后与时隙流量进行拼接,形成图节点特征,图节点记为X∈R
N
×
P
,其中N表示站点个数,P表示图节点特征维度;基于前K个时隙的短期历史客流数据,短期数据序列输入表示为X
(t
‑
K+1)
,X
(t
‑
K+2)
,...,X
(t)
;根据前p天长期历史客流数据构造输入序列其中为客流预测步长,m≥0。4.根据权利要求3所述的基于长短期时空数据多图融合时空注意力的数据预测方法,其特征在于,步骤2中所述站间距离图具体为:图节点之间的边权重由站点之间的距离确定,该图的邻接矩阵为:式中,为邻接矩阵A
d
∈R
N
×
N
中(i,j)处的值,dist(v
i
,v
j
)表示站点i与站点j之间的距离,σ表示距离标准差,Th
d
为设定的距离阈值以便控制A
d
的稀疏性;所述城市功能区图具体为:图节点之间的边权重由站点间不同类别兴趣点POIs的数量所组成的向量的相似性确定,该图的邻接矩阵为:其中,
式中,为邻接矩阵A
p
∈R
N
×
N
中(i,j)处的值,P
h,i
,P
h,j
分别表示站点v
i
,v
j
的POIs向量,H表示POIs的类别数,为所有站点在该维度的均值,使用阈值Th
p
调整A
p
的稀疏性;所述站点邻接图具体为:图节点之间的边权重由两站点是否相邻确定,该图的邻接矩阵为:式中,为邻接矩阵A
s
∈R
N
×
N
中(i,j)处的值。5.根据权利要求4所述的基于长短期时空数据多图融合时空注意力的数据预测方法,其特征在于,步骤3所述对步骤2中的三个图进行多图融合卷积运算,具体过程包括:步骤3
‑
1,对每张图的邻接矩阵A进行归一化处理:其中,其中,其中,式中,I
N
为单位矩阵,表示在A的基础上增加了自环,为度矩阵,|V|表示站点数量,为添加了自环的归一化邻接矩阵;步骤3
‑
2,进行多图融合,融合公式为:式中,W
′1,W
′2,...W
′
N
=softmax(W1,W2,...,W
N
),1≤i≤M,M表示待融合的图的总数,表示哈达玛乘法,W1,W2,...,W
N
为可学习到的参数,A
F
∈R
N
×
N
为多图融合的结果;步骤3
‑
3,对融合后的结果进行一阶近似切比雪夫多项式图卷积运算,计算公式为:式中,为第l+1层图卷积的输出,为第l层图卷积的输出,W
(l)
为第l层的参数。6.根据权利要求5所述的基于长短期时空数据多图融合时空注意力的数据预测方法,其特征在于,步骤4中所述GRU变体MFCRNN为:
H
(t)
=u
(t)
⊙
H
(t
‑
1)
+(1
‑
u
(t)
)
⊙
C
(t...
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。