一种基于时空融合相关性和注意力机制的交通流预测方法技术

本发明专利技术公开了一种基于时空融合相关性和注意力机制的交通流预测方法，属于智慧城市交通预测技术领域。所述方法通过小波变换对交通流数据进行卷积操作，通过尺度超参数s在不同交通图中进行调整适应，从而可以更好提取局部空间特征，避免了原来需要规定n跳邻居来实现特征信息的聚合表示，且由于图小波矩阵是一个稀疏矩阵，所以也降低了计算复杂度。同时通过时间信息融合机制，可以更好地对时间特征进行表示，提高了长期预测的准确度。提高了长期预测的准确度。提高了长期预测的准确度。

【技术实现步骤摘要】
一种基于时空融合相关性和注意力机制的交通流预测方法


[0001]本专利技术涉及一种基于时空融合相关性和注意力机制的交通流预测方法，属于智慧城市交通预测


技术介绍

[0002]作为交通管理系统的一部分，准确的交通流预测已经受到了越来越多的关注。在交通预测场景中，城市道路结构相互联系性强，往往存在非线性的结构依赖，另外交通流数据往往存在时间依赖关系，会随着时间呈现动态变化，而图神经网络作为一种用于预测非欧几里得结构数据的重要方法，非常适用于交通流预测。
[0003]图神经网络具体可以分为频域方法和空域方法两种。频域方法是通过相关信号转换分析理论将图上的信号映射到频域中并定义卷积操作。空域的方法是直接在图中定义卷积操作，虽然没有严格理论公式的限制，但是难度很大。因此，图神经网络的本质是将复杂的高维交通数据映射为低维数据，并通过迭代不断聚合交通网络中各个节点与其邻居节点的特征信息，从而在图中进行学习预测。
[0004]近年来国内外有许多研究尝试利用图神经网络方法来提取交通流中复杂的结构特征来加强预测效果，比如Zhao等人提出了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时空融合相关性和注意力机制的交通流预测方法，其特征在于，所述方法包括：步骤S1：获取交通数据并进行预处理；所述交通数据包括交通图中各个路段之间的连通关系图对应的邻接矩阵和交通图中各个路段对应的传感器节点收集到的交通速度数据；步骤S2：根据预处理后的交通数据，通过图小波层以及自适应矩阵获得各个路段对应的传感器节点的空间特征表示；步骤S3：根据所述邻接矩阵计算出交通图中所有传感器节点之间的注意力权重矩阵，并根据注意力权重矩阵和步骤S2获得的各个路段对应的传感器节点的空间特征表示获得新的空间特征表示H
atten
；步骤S4：根据步骤S3获得的新的空间特征表示H
atten
，分别通过改进了的循环神经网络MRNN和注意力网络层Transformer层得到各个路段对应的传感器节点的局部时间特征表示以及全局时间特征表示，然后通过时间信息融合机制将二者进行融合得到各个路段对应的传感器节点的时间特征表示；所述改进了的循环神经网络MRNN为添加了长期记忆单元的循环神经网络MRNN；步骤S5：根据步骤S4得到的时间特征表示数据获得交通图中各个路段的交通流预测值。2.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：步骤S21通过预处理过的邻接矩阵计算出交通图的Laplace矩阵L；步骤S22通过Laplace矩阵L计算图小波基，再对图小波基和预处理后的交通速度数据进行卷积操作得到各个路段对应的传感器节点的局部空间特征表示；步骤S23计算自适应矩阵W
adp
，获得各个路段对应的传感器节点的全局空间特征表示；步骤S24根据步骤S22获得的局部空间特征表示和步骤S23获得的全局空间特征表示进行结合得到各个路段对应的传感器节点的空间特征表示。3.根据权利要求2所述的方法，其特征在于，所述步骤S21包括：根据公式(3)计算出交通图的Laplace矩阵L：其中，n表示传感器节点数，I
n
表示单位矩阵；W表示预处理过的邻接矩阵，W
ij
表示预处理过的邻接矩阵W中的各个元素，i＝1，2，
……
，n；j＝1，2，
……
，n。4.根据权利要求3所述的方法，其特征在于，所述步骤S22包括：利用小波变换在谱域中对交通速度数据进行卷积操作，然后通过逆变换将谱域中的卷积结果映射回图域中，从而完成对交通图中每个传感器节点的局部特征表示，如公式(4)
‑
(7)所示：ψ
s
＝UG
s
U
T
ꢀꢀꢀꢀ
(4)G
s
＝diag(g(sλ1)，
…
，g(sλ
n
))
ꢀꢀꢀꢀ
(5)
其中，U表示Laplace矩阵的特征向量，G
s
表示图小波的尺度矩阵，s用以控制图小波的尺度大小，λ
i
是Laplace矩阵的特征值，表示频域中的交通速度数据，表示对交通速度数据x进行卷积操作，ψ
s
表示图小波基，
⊙
表示矩阵元素对应相乘。5.根据权利要求4所述的方法，其特征在于，所述步骤S23中自适应矩阵计算公式为：其中，E1和E2是两个自适应参数矩阵，T表示转置操作；所述步骤S24包括：根据公式(9)计算各个路段对应的传感器节点的空间特征表示：其中，Λ表示图卷积操作中的卷积核，其初始化为单位矩阵；表示第l层的空间特征表示，ω1、ω2表示学习矩阵。6.根据权利要求5所...

【专利技术属性】
技术研发人员：李光辉，薛延明，
申请(专利权)人：江南大学，
类型：发明
国别省市：