基于注意力机制的时空连接增强3DCNN交通预测方法技术

本发明专利技术公开了一种基于注意力机制的时空连接增强3DCNN交通预测方法，本发明专利技术设计了由周期组件、趋势组件和近期组件组成的时空连接增强3DCNN模型框架，周期组件和趋势组件用于提取时间间隔较远的交通流数据的时空特征，近期组件用于提取近期数据的时空特征并进一步学习另外两个组件提取的信息以提高预测精度；在传统注意力机制时空维度基础上考虑通道维度，构建时空影响注意力模块来捕获时空特征的影响程度，达到量化时空异质性进而提高预测精度的目的；将多注意力模块连接，低层模块得到信息对高层模块可见度变高。本发明专利技术进一步提高交通流数据的预测精度。交通流数据的预测精度。交通流数据的预测精度。

【技术实现步骤摘要】
基于注意力机制的时空连接增强3DCNN交通预测方法


[0001]本专利技术属于交通流预测领域，涉及一种基于注意力机制的时空连接增强3DCNN交通流预测模型。

技术介绍

[0002]随着城市化进程的加快和居民生活水平的提高，城市汽车保有量快速增加，在带给人们快速和便捷生活的同时也带来了严重的环境污染和交通拥堵等问题，尤其是工作日早晚上下班的高峰期，以及恶劣天气、大型集会或者法定节假日期间，城市主干道路往往处于重度拥堵状态，大大降低道路通行能力，不仅给人们出行带来了困扰，也给交通部门的管理带来极大挑战，降低了城市运转效率。智能交通系统(Intelligent Transportation System，ITS)建设致力于改善交通运行状况，提高交通运行效率和解决交通拥堵问题。准确、高效的交通流量预测是ITS中解决交通拥堵问题的重要一环，对城市道路规划、居民出行路线指引、交通部门管理和疏导等具有重要指导意义，目前已成为智能交通领域的研究热点和难点。
[0003]近几十年，许多学者在交通预测领域进行了广泛研究，并取得了大量成果。起初，交通流预测问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力机制的时空连接增强3DCNN交通预测方法，其特征在于，该方法具体包括以下步骤：步骤1：基于注意力机制的时空连接增强的3DCNN模型构建基于注意力机制的时空连接增强的3DCNN模型构建包含4个步骤：周期组件构建、趋势组件构建、近期组件构建和组件组合；步骤1
‑
1：周期组件构建周期组件由残差模块和空间影响注意力模块构成；残差模块包含两次卷积操作，其用于提取交通流数据的时空特征，每次卷积操作都包含3D卷积、3D批标准化和激活操作；残差模块公式如下：其中，f为卷积操作，X
l
为第l层残差模块的输出，也为第l+1层残差模块的输入，X
′
l
为经过一次卷积操作的中间值，X
l+1
为第l+1层残差模块的输出；将残差模块提取的特征输入空间影响注意力模块来量化空间特征的异质性，空间影响注意力模块包含了池化、卷积和激活操作；空间影响注意力模块的公式如下：S
p
＝σ(conv(concat(MP(X
T
)，AP(X
T
))))
ꢀꢀ
[2]其中，X
T
为该模块的输入，MP和AP为最大池化操作和平均池化操作，压缩时间维度，仅保留空间维度特征，并提取突出特征信息和背景特征信息，同时量化空间特征的异质性；concat为矩阵融合，conv为卷积操作，σ为激活操作，S
p
为周期组件得出的空间特征异质性矩阵；步骤1
‑
2：趋势组件构建趋势组件由残差模块、空间影响注意力模块和时间影响注意力模块构成；通过残差模块得到交通流数据的时空特征，将该特征信息分别输入空间影响注意力模块和时间影响注意力模块来量化空间特征的异质性和时间特征的异质性；残差模块的操作与周期组件一致；空间影响注意力模块公式如下：S
tr
＝σ(conv(concat(MP(X
T
)，AP(X
T
)))) [3]其中，S
tr
为趋势组件得出的空间特征异质性矩阵；时间影响注意力模块公式如下：T
tr
＝σ(conv(concat(ζ(MP(X
T
))，ζ(AP(X
T
)))))
ꢀꢀ
[4]与空间影响注意力模块一样，最大池化操作和平均池化操作用于量化时间特征的异质性，最后得出时间特征异质性矩阵T
tr
，ζ表示误差反向传播操作；步骤1
‑
3：近期组件构建近期组件由残差模块、空间影响注意力模块和时间影响注意力模块构成；该组件采用注意力连接机制来增强注意力模块的性能，空间影响注意力模块公式如下：其中，为第l层空间影响注意力模块提取的空间特征异质性矩阵...

【专利技术属性】
技术研发人员：王兴起，赵一鸣，邵艳利，方景龙，魏丹，陈滨，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：