【技术实现步骤摘要】
基于时空注意力图卷积网络的交通速度预测方法和装置
[0001]本专利技术涉及智能交通领域和深度学习领域,更具体的,涉及一种基于时空注意力图卷积网络的交通速度预测方法和相关装置。
技术介绍
[0002]随着人均收入的不断提高,城市交通变得越来越拥挤,交通预测也成为了一个越来越重要的研究课题,准确、及时地对交通情况进行预测不仅对交管部门的管理提供了一个有效的治理手段,同时也为出行者提供了合理的规划。交通预测对于城市规划、交通管理、交通治理和财产安全都具有重要意义。然而,由于交通情况在时间上和空间上都具有复杂性,在时空预测上一直都是一个具有挑战性的课题。
[0003]早期的交通速度主要是基于一些统计方法或者是简单的机器学习方法。其中具有代表性的就是自回归综合移动平均法(ARIMA)、向量自回归法(VAR)、K最近邻法(KNN)和支持向量回归(SVR)。这些方法虽然能预测交通速度,但随着交通路网的空间复杂性的提升,以及在时间上的关联性的提升,导致预测的精度较低。传统的交通速度预测很难挖掘到时间以及空间上的关联性,极大地限制了在时空挖掘上的性能。
[0004]因此,如何设计一种综合考虑交通状态下的时空关联性的速度预测方法,是本领域技术人员亟待解决的技术问题。
技术实现思路
[0005]鉴于上述问题,本专利技术的目的是提供一种基于时空注意力图卷积网络的交通速度预测方法和相关装置,使得对于交通速度的预测更具有准确性。
[0006]本专利技术第一方面提供了一种基于时空注意力图卷积网络的交通速度 ...
【技术保护点】
【技术特征摘要】
1.一种基于时空注意力图卷积网络的交通速度预测方法,其特征在于,包括以下步骤:对采集到现有速度数据集进行采样,获得有关时间序列的分量数据矩阵;构建时间注意力网络;将所述分量数据矩阵输入到所述时间注意力网络中,得到时间关联矩阵;构建空间注意力网络;将所述时间关联矩阵输入到所述空间注意力网络中,融合得到时空关联矩阵;将路网拓扑矩阵输入到图卷积网络,并与所述时空关联矩阵进行结合,进行模型训练;通过训练好的模型进行速度预测。2.根据权利要求1所述的基于时空注意力图卷积网络的交通速度预测方法,其特征在于,所述将所述分量数据矩阵输入到所述时间注意力网络中,得到时间关联矩阵具体包括:将所述分量数据矩阵输入到所述时间注意力网络中,得到时间注意力矩阵T:其中,K
e
、L1、L2、L3、V
e
为可学习的参数,σ表示sigmoid激活函数,为所述分量数据矩阵,C
r
‑1表示第r层输入数据的通道数,T
r
‑1表示第r层输入数据时间维度的长度;所述时间注意力矩阵T经过归一化后根据所述时间注意力矩阵捕捉节点之间的关联强度:T
i,j
反映时间i,j之间的时间关联强度,与所述分量数据矩阵相乘得到时间关联矩阵反映时间i,j之间的时间关联强度,与所述分量数据矩阵相乘得到时间关联矩阵3.根据权利要求2所述的基于时空注意力图卷积网络的交通速度预测方法,其特征在于,所述将所述时间关联矩阵输入到所述空间注意力网络中,融合得到时空关联矩阵具体包括:将所述时间关联矩阵输入到所述空间注意力网络中,得到时空注意矩阵S:其中,K
s
、H1、H2、H3、V
s
为可学习的参数;根据所述时空注意矩阵S计算得到时间关联矩阵S
′
:4.根据权利要求3所述的基于时空注意力图卷积网络的交通速度预测方法,其特征在于,所述将路网拓扑矩阵输入到图卷积网络,并与所述时空关联矩阵进行结合,进行模型训练,得到预测速度具体包括:
将路网拓扑矩阵输入到拉普拉斯矩阵L中:其中,A表示输入的路网拓扑矩阵,D为度矩阵,具体为对角矩阵,对角线的元素为A
ij
代表的是第i行j列的元素;所述图卷积网络具体为切比雪夫多项式形式的图卷积网络,表示为:其中,*G表示一个图的卷积操作,是缩放后的归一化拉普拉斯矩阵,λ
max
是L的最大特征值,θ
′
k
(k=0,1,
…
K)是切比雪夫多项式的第k项的系数,为可学习参数;K阶的切比雪夫多项式的定义如下:T
k
(x)=2xT
k
‑1(x)
‑
T
k
‑2(x);结合输入的路网拓扑矩阵与所述时空关...
【专利技术属性】
技术研发人员:夏莹杰,田瑞,
申请(专利权)人:杭州远眺科技有限公司,
类型:发明
国别省市:
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。