【技术实现步骤摘要】
基于图离散注意力网络的交通流预测方法、介质及设备
[0001]本专利技术属于数字化智慧交通领域，具体涉及一种基于图离散注意力网络的交通流预测方法、介质及设备。
技术介绍
[0002]在过去数十年中，我国的汽车保有量连年增长，预计在2022年，该数字将达到3亿辆以上。与此同时，交通需求也与日俱增，使得当前道路交通的负荷日益增加，带来了拥堵、事故等一系列问题。尽管交管部门一定程度上采取措施来缓解交通拥堵，如道路建设，车辆限号等，但交通拥堵状态仍未得到良好改善。
[0003]交通流预测与控制，是解决交通效率的核心问题，根据预测结果提前做出合理的决策，能够有效的提高交通效率，防止交通拥堵和事故的发生。然而交通流数据既有时间序列特征，又有空间相关特征，对这一类时空耦合数据进行建模具有相当大的挑战性。更进一步的，部份地区因条件有限，布设感知设备困难，因而交通数据的采集相对稀疏匮乏，这更进一步的增加了高效预测算法的设计难度。
[0004]传统的交通流预测算法将交通流数据视作时间序列数据，并使用相关模型进行拟合。比如，使用A...
【技术保护点】
【技术特征摘要】
1.一种基于图离散注意力网络的交通流预测方法，其特征在于，包括以下步骤：S1、获取待预测的道路上不同位置传感器采集的与车辆流量相关的结构化交通流数据，并将其按照设定间隔步长进行分组，每一组数据中包含该分组对应的间隔时段内经过各传感器的车辆信息，最终得到按时间排序的流量统计数据；S2、针对待预测的道路构建道路图网络结构，以每个传感器部署的点位作为图网络结构的节点，各节点之间通过边相互连接，将节点之间在道路上的实际距离做归一化处理后作为图中节点之间连边的静态权重；S3、基于图离散注意力网络对道路的交通流数据进行建模，建模时首先使用图离散注意力模块构建区域路网的空间特征关系，然后基于编码器序列对解码器序列模型构建时间序列特征关系，最终形成图离散注意力网络模型；S4、利用S1中得到的流量统计数据对所述的图离散注意力网络模型进行训练，得到交通监测点及路网的流量预测模型，用于进行实际的交通流预测。2.如权利要求1所述的基于图离散注意力网络的交通流预测方法，其特征在于，所述S1中，传感器采集的结构化交通流数据包括传感器的位置信息、车辆经过时间、车牌号和车辆驾驶方向。3.如权利要求1所述的基于图离散注意力网络的交通流预测方法，其特征在于，所述S1中，传感器采集的结构化交通流数据通过linux shell脚本及python科学计算工具软件进行统计处理。4.如权利要求2所述的基于图离散注意力网络的交通流预测方法，其特征在于，所述S1中，若结构化交通流数据存在多个车辆驾驶方向的数据，则先以车辆驾驶方向为维度对数据进行提取，然后将每一种车辆驾驶方向的数据分别进行分组和排序形成的流量统计数据，每一种车辆驾驶方向对应形成的流量统计数据仅用于训练该车辆驾驶方向的图离散注意力网络模型。5.如权利要求1所述的基于图离散注意力网络的交通流预测方法，其特征在于，所述S3中，图离散注意力网络模型的骨架结构包含一个编码器序列和一个解码器序列，编码器序列由L
‑
1层编码器构成，解码器序列由L
’‑
1层解码器构成，第L
‑
1层编码器和每一层解码器之间有关联链接；每一层编码器由一个单独的图离散注意力模块构成，且图离散注意力模块包含离散注意力、图注意力和求和正则化操作；历史交通流数据和静态的邻接矩阵通过输入全连接层接入第一层编码器；解码器的最后一层通过输出全连接层产生交通流预测结果；在图离散注意力网络模型中，交通流数据的空间特征被构建为一个图网络其中表示图网络中所有N个节点的集合，每个节点代表一个捕获道路交通流信息的传感器，ε表示节点之间连边的集合，表示不同传感器之间欧几里得距离归一化处理后构建的静态邻接矩阵；具有M个维度的T
′
步时长的历史交通流数据表示为其中x
{t
‑
T
′
+1，
…
，t}
＝{X
t
‑
T
′
+1
，
…
，X
t
}，X
t
表示第t时间步的交通流数据；具有M个维度的T步时长的待预测交通流数据表示为模型训练的目标是学习一个映射函数以历史交通流数据x
{t
‑
T
′
+1，
…
，t)
和图网络为输入，预
测未来T步时长的交通流数据，即：其中ψ代表可学习的参数。6.如权利要求5所述的基于图离散注意力网络的交通流预测方法，其特征在于，所述图离散注意力网络模型包含输入全连接层、L
‑
1层编码器，L
’‑
1层解码器和输出全连接层；所述输入全连接层将x
{t
‑
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。