【技术实现步骤摘要】
基于自注意力机制和循环图卷积网络的交通流预测方法
[0001]本专利技术涉及深度学习和时空数据挖掘的
，尤其是基于自注意力机制和循环图卷积网络的交通流预测方法。
技术介绍
[0002]交通流预测作为智慧交通领域的主要应用之一，可以为许多上游问题如帮助城市居民乃至交通运输作业规划正确的行驶路线，帮助相关部门实行交通管制和交通诱导，提高路网利用率，为实现交通流的动态分配等提供优质的解决方案。
[0003]不同于该领域中其它问题，交通流具有长短时和时空依赖的特性，其变化容易受到大量难以预计的宏观或微观因素的影响，这使得交通流预测，尤其是对城市复杂路网的交通流预测成为了一项极具挑战性的任务。现有的深度学习模型只关注于时空间特征的高精度提取，无一例外的忽略了时序预测问题中出现的迟滞现象，即交通流预测曲线存在基于真实结果的时间偏移，倘若预测模型拟合效果较差，加之数据非线性变化较多，该偏移将会一直存在，预测的结果将以预测窗口大小的历史观测值的近似复制形式出现；相反，如若模型与预测问题的复杂度相适应，并且有足量优质的数据用于训...
【技术保护点】
【技术特征摘要】
1.基于自注意力机制和循环图卷积网络的交通流预测方法，其特征在于，包括如下步骤：S1，预处理交通流数据：根据时间戳及车牌号对交通流数据进行合并去重；S2，按经纬度划分并选择待预测子区域：确定采集区域的经纬度范围，对采集区域进行网格划分，获得N个待预测子区域；S3，根据待预测子区域的交通流数据构建时空图，具体如下所示：S31，针对各个待预测子区域的交通流数据进行数据划分，将交通流数据按照Δt的时间片大小进行划分，划分为T个时间段；S32，分别对各个待预测子区域在各个时间段内的交通流数据进行特征提取，特征包括：时间戳、单位时间车流量即交通流量、定位数目、零速度数目、标志位；S33，根据各个待预测子区域在各个时间段内的交通流数据特征，得到时空图数据D∈R
N
×
T
×
F
，其中，N为结点数目即待预测子区域总个数，T为时间段总个数，F为特征总个数；S4，构建交通流预测模型，所述交通流预测模型采用编码
‑
解码堆叠的循环神经网络，具体如下所示：S41，按下式构建双头自注意力机制，用于获取两个增量子值S41，按下式构建双头自注意力机制，用于获取两个增量子值X
(i)
∈R
N
×
F
，i＝1,2,...T其中，MultiHeadAtt(
·
)为双头自注意力机制函数；为第t个时间段的第一增量子值，为第t个时间段的第二增量子值，上标(t)表示第t个时间段；X
(i)
为第i个时间段的输入值，即第i个时间段的各个待预测子区域的交通流数据特征，i＝1,2,...T；S42，定义p为保持原方向的概率，为逆转概率即与原方向相反方向的概率，方向是指交通流量的增长或下降；按下式利用第t个时间段的第二增量子值计算第t个时间段的逆转概率及逆转方向direction：及逆转方向direction：及逆转方向direction：其中，σ(
·
)表示sigmoid函数；p
(t)
表示第t个时间段的交通流量保持原方向的概率，即保持增长或保持下降的概率；表示第t个时间段的交通流量的逆转概率；Δ
(i)
表示第i个时间段的交通流量的增量；α∈(0,1)、β∈(0,1)均为系数；direction表示逆转方向，direction取值为正值即为保持原方向，direction取值为负值即为与原方向相反方向；S43，按下式由第t个时间段的第二增量子值计算第t个时间段的增量大小δ
(t)
：
其中，RELU表示relu非线性激活函数，W、b均为前馈神经网络投影矩阵参数，W为系数矩阵，b为偏置向量；并将第t个时间段的第一增量子值作为第t个时间段的输出预测基值h
(t)
，即S44，根据步骤S42和S43的计算结果，按下式计算第t个时间段的完整增量Δ
(t)
即不确定度余量：Δ
(t)
＝λ(2p
(t)
‑
1)δ
(t)
其中，λ为缩放系数；S45，按照下式构建计算单元ADD
‑
GCGRU：GCGRU：r
(t)
＝σ(Θ
r*G
[h
(t)
；H
(t
‑
1)
])C
(t)
＝Tanh(Θ
c*G
[h
(t)
；(r
(t)
⊙
H
(t
‑
1)
)])u
(t)
＝σ(Θ
u
*
G
[h
(t)
；H
(t
‑
1)
])H
(t)
＝u
(t)
⊙
H
(t
‑
1)
+(1
‑
u
(t)
)
⊙
C
(t)
O
(t)
＝W2([H
(t)
；h...
【专利技术属性】
技术研发人员：孟宪伟，鲁一行，贾琳，
申请(专利权)人：中国科学院合肥物质科学研究院，
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。