【技术实现步骤摘要】
speed prediction,"Sensors,17(4),p.818,2017.
[0010][5]R.Fu,Z.Zhang,and L.Li,“Using lstm and gru neural network methods for traffic flow prediction,”in Proc.31st Youth Acad.Annu.Conf.Chin.Assoc.Autom.(YAC),2016,pp.324
–
328.
[0011][6]]B.Yu,H.Yin,and Z.Zhu,"Spatio
‑
temporal graph convolutional networks:A deep learning framework for traffic forecasting,"arXiv preprint arXiv:1709.04875,2017.
[0012][7]C.Song,Y.Lin,S.Guo,and H.Wan,“Spatial
‑
temporal synchronousgraph convolutional networks:A new framework for spatial
‑
temporal network data forecasting,”in Proc.AAAI Conf.Artif.Intell.,vol.34,no.01,2020,pp.914
–
921.
[0013][8]M.Li an ...
【技术保护点】
【技术特征摘要】
1.一种基于自适应图融合卷积网络的交通流量预测方法,包括下列步骤:步骤一,将所需要进行预测的路网构建为图模型,称其为路网图模型,路网路段建模为图的节点,每个路段节点都设有路网传感器,路段之间的连接关系建模为图的边,将每条路段的流量描述为节点的属性特征;步骤二,将节点的历史流量输入到自适应图融合卷积模块处理,自适应图融合卷积模块用于根据所生成的路网图模型建立自适应静态邻接矩阵和自适应动态邻接矩阵,并由静态
‑
动态图融合层进行融合操作,提取对应的空间特征,方法如下:1)对于一个由N个节点的交通流量序列输入X=(X1,X2,
…
,X
I
)∈R
I
×
N
,包含I个时间步,其中,第i时间步流量表示为X
i
;2)构建路网图模型的静态邻接矩阵,称其为自适应静态邻接矩阵,自适应图融合卷积层中的自适应静态邻接矩阵A
S
=ReLU(tanh(a1(EE
T
))),其中E∈R
N
×
D
表示随机初始化的可学习节点嵌入,根据节点数量N和自定义维度D在网络中定义,E
T
为E的转置,a1为网络参数;3)在自适应图融合卷积模块之后设计有残差增强门控循环单元,残差增强门控循环单元以自适应图融合卷积模块提取到的路网空间特征作为输入,以隐状态向量作为输出;4)构建路网图模型的动态邻接矩阵,称其为自适应动态邻接矩阵,将第i时间步流量X
i
结合残差增强门控循环单元第i
‑
1时间步输出的隐状态向量生成自适应动态邻接矩阵A
D
,公式如下:A
D
=ReLU(tanh(a2(DE
·
DE
T
))),a2为网络参数,
⊙
其中表示哈达玛积,[
·
,
·
]表示拼接操作,W∈R为可学习的权重参数,a3为网络参数;5)通过静态
‑
动态图融合层进行...
【专利技术属性】
技术研发人员:徐岩,卢宇,张启源,苏倩,吉常涛,
申请(专利权)人:天津大学,
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。