【技术实现步骤摘要】
基于连续动态常微分方程的交通流量预测系统及方法
[0001]本专利技术涉及交通流量预测
，尤其涉及到一种基于连续动态常微分方程的交通流量预测系统及方法。
技术介绍
[0002]交通流量预测旨在使用历史交通观测数据来预测未来的交通流量。交通流量是智能交通控制、城市规划、路径规划等的基础，因此该研究已经成为当前的热点。然而交通数据中的非线性、不稳定性导致交通流量预测成为一个具有挑战性研究课题。
[0003]经典的统计模型受到机器学习方法对交通流量预测任务的强烈挑战，相较于统计分析模型这些模型可以实现更高的预测精度和更复杂的数据建模。深度学习凭借其强大的特征工程能力和函数拟合能力，在自然语言处理、计算机视觉等领域取得了巨大的成功。受以上研究成果的启迪，各国学者基于LSTM、GRU、CNN、Seq2Seq等深度学习算法构建了交通流量预测。然而交通数据天然具有非欧几里得性，难以使用卷积等操作捕获数据中蕴含的空间依赖。为了解决该问题，现有模型基于经纬度等将交通网络切割成为大小相等的若干网格，并基于此实现卷积操作在交通数据上...
【技术保护点】
【技术特征摘要】
1.基于连续动态常微分方程的交通流量预测系统，其特征在于，所述系统，具有：数据输入模块；时间依赖提取模块；时空依赖捕获模块；动态节点嵌入模块；交通流量预测模块；其中，所述数据输入模块用于对输入的历史交通时间数据序列进行预处理，拆分为L个子序列；其中，时间依赖提取模块用于提取L个子序列中的时间相关性，生成交通流的时间依赖序列；其中，所述时空依赖捕获模块用于为时间依赖序列生成对应的邻接矩阵序列，依据所述邻接矩阵序列，将交通事件进行分类，得到事件的初始矩阵，将其输入到自注意力机制的模块中，将注意力输出输入到前反馈神经网络，生成事件序列的隐藏表示，得到每一个事件类型的条件强度函数，以此预测下一时刻的邻接矩阵；其中，所述动态节点嵌入模块用于将预测出的邻接矩阵与动态时空图结合，获取时空数据张量，并采用基于张量的常微分方程框架对路网交通流的时空动态进行建模与求解，获得隐含层的解析解；其中，所述交通流量预测模块用于进行最大池化操作，并采用多层感知器生成交通流量预测结果。2.如权利要求1所述的基于连续动态常微分方程的交通流量预测系统，其特征在于，所述数据输入模块，具体采用滑动窗口对输入的历史交通时间数据序列进行预处理。3.如权利要求2所述的基于连续动态常微分方程的交通流量预测系统，其特征在于，所述时间依赖提取模块，具体采用一维深度卷积神经网络提取L个子序列中的时间相关性，生成交通流的时间依赖序列。4.如权利要求3所述的基于连续动态常微分方程的交通流量预测系统，其特征在于，所述时间依赖序列的表达式，具体为：；其中，为时间依赖序列，为子序列，为卷积核。5.如权利要求4所述的基于连续动态常微分方程的交通流量预测系统，其特征在于，所述时空依赖捕获模块，用于根据时间依赖序列，生成若干个动态连通性集合，并将每个时间依赖张量与一个动态连通性集合相对应...
【专利技术属性】
技术研发人员：潘佳艺，王炜，范启强，郭元萍，蒋晓雨，刘成，赵腾，尹国强，
申请(专利权)人：云南大学，
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。