基于动态相关性的时空Transformer交通流预测方法技术

基于动态相关性的时空Transformer交通流预测方法，所述的交通流组合预测方法，DST

【技术实现步骤摘要】
基于动态相关性的时空Transformer交通流预测方法


[0001]本专利技术涉及智能交通
，具体涉及基于动态相关性的时空Transformer交通流预测技术。

技术介绍

[0002]随着社会的不断发展，日益复杂的交通形势给智能交通系统(ITS)的建设带来了巨大的挑战。ITS系统能够有效地利用现有的交通设施，减少交通负荷与环境污染，保证交通安全，提高运输效率，因此它逐渐成为交通领域研究的重点和热点。
[0003]在过去的几年中，针对交通流量预测已经进行了许多研究。例如，自回归移动平均(ARIMA)方法等时间序列预测方法常用于短期预测任务中。然而，这类方法仅在交通流变化比较规律且不受其他外源因素影响时进行预测，无法适应现实中复杂多变的交通状态和环境。此外，一些非线性方法如支持向量回归(SVR)、贝叶斯网络和K
‑
近邻(KNN)方法等可以更加灵活地对交通流的非线性关系进行描述，但由于其未能对交通流的时间依赖性和空间相关性全面考虑，且需要进行大量的特征工程，对交通流预测任务的性能不佳。
[0004]近年来，随本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于动态相关性的时空Transformer交通流预测方法，其特征在于所述的交通流组合预测方法，DST
‑
Trans通过时空门控卷积网络和Transformer对交通流的动态时空相关性进行建模；首先，构造自适应邻接矩阵并通过节点嵌入来学习隐藏的交通路网动态空间关系；其次，通过结合时间门控卷积网络和图卷积网络，以同时捕获交通流的时空相关性；ST
‑
Block通过在时空门控卷积网络中引入多头注意力机制对长时间序列的动态时空相关性进行建模；为了充分利用路网之间的动态和静态关联，构建道路连接图、相似图以及自适应动态图的多图方法。2.根据权利要求1所述的基于动态相关性的时空Transformer交通流预测方法，其特征所述交通流组合预测方法构建步骤为：首先，通过结合图卷积与时间门控卷积网络，以同时捕获时空相关性；此外，通过在时间门控卷积网络集成Transformer多头自注意力机制以学习交通流长短期时间特征；其次，通过Transformer多头自注意力机制和空间门控图卷积层(SGGC)的组合方法，以提取局部
‑
全局动态空间相关性，并解决图卷积高度依赖图邻接矩阵的问题；SGGC构建多图融合方法，以充分利用道路之间的静态与动态关联关系；最后，通过卷积层输出预测序列进行预测。3.根据权利要求1所述的基于动态相关性的时空Transformer交通流预测方法，其特征在于将道路网络表示为G＝(S,E,D)，其中S是一组道路节点，E是交通路网一组边的集合，D∈R
N
×
N
表示图G的加权邻接矩阵；在每个时间步长t中，给定道路v
n
的交通流交通流预测问题旨在学习一个函数F(
·
),它可以将作为输入,并预测未来H个时间步长的交通流，该映射关系如下所示：4.根据权利要求1所述的基于动态相关性的时空Transformer交通流预测方法，其特征在于DST
‑
Trans由堆叠的Gated TCN,ST
‑
Block以及融合层组成；其中Gated TCN由两个平行的时间卷积层(TCN
‑
a和TCN
‑
b)组成，以学习单个节点的全局时间依赖性，ST
‑
Block包括Temporal Transformer和Spatial Transformer，其中，Temporal Transformer通过在时间门控卷积层(TGC)中引入时间多头自注意力机制(TMSA)以提取交通流的短期和长期时间依赖性，Spatial Transformer通过在空间门控图卷积层(SGGC)中引入空间多头自注意力机制(SMSA)以提取交通流的局部
‑
全局动态空间相关性，融合层通过聚合不同粒度的时空特征，以探索不同时间步长之间的时空依赖关系。5.根据权利要求4所述的基于动态相关性的时空Transformer交通流预测方法，其特征在于时间卷积网络中的权重共享机制有利于学习单个节点的全局时间依赖性，虽然DST
‑
Trans可以在统一的框架中灵活地捕捉复杂的时空相关性，但对于不同模块的权重未共享机制，它更有利于捕捉不同时间段的不同局部时空依赖关系，而不是每个节点的全局依赖关系；本发明使用膨胀因果卷积网络作为时间卷积网络(TCN)来捕获节点的时间趋势，膨胀因果卷积网络通过增加层的深度来获得更大的感受野；膨胀因果卷积网络运算的表示如等式(2)所示：
其中x∈R
T
表示给定的一维输入序列，f∈R
K
表示在时间步t处的时间卷积滤波器，d表示膨胀因子；通过将具有膨胀因子的膨胀因果卷积网络按递增顺序堆叠，感受野呈指数增长，它使得膨胀因果卷积网络能够以更少的层捕获更长的序列，从而节省了计算资源；为了更好地控制信息流并保留有用的信息，本发明采用门控机制对TCN中各层的信息进行控制；一个简单的门控TCN只包含一个输出门，表示为：TGC(θ
T
)＝tanh(η1*θ
T
+b1)
⊙
Sigmoid(η2*θ
T
+b2)
ꢀꢀꢀꢀꢀꢀ
(3)其中θ
T
∈R
N
×
D
×
T
为给定的输入，η1，η2，b1和b2是方法参数，
⊙
是元素乘积，tanh(
·
)是输出的激活函数；在本发明的方法中，采用Gated TCN来学习复杂的时间依赖性。6.根据权利要求4所述的基于动态相关性的时空Transformer交通流预测方法，其特征在于GCN的核心思想是利用图结构中的节点信息及节点之间的连接信息进行特征变换，以对图数据中的空间特征进行提取；由于道路网络的空间结构是通过预定义的邻接矩阵来表示的，预定义的邻接矩阵不能有效学习交通流的动态特征；基于此，在本发明中提出一种自适应邻接矩阵以学习隐藏的空间依赖关系，该矩阵不需要任何先验知识，并且通过随机梯度下降进行端到端学习，使用可学习参数E1,E2∈R
N
×
C
随机初始化两个节点嵌入字典来挖掘交通流隐藏的空间特征；本发明提出的自适应邻接矩阵如下所示：通过结合预定义的空间依赖关系和自学习隐藏的空间特征，本发明提出了以下图卷积层：当图网络结构不适用时，本发明提出单独使用自适应邻接矩阵来捕获隐藏的空间依赖关系，如等式(6)所示：7.根据权利要求4所述的基于动态相关性的时空Transformer交通流预测方法，其特征在于Temporal Transformer利用时间门控卷积层(TGC)和时间多头自注意力机制(TMSA)以提取交通流的短期和长期时间依赖性；Temporal Transformer由TGC、TMSA和时间融合块组成；TGC采用一维扩张因果卷积和门控机制来提取短期时间依赖性，TMSA采用自注意力机制来提取长期时间依赖性，时间融合块用于聚合短期和长期时间依赖性；时间门控卷积的表示如公式(2)(3)所示，本发明使用TMSA对复杂的时间相关性进行建模，给定输入时间特征θ
T
∈R
T
×
N
×
C
和空间特征θ<...

【专利技术属性】
技术研发人员：张红，王红燕，巩蕾，张玺君，杨俊译，李扬，伊敏，魏骄云，朱思雨，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：