一种基于残差连接与时空分解的交通流量预测方法和系统技术方案

本发明专利技术公开了一种基于残差连接与时空分解的交通流量预测方法和系统，它通过对时空依赖进行了解耦，分别产生空间部分预测和时间部分预测，最终以相加的方式聚合，形成最终的预测结果，避免了时间维度和空间维度采用统一隐藏表征可能导致的虚假依赖；另一方面，本发明专利技术将逐层分解引入到模型架构中来，流量数据在模型中逐层分解为若干个可预测的组件，有助于建立对数据的理解，从而更容易做出未来的预测；最后，本发明专利技术通过引入时间标识和空间标识，丰富了流量特征信息，有助于缓解异质性问题。有助于缓解异质性问题。有助于缓解异质性问题。

【技术实现步骤摘要】
一种基于残差连接与时空分解的交通流量预测方法和系统


[0001]本专利技术涉及智慧交通
，具体为一种基于残差连接与时空分解的交通流量预测方法和系统。

技术介绍

[0002]交通流预测任务在智慧交通领域起着重要的作用，预测任务中的交通数据一般来自于路网系统中设置的传感器，它以一定的时间间隔收集路段的交通特征信息(如平均速度)。
[0003]传统的预测建模方法主要是对交通流量数据的时间特征进行建模，针对历史数据进行统计分析(如Historical Average，HA)或根据统计学、概率学等理论建立参数化模型(如Autoregressive Integrated Moving Average model，ARIMA)，这类模型在数学上比较容易表达，但是此类模型受到平稳性假设的局限，难以适应现实场景中交通流量序列受到各种不同因素的影响。随着计算机硬件设备和优化算法的进步，人工智能的各项技术也开始被用于交通流量的预测建模分析，相较于传统预测模型在非线性的时间序列预测问题上的局限性，神经网络具有很强的学习能力，可以从非常复杂的数据集中提取出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差连接与时空分解的交通流量预测方法，其特征在于，包括以下步骤：S1：获取交通网络中的位置信息和历史流量数据，并根据位置信息构建距离邻接矩阵；S2：对历史流量数据中的时间特征进行建模，将时间特征转化为历史时间特性和未来时间特性，然后通过在输入的历史流量数据中除以历史时间特性去除原始流量数据中的时间特性，获得流量数据；S3：将历史流量数据中的时间标识、空间标识和流量数据编码为高维向量，并拼接得到高维时空表示向量；S4：对高维时空表示向量进行映射获得中间向量，根据中间向量获得时间部分预测和本层输入的重构，并根据中间向量和距离邻接矩阵获得空间部分预测，将高维时空表示向量和本层输入的重构相减，获得下一层高维时空表示向量；S5：重复S4，设置S4的重复次数为L，直到获得第L层高维时空表示向量；S6：通过跳跃连接，将根据第一层高维时空表示向量到第L层高维时空表示向量获得的时间部分预测和空间部分预测进行聚合，获得各层聚合结果；S7：将各层聚合结果与未来时间特性相乘，恢复原始流量数据中去除的时间特性，获得最终预测结果。2.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，距离邻接矩阵的构建方法为，设定距离阈值，计算任意两节点的欧式距离并与距离阈值做比较，若距离小于距离阈值则认为两节点之间存在关联，建立边连接，若距离大于距离阈值则认为两节点无关。3.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，时间特征转化为历史时间特性和未来时间特性的方法为，将时间特征在交通流量数据中的影响建模为乘性模型；将时间特征通过一个全连接层和两个独立的线性映射转化为两个高维时间特征，分别对应历史时间特性和未来时间特性。4.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，所述时间标识和空间标识采用线性映射将其编码为高维向量，所述流量数据采用序列模型GRU将其编码为高维向量。5.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，根据中间向量获得本层输入重构的公式为：其中，其中是线性映射矩阵，是偏置，Z
l
为中间向量。6.根据权利要求1所述的一种基于残差连接与时空分解的交通流量预测方法，其特征在于，空间部分预测获取具体为，先根据中间向量获得潜在的空间特征，再根据潜在的空间特征和距离邻接矩阵获得聚合了邻居节点特征的潜在空间表征，再经过两个全连接层将...

【专利技术属性】
技术研发人员：钱屹，郑慧，朱若轩，赵彦君，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：