【技术实现步骤摘要】
基于人工智能的城市交通预测方法、设备及介质
[0001]本专利技术属于交通预测领域，具体涉及一种基于人工智能的城市交通预测方法、设备及介质。
技术介绍
[0002]交通预测作为时空预测中的一个重要研究方向，其中的交通数据是时空序列数据，具有复杂的时空相关性，因此交通预测任务的实现具有一定的挑战性，准确及时的交通流预测不仅可以缓解交通堵塞等问题，也能节约各种资源。
[0003]机器学习和深度学习在人工智能领域具有举足轻重的作用，随着城市大脑概念的产生，深度学习作为一种非常适合于非线性复杂系统演化中的研究手段，通过海量的交通数据挖掘和自主学习，已经在城市交通管理中凸显出巨大优势。
[0004]由于交通网络具有非欧式拓扑结构，可能出现两条在欧式空间中很近的道路却实际上相关度很小，因而衡量两个道路之间的相关度不能简单通过距离来测量，需要有效的空间建模方法捕获路网的空间依赖性。此外，交通时间序列具有很强的时间依赖性，这种时间依赖性除了具有自相关性和周期性以外，还因为工作日节假日变换、天气、以及不可预知的突发事件等而具有...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能的城市交通预测方法，其特征在于，所述方法包括：S1：数据预处理：对实际交通流数据X进行预处理，包括交通拥堵数据的预处理和路网数据的预处理；S2：空间特征提取：结合车流量、平均车速、平均车道空间占有率信息构造交通图网络，分别计算每两个节点之间车流量差、平均车速差、平均车道空间占有率差，进而构造相关图的邻接矩阵A，将邻接矩阵A构造出拉普拉斯矩阵，输入到图卷积GCN模型中，提取空间特征；S3：时间特征提取：在RNN的不同位置添加长记忆滤波器，将经过图卷积GCN提取空间特征的交通流数据输入到添加长记忆滤波器的RNN网络中提取局部时间特征信息H
L
，对每个节点i的输入数据进行位置编码，获得时间嵌入，将时间嵌入与输入数据进行加和得到自注意力层的输入,然后通过多头注意力机制得到全局时间特征表示；最后通过卷积层得到局部时间和全局时间特征的融合输出；S4：模型预测输出：使用softmax函数作为全连接层输出获得预测交通流数据Y。2.如权利要求1所述的方法，其特征在于，步骤S2中：计算车流量矩阵C、平均速度矩阵S、平均车道空间占有率矩阵O：，其中为超参数；表示节点i的交通流量，平均速度和平均车道空间占有率，表示节点j的交通流量，平均速度和平均车道空间占有率；根据交通网络中i，j节点之间的距离计算得到距离矩阵Q：，其中表示节点之间的距离，和分别控制距...
【专利技术属性】
技术研发人员：周星，林旭，丁从敏，
申请(专利权)人：四川省商投信息技术有限责任公司，
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。