基于ST-Informer的船舶交通流量长序列时空预测方法技术

本发明专利技术涉及一种基于ST

【技术实现步骤摘要】
基于ST
‑
Informer的船舶交通流量长序列时空预测方法


[0001]本专利技术属于水运交通流量预测方法领域，特别涉及一种基于ST
‑
Informer的船舶交通流量长序列时空预测方法。

技术介绍

[0002]目前，虽然船舶交通流量预测研究取得了很多成果，但仍面临以下几个挑战：1)传统船舶交通流量预测方法大多针对单片区域的船舶交通流量数据进行建模，忽略了各港区之间的交通状况和时空依赖性，导致预测结果无法兼顾船舶交通流的时空联动性。因此，如何构建海上交通的复杂路网结构，实现多个港区海上船舶交通流量的时空联动预测是当前研究的一个难点。2)现有研究成果更加关注短期交通流量的预测，在面对海上船舶交通流量长序列预测任务时，现有模型大多数存在预测性能不足问题。因此，如何提升模型长序列时序预测性能成为难以突破的瓶颈。
[0003]随着深度学习技术的飞速发展，基于数据驱动的深度学习方法为船舶交通流量预测研究提供了新的思路和方法。许多深度学习模型被相继提出和应用于海上交通流研究中。其中，图注意力神经网络由于能够有效地处理图结构任务，对于海上船舶交通网的天然拓扑结构，使得基于图注意力神经网开展海上船舶交通流量预测研究成为可能。另外，相较于传统的递归神经网络模型，Informer模型在长序列时序预测任务中具有更好的预测性能和泛化能力，可以进一步提高船舶长序列时序交通流量预测的准确性，以便更好地规划船舶的航线和可停靠的港口。

技术实现思路

[0004]本专利技术的所要解决的技术问题是提供一种基于ST
‑
Informer的船舶交通流量长序列时空预测方法。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]基于ST
‑
Informer的船舶交通流量长序列时空预测方法，包括以下步骤：
[0007]步骤1、从船舶自动识别系统AIS数据中提取航行船舶数据，得到一段时间内每个时刻进出每个港区的船舶交通流量；
[0008]步骤2、采用前后同一时间段的船舶交通流量数据的平均值对缺失船舶交通流量数据的相应时刻进行数据填充，并对所有船舶交通流量数据进行归一化处理；
[0009]步骤3、构建邻接矩阵A和特征矩阵X，假设港区即交通节点的数量为N，将水上交通网络表示为G＝(V
N
,E,A)，V
N
表示N个节点的集合；E是连接节点间的边集合；A是邻接矩阵，表示各节点的连接情况；
[0010]基于统计的各港区历史船舶交通流量构造特征矩阵X：
[0011][0012]式中，表示在t时刻第i港区的船舶交通流量，m表示时间数据维度；
[0013]步骤4、利用特征矩阵X得到特征序列其中x
i
为特征矩阵X中的第i列，将特征序列X
en
进行位置编码后与邻接矩阵A一起输入编码器，对标记序列X
token
和填充占位符X0进行拼接得到X
de
，再对X
de
进行位置编码后，与邻接矩阵A一起输入解码器；
[0014]步骤5、所述编码器用于结合邻接矩阵A，利用图注意力神经网络与稀疏自注意力模块对特征序列X
en
进行时空特征提取，再进行自注意蒸馏，并将最后一层的时空特征提取模块的输出结果作为键向量和值向量输入到解码器的交叉注意力模块，所述解码器用于结合X
en
高阶时空特征表示HE，利用图注意力神经网络、遮罩的稀疏自注意力模块和交叉注意力模块对输入数据进行时空特征提取，得到解码器的输出数据HD
l
；
[0015]步骤6、解码器的输出数据HD
l
经过全连接层得到最终预测序列并截取其中最后L
y
个时间步的预测值作为船舶交通流量预测结果Y
output
；
[0016]步骤7、根据船舶交通流量预测结果与实际值，利用损失函数计算损失值，通过重复进行步骤5对基于图注意力神经网络的时空预测模型进行训练，调整模型参数，直到损失函数最小化后，模型训练完毕，得到最终的船舶交通流量预测模型；
[0017]步骤8、利用最终的船舶交通流量预测模型对未来的船舶交通流量进行预测。
[0018]进一步的，所述步骤1的具体过程为：首先，通过设置速度阈值对AIS数据进行清洗提取航行船舶数据；然后根据船舶识别号和更新时间，将AIS提供的离散点数据转换为连续的航迹线，并利用交点算法依次判断每条船舶轨迹在设定时间范围内是否与划定的港区边界相交；最后，依据船舶通过港区边界前一个轨迹点是否在港区范围内判断其进出港属性，若是则将对应船舶的船舶数据存入对应进出港数据库中，并考虑船舶换算系数统计进出港区的船舶交通流量。
[0019]进一步的，所述步骤3中，A＝Q
N
×
N
+I
N
×
N
，其中，I
N
×
N
为行列数均为N的单位矩阵，Q
N
×
N
由元素Q
ij
组成，其中i∈{0,1,
…
,N}，j∈{0,1,
…
,N}；
[0020][0021]式中，σ、∈是超参数，d
ij
表示两个港区间的欧式距离，Q
ij
是港区i和港区j之间的连接关系。
[0022]进一步的，所述步骤4中：
[0023][0024]其中，截取交通流量输入序列中的最后L
token
个时间步特征作为标记序列即是一个标记序列，是一个为预测序列保留的用0值填充占位符，L
token
为标记序列的长度，L
y
为输出序列的长度，Concat(
·
)表示特征拼接。
[0025]进一步的，所述步骤4中，位置编码的含义为将位置信息添加到特征序列中，具体步骤包括局部时间戳表示、全局时间戳表示和平衡因子映射缩放，得到长序列时间编码，最后将长序列时间编码后的结果加到特征序列中。
[0026]进一步的，所述步骤5中，所述编码器包括多个时空特征提取模块和自注意力蒸馏模块，所述自注意力蒸馏模块位于两个相邻的时空特征提取模块之间，所述时空特征提取模块包括图注意力神经网络与稀疏自注意力模块，图注意力神经网络用于根据邻接矩阵A对输入数据进行空间特征提取，稀疏自注意力模块用于对输入数据进行时间特征提取，一维卷积神经网络用于进行维度变换，增强模型的非线性表达能力，所述自注意力蒸馏模块用于模型轻量化处理，将输入序列的长度缩短一半，从而降低叠加层的内存使用量，并将输出数据输入到下一级时空特征提取模块，最后连接多级时空特征提取模块的输出结果，并将连接的高阶时空特征表示HE作为查询向量和键向量输入到解码器的每一级解码器块的交叉注意力模块；
[0027]进一步的，所述步骤5中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ST
‑
Informer的船舶交通流量长序列时空预测方法，其特征在于，包括以下步骤：步骤1、从船舶自动识别系统AIS数据中提取航行船舶数据，得到一段时间内每个时刻进出每个港区的船舶交通流量；步骤2、采用前后同一时间段的船舶交通流量数据的平均值对缺失船舶交通流量数据的相应时刻进行数据填充，并对所有船舶交通流量数据进行归一化处理；步骤3、构建邻接矩阵A和特征矩阵X，假设港区即交通节点的数量为N，将水上交通网络表示为G＝(V
N
,E,A)，V
N
表示N个节点的集合；E是连接节点间的边集合；A是邻接矩阵，表示各节点的连接情况；基于统计的各港区历史船舶交通流量构造特征矩阵X：式中，表示在t时刻第i港区的船舶交通流量，m表示时间数据维度；步骤4、利用特征矩阵X得到特征序列其中x
i
为特征矩阵X中的第i列，将特征序列X
en
进行位置编码后与邻接矩阵A一起输入编码器，对标记序列X
token
和填充占位符X0进行拼接得到X
de
，再对X
de
进行位置编码后，与邻接矩阵A一起输入解码器；步骤5、所述编码器用于结合邻接矩阵A，利用图注意力神经网络与稀疏自注意力模块对特征序列X
en
进行时空特征提取，再进行自注意蒸馏，并将输出的高阶时空特征表示HE输入到解码器的交叉注意力模块，所述解码器用于结合X
en
高阶时空特征表示HE，利用图注意力神经网络、遮罩的稀疏自注意力模块和交叉注意力模块对输入数据进行时空特征提取，得到解码器的输出数据HD
l
；步骤6、解码器的输出数据HD
l
经过全连接层得到最终预测序列并截取其中最后L
y
个时间步的预测值作为船舶交通流量预测结果Y
output
；步骤7、根据船舶交通流量预测结果与实际值，利用损失函数计算损失值，通过重复进行步骤5对基于图注意力神经网络的时空预测模型进行训练，调整模型参数，直到损失函数最小化后，模型训练完毕，得到最终的船舶交通流量预测模型；步骤8、利用最终的船舶交通流量预测模型对未来的船舶交通流量进行预测。2.根据权利要求1所述的基于ST
‑
Informer的船舶交通流量长序列时空预测方法，其特征在于，所述步骤1的具体过程为：首先，通过设置速度阈值对AIS数据进行清洗提取航行船舶数据；然后根据船舶识别号和更新时间，将AIS提供的离散点数据转换为连续的航迹线，并利用交点算法依次判断每条船舶轨迹在设定时间范围内是否与划定的港区边界相交；最后，依据船舶通过港区边界前一个轨迹点是否在港区范围内判断其进出港属性，若是则将对应船舶的船舶数据存入对应进出港数据库中，并考虑船舶换算系数统计进出港区的船舶
交通流量。3.根据权利要求1所述的基于ST
‑
Informer的船舶交通流量长序列时空预测方法，其特征在于，所述步骤3中，A＝Q
N
×
N
+I
N
×
N
，其中，I
N
×
N
为行列数均为N的单位矩阵，Q
N
×
N
由元素Q
ij
组成，其中i∈{0,1,
…...

【专利技术属性】
技术研发人员：江宝得，罗海燕，江盈，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：