基于注意力重构神经网络的交通预测方法技术

本发明专利技术提供了一种基于注意力重构神经网络的交通预测方法，属于交通预测技术领域；解决了目前基于深度学习模型对交通预测中存在的特征提取不全面、模型精度低的问题；包括如下步骤：通过传感器获取道路网络上的交通信息，并将获取的道路网络上的交通信息根据时序划分为最近的时间序列和以周为单位的过去几周的周期时间序列；采用基于多头注意力的图注意力网络GAT分别捕捉最近的时间序列和周期时间序列的路段之间交通信息的空间依赖关系；分别通过长短期特征提取GRU得到最近的时间序列和周期时间序列的时间依赖性输出，最后通过注意力层来捕捉它们之间的动态重要性，最终输出预测的下一时刻的传感器测得的车辆速度；本发明专利技术应用于交通预测。明应用于交通预测。明应用于交通预测。

【技术实现步骤摘要】
基于注意力重构神经网络的交通预测方法


[0001]本专利技术提供了一种基于注意力重构神经网络的交通预测方法，属于交通预测


技术介绍

[0002]随着城市化进程的加速，城市人口和车辆数量的不断增加，交通拥堵和交通事故等问题日益突出，给城市交通管理和出行者带来了巨大的挑战，交通拥堵成为一个越来越突出的问题。道路交通预测作为智能交通系统中的重要分支，在道路拥堵预测、路径规划等方面有着重要作用，可以帮助人们规划路线、制定出行计划，减少交通拥堵以及节约时间和成本。同时，交通预测也可以帮助人们更好地应对交通拥堵问题，减少交通事故，提高交通效率，并保证城市交通的可持续性发展；另外，在公共风险评估方面，了解道路使用情况也是至关重要的，例如在灾害控制中，通过预测未来的交通量，地方政府和社区能够设计更好的交通调度和流动管理策略，以减轻人群流动造成的悲剧。因此，交通预测已经成为了目前交通领域中一个十分重要的研究方向。本专利技术以此为研究背景，旨在利用基于注意力的神经网络对未来某路段的交通情况进行预测。
[0003]目前用于交通预测的方法主要分为三类：基于统计学的方法、基于机器学习的方法、基于深度学习的方法。
[0004]基于统计分析的早期交通预测：早期通过数学统计学模型对交通流进行预测，统计学模型算法简单，运算速度快，但并不能挖掘交通流深层次的特征信息，模型预测误差较大，在处理复杂的路段的交通流预测任务时并不能胜任。其次统计学模型依赖于先验知识设定模型的参数，然而交通流数据具有较强的时序性特点，其在数据变化大的交通场景下并不能很好的使用。最后统计学模型算法结构较为固定，并不能自适应交通场景动态调整。
[0005]基于机器学习模型的交通预测：随着机器学习的发展，机器学习算法自适应挖掘交通流的逻辑关系，可处理复杂的逻辑问题。但在数据量大、影响因素多的数据样本中，样本数量的增加以及数据维度的增大都会导致模型寻找最优参数存在困难，从而影响模型的训练效率及准确性。KNN模型收敛速度慢，运行时间长，可能不满足道路交通实时性预测的要求。马尔可夫模型无记忆性，不能挖掘交通数据周期性的特点。SVM模型核函数的种类及其参数的确定影响模型预测的精度，复杂的参数寻优会造成大量时间开销。
[0006]基于深度学习模型的交通预测：为了进一步挖掘交通流的空间性信息，通过结合CNN进行交通流局部空间特征提取，或者将道路路网建模为图结构，通过图神经网络进行预测与分析。采用时空序列模型并不能全局感知道路之间的空间特征，在空间特征较为复杂的道路路段预测精度相比图结构模型较低。而图结构模型事先需要得到各个路段的邻接关系，但在有些情况下无法实现，其次在道路关系简单、数据量少的场景下，图结构模型的预测精度与非图结构模型差距不大，但增加了系统在时间与空间的开销成本。
[0007]因此，本专利技术在现有交通预测模型的条件下，针对交通预测中图结构的获取、充分挖掘交通数据周期性以及特征提取等问题进行研究与改进。

技术实现思路

[0008]本专利技术为了解决目前基于深度学习模型对交通预测中存在的特征提取不全面、模型精度低的问题，提出了一种基于注意力重构神经网络的交通预测方法。
[0009]为了解决上述技术问题，本专利技术采用的技术方案为：基于注意力重构神经网络的交通预测方法，包括如下步骤：
[0010]S1：在道路中设置多个检测车辆速度的传感器，获取道路网络上的交通信息，并将获取的道路网络上的交通信息根据时序划分为最近的时间序列和以周为单位的过去几周的周期时间序列；
[0011]S2：采用基于多头注意力的图注意力网络GAT分别捕捉最近的时间序列和周期时间序列的路段之间交通信息的空间依赖关系，分别输出最近的时间序列的空间依赖性输出和周期时间序列的空间依赖性输出；
[0012]S3：将最近的时间序列的空间依赖性输出输入至构建的短期特征提取GRU中，得到最近的时间序列的时间依赖性输出；
[0013]S4：将周期时间序列的空间依赖性输出输入至构建的长期特征提取GRU中，得到周期时间序列的时间依赖性输出；
[0014]S5：将最近的时间序列的时间依赖性输出、周期时间序列的时间依赖性输出通过注意力层来捕捉它们之间的动态重要性，最终输出预测的下一时刻的传感器测得的车辆速度。
[0015]所述步骤S1中采用未加权图G来描述道路网络的拓扑结构，其中G＝(V，E)，其中V表示一组传感器节点，每个传感器视为一个节点，E表示传感器之间的连接的集合，采用邻接矩阵A表示传感器之间的连接，邻接矩阵A为只包含0和1元素的矩阵，如果传感器之间没有连接，则元素为0，如果传感器之间有连接，则元素为1；
[0016]所述步骤S1中的时间序列采用特征矩阵X表示，其中特征矩阵X包含道路网络上的交通信息，其中交通信息通过节点的属性特征来描述。
[0017]将所述邻接矩阵A中的节点和输入节点的特征矩阵X进行所有节点的嵌入，计算得到嵌入矩阵E，将初始邻接矩阵A和嵌入矩阵E构成的图的输入节点的特征矩阵视作两个子空间下的输入，分别对其进行低维空间的分解，形成两个子空间下的特征视图X1和X2，计算公式如下：
[0018]X1＝X1W1H1；
[0019]X2＝X2W2H2；
[0020]上式中：W1和W2是原始数据分解到低维空间中的参数矩阵，H1和H2是可学习的系数矩阵；
[0021]同时设置阈值M，将H1和H2相加得到的新的矩阵H，选择矩阵H中大于阈值M的节点，组成新的重构矩阵重构矩阵表示大于阈值M的节点所构造新的图结构中传感器之间的连接关系。
[0022]采用基于多头注意力的图注意力网络GAT聚合重构矩阵中相邻节点的特征表示，图注意力网络GAT通过采用注意力机制来学习两个连接节点之间的相对权重，K个独立注意力机制同时执行图注意力网络GAT的卷积运算，然后将卷积运算的特征平均，产生最近的时间序列和周期时间序列的空间依赖性输出。
[0023]所述步骤S5中通过计算长短期时间序列的相关系数，长期注意向量通过相关系数加权和得到，将长期注意向量和短期时间序列预测连接起来，保留预测时间步长的短期和长期依赖，通过添加全连接层得到路段上车辆的速度预测值。
[0024]本专利技术相对于现有技术具备的有益效果为：
[0025]1、本专利技术结合了图神经网络和数据挖掘的最新进展，并应用于交通道路预测的数据特征提取，促进了计算机科学与技术、智能交通和社会科学等多学科的交叉融合；
[0026]2、本专利技术的研究有助于形成更为完善的交通网络图，过滤掉影响较小的路段影响，使得对交通数据的空间相关特征的提取更为精准；
[0027]3、本专利技术的研究不仅考虑了交通时序数据的历史数据，同时考虑了交通时序数据的周期性特点，通过注意力机制对周期性时序和历史时序进行拼接，使得对交通数据的时间相关性的提取更为全面。
附图说明
[0028]下面结合附图对本专利技术做进一步说明：
[0029]图1为本专利技术提出的基于注意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力重构神经网络的交通预测方法，其特征在于：包括如下步骤：S1：在道路中设置多个检测车辆速度的传感器，获取道路网络上的交通信息，并将获取的道路网络上的交通信息根据时序划分为最近的时间序列和以周为单位的过去几周的周期时间序列；S2：采用基于多头注意力的图注意力网络GAT分别捕捉最近的时间序列和周期时间序列的路段之间交通信息的空间依赖关系，分别输出最近的时间序列的空间依赖性输出和周期时间序列的空间依赖性输出；S3：将最近的时间序列的空间依赖性输出输入至构建的短期特征提取GRU中，得到最近的时间序列的时间依赖性输出；S4：将周期时间序列的空间依赖性输出输入至构建的长期特征提取GRU中，得到周期时间序列的时间依赖性输出；S5：将最近的时间序列的时间依赖性输出、周期时间序列的时间依赖性输出通过注意力层来捕捉它们之间的动态重要性，最终输出预测的下一时刻的传感器测得的车辆速度。2.根据权利要求1所述的基于注意力重构神经网络的交通预测方法，其特征在于：所述步骤S1中采用未加权图G来描述道路网络的拓扑结构，其中G＝(V，E)，其中V表示一组传感器节点，每个传感器视为一个节点，E表示传感器之间的连接的集合，采用邻接矩阵A表示传感器之间的连接，邻接矩阵A为只包含0和1元素的矩阵，如果传感器之间没有连接，则元素为0，如果传感器之间有连接，则元素为1；所述步骤S1中的时间序列采用特征矩阵X表示，其中特征矩阵X包含道路网络上的交通信息，其中交通信息通过节点的属性特征来...

【专利技术属性】
技术研发人员：荀亚玲，王宇嘉，蔡江辉，杨海峰，刘爱琴，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：