一种基于分层注意力的交通流量预测方法及系统技术方案

本发明专利技术提出一种基于分层注意力的交通流量预测方法及系统，该方法为：利用三个独立的通道来捕获不同周期的交通流量时空模式，在尺度通道的循环层采用耦合图卷积网络

【技术实现步骤摘要】
一种基于分层注意力的交通流量预测方法及系统


[0001]本专利技术涉及交通管理
，特别涉及一种基于分层注意力的交通流量预测方法及系统
。

技术介绍

[0002]准确的交通流量预测是城市计算领域的一个重要研究课题，因为它可以优化交通资源配置并提高智能交通系统的效率
。
每天生成的大量交通数据对于交通动态的长期演变具有重要的洞察力，这对于未来的交通管理和规划是不可或缺的
。
尽管利用交通流量数据具有潜在的好处，但实时准确预测交通流量仍然是一项复杂且多方面的任务
。
[0003]目前，最近的城市交通流量预测方法出现了一种趋势，即采用多元时间序列预测来分析交通数据的多周期时间模式
。
如中国专利文件公开号为
CN113673769A
，名称为“基于多元时间序列插补的图神经网络交通流量预测方法”的公开文献，公开了将交通的流入和流出作为站点节点本身的特征，通过图注意力网络学习空间特征序列，时间关注捕获不同时间之间的动态相关性，再利用长短期记忆网络捕获时间特征，得到交通流量特征
。
[0004]尽管取得了这些进步，但由于特定站点的交通流量可能会随着时间的推移而动态变化，并且不同站点的交通流量在时间周期上表现出不同的周期模式，故站点中交通数据存在密集时空动态和可变的多周期时间模式，从而使得从交通流量的多个角度动态学习变得困难，交通流量预测的准确度依旧面临挑战
。

技术实现思路

[0005]基于此，本专利技术的目的是提出一种基于分层注意力的交通流量预测方法及系统，旨在解决从交通流量的多个角度动态学习困难
、
交通流量预测的准确度不高的问题，以提高特定站点或不同站点在不同周期模式下预测交通流量的准确度
。
[0006]根据本专利技术提出的一种基于分层注意力的交通流量预测方法，所述方法包括：收集目标站点的历史交通流量数据，对所述历史交通流量数据进行预处理，得到交通流量数据序列；建立三个不同的尺度通道，所述三个不同的尺度通道分别为小时尺度通道
、
日尺度通道以及周尺度通道，所述三个不同的尺度通道均采用输入层
、
循环层和输出层的网络结构；将所述交通流量数据序列划分到所述三个不同的尺度通道中，分别得到对应的交通流量数据子序列；把所述交通流量数据子序列作为所述输入层数据，在所述循环层内利用耦合图卷积网络
CGCN
和残差图注意力
RGAT
更新所述交通流量数据子序列的关系矩阵，并在每个时间间隔学习节点嵌入，在所述输出层得到对应尺度通道下的预测交通流量的时序特征；通过残差通道注意力
RCAT
对各个尺度通道下的所述预测交通流量的时序特征进行整合，以得到最终预测交通流量
。
[0007]与现有技术相比，本专利技术的一种基于分层注意力的交通流量预测方法，通过搭建小时尺度通道
、
日尺度通道和周尺度通道这三个独立的尺度通道，来捕获不同周期的交通流量时空模式，有效地对交通网络中道路之间的空间
、
时间和语义相关性进行建模；每个通道都采用输入层
、
循环层和输出层的网络结构，并在循环层通过采用耦合图循环单元
CGRU
来获得聚合的边加权流量状态，再通过残差图注意力
RGAT
以动态学习节点权重，以更贴合真正的动态流量场景；再通过残差通道注意力
RCAT
融合三个尺度通道提取的流量特征，并计算出最终的预测交通流量结果，从而实现多个角度动态学习不同时空下的交通流量状态，由此进一步提高了预测交通流量的准确度
。
[0008]进一步地，所述收集目标站点的历史交通流量数据，对所述历史交通流量数据进行预处理，得到交通流量数据序列的步骤包括：对所述历史交通流量数据定义为有向图
G(V,E)
，其中，节点
V
表示站点，边
E
表示两个站点之间的交通流量，每个节点
V
的特征向量由所述站点的历史上下车流组成；对
t
时刻的历史交通流量数据表示为以及，分别表示每小时
、
每日和每周的交通流量数据，其中
N
是节点数，
r
是特征数，
h
表示小时，
d
表示日，
w
表示周
。
[0009]进一步地，所述将所述交通流量数据序列划分到所述三个不同的尺度通道中，分别得到对应的交通流量数据子序列的步骤包括：初始化不同尺度通道下的交通流量数据子序列的关系矩阵，计算站点之间历史交通流量的相似度，并将所述相似度作为边的权重
。
[0010]进一步地，所述初始化不同尺度通道下的交通流量数据子序列的关系矩阵，计算站点之间历史交通流量的相似度，并将所述相似度作为边的权重的步骤包括：预设时间间隔
τ
，从初始时间
t0开始，函数将交通流量数据子序列映射到三个不同的关系矩阵，所述映射公式表示为：其中，
、、
，
D
和
W
分别表示每天和每周的时间间隔数，其中所述函数的具体运行过程为：将奇异值分解
SVD
应用于流量数据，以获得多个低秩子矩阵，将所述低秩子矩阵表示为：，其中，以及是流数据的低秩子矩阵，和分别表示基于时间和空间的子矩阵；基于高斯核的方法计算的第
i
行和第
j
行的相似度，并将所述相似度作为边的权重的表达式为：
，其中，
exp( ) 代表相似度，表示节点ｉ和节点ｊ的边的权重，是标准差
,
表示第
i
个空间位置的特征向量，表示第
j
个空间位置的特征向量；在所述初始时间丢弃影响不大的节点连接的元素来初始化关系矩阵，所述初始化过程表示为：，其中，
Max()
表示按元素取最大值，是对角矩阵，
。
[0011]进一步地，所述把所述交通流量数据子序列作为所述输入层数据，在所述循环层内利用耦合图卷积网络
CGCN
和残差图注意力
RGAT
更新所述交通流量数据子序列的关系矩阵，并在每个时间间隔学习节点嵌入，在所述输出层得到对应尺度通道下的预测交通流量的时序特征的步骤包括：采用耦合图卷积网络
CGCN
来学习站点之间的关系矩阵，将每个时间间隔内的交通流量特征和初始关系矩阵作为图卷积的输入，每层图卷积提取尺度通道下对应的站点特征和关系矩阵的表达式为：，其中，
K
是图卷积网络中的一个超参数，表示每一层中的卷积核数量，即在每一层中使用的卷积核数量，
k
是一个索引变量，表示在图卷积网络的第
i
层中，第
k
个卷积核，表示第
m
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种交通流量预测方法，其特征在于，所述方法包括：收集目标站点的历史交通流量数据，对所述历史交通流量数据进行预处理，得到交通流量数据序列；建立三个不同的尺度通道，所述三个不同的尺度通道分别为小时尺度通道
、
日尺度通道以及周尺度通道，所述三个不同的尺度通道均采用输入层
、
循环层和输出层的网络结构；将所述交通流量数据序列划分到所述三个不同的尺度通道中，分别得到对应的交通流量数据子序列；把所述交通流量数据子序列作为所述输入层数据，在所述循环层内利用耦合图卷积网络
CGCN
和残差图注意力
RGAT
更新所述交通流量数据子序列的关系矩阵，并在每个时间间隔学习节点嵌入，在所述输出层得到对应尺度通道下的预测交通流量的时序特征；通过残差通道注意力
RCAT
对各个尺度通道下的所述预测交通流量的时序特征进行整合，以得到最终预测交通流量
。2.
根据权利要求1所述的交通流量预测方法，其特征在于，所述收集目标站点的历史交通流量数据，对所述历史交通流量数据进行预处理，得到交通流量数据序列的步骤包括：对所述历史交通流量数据定义为有向图
G(V,E)
，其中，节点
V
表示站点，边
E
表示两个站点之间的交通流量，每个节点
V
的特征向量由所述站点的历史上下车流组成；对
t
时刻的历史交通流量数据表示为以及，分别表示每小时
、
每日和每周的交通流量数据，其中
N
是节点数，
r
是特征数，
h
表示小时，
d
表示日，
w
表示周
。3.
根据权利要求1所述的交通流量预测方法，其特征在于，所述将所述交通流量数据序列划分到所述三个不同的尺度通道中，分别得到对应的交通流量数据子序列的步骤包括：初始化不同尺度通道下的交通流量数据子序列的关系矩阵，计算站点之间历史交通流量的相似度，并将所述相似度作为边的权重
。4.
根据权利要求3所述的交通流量预测方法，其特征在于，所述初始化不同尺度通道下的交通流量数据子序列的关系矩阵，计算站点之间历史交通流量的相似度，并将所述相似度作为边的权重的步骤包括：预设时间间隔
τ
，从初始时间
t0开始，函数将交通流量数据子序列映射到三个不同的关系矩阵，所述映射公式表示为：其中，
、、
，
D
和
W
分别表示每天和每周的时间间隔数，其中所述函数的具体运行过程为：将奇异值分解
SVD
应用于流量数据，以获得多个低秩子矩阵，将所述低秩子矩阵表示为：，
其中， 以及是流数据的低秩子矩阵，和分别表示基于时间和空间的子矩阵；基于高斯核的方法计算的第
i
行和第
j
行的相似度，并将所述相似度作为边的权重的表达式为：，其中，
exp( ) 代表相似度，表示节点ｉ和节点ｊ的边的权重，是标准差
,
表示第
i
个空间位置的特征向量，表示第
j
个空间位置的特征向量；在所述初始时间丢弃影响不大的节点连接的元素来初始化关系矩阵，所述初始化过程表示为：，其中，
Max()
表示按元素取最大值，是对角矩阵，
。5.
根据权利要求1所述的交通流量预测方法，其特征在于，所述把所述交通流量数据子序列作为所述输入层数据，在所述循环层内利用耦合图卷积网络
CGCN
和残差图注意力
RGAT
更新所述交通流量数据子序列的关系矩阵，并在每个时间间隔学习节点嵌入，在所述输出层得到对应尺度通道下的预测交通流量的时序特征的步骤包括：采用耦合图卷积网络
CGCN
来学习站点之间的关系矩阵，将每个时间间隔内的交通流量特征和初始关系矩阵作为图卷积的输入，每层图卷积提取尺度通道下对应的站点特征和关系矩阵的表达式为：，其中，
K
是图卷积网络中的一个超参数，表示每一层中的卷积核数量，即在每一层中使用的卷积核数量，
k
是一个索引变量，表示在图卷积网络的第
i
层中，第
k
个卷积核，表示第
m
‑1层中第
k
个卷积核的权重参数，表示卷积层总数，是表示
m
‑1层的站点特征，是表示
m
‑1层的关系矩阵，所述表示为：，其中，分别表示
m
‑2层的关系矩阵，和 是
ꢀꢀ
通过
...

【专利技术属性】
技术研发人员：廖辉传，周云飞，蓝缘春，凌嘉壕，黄晓辉，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：