【技术实现步骤摘要】
本专利技术涉及智能交通，尤其涉及一种注意力时空同步图卷积网络的交通流量预测方法、系统、电子设备及计算机可读存储介质。
技术介绍
1、交通流量预测在构建智能交通系统(intelligent transportation system，its)中发挥着重要作用，而精准预测交通流量的关键在于有效的时空建模。现有方法根据预测时间长度将交通流量预测分为三类：短期预测、中期预测和长期预测。近年来，基于时空建模的深度学习模型替代了传统的机器学习模型和时间序列模型。现有交通流量预测方法从时间序列和机器学习的传统模型转变到利用时空建模的深度学习模型，如图神经网络(gnns，graph neural networks)、循环神经网络(recurrent neural networks，rnns)和时间卷积网络(time convolutional networks，tcns)等等。例如，采用gnns捕获交通网络中的空间相关性，并利用时间序列模型捕获序列中的时间相关性，但是仍然难以有效捕捉复杂的时空相关性。虽然现有基于图学习的深度模型被广泛应用于交通流量预测，但仍存在以下两个局限性。
2、其一，复杂长短期时空相关性挖掘能力不足。大多数现有工作使用gnn和基于时间的深度学习模型分别对空间和时间相关性进行捕捉。对于时间建模，rnn是一种经典的方法，但是在学习长期序列时存在梯度消失或爆炸等问题。rnn变体如lstm(long short-termmemory，长短期记忆)和gru(gate recurrent unit，门控循环单元)在一定程度
3、其二，邻接矩阵的构造不够灵活。为了捕捉隐藏的空间相关性，现有方法通过定义各种邻接矩阵以绘制更深层次的图结构。stgcn(spatial-temporal graph convolutionalnetwork，时空图卷积网络)、dcrnn(diffusion convolutional recurrent neuralnetwork，扩散卷积循环神经网络)和astgcn(attention based spatial-temporal graphconvolutional networks，基于注意力的时空图卷积网络)仅根据预先定义固定图以捕捉空间相关性。此外，最新现有方法通过多个邻接矩阵或自适应邻接矩阵以捕获空间相关性，但是空间依赖关系的表征能力弱且节点信息的传递效率低。
4、因此，亟需一种能够有效捕捉交通网络中动态变化的时空相关性，增强路网节点之间的信息传递，以提高预测准确性和鲁棒性的交通流量预测方法。
技术实现思路
1、基于此，针对上述技术问题，提供一种注意力时空同步图卷积网络的交通流量预测方法、系统、电子设备及计算机可读存储介质。
2、一种注意力时空同步图卷积网络的交通流量预测方法，包括以下步骤：构建图网络，并将时空网络预测问题转化为映射函数，映射函数将历史时空序列映射到时空网络的未来观测，用于根据历史数据预测未来数据；基于图网络和映射函数，构建注意力时空同步图卷积网络的交通流量预测模型，交通流量预测模型包括有多个堆叠的时空混合同步层，用于通过循环捕获复杂长短期时空相关性，并送入全连接层，以输出预测结果；其中，时空混合同步层包括两个图卷积网络层和一个注意力时空同步模块，每层时空混合同步层分别对时间和空间进行特征嵌入。
3、在其中一个实施例中，所述构建图网络，并将时空网络预测问题转化为映射函数，包括：构建生成图网络g，并采用g＝(v,e,a)表示空间网络，空间网络g表示空间维度上节点之间的关系，其中，|v|＝n为顶点集合，n为顶点个数，e为边集合，a为网络g的邻接矩阵；图信号矩阵为表示空间网络g在时空步长t时的观测值，其中c为节点属性特征数，t表示时间步长；将时空网络数据预测问题描述为映射函数f，将历史时空网络序列映射到时空网络的未来观测根据观测到的历史数据预测未来的交通状况，映射函数f根据过去第t步的历史数据预测下一个t步的数据，公式为：
4、
5、式中，t表示历史时空序列的长度，t′表示未来预测目标时空序列的长度。
6、在其中一个实施例中，所述基于所述图网络和映射函数，构建注意力时空同步图卷积网络的交通流量预测模型，包括：利用时空嵌入挖掘时空特征信息，并将交通网络数据的时间和空间进行混合；采用时空同步的第一图卷积网络层挖掘路网节点隐藏的相关性，并利用时空同步的第二图卷积网络层增强挖掘路网节点隐藏的相关性；利用注意力时空同步模块在时间和空间上同时进行注意力提取，捕捉交通网络中动态变化的时空相关性；通过循环多层所述时空混合同步层捕获复杂长短期时空相关性，并将所述时空混合同步层提取的复杂时空相关性送入两个全连接层，输出交通流量预测结果。
7、在其中一个实施例中，所述利用时空嵌入挖掘时空特征信息，并将交通网络数据的时间和空间进行混合，包括：将空间节点和时间节点分别嵌入到时空序列中，对于时空网络序列xg∈rn×c×t，创建一个时间嵌入矩阵temb∈rc×t和一个空间嵌入矩阵semb∈rn×c，并将所述时间嵌入矩阵和空间嵌入矩阵以广播操作融合到时空序列中，公式为：
8、xg+temb+semb＝xg+temb+semb∈rn×c×t
9、式中，temb∈rc×t是可学习的时间嵌入矩阵，semb∈rc×n是可学习的空间嵌入矩阵；在进行时空混合时，采用滑动窗口形式以时间步长为s将输入时间序列进行切割，得到(t-s+1)个时空混合网络序列，将所述时空混合网络序列的时间和空间混合，并重新构造为xreshape＝(x′1,x′2,l,x′(t-s+1))∈r(t-s+1)n×c，其中x′l∈rs×n×c。
10、在其中一个实施例中，所述采用时空同步的第一图卷积网络层挖掘路网节点隐藏的相关性，并利用时空同步的第二图卷积网络层增强挖掘路网节点隐藏的本文档来自技高网...
【技术保护点】
1.一种注意力时空同步图卷积网络的交通流量预测方法，其特征在于，包括：
2.根据权利要求1所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述构建图网络，并将时空网络预测问题转化为映射函数，包括：
3.根据权利要求2所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述基于所述图网络和映射函数，构建注意力时空同步图卷积网络的交通流量预测模型，包括：
4.根据权利要求3所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述利用时空嵌入挖掘时空特征信息，并将交通网络数据的时间和空间进行混合，包括：
5.根据权利要求4所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述采用时空同步的第一图卷积网络层挖掘路网节点隐藏的相关性，并利用时空同步的第二图卷积网络层增强挖掘路网节点隐藏的相关性，包括：
6.根据权利要求5所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述利用注意力时空同步模块在时间和空间上同时进行注意力提取，捕捉交通网络中动态变化的时空相关性，包括：p>
7.根据权利要求6所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述通过循环多层所述时空混合同步层捕获复杂长短期时空相关性，并将所述时空混合同步层提取的复杂时空相关性送入两个全连接层，输出交通流量预测结果，包括：
8.一种注意力时空同步图卷积网络的交通流量预测系统，其特征在于，用于实现如权利要求1-7所述的一种注意力时空同步图卷积网络的交通流量预测方法，包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种注意力时空同步图卷积网络的交通流量预测方法，其特征在于，包括：
2.根据权利要求1所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述构建图网络，并将时空网络预测问题转化为映射函数，包括：
3.根据权利要求2所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述基于所述图网络和映射函数，构建注意力时空同步图卷积网络的交通流量预测模型，包括：
4.根据权利要求3所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述利用时空嵌入挖掘时空特征信息，并将交通网络数据的时间和空间进行混合，包括：
5.根据权利要求4所述的注意力时空同步图卷积网络的交通流量预测方法，其特征在于，所述采用时空同步的第一图卷积网络层挖掘路网节点隐藏的相关性，并利用时空同步的第二图卷积网络层增强挖掘路网节点隐藏的相关性，包括：
6.根据权利要求5所述的注意力时空同步图卷积网络的交通...
【专利技术属性】
技术研发人员：夏大文，韦小多，李华青，汤寒林，刘海涛，王自强，敖煜测，张文勇，徐海龙，邓丽，冯夫健，蔡静，吴菁，张凯琳，王斌锋，周冠宇，
申请(专利权)人：贵州民族大学，
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。