一种时空自适应图学习融合动态图卷积的交通流预测方法技术

一种时空自适应图学习融合动态图卷积的交通流预测方法，所述的交通流预测方法，其特征如下：STAHGCN方法主要包含门控时间卷积网络Gated TCN和自适应混合图卷积模块AHGCM，Gated TCN利用不同粒度级别的扩张因果卷积网络来捕捉时间依赖性，AHGCM由静态自适应图学习SAGL、动态图学习DGL以及空间门融合机制构成，以同步充分捕捉交通流历史数据中的动态时空特征；SAGL能够自适应地捕获交通的动态空间特征，DGL能够通过图注意力机制捕获隐藏空间相关性的同时通过并行计算降低时间复杂度。

【技术实现步骤摘要】

本专利技术涉及智能交通，具体是涉及时空自适应图学习融合动态图卷积的交通流预测技术。

技术介绍

1、随着城市化的快速发展，交通道路愈加错综复杂，智能交通系统(its)的负担日益加重。准确的交通流预测是its的重要基础，是交通管控的重要依据，其可以减少交通事故，提高交通运输效率等。交通状况不仅在空间上具有动态性，在时间维度上还具有复杂的不确定性，并受外界多种因素影响，因此准确实时的交通流预测一直面临着巨大挑战。

2、目前交通流预测方法主要分为统计方法、机器学习方法和深度学习方法。统计方法通过统计分析的原理来学习交通流的时间依赖关系，没有考虑动态空间特征，预测效果普遍较差。统计方法主要有历史平均方法(ha)、自回归移动平均方法(arma)和向量自回归方法(var)等。然而，统计预测方法难以处理非线性数据且无法提取交通流的动态空间特征，机器学习方法的出现为该问题提供了解决思路。例如，mathew等人使用k近邻优化分类器和正弦k近邻优化分类器将流量之间的数据相关信息纳入分类过程。huang等人提出一种由深度置信网络和回归方法组成的网络架构，以实现更高精度本文档来自技高网...

【技术保护点】

1.一种时空自适应图学习融合动态图卷积的交通流预测方法，其特征在于，STAHGCN由门控时间卷积网络Gated TCN和自适应混合图卷积模块AHGCM组成，Gated TCN利用不同粒度级别的扩张因果卷积网络来捕捉时间依赖性，AHGCM由静态自适应图学习模块SAGL、动态图学习模块DGL以及空间门融合机制构成以同步充分捕捉交通流历史数据中的动态时空特征，SAGL能够自适应地捕获交通的动态空间特征，DGL能够通过图注意力机制捕获隐藏空间相关性的同时通过并行计算降低时间复杂度；STAHGCN通过将多个模块进行组合，构建组合预测模型，使用预测层对多个模块提取的时空特征进行预测，以实现交通流未来...

【技术特征摘要】

1.一种时空自适应图学习融合动态图卷积的交通流预测方法，其特征在于，stahgcn由门控时间卷积网络gated tcn和自适应混合图卷积模块ahgcm组成，gated tcn利用不同粒度级别的扩张因果卷积网络来捕捉时间依赖性，ahgcm由静态自适应图学习模块sagl、动态图学习模块dgl以及空间门融合机制构成以同步充分捕捉交通流历史数据中的动态时空特征，sagl能够自适应地捕获交通的动态空间特征，dgl能够通过图注意力机制捕获隐藏空间相关性的同时通过并行计算降低时间复杂度；stahgcn...

【专利技术属性】
技术研发人员：张红，陈林彪，陈林龙，张玺君，侯亮，陈作汉，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：