一种基于隐藏时空特征挖掘的时空交通流预测方法技术

本发明专利技术属于智能交通领域，具体涉及一种基于隐藏时空特征挖掘的时空交通流预测方法，包括：将道路口作为路网节点,获取路网节点的历史交通数据，并转化为交通态势嵌入矩阵；将粒度信息与交通态势嵌入矩阵融和，得到交通态势像素矩阵；根据交通态势像素矩阵从时间、空间多个维度捕获特征并进行融合；通过非线性激活的前馈神经网络实现未来交通流量的预测。本发明专利技术针对交通隐私数据泄漏和动态的时空相关性，通过捕获交通数据中隐藏的时空间依赖关系，同时，引入Transformer多头注意力机制有效地捕获长时依赖与多维特征的动态变化关系，有效的提升了交通流的预测准确性。

【技术实现步骤摘要】

本专利技术属于智能交通领域，具体涉及一种基于隐藏时空特征挖掘的时空交通流预测方法。

技术介绍

1、围绕细粒度交通态势像素化的问题，目前在交通流预测领域暂未见相关研究。细粒度像素化的研究主要集中在用户兴趣挖掘领域。文献interest hd:an interest framemodel for recommendation based on hd image generation中设计的if4rec模型利用多头注意机制生成高清兴趣画像。文献interaction-enhanced and time-aware graphconvolutional network for successive point-of-interest recommendation intraveling enterprises提出了可学习用户和poi动态表示的改进图卷积网络。文献amulti-agent based model for user interest mining on sina weibo提出了一种基于多智能体系统的用户兴趣挖掘自适应模型。文献learning dyn本文档来自技高网...

【技术保护点】

1.一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将历史交通数据D0转化为交通态势嵌入矩阵E，包括：

3.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将粒度信息Trans与交通态势嵌入矩阵E融和，得到交通态势像素矩阵TSPE，包括：

4.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，通过自注意力函数对交通态势嵌入矩阵E进行加权求和，得到表示交通态势相关性的交通态势向量a，并根据交通态势向...

【技术特征摘要】

1.一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，包括：

2.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将历史交通数据d0转化为交通态势嵌入矩阵e，包括：

3.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将粒度信息trans与交通态势嵌入矩阵e融和，得到交通态势像素矩阵tspe，包括：

4.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，通过自注意力函数对交通态势嵌入矩阵e进行加权求和，得到表示交通态势相关性的交通态势向量a，并根据交通态势向量a生成交通态势画幅的张量表示vu，包括：

5.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，将交通态势向量a和交通态势画幅的张量表示vu转化为多交通态势画幅向量a，包括：

6.根据权利要求1所述的一种基于隐藏时空特征挖掘的时空交通流预测方法，其特征在于，根据...

【专利技术属性】
技术研发人员：王蓉，郭清旺，邓凌琪，肖云鹏，谢国强，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：