【技术实现步骤摘要】
本专利技术涉及模型预测，尤其涉及一种基于特征注意力机制的交通流预测方法及系统。
技术介绍
1、交通流预测是通过收集、分析和利用交通数据来预测道路和交通网络中的交通流量情况。它对交通管理者、城市规划师和驾驶者来说都是非常重要的。
2、交通流预测可以帮助交通管理者更好地规划交通资源，优化交通信号配时，提高交通效率，减少拥堵。对城市规划师来说，交通流预测能够帮助他们了解未来的出行需求和交通瓶颈，从而合理规划道路、交通设施和居住区等，确保城市的可持续发展。对驾驶者来说，交通流预测可以帮助他们避开拥堵路段，选择合适的出行时间，提高出行效率和舒适度。
3、交通管理、城市规划和驾驶辅助系统是交通流预测的主要应用领域。交通管理者可以通过预测交通流量来优化路口信号配时、提供实时交通信息、引导交通流动等，改善交通状况。城市规划师可以利用交通流预测结果来规划道路、公共交通线路、停车设施等，以适应未来的交通需求。同时，驾驶辅助系统也可以利用交通流预测来帮助驾驶者做出更好的出行决策，提供实时的交通信息，指导驾驶者选择最佳路线，避开拥堵路段。
4、然而，交通流预测也面临一些挑战，交通流预测受到许多不确定性因素的影响，如天气状况、特殊事件(如事故、施工等)、节假日等。这些因素的改变可能会导致实际交通流量与预测结果存在一定差异。
5、在交通流预测中，深度学习算法是一种有效的方法。它通过多层神经网络建模，能够高效地捕捉输入数据的特征，构建精确的预测模型。在交通流预测中，深度学习算法主要包括卷积神经网络、循环神经网络
技术实现思路
1、专利技术目的：针对
技术介绍
中指出的准确的把握实时公路交通流数据，本专利技术提出一种基于特征注意力机制的交通流预测方法及系统，提高交通流预测精度。
2、技术方案：本专利技术提供了一种基于特征注意力机制的交通流预测方法，包括以下步骤：
3、步骤1：获取所需交通流数据信息，将所采集交通流数据信息使用均值处理法进行预处理；
4、步骤2：采用熵权法对交通流数据进行处理，构建相应特征矩阵；
5、步骤3：将熵权法处理后的交通流数据输入sfformer模型进行训练，得出交通流数据的预估值，且所述sfformer模型采用切诺贝利灾难算法cdo对sfformer模型中q、k、v三个参数进行最优值求解，将均方误差作为损失函数，对sfformer模型训练模型进行评估；
6、步骤4：最后采用平均绝对误差两种统计指标衡量模型sfformer模型预测效果。
7、进一步地，所述步骤1中的采集交通流数据信息为交叉路口的历史车流量、空气指数、天气质量的数据信息，每隔2min收集一次数据，每小时有30个样本，一天有12小时，每类数据3万条，对于采集回来的数据，其中2万条数据用于模型训练，1万条数据用于测试集的模型验证。
8、进一步地，采用均值处理法对于车流量数据集、空气指数数据集、天气质量数据集中缺失值进行填充，先确定数据集中存在缺失值的列的索引；然后计算列平均值，并将其填充到对应列中的缺失值空位。
9、进一步地，所述步骤2中采用熵权法对交通流数据进行处理，其具体方法为：
10、熵权法对交通流数据的降噪过程如下：
11、第1步：通过预测数据集和预测指标集构成决策矩阵j；
12、
13、其中，参与评价的数据集m＝(m1,m2,m3,…,mm)，预测指标集d＝(d1,d2,d3,…,dn)；参与评价的数据mi与其对应指标dj的值定义为xij，其中i和j的取值范围为：i＝1,2,3,…,m；j＝1,2,3,…,n；
14、第2步：由于预测指标都具有正向指标和逆向指标，所以需要消除不同量纲对决策矩阵的影响，同时还要去除负指标值的决策变量，需要对决策矩阵j进行标准化处理；
15、决策矩阵j中正向指标的标准化处理方式为：
16、
17、决策矩阵j中负向指标的标准化处理方式为：
18、
19、第3步：计算第j个指标下第i个评价对象的特征比值：
20、第4步：计算第j个指标的熵值：
21、第5步：计算第j个指标的熵值的差异值：dj＝1-ej；
22、第6步：计算各指标对应的熵值：
23、第7步：将各指标对应的熵值与对应指标相乘得到样本矩阵xf：xf＝wj·vij；
24、将熵权法处理后得到的车流量、空气指数、天气质量数据结合起来，构建特征矩阵c，特征矩阵c＝(a|b|c)，其中，a为车流量序列，b为空气指数序列，c为天气指数序列；将处理后的车流量数据集、空气质量数据集和天气指数数据集分别划分为训练集和测试集。
25、进一步地，所述步骤3中的采用sfformer模型对处理后的交通流数据进行训练，得出交通流数据的预估值，具体方法为：
26、所述sfformer模型有编码层、解码层、全连接层3层；数据输入sfformer模型时要嵌入数据的位置信息，输入位置信息到sfformer模型中，以提取更多的时间特征，所输入位置信息由标量投影、局部时间戳和全局时间戳构成，编码层需要通过编码器xen将所采集的交通流数据进行编码，然后输入模型，编码层t时刻的输入表达式为：
27、
28、其中，len为输入数据的序列长度；m为序列长度；n*为交通流数据的训练集长度；
29、交通流数据输入sfformer模型后，在编码层经过稀疏注意力机制和一种特征注意力机制计算输出含有特征值的交通流数据，采用自注意蒸馏操作对具有主要特征的数据进行卷积计算，最后输出含有自注意力特征的数据；稀疏注意力机制由kl对sfformer模型本身自带的注意力机制进行离散处理后得到，编码层的自注意力层中加入蒸馏层；
30、解码层通过生成式解码器和联结注意力函数计算，得到交通流预测结果，特征数据在解码层的输入计算公式如下：
31、
32、其中，表示输入；表示多个注意力计算结果；concat是联结注意力计算结果的函数；将序列通过一个基于掩码的稀疏性自注意力层；
33、全连接层采用深度学习算法进行数据的学习，提取交通流数据特征，得本文档来自技高网...
【技术保护点】
1.一种基于特征注意力机制的交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征注意力机制的交通流预测方法，其特征在于，所述步骤1中的采集交通流数据信息为交叉路口的历史车流量、空气指数、天气质量的数据信息，每隔2min收集一次数据，每小时有30个样本，一天有12小时，每类数据3万条，对于采集回来的数据，其中2万条数据用于模型训练，1万条数据用于测试集的模型验证。
3.根据权利要求2所述的一种基于特征注意力机制的交通流预测方法，其特征在于，采用均值处理法对于车流量数据集、空气指数数据集、天气质量数据集中缺失值进行填充，先确定数据集中存在缺失值的列的索引；然后计算列平均值，并将其填充到对应列中的缺失值空位。
4.根据权利要求1所述的一种基于特征注意力机制的交通流预测方法，其特征在于，所述步骤2中采用熵权法对交通流数据进行处理，其具体方法为：
5.根据权利要求1所述的一种基于特征注意力机制的交通流预测方法及其特征在于，所述步骤3中的采用SFformer模型对处理后的交通流数据进行训练，得出交通流数据的预估值，具
6.根据权利要求5所述的一种基于特征注意力机制的交通流预测方法，其特征在于，采用CDO算法通过α、β、γ三个辐射粒子的攻击方式，获取SFformer模型中Q、K、V三个参数的最优值，优化SFformer模型的训练结果，提高SFformer模型的自适应学习率。
7.一种基于权利要求1至6任一所述的基于特征注意力机制的交通流预测方法的系统，其特征在于，包括如下模块：
...【技术特征摘要】
1.一种基于特征注意力机制的交通流预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征注意力机制的交通流预测方法，其特征在于，所述步骤1中的采集交通流数据信息为交叉路口的历史车流量、空气指数、天气质量的数据信息，每隔2min收集一次数据，每小时有30个样本，一天有12小时，每类数据3万条，对于采集回来的数据，其中2万条数据用于模型训练，1万条数据用于测试集的模型验证。
3.根据权利要求2所述的一种基于特征注意力机制的交通流预测方法，其特征在于，采用均值处理法对于车流量数据集、空气指数数据集、天气质量数据集中缺失值进行填充，先确定数据集中存在缺失值的列的索引；然后计算列平均值，并将其填充到对应列中的缺失值空位。
4.根据权利要求1所述...
【专利技术属性】
技术研发人员：张志荣，沈娴娴，仲安婕，姜耀，唐中一，张楚，彭甜，
申请(专利权)人：淮阴工学院，
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。